ગોપનીયતા, વર્ગીકૃત માહિતી અને સુરક્ષિત AI ઉપયોગ

નફો:

• સંવેદનશીલતા વર્ગ (જાહેર/આંતરિક/ગોપનીય/ટોપ સિક્રેટ) અનુસાર માહિતીનું મૂલ્યાંકન કરવાની ક્ષમતા અને 'આસ્ક ક્લાસ, ટૂલ મેચ કરો' રીફ્લેક્સ લાગુ કરો
• ડેટા સ્ટોરેજ, મોડલ તાલીમ, AIના સંગ્રહ અને ભંગના જોખમોને સમજવું અને ખુલ્લી અને વર્ગીકૃત દુનિયાને અલગ રાખવી
• ન્યૂનતમ ડેટા સિદ્ધાંત અપનાવવાની ક્ષમતા, વ્યક્તિગત ડેટા સુરક્ષા અને અનિશ્ચિત માહિતીને સુરક્ષિત રાખવાની શિસ્ત જાણે તે ઉચ્ચ વર્ગની હોય.

રાજદ્વારી વિશ્વાસ પર આધારિત છે, અને વિશ્વાસ ગુપ્તતા પર આધારિત છે. વાટાઘાટોની સ્થિતિ, ગુપ્ત માહિતીનું મૂલ્યાંકન, વાર્તાલાપ કરનાર સાથેની વાતચીતની સામગ્રી, અથવા હજુ સુધી જાહેર કરવામાં આવેલ નિર્ણય, ખોટા હાથમાં, રાજ્યના હિતોને, વાટાઘાટોના પરિણામને અથવા લોકોની સુરક્ષાને પણ જોખમમાં મૂકી શકે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ક્ષેત્રમાં જબરદસ્ત ઝડપ લાવે છે, પરંતુ તે નવા અને ગંભીર ગોપનીય જોખમો પણ વહન કરે છે. આ એકમમાં, તમે આર્ટિફિશિયલ ઇન્ટેલિજન્સ યુગમાં વર્ગીકૃત અને સંવેદનશીલ માહિતીને કેવી રીતે સુરક્ષિત કરવી, કયો ડેટા કયા વાહનમાં પ્રવેશી શકે છે અને સલામત ઉપયોગની શિસ્ત શીખી શકશો.

આ એકમ મોડ્યુલનો સૌથી મહત્વપૂર્ણ સુરક્ષા પાઠ છે. અહીં એક ભૂલ — ખોટા ટૂલમાં ગોપનીય દસ્તાવેજ પેસ્ટ કરવું — ઉલટાવી શકાય તેવું છે. તેથી, એક રીફ્લેક્સ જેને યાદ રાખવાની જરૂર છે તે અહીં સ્થાપિત કરવામાં આવશે: AI ટૂલને કોઈપણ ડેટા આપતા પહેલા, હંમેશા પૂછો: આ ડેટા કયા વર્ગમાં છે અને શું આ ટૂલ આ વર્ગ માટે માન્ય છે?

માહિતી વર્ગીકરણ: મૂળભૂત તફાવત

રાજદ્વારી માહિતીને ઘણીવાર તેની સંવેદનશીલતા અનુસાર વર્ગીકૃત કરવામાં આવે છે. જો કે તે સંસ્થાથી સંસ્થામાં બદલાય છે, મૂળભૂત તર્ક આ છે:

• અવર્ગીકૃત/જાહેર: માહિતી કે જે પહેલાથી જ પ્રકાશિત કરવામાં આવી છે અને સાર્વજનિક રીતે સુલભ છે. ઉદાહરણ: સત્તાવાર પ્રેસ રિલીઝ, જાહેર સમાચાર.
• પ્રતિબંધિત/આંતરિક: આંતરિક માહિતી જે સાર્વજનિક રૂપે ઉપલબ્ધ નથી પરંતુ તેની સંવેદનશીલતા ઓછી છે.
• ગોપનીય: માહિતી જેની જાહેરાત રાજ્યના હિતોને ગંભીર રીતે નુકસાન પહોંચાડી શકે છે. ઉદાહરણ: વાટાઘાટોની સ્થિતિ, આંતરિક મૂલ્યાંકન.
• ટોપ સિક્રેટ: માહિતી કે જેના જાહેર કરવાથી સૌથી ગંભીર નુકસાન થશે. ઉદાહરણ: સંવેદનશીલ બુદ્ધિ, મહત્વપૂર્ણ સુરક્ષા માહિતી.

અંગૂઠાનો નિયમ સરળ છે: કોઈપણ વર્ગીકૃત માહિતી કે જે સાર્વજનિક રૂપે ઉપલબ્ધ નથી તે એઆઈ ટૂલમાં દાખલ કરવામાં આવશે નહીં જેને તમારી સંસ્થાએ તે વર્ગ માટે મંજૂરી આપી ન હોય. જાહેર AI સેવા, વ્યાખ્યા પ્રમાણે, માહિતીના આ વર્ગ માટે પ્રમાણિત નથી.

ટીપ: જો તમને ખાતરી ન હોય, તો માહિતીને વરિષ્ઠની જેમ વર્તે. "આ કદાચ પહેલાથી જ જાણીતું છે" એમ કહેવું એક ખતરનાક અનુમાન છે. જ્યાં સુધી તમે 100 ટકા ખાતરી ન કરો કે માહિતી સાર્વજનિક છે, તેને ગોપનીય હોય તેમ સુરક્ષિત કરો. બિનજરૂરી સાવધાની એ ખર્ચ નથી, એ ખાતરી છે.

AI ના ગોપનીયતા જોખમો

AI ટૂલ્સ પરંપરાગત સોફ્ટવેર કરતાં અલગ-અલગ ગોપનીયતાનું જોખમ ઊભું કરે છે:

1. ડેટા પ્રોસેસિંગ અને સ્ટોરેજ: તમે સાર્વજનિક AI સેવા પર જે ટેક્સ્ટ લખો છો તે તે સેવાના સર્વર પર પ્રક્રિયા અને સંગ્રહિત થઈ શકે છે. કોણ તેને એક્સેસ કરે છે, તે કેટલા સમય સુધી રાખવામાં આવે છે અને તેનો ઉપયોગ કેવી રીતે થાય છે તે તમે નિયંત્રિત કરી શકતા નથી.

2. મોડલ તાલીમમાં ઉપયોગ કરો: કેટલીક સેવાઓ તમે દાખલ કરેલ ડેટાનો ઉપયોગ મોડેલને સુધારવા માટે કરી શકે છે. આ જોખમ બનાવે છે કે તમારી ગોપનીય માહિતી આડકતરી રીતે મોડેલની "મેમરી" માં દાખલ થશે અને અન્ય લોકો માટે લીક થશે.

3. એકત્રીકરણ જોખમ: માહિતીના ટુકડાઓ કે જે વ્યક્તિગત રીતે હાનિકારક લાગે છે તે સંયોજિત થાય ત્યારે સંવેદનશીલ ચિત્ર બનાવી શકે છે. જુદા જુદા સમયે દાખલ કરેલ માહિતીના નાના ટુકડાઓ સામૂહિક રીતે ગુપ્ત સ્થાન આપી શકે છે.

4. ઍક્સેસ અને ભંગનું જોખમ: કોઈપણ બાહ્ય સિસ્ટમની જેમ, AI સેવાઓ ડેટાના ભંગને આધિન હોઈ શકે છે. તમે પ્રદાન કરો છો તે ડેટા તે ઉલ્લંઘનમાં ખુલ્લા થઈ શકે છે.

આ જોખમોનો ઉકેલ એ બે અલગ-અલગ વિશ્વની સ્થાપના છે: ઓપન સોર્સ વર્ક માટે સામાન્ય સાધનો; માત્ર ઇન-હાઉસ, સુરક્ષિત, માન્ય સિસ્ટમો કે જે વર્ગીકૃત કાર્ય માટે ડેટા નિકાસ કરતી નથી. બંનેને ક્યારેય મિક્સ ન કરો.

ધ્યાન આપો: "મેં તેને અનામી બનાવ્યું" એમ કહેવું ઘણીવાર પૂરતું નથી. જો તમે નામો કાઢી નાખો તો પણ, સંદર્ભ (તારીખ, સ્થાન, ઇવેન્ટ, પક્ષોની સંખ્યા) નિષ્ણાત માટે ઓળખ અને સ્થિતિને સુધારી શકે છે. વાસ્તવિક સંવેદનશીલ માહિતી માસ્કિંગ દ્વારા નહીં પરંતુ સાધનો અને મીડિયાની યોગ્ય પસંદગી દ્વારા સુરક્ષિત છે.

સલામત ઉપયોગ શિસ્ત

વ્યવહારુ નિયંત્રણ પ્રવાહ સેટ કરો:

1. વર્ગ નક્કી કરો. શું આ ડેટા સાર્વજનિક, આંતરિક, ગોપનીય અથવા ટોપ સિક્રેટ છે?
2. વાહન જોડો. શું આ ટૂલમાં આ વર્ગની પ્રક્રિયા કરી શકાય છે? જો નહીં, તો રોકો.
3. ન્યૂનતમ ડેટા નીતિ. કાર્યક્ષમ નોકરી પર પણ, નોકરીની જરૂરિયાત કરતાં વધુ માહિતી આપશો નહીં.
4. વ્યક્તિગત ડેટાને સુરક્ષિત કરો. વ્યક્તિગત ડેટા (નામ, સંપર્ક, સ્થાન) જો જરૂરી હોય તો જ અને કાનૂની ધોરણે પ્રક્રિયા કરવામાં આવે છે; જો બિનજરૂરી હોય, તો તેને માસ્ક કરવામાં આવે છે અથવા બિલકુલ આપવામાં આવતું નથી.
5. રેકોર્ડ રાખો. તમે કયા કામ માટે કયા સાધનનો ઉપયોગ કર્યો છે, કયા ડેટા સાથે દસ્તાવેજ કરો; જો કોઈ સમસ્યા હોય, તો તે શોધી શકાય છે.

ટીપ: તમારી ટીમમાં "પ્રાઇવસી ફર્સ્ટ" કલ્ચરની સ્થાપના કરો: નવા કારકુન અથવા ઇન્ટર્નએ પહેલા દિવસથી "કોઈ ગોપનીય દસ્તાવેજો સાર્વજનિક ડોમેનમાં પ્રવેશતા નથી" રીફ્લેક્સ શીખવું જોઈએ. મોટાભાગના ઉલ્લંઘનો દ્વેષથી નહીં પરંતુ વાહન કેટલું ખુલ્લું છે તે જાણતા નથી.

ત્રણ નાના કેસો

કેસ 1 - રીફ્લેક્સ ઉલ્લંઘન અટકાવે છે. એક નિષ્ણાત ઇન્ટરવ્યુ નોટનો સારાંશ આપવા જઈ રહ્યો હતો જ્યારે તેણે રોકીને તેનું વર્ગીકરણ પૂછ્યું: નોંધ એ ઇન્ટરલોક્યુટર સાથેની ગોપનીય વાતચીત હતી. સાર્વજનિક સાધનને બદલે ઇન-હાઉસ સુરક્ષિત સિસ્ટમ પર સ્વિચ કર્યું. એક સરળ "પ્રથમ વર્ગને પૂછો" રીફ્લેક્સ ઉલ્લંઘન અટકાવે છે.

કેસ 2 - સંગ્રહ જોખમ ઓળખાય છે. એક ટીમ વિવિધ દિવસોમાં બાહ્ય સાધનમાં માહિતીના નાના, મોટે ભાગે "નિરુપદ્રવી" ટુકડાઓ ઇનપુટ કરશે. સુરક્ષા સમીક્ષા દર્શાવે છે કે જ્યારે સંયુક્ત કરવામાં આવે છે, ત્યારે આ ટુકડાઓએ આગામી વાટાઘાટોનો એજન્ડા આપ્યો હતો. અરજી બંધ કરવામાં આવી છે; કાર્ય સુરક્ષિત વાતાવરણમાં ખસેડવામાં આવ્યું હતું.

કેસ 3 - નકલી અનામી. એક કારકુન દસ્તાવેજને "અનામી" માનતો હતો કારણ કે તેણે નામો કાઢી નાખ્યા હતા અને તેને બહારના એજન્ટને સોંપી દીધા હતા. જો કે, દસ્તાવેજમાં તારીખ, સ્થળ અને ઘટનાના વર્ણનથી સ્પષ્ટ થઈ ગયું કે કોનો હેતુ હતો. નામ કાઢી નાખવું પૂરતું ન હતું; દસ્તાવેજની પ્રક્રિયા કોઈપણ રીતે સુરક્ષિત વાતાવરણમાં થવી જોઈએ.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) વર્ગ અને વાહન પૂર્વ-તપાસ:

હું નીચે કામનું વર્ણન કરીશ. મને કહો (કામ કરશો નહીં): (1) આ ડેટામાં કયા સંવેદનશીલતા વર્ગ હોઈ શકે છે (જાહેર/આંતરિક/ગુપ્ત/ટોપ સિક્રેટ), (2) શું આ વર્ગને સાર્વજનિક AI ટૂલમાં પ્રક્રિયા કરવી જોઈએ, (3) જો નહીં, તો કયા પ્રકારનું વાતાવરણ જરૂરી છે. જોબ/ડેટા વર્ણન: [અહીં]

2) વ્યક્તિગત ડેટા સ્કેનિંગ અને માસ્કિંગ:

વ્યક્તિગત/સંવેદનશીલ ડેટા (નામ, શીર્ષક, સંપર્ક, સ્થાન, આરોગ્ય, ID નંબર) સૂચિબદ્ધ કરો કે જે નીચે લખાણમાં પ્રક્રિયા કરતા પહેલા માસ્ક કરેલ હોવું આવશ્યક છે. ટેક્સ્ટની પ્રક્રિયા; ફક્ત મને કહો કે કયા વિસ્તારોને દૂર કરવાની જરૂર છે. હું માસ્કિંગ કરીશ અને ફરીથી મોકલીશ. ટેક્સ્ટ: [અહીં]

3) સંગ્રહ જોખમ મૂલ્યાંકન:

હું નીચેની માહિતીના ટુકડાઓને બાહ્ય સાધનમાં અલગથી નિકાસ કરવાનું વિચારી રહ્યો છું: [ટુકડાઓ]. ભલે આ વ્યક્તિગત રીતે હાનિકારક લાગે છે, જ્યારે તેઓ સંયુક્ત રીતે સંવેદનશીલ ચિત્ર બનાવી શકે છે (દા.ત. પદ, કાર્યસૂચિ, ઓળખ)? સંગ્રહના જોખમનું મૂલ્યાંકન કરો અને જણાવો કે કઈ વસ્તુઓ એકસાથે ન આપવી જોઈએ.

4) જાહેર ઉપલબ્ધતા પુષ્ટિ:

મને ખાતરી નથી કે નીચેની માહિતી સાર્વજનિક છે કે કેમ: [માહિતી]. તેને સાર્વજનિક માનતા પહેલા મારે શું ચકાસણી કરવાની જરૂર છે તેની સૂચિ બનાવો (શું કોઈ સત્તાવાર પ્રકાશન છે, જેણે તેને પ્રકાશિત કર્યું, તારીખ). જો મને ખાતરી ન હોય, તો મને "ગોપનીય તરીકે વર્તે" સિદ્ધાંતની યાદ અપાવો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ મુલાકાતની નોંધનો સારાંશ આપો. (છુપાયેલ સામગ્રી સીધી નોંધમાં પેસ્ટ કરવામાં આવે છે)

આ સૌથી ખતરનાક ભૂલ છે: એક ગોપનીય દસ્તાવેજ જાહેર માધ્યમમાં તેના વર્ગની પૂછપરછ કર્યા વિના દાખલ થયો છે. લિકેજનું જોખમ થયું છે અને તેને ઉલટાવી શકાતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ (પહેલા તપાસો):

હું મીટિંગ નોંધ પર પ્રક્રિયા કરવા માંગુ છું. પરંતુ પ્રથમ: આ નોંધ કદાચ ગુપ્ત વર્ગમાં છે. મને કહો કે શું આ પ્રકારના દસ્તાવેજની પ્રક્રિયા સાર્વજનિક સાધનમાં થઈ શકે છે અને તેનો સાચો રસ્તો શું છે? હું તમને દસ્તાવેજની સામગ્રી આપતો નથી; હું માત્ર યોગ્ય પ્રક્રિયા માટે પૂછું છું.

તફાવત સ્પષ્ટ છે: ગોપનીય સામગ્રી બિલકુલ આપવામાં આવતી નથી, યોગ્ય પ્રક્રિયા પહેલા પૂછવામાં આવે છે અને કાર્યને યોગ્ય વાતાવરણમાં નિર્દેશિત કરવામાં આવે છે.

વર્ગ-થી-વાહન મેપિંગ ટેબલ

માહિતી વર્ગ

ઉદાહરણ

જાહેર AI

યોગ્ય વાતાવરણ

જાહેર

પ્રેસ રિલીઝ

યોગ્ય

સામાન્ય સાધન

આંતરિક/સેવા વિશિષ્ટ

આંતરિક નોંધ

સામાન્ય રીતે ના

ઇન-હાઉસ મંજૂર

ગુપ્ત

વાટાઘાટોની સ્થિતિ

ક્યારેય નહીં

સુરક્ષિત સંસ્થા સિસ્ટમ

ટોચનું રહસ્ય

સંવેદનશીલ બુદ્ધિ

ક્યારેય નહીં

ઉચ્ચતમ સુરક્ષા

વ્યક્તિગત ડેટા

ઓળખપત્ર

જરૂરી + માત્ર કાનૂની

માસ્ક/સુરક્ષિત

સામાન્ય ભૂલો

• વર્ગ માટે પૂછ્યા વિના ડેટા દાખલ કરવો. દરેક કામ પહેલાં, પ્રતિબિંબ "આ કયા વર્ગમાં છે?" આવશ્યક છે.
• ધારી રહ્યા છીએ કે "તે કદાચ સ્પષ્ટ છે". અનિશ્ચિત માહિતી ગોપનીય તરીકે સુરક્ષિત છે.
• અનામી તરીકે નામ કાઢી નાખવાની ભૂલ. સંદર્ભ ઓળખ આપી શકે છે.
• સંગ્રહના જોખમને અવગણવું. જ્યારે એસેમ્બલ કરવામાં આવે ત્યારે નાના ભાગો નાજુક હોઈ શકે છે.
• બે વિશ્વનું મિશ્રણ. ખુલ્લી અને વર્ગીકૃત નોકરીઓ અલગ સાધનો/પર્યાવરણમાં ચાલે છે.

સારાંશમાં

ગુપ્તતા એ રાજદ્વારી AI ઉપયોગની સૌથી નિર્ણાયક મર્યાદા છે. માહિતીનું વર્ગીકરણ (જાહેર/આંતરિક/ગોપનીય/ટોપ સિક્રેટ), "આસ્ક ક્લાસ, મેચ વ્હીકલ" રીફ્લેક્સ, ન્યૂનતમ ડેટા સિદ્ધાંત, વ્યક્તિગત ડેટા સુરક્ષા અને સંગ્રહ જોખમને આ એકમની કરોડરજ્જુ તરીકે લો. ઓપન સોર્સ વર્ક માટે સામાન્ય સાધનો; વર્ગીકૃત કાર્ય માટે ફક્ત ઇન-હાઉસ સુરક્ષિત, માન્ય સિસ્ટમોનો ઉપયોગ કરો. બેને ક્યારેય ગૂંચવશો નહીં; જ્યારે શંકા હોય, ત્યારે વરિષ્ઠની જેમ માહિતીનું રક્ષણ કરો.

એપ્લિકેશન કાર્ય

તમારા પોતાના (અથવા કાલ્પનિક) ડેસ્ક (કેટલાક સાર્વજનિક, કેટલાક સંવેદનશીલ) પરથી ડેટાના 8 જુદા જુદા ટુકડાઓની સૂચિ બનાવો. દરેકને એક વર્ગમાં મૂકો અને નક્કી કરો કે "તેને કયા સાધનમાં પ્રક્રિયા કરી શકાય છે". "વર્ગ અને વાહન પ્રી-ચેક" ટેમ્પલેટ વડે અસ્પષ્ટ મુદ્દાઓનું મૂલ્યાંકન કરો. ત્રણ ટુકડાઓ પસંદ કરો અને "સંગ્રહ જોખમ મૂલ્યાંકન" સાથે જોડવામાં આવે ત્યારે તેઓ સંવેદનશીલ ચિત્ર બનાવે છે કે કેમ તે તપાસો.

ચેકલિસ્ટ

• [ ] મેં સૌ પ્રથમ દરેક ડેટા માટે સંવેદનશીલતા વર્ગ નક્કી કર્યો.
• મેં ક્યારેય એવો ડેટા દાખલ કર્યો નથી કે જેનો [ ] વર્ગ જાહેર વાહન માટે યોગ્ય નથી.
• [ ] મેં તે માહિતીની રક્ષા કરી હતી જેની મને કોઈ ઉપરી અધિકારીની જેમ ખાતરી ન હતી.
• [ ] હું વ્યક્તિગત ડેટા પર માત્ર ત્યારે જ પ્રક્રિયા કરું છું જ્યારે જરૂરી અને કાયદેસર, માસ્ક કરેલ હોય.
• [ ] મેં એકત્ર કરવાનું અને બે દુનિયાને અલગ કરવાનું જોખમ લીધું.