ગોપનીયતા, KVKK અને ડેટા સુરક્ષા: સગર્ભા ડેટાની સુરક્ષા

નફો:

• સગર્ભા સ્ત્રીને પ્રત્યક્ષ કે પરોક્ષ રીતે ઓળખી શકાય તેવા ડેટાને અલગ પાડવાની ક્ષમતા અને તેને આર્ટિફિશિયલ ઇન્ટેલિજન્સ આપતા પહેલા તેને ડિ-ઓળખિત કરવાની ક્ષમતા
• ડેટા મિનિમાઇઝેશન લાગુ કરવાની ક્ષમતા અને KVKK ના માળખામાં માત્ર સંસ્થા-મંજૂર સાધનોનો ઉપયોગ કરવાની ટેવ કેળવવી
• 'આ લખાણમાંથી આ વ્યક્તિ મળી શકે?' પરીક્ષણ લાગુ કરીને ફરીથી ઓળખના જોખમનું સંચાલન કરવાની ક્ષમતા

મિડવાઇફરી એ એક વ્યવસાય છે જે લોકોની સૌથી ખાનગી માહિતીને સ્પર્શે છે: ગર્ભાવસ્થા કેવી રીતે થાય છે, ભૂતકાળની ગર્ભાવસ્થા, કસુવાવડ, નુકસાન, સંબંધો, માનસિક સ્થિતિ, જાતીય સ્વાસ્થ્ય. જ્યારે આ માહિતી ખોટા હાથમાં આવે છે, ત્યારે તે અફર નુકસાનનું કારણ બને છે - ઘરેલું કટોકટી, સામાજિક કલંક, વિશ્વાસ ગુમાવવો. તેથી, મિડવાઇફરીમાં ગોપનીયતા એ "વધારાના નિયમ" નથી, પરંતુ વ્યવસાયનો પાયો છે. એકવાર તમે તમારા વ્યવસાયમાં AI દાખલ કરો, પછી ગોપનીયતાની એક નવી સીમા ખુલે છે: તમે ચેટ સહાયકમાં જે પણ ટાઇપ કરો છો તે તમારા નિયંત્રણની બહાર હોઈ શકે છે. આ એકમ તમને AI નો ઉપયોગ કરતી વખતે સગર્ભા ડેટાને કેવી રીતે સુરક્ષિત રાખવો તે શીખવે છે - ખાસ કરીને KVKK (પર્સનલ ડેટા પ્રોટેક્શન લો; તુર્કીમાં વ્યક્તિગત ડેટાની પ્રક્રિયાને નિયંત્રિત કરતો કાયદો) ના માળખામાં.

મૂળ સિદ્ધાંત એક વાક્યમાં છે: કોઈપણ માહિતી જે ગર્ભવતી સ્ત્રીને ઓળખી શકાય તેવી બનાવે છે તે ક્યારેય આર્ટિફિશિયલ ઈન્ટેલિજન્સ ટૂલ દાખલ કરવી જોઈએ નહીં. આ નિયમ શીખવું એ મોડ્યુલમાં અન્ય તમામ કૌશલ્યો કરતાં અગ્રતા ધરાવે છે; કારણ કે એકવાર લીક થયેલો ડેટા પુનઃપ્રાપ્ત કરી શકાતો નથી.

ધ્યાન આપો: તમે AI ટૂલમાં જે ટેક્સ્ટ ટાઇપ કરો છો તે સેવાના સર્વર્સ પર જાય છે; સંગ્રહ કરી શકાય છે, પ્રક્રિયા કરી શકાય છે અને કેટલાક કિસ્સાઓમાં મોડેલ તાલીમ માટે ઉપયોગ કરી શકાય છે. "મને માત્ર એક સારાંશ જોઈએ છે" એમ કહેવાથી ડેટા પરત થતો નથી. એકમાત્ર સલામત રસ્તો એ છે કે ઓળખપત્રને પ્રથમ સ્થાને ક્યારેય ટાઈપ ન કરવું.

વ્યક્તિગત ડેટા શું છે, કઈ માહિતી તેને ઓળખી શકાય તેવું બનાવે છે?

વ્યક્તિગત ડેટા એવી કોઈપણ માહિતી છે જે વ્યક્તિને સીધી કે પરોક્ષ રીતે ઓળખી શકાય તેવી બનાવે છે. મિડવાઇફરીમાં, આ ખાસ કરીને વિશેષ શ્રેણીમાં છે (જેમ કે આરોગ્ય ડેટા, જે કાયદામાં સૌથી વધુ રક્ષણ મેળવે છે). બે જૂથોમાં માન્યતા પ્રદાન કરતી માહિતીને ધ્યાનમાં લો:

ડાયરેક્ટ આઇડેન્ટિફાયર: નામ-અટક, TR ID નંબર, ફાઇલ/પ્રોટોકોલ નંબર, ટેલિફોન, સરનામું, ઈ-મેલ, જન્મ તારીખ, સોશિયલ મીડિયા એકાઉન્ટ, ફોટો.

પરોક્ષ વર્ણનકર્તા (તેને ઓળખી શકાય તેવું બનાવવા માટે સંયુક્ત): "તે પાડોશમાં એકમાત્ર ત્રિપુટી ગર્ભાવસ્થા", "તેની પ્રથમ ગર્ભાવસ્થા સાથે સંસ્થામાં એકમાત્ર 44 વર્ષીય", એક દુર્લભ રોગ + એક નાનું સમાધાન, કાર્યસ્થળ + સગર્ભાવસ્થાની ઉંમર. કેટલીક વિગતો કે જે તેમના પોતાના પર નિર્દોષ લાગે છે જ્યારે એક સાથે લાવવામાં આવે ત્યારે વ્યક્તિને નિર્દેશ કરી શકે છે. તેને ઓળખાણ જોખમ કહેવાય છે.

ડી-ઓઇડેન્ટિફિકેશન એ ટેક્સ્ટમાંથી આ ઓળખકર્તાઓને દૂર કરવાની પ્રક્રિયા છે. સારી રીતે કરવામાં આવેલ ડી-ઓળખ પ્રત્યક્ષ અને પરોક્ષ બંને ઓળખકર્તાઓને સાફ કરે છે.

સ્ટેપ બાય સ્ટેપ: AI ને ડેટા આપતા પહેલા ડી-ઓઇડેન્ટિફિકેશન

1. સીધા ઓળખકર્તાઓ કાઢી નાખો: નામ, ID, ફોન નંબર, ફાઇલ નંબર, સરનામું, તારીખ — તે બધાને દૂર કરો. તેને સામાન્યીકરણ સાથે બદલો જેમ કે "ગર્ભવતી A", "38 વર્ષની આસપાસ", "બીજા ત્રિમાસિક".
2. પરોક્ષ સંકેતોને અસ્પષ્ટ કરો: ચોક્કસ વયને શ્રેણીમાં ફેરવો (દા.ત. "પ્રારંભિક 40"), ચોક્કસ સ્થાનને પ્રદેશમાં, દુર્લભ સંયોજનોને સામાન્યમાં.
3. બિનજરૂરી વિગતો કાઢી નાખો: AI ને તેનું કામ કરવા માટે જરૂરી ન્યૂનતમ માહિતી આપો (ડેટા મિનિમાઇઝેશન). સ્તનપાન કાર્ડ લખવા માટે ગર્ભવતી મહિલાનો ઇતિહાસ જરૂરી નથી.
4. સંસ્થાની નીતિ તપાસો: કેટલીક સંસ્થાઓ માન્ય/સંસ્થાકીય AI સાધનો વ્યાખ્યાયિત કરે છે; વ્યક્તિગત/મુક્ત સાધનોમાં દર્દીનો ડેટા દાખલ કરવા પર પ્રતિબંધ મૂકી શકે છે. તમારી સંસ્થાના નિયમનું પાલન કરો.
5. અંતિમ વાંચન: પ્રોમ્પ્ટ મોકલતા પહેલા "શું આ વ્યક્તિ આ ટેક્સ્ટમાંથી શોધી શકાય છે?" ફરી એકવાર વાંચો.

આ પાંચ પગલાંઓમાંથી સૌથી મુશ્કેલ છે બીજા-અસ્પષ્ટતા પરોક્ષ સંકેતો-કારણ કે પ્રત્યક્ષ ઓળખકર્તાઓને કાઢી નાખવું સરળ છે અને તે પ્રથમ ધ્યાનમાં આવે છે, પરંતુ મોટાભાગની માન્યતા ખરેખર પરોક્ષ વિગતોના સંયોજનથી આવે છે. કોઈ વ્યવસાય, ઉંમર, રહેઠાણનું સ્થળ અને દુર્લભ સ્થિતિનું સંયોજન વ્યક્તિને એક જ વ્યક્તિમાં ઘટાડી શકે છે, ભલે કોઈ નામનો ઉલ્લેખ ન હોય. તેથી, ડિ-ઓઇડિફિકેશનને "નામો ભૂંસી નાખવા" તરીકે ન વિચારવું જોઈએ પરંતુ "આ લખાણ વાંચનાર કોઈ વ્યક્તિ વ્યક્તિનું અનુમાન ન કરી શકે તેની ખાતરી કરવી." આ માનસિક માળખું ફરીથી ઓળખના જોખમને ધરમૂળથી ઘટાડે છે.

સંકેત: એક સારી કસોટી: જો તમે તે સગર્ભા સ્ત્રીને ઓળખતી સહકર્મીને બિન-ઓળખાયેલ ટેક્સ્ટ બતાવો, તો શું તે કહેશે કે "આ આમ છે"? જો તે એમ કહી શકે, તો તેનો અર્થ એ કે તમે તેને પૂરતા પ્રમાણમાં ઓળખી કાઢ્યા નથી.

ત્રણ નાના કેસો

કેસ 1 - પરોક્ષ માન્યતા: જ્યારે AI ને ઇતિહાસના સારાંશ માટે પૂછવામાં આવ્યું ત્યારે, એક મિડવાઇફે ID ને છોડી દીધું પરંતુ "અમારા શહેરમાં એકમાત્ર ચતુર્ભુજ ગર્ભાવસ્થા" વાક્ય છોડી દીધું. આ એક જ વાક્ય એ નાની જગ્યા પરની વ્યક્તિને સીધો નિર્દેશ કરે છે. તેના સાથીદાર નોટિસ અને ચેતવણી આપે છે; મિડવાઇફ "બહુવિધ ગર્ભાવસ્થા" તરીકે અભિવ્યક્તિને સામાન્ય બનાવે છે. પાઠ: પરોક્ષ ઓળખકર્તાઓ સીધા આઇડેન્ટિફાયર જેટલા જ જોખમી છે.

કેસ 2 - ડેટા મિનિમાઇઝેશન: બીજી મિડવાઇફ ફક્ત "ગર્ભાવસ્થા પોષણ" બ્રોશર છાપવાને બદલે સગર્ભા સ્ત્રીની સંપૂર્ણ ફાઇલને AI માં પેસ્ટ કરે છે. તે છે: બ્રોશર માટે કોઈ વ્યક્તિગત ડેટાની જરૂર નથી. તે ફાઈલ આપ્યા વિના બ્રોશર લઈ લે છે, માત્ર વિષય લખે છે. સૌથી સુરક્ષિત ડેટા એ ડેટા છે જે ક્યારેય શેર કરવામાં આવતો નથી.

કેસ 3 — ખોટું સાધન: ત્રીજા ઉદાહરણમાં, એક મિડવાઇફ જ્યારે સંસ્થાકીય નીતિને યાદ કરે ત્યારે દર્દીની માહિતી તેના અંગત ફોન પર રેન્ડમ એપ્લિકેશનમાં ટાઈપ કરવા જઈ રહી છે: દર્દીના ડેટાને માત્ર ડિ-ઓઇડેન્ટિફાઇડ અને સંસ્થા દ્વારા માન્ય સાધનોનો ઉપયોગ કરીને પ્રક્રિયા કરી શકાય છે. વ્યક્તિગત એપનો ઉપયોગ કરતા નથી. ડેટા લીક ઘણીવાર "સગવડતા" ના આવા ક્ષણથી થાય છે અને તકનીકી ભૂલથી નહીં.

નકલ કરી શકાય તેવા નમૂનાઓ

ભૂમિકા: તમે ડિ-ઓઇડેન્ટિફિકેશન કંટ્રોલ આસિસ્ટન્ટ છો. કાર્ય: નીચેના ટેક્સ્ટમાં પ્રત્યેક અભિવ્યક્તિને ચિહ્નિત કરો કે જે પ્રત્યક્ષ અથવા પરોક્ષ રીતે વ્યક્તિને ઓળખી શકે:- પ્રત્યક્ષ: નામ, ID, ટેલિફોન, સરનામું, ફાઇલ નંબર, ચોક્કસ તારીખ, ફોટો.- પરોક્ષ: દુર્લભ સંયોજન, નાનું સ્થાન + વિશેષ પરિસ્થિતિ, ચોક્કસ ઉંમર, કાર્યસ્થળ, અનન્ય/અનોખી ગુણવત્તા માટે.

ભૂમિકા: તમે ડેટા મિનિમાઇઝેશન કન્સલ્ટન્ટ છો. કાર્ય: હું આ નોકરી કરવા માંગુ છું: [નોકરી]. આ કરવા માટે મારે તમને કઈ ન્યૂનતમ માહિતી આપવી જોઈએ? બિનજરૂરી દર્દીની માહિતીને "[પ્રોવાઈડ કરશો નહીં]" તરીકે ચિહ્નિત કરો.

ભૂમિકા: તમે સુરક્ષિત સારાંશ સહાયક છો. કાર્ય: નીચે DIDIDENTIFIED વાર્તાનો સારાંશ આપો. જો તમે ટેક્સ્ટમાં ઓળખની માહિતી જુઓ છો, તો સારાંશ ન આપો; તેના બદલે લખો "મને ઓળખપત્રો મળ્યા છે, કૃપા કરીને સાફ કરો અને ફરીથી મોકલો." વાર્તા: [વાર્તા]

સંસ્થાકીય નીતિ રીમાઇન્ડર ચેકલિસ્ટ (તમારી જાતને પૂછો):- શું આ સાધન મારી સંસ્થા દ્વારા મંજૂર કરવામાં આવ્યું છે?- શું મેં દાખલ કરેલા ડેટામાં કોઈ વ્યક્તિગત રીતે ઓળખી શકાય તેવી માહિતી છે?- શું આ માહિતી ખરેખર આ કામ માટે જરૂરી છે?- શું હું જાણું છું તે વ્યક્તિ જો લખાણ વાંચે તો શું હું તેને શોધી શકું?- શું હું આઉટપુટ સાચવતી વખતે ઓળખ માહિતી ઉમેરીશ?

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "Ayşe Y., 39, ત્રીજી ગર્ભાવસ્થા, નીચેની હોસ્પિટલમાં, ફાઇલ નંબર 4412; તેણીના ઇતિહાસનો સારાંશ આપો."

આ પ્રોમ્પ્ટ સીધા ઓળખકર્તાઓથી ભરપૂર છે; પ્રાઈવેટ ડેટા મોકલતાની સાથે જ લીક થઈ ગયો હતો.

મજબૂત:

ભૂમિકા: સુરક્ષિત સારાંશ સહાયક. નીચેના અનામી ઇતિહાસનો સારાંશ આપો. "સગર્ભા A, 30 ના દાયકાના અંતમાં, ત્રીજી ગર્ભાવસ્થા, [સંબંધિત તબીબી વિગતો અનામી]." જો તમે ટેક્સ્ટમાં ઓળખાતી માહિતી જુઓ છો, તો સારાંશ ન આપો, ચેતવણી આપો.

તફાવત: મજબૂત સંસ્કરણમાં કોઈ પ્રત્યક્ષ/પરોક્ષ ઓળખકર્તા નથી; કામ કરવા માટે માત્ર ઓળખ વિનાના સંદર્ભની જરૂર છે. પ્રોમ્પ્ટ લખાય તે પહેલાં સુરક્ષા શરૂ થાય છે.

શું શેર કરવું અને શું ન કરવું

માહિતી પ્રકાર

શું તે AI માં આવે છે?

વૈકલ્પિક

નામ, TR ID, ટેલિફોન, સરનામું, ફાઇલ નંબર

ક્યારેય નહીં

"સગર્ભા એ"

ચોક્કસ ઉંમર / ચોક્કસ તારીખ

ના

વય શ્રેણી/ત્રિમાસિક

દુર્લભ + નાનું સ્થાન સંયોજન

ના

સામાન્યીકરણ

સામાન્ય તબીબી સંદર્ભ (અનામી)

હા, જો જરૂરી હોય તો

ડેટા મિનિમાઇઝેશન લાગુ કરો

ફોટો/છબી

ના (ચહેરો/ચિહ્ન)

જરૂરી નથી

વાહન સંસ્થા દ્વારા માન્ય નથી

કોઈ દર્દી ડેટા નથી

માન્ય વાહન

સામાન્ય ભૂલો

• ફક્ત નામ કાઢી નાખવું અને પરોક્ષ કડીઓ છોડવી: ફરીથી ઓળખનું જોખમ રહે છે.
• "સુવિધા" માટે આખી ફાઇલ પેસ્ટ કરવી: ડેટા મિનિમાઇઝેશનના સિદ્ધાંતનું ઉલ્લંઘન કરે છે.
• વ્યક્તિગત/અમંજૂર ઉપકરણોમાં દર્દીનો ડેટા દાખલ કરવો: તે સંસ્થાકીય નીતિ અને KVKK વિરુદ્ધ હોઈ શકે છે.
• ફોટો/સ્ક્રીનશૉટ શેર કરવું: ઇમેજમાં ચહેરો, નામ અને ફાઇલ નંબર ગોપનીય રહી શકે છે.
• આઉટપુટ સાચવતી વખતે ID ઉમેરવું: ID વગર આવતા આઉટપુટમાં ID ઉમેરવાથી જોખમ પાછું આવે છે.
• ધારી રહ્યા છીએ કે "તે કોઈપણ રીતે કાઢી નાખવામાં આવે છે": તમે જાણતા નથી કે ડેટા શું છે; એકમાત્ર ગેરંટી એ છે કે કંઈપણ મોકલવું નહીં.

સારાંશમાં

કૃત્રિમ બુદ્ધિનો ઉપયોગ કરતી વખતે, ગોપનીયતા એ પૂર્વશરત છે, તકનીકી નથી. કોઈપણ માહિતી કે જે ગર્ભવતી મહિલાને સીધી રીતે (નામ, આઈડી, ફોન) અથવા પરોક્ષ રીતે (દુર્લભ સંયોજન + નાનું સ્થાન) ઓળખી શકાય તેવી બનાવે છે તે AI ટૂલ દાખલ કરવી જોઈએ નહીં. ડેટા મિનિમાઇઝેશનની પ્રેક્ટિસ કરો — કામ કરવા માટે જરૂરી ન્યૂનતમ માહિતી પ્રદાન કરો — અને ફક્ત તમારી સંસ્થા દ્વારા મંજૂર કરવામાં આવેલા સાધનોનો ઉપયોગ કરો. પ્રોમ્પ્ટ મોકલ્યા વિના "શું આ વ્યક્તિને આ ટેક્સ્ટમાંથી શોધી શકાય છે?" પરીક્ષણ કરો. એકવાર લીક થઈ ગયા પછી, ડેટા પુનઃપ્રાપ્ત કરી શકાતો નથી; તેથી, પ્રોમ્પ્ટ લખાય તે પહેલાં સુરક્ષા શરૂ થાય છે.

એપ્લિકેશન કાર્ય

સગર્ભાવસ્થાનો વાસ્તવિક ઇતિહાસ લો (કાગળ પર) અને ડી-ઓઇડેન્ટિફિકેશન ટેમ્પલેટનો ઉપયોગ કરીને ટેક્સ્ટને સ્ટેપ બાય સ્ટેપ સાફ કરો: પહેલા પ્રત્યક્ષ, પછી પરોક્ષ ઓળખકર્તાઓ. સાથીદારને સાફ કરેલ ટેક્સ્ટ બતાવો અને પૂછો કે "આ કોણ હોઈ શકે?" પૂછો જો તમે તેને ઓળખી શકો, તો તેને વધુ સામાન્ય કરો. તમારી પોતાની સંસ્થાની AI/ડેટા નીતિ પણ શોધો, તેને એક વાક્યમાં સારાંશ આપો અને નોંધ કરો કે કયા સાધનો મંજૂર છે.

ચેકલિસ્ટ

• [ ] મેં બધા સીધા ઓળખકર્તાઓ (નામ, ID, ફોન, સરનામું, ફાઇલ નંબર) દૂર કર્યા છે.
• [ ] મેં પરોક્ષ વર્ણનકર્તાઓનું સામાન્યીકરણ કર્યું (દુર્લભ સંયોજન, નાનું સ્થાન, ચોક્કસ વય).
• [ ] મેં નોકરી કરવા માટે જરૂરી ન્યૂનતમ માહિતી જ પ્રદાન કરી છે.
• [ ] મેં મારી સંસ્થા દ્વારા માન્ય સાધનનો જ ઉપયોગ કર્યો છે.
• [ ] "શું આ વ્યક્તિ આ લખાણમાંથી શોધી શકાય છે?" મેં ટેસ્ટ કર્યો.
• [ ] મેં પછીથી આઉટપુટમાં કોઈ ઓળખપત્ર ઉમેર્યા નથી.