ગોપનીયતા, KVKK, નીતિશાસ્ત્ર અને વ્યવસાયિક સિદ્ધાંતો

નફો:

• KVKK અને વિશેષ વ્યક્તિગત ડેટા ખ્યાલોના માળખામાં વિદ્યાર્થી ડેટાને વર્ગીકૃત અને અનામી કરવાની ક્ષમતા અને સલામત વાહન પસંદગી લાગુ કરવાની ક્ષમતા
• કૃત્રિમ બુદ્ધિમત્તાના ઉપયોગ માટે PDR વ્યાવસાયિક નીતિશાસ્ત્રના સિદ્ધાંતો (ગોપનીયતા, લાભ, બિન-દૂષિતતા, સ્વાયત્તતા) સ્વીકારવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ આઉટપુટમાં પૂર્વગ્રહ, સાંસ્કૃતિક અસંવેદનશીલતા અને આભાસને ઓળખવાની અને નૈતિક ઉપયોગની નીતિ બનાવવાની ક્ષમતા

પીડીઆર વ્યવસાયના હૃદયમાં ટ્રસ્ટ છે. જો કોઈ વિદ્યાર્થી તેની/તેણીની સૌથી ઘનિષ્ઠ લાગણીઓ, કુટુંબીજનો અને ડર નિષ્ણાતને કહી શકે, તો તે માત્ર એટલા માટે છે કે તે/તેણી માને છે કે માહિતી સુરક્ષિત રહેશે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલ્સ આ ટ્રસ્ટ માટે ગંભીર નવી કસોટી ઊભી કરે છે: સૌથી સંવેદનશીલ ડેટા વાક્યમાં નિયંત્રણની બહાર જઈ શકે છે. આ એકમમાં, અમે ગોપનીયતા, KVKK, PDR વ્યાવસાયિક નીતિશાસ્ત્ર અને તેઓ કૃત્રિમ બુદ્ધિના ઉપયોગ માટે કેવી રીતે લાગુ પડે છે તેની વ્યવસ્થિત ચર્ચા કરીએ છીએ. અમે આ સિદ્ધાંતોને પાછલા એકમોમાં ટુકડે-ટુકડે લાગુ કર્યા છે; અહીં અમે તેને સંપૂર્ણ રીતે જોડીશું અને તેને કાયમી નીતિમાં ફેરવીશું.

KVKK અને ડેટા પ્રકારો: શું વધુ સુરક્ષિત છે

KVKK (પર્સનલ ડેટા પ્રોટેક્શન લો) એ કાયદો છે જે લોકોના ડેટાની કાયદેસર પ્રક્રિયાને નિયંત્રિત કરે છે. બે ખ્યાલો ખાસ કરીને મહત્વપૂર્ણ છે. વ્યક્તિગત ડેટા એવી કોઈપણ માહિતી છે જે વ્યક્તિને ઓળખે છે અથવા ઓળખે છે: નામ, અટક, શાળા નંબર, વર્ગ, સરનામું, ફોટોગ્રાફ. વિશેષ વ્યક્તિગત ડેટા એ સંવેદનશીલ ડેટાનો એક પ્રકાર છે જેને ઉચ્ચ સુરક્ષાની જરૂર છે: આરોગ્ય, માનસિક સ્થિતિ, નિદાન, જાતીય જીવન, ધર્મ, વંશીયતા, ગુનાહિત સ્થિતિ. મોટાભાગના પીડીઆર રેકોર્ડ આ બીજી, સંવેદનશીલ શ્રેણીમાં આવે છે; કારણ કે માનસિક સ્થિતિ, કૌટુંબિક સમસ્યાઓ અને સમર્થનનો ઇતિહાસ સીધો ખાનગી ડેટા છે. આનો અર્થ એ છે કે PDR ડેટા ક્યારેય તેના કાચા સ્વરૂપમાં જાહેર સાધનોમાં દાખલ કરવો જોઈએ નહીં.

વ્યવહારમાં, આ ત્રણ નિયમોમાં ભાષાંતર કરે છે: (1) ડેટા મિનિમાઇઝેશન — કામ કરવા માટે જરૂરી ઓછામાં ઓછા ડેટા સાથે કામ કરો. (2) અનામીકરણ — વ્યક્તિગત રીતે ઓળખી શકાય તેવી માહિતીને દૂર કરીને ડેટાને વ્યક્તિ સાથે અનલિંક કરી શકાય તેવી બનાવો. (3) સુરક્ષિત અર્થ અને હેતુની સીમા — જ્યાં શક્ય હોય ત્યાં ડેટા-સુરક્ષિત એન્ટરપ્રાઇઝ ટૂલ્સનો ઉપયોગ કરો અને માત્ર તે હેતુ માટે ડેટા પર પ્રક્રિયા કરો કે જેના માટે તે એકત્રિત કરવામાં આવ્યો હતો.

ધ્યાન: "મેં તેને કોઈક રીતે અનામી રાખ્યું છે" એમ કહેવું પૂરતું નથી. જો લખાણમાંથી નામ કાઢી નાખવામાં આવે તો પણ, પરિસ્થિતિનું અનોખું વર્ણન (નાની શાળામાં એક વિદ્યાર્થીની ખૂબ જ વિશિષ્ટ પરિસ્થિતિ) વ્યક્તિને ઓળખી શકાય તેવું બનાવી શકે છે. અનામીકરણમાં, માત્ર નામ જ નહીં પરંતુ વ્યક્તિની સાથે મળીને દર્શાવતી વિગતોને પણ સામાન્ય બનાવો.

અનામીકરણ પ્રેક્ટિસ: એક નિયંત્રણ પ્રક્રિયા

ટૂલમાં ટેક્સ્ટ નિકાસ કરતા પહેલા, આ પ્રક્રિયાને અનુસરો: (a) નામ, અટક, નંબર, વર્ગ-શાખા, માતાપિતાનું નામ, સરનામું, ટેલિફોન, શાળાનું નામ જેવા સીધા ઓળખકર્તાઓને દૂર કરો. (b) પરોક્ષ વર્ણનકારોનું સામાન્યીકરણ કરો: "12-B માં એકમાત્ર દૃષ્ટિહીન વિદ્યાર્થી" ને બદલે "એક મિડલ સ્કૂલનો વિદ્યાર્થી" (c) આવશ્યકતા મુજબ તારીખ અને ઇવેન્ટની વિગતોને અસ્પષ્ટ કરો. (d) પોસ્ટ-રીડિંગ: "શું આ લખાણ વાંચનાર કોઈ જાણી શકે છે કે કોનો ઉલ્લેખ કરવામાં આવી રહ્યો છે?" જો જવાબ અસ્પષ્ટ છે, તો વધુ સામાન્ય કરો. પ્રમાણિત રેકોર્ડ ફક્ત સંસ્થાની બંધ, સુરક્ષિત સિસ્ટમ પર લખવામાં આવે છે; AI ટૂલ આ સિસ્ટમની બહાર છે.

PDR વ્યાવસાયિક નીતિશાસ્ત્ર અને AI

PDR વ્યાવસાયિક નીતિશાસ્ત્ર ચાર મૂળભૂત સિદ્ધાંતો પર આધારિત છે, જેમાંથી પ્રત્યેક AI ના ઉપયોગ પર સીધો લાગુ પડે છે:

• ગોપનીયતા (ગુપ્તતા રાખવી): વિદ્યાર્થીની માહિતી સુરક્ષિત છે. AI માં કાચો ડેટા દાખલ ન કરવો, તેને અનામી રાખવો અને સલામત સાધન પસંદ કરવું એ આ સિદ્ધાંતની આવશ્યકતા છે.
• લાભ: કરવામાં આવેલ દરેક વસ્તુ વિદ્યાર્થીની સુખાકારી માટે હોવી જોઈએ. AI નો ઉપયોગ સગવડતા માટે થાય છે, એવી રીતે નહીં કે જેનાથી વિદ્યાર્થીના લાભ સાથે સમાધાન થાય.
• અયોગ્યતા: અગ્રતા એ છે કે કોઈ નુકસાન ન કરવું. વણચકાસાયેલ આઉટપુટ, અચોક્કસ આંકડા, લેબલીંગ અને કટોકટીમાં AI નો ઉપયોગ નુકસાનના જોખમો છે; તેથી ચકાસણી અને કટોકટીની સીમા એ નૈતિક આવશ્યકતા છે.
• સ્વાયત્તતા: વિદ્યાર્થીનો પોતાનો નિર્ણય લેવાનો અધિકાર સુરક્ષિત છે. AI એ વિદ્યાર્થીને લેબલમાં ઘટાડી ન જોઈએ અથવા તેના વતી નિર્ણયો લેવા જોઈએ નહીં.

આમાં જવાબદારી ઉમેરવામાં આવે છે: ઉપયોગમાં લેવાતા દરેક આઉટપુટની જવાબદારી નિષ્ણાતની છે; "એઆઈએ તેનું નિર્માણ કર્યું" એ કોઈ સંરક્ષણ નથી.

પૂર્વગ્રહ, સાંસ્કૃતિક સંવેદનશીલતા અને પારદર્શિતા

AI પ્રશિક્ષણ ડેટામાં સામાજિક પેટર્નને પ્રતિબિંબિત કરી શકે છે. પીડીઆરમાં, આ વાજબીતાનો મુદ્દો છે: એવા પરિણામો કે જે વિદ્યાર્થીને તેમના લિંગ, સંસ્કૃતિ અથવા સામાજિક આર્થિક સ્થિતિ અનુસાર સ્ટીરિયોટાઇપ કરે છે તે તકની સમાનતાને નબળી પાડે છે. નિષ્ણાત સાંસ્કૃતિક સંવેદનશીલતા અને પૂર્વગ્રહ માટે ઉત્પાદિત સામગ્રીની તપાસ કરે છે. પારદર્શિતા પણ: જ્યાં યોગ્ય હોય, તે આંતરિક રીતે સ્પષ્ટ કરવું જોઈએ કે સામગ્રી અથવા ડ્રાફ્ટની તૈયારીમાં AI નો ઉપયોગ કરવામાં આવ્યો હતો; તેનો ઉપયોગ ગુપ્ત "જાદુ" તરીકે થવો જોઈએ નહીં. વિદ્યાર્થી સાથેના સંબંધમાં ગોપનીયતા જરૂરી છે; વિદ્યાર્થી જે સમજાવે છે તે વાહન પર લઈ જતું નથી.

સ્ટેપ બાય સ્ટેપ: AI વપરાશ નીતિની સ્થાપના

1. ડેટાનું વર્ગીકરણ કરો. તમારી પાસે રહેલી તમામ માહિતીને "વ્યક્તિગત/ખાનગી/સાર્વજનિક" તરીકે અલગ કરો.
2. વાહન પસંદ કરો. સંવેદનશીલ ડેટા માટે એકમાત્ર સુરક્ષિત, એન્ટરપ્રાઇઝ ટૂલ; સામાન્ય રૂપરેખા માટે અજ્ઞાત રૂપે કાર્ય કરો.
3. અનામીકરણ પ્રક્રિયાને અનુસરો. દરેક એન્ટ્રી પહેલાં ચેક રૂટિન ચલાવો.
4. માન્યતા અને પૂર્વગ્રહની ચકાસણી. હકીકત અને ઔચિત્ય માટે દરેક આઉટપુટનું પરીક્ષણ કરો.
5. કટોકટીની મર્યાદા જાળવી રાખો. કટોકટી અને પરામર્શ સંબંધને વાહનની બહાર રાખો.
6. જવાબદારી લો અને પારદર્શક બનો. અંતિમ મંજૂરી નિષ્ણાતની છે; સંસ્થામાં ઉપયોગ ખુલ્લો છે.

નકલ કરી શકાય તેવા નમૂનાઓ

1) અનામીકરણ નિયંત્રણ:

તમારી ભૂમિકા: ગોપનીયતા ઓડિટ સહાયક. નીચેના લખાણમાં દરેક વિધાનની યાદી બનાવો જે પ્રત્યક્ષ અથવા પરોક્ષ રીતે વ્યક્તિને ઓળખી શકે (નામ, સંખ્યા, વર્ગ, શાળા, અનન્ય પરિસ્થિતિનું વર્ણન) અને દરેક માટે વધુ સામાન્ય વિકલ્પ સૂચવી શકે. ટિપ્પણી કરતી સામગ્રી. ટેક્સ્ટ: [ટેક્સ્ટ પેસ્ટ કરો]

2) પૂર્વગ્રહ અને સાંસ્કૃતિક સંવેદનશીલતા ઓડિટ:

પૂર્વગ્રહ અને સાંસ્કૃતિક સંવેદનશીલતા માટે નીચેની પીડીઆર સામગ્રી તપાસો: શું તેમાં લિંગ, સંસ્કૃતિ, સામાજિક આર્થિક સ્થિતિ અથવા કુટુંબની રચના વિશે સ્ટીરિયોટાઇપ્સ છે? કોણ બાકાત કરી શકે? જોખમી નિવેદનોને ફ્લેગ કરો અને સમાવેશી વિકલ્પો સૂચવો. સામગ્રી: [પેસ્ટ સામગ્રી]

3) ડ્રાફ્ટ કોર્પોરેટ AI વપરાશ નીતિ:

તમારી ભૂમિકા: PDR લેખન સહાયક. માર્ગદર્શન સેવા માટે, આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાધનોના ઉપયોગ પર ટૂંકી આંતરિક નીતિનો મુસદ્દો તૈયાર કરો. મથાળાઓ: કઈ નોકરીઓમાં તેનો ઉપયોગ થાય છે, કઈ નોકરીઓમાં તેનો ઉપયોગ થતો નથી (કટોકટી, નિદાન, પરામર્શ), ડેટા અનામીકરણ નિયમ, ચકાસણીની જવાબદારી, જવાબદારી નિષ્ણાત પર રહે છે. ટૂંકા અને લાગુ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

Ahmet Yılmaz 8-C ની પરિસ્થિતિનો સારાંશ આપવા માટે, તેને ઘરે હિંસા કરવામાં આવી રહી હતી.

તે વાહનમાં અત્યંત સંવેદનશીલ ડેટા (નામ, વર્ગ, વિશેષ સ્થિતિ) તેના કાચા સ્વરૂપમાં દાખલ કરે છે — KVKK અને નીતિશાસ્ત્રનું ગંભીર ઉલ્લંઘન; તદુપરાંત, આ સૂચનાની સ્થિતિ (એકમ 9) હોઈ શકે છે.

મજબૂત:

તમારી ભૂમિકા: ગોપનીયતા નિયંત્રણ સહાયક. નોંધ: ટૂલ પર સબમિટ કરતા પહેલા મેં નીચેની ટેક્સ્ટને અનામી કરી છે. જો કે, ફરી તપાસો: શું એવી કોઈ વિગતો બાકી છે જે વ્યક્તિને ઓળખી શકાય? ટેક્સ્ટ: "એક માધ્યમિક શાળાના વિદ્યાર્થીએ સંકેત આપ્યો કે તે ઘરમાં તણાવ અનુભવી રહ્યો છે."

ત્રણ નાના કેસો

કેસ 1 - પરોક્ષ જાહેરાત. એક નિષ્ણાત તે સાધનમાં ટેક્સ્ટ દાખલ કરવા જઈ રહ્યો હતો જેમાંથી તેણે નામ કાઢી નાખ્યું હતું; પરંતુ તેને સમજાયું કે "શાળાનો એકમાત્ર વિદ્યાર્થી જે વ્હીલચેરનો ઉપયોગ કરે છે" વાક્ય સીધો તે વ્યક્તિનો સંદર્ભ આપે છે. તેણે આને "એક વિદ્યાર્થી" તરીકે સામાન્ય બનાવ્યું. માત્ર નામ-નિર્માણ પૂરતું ન હતું; અનોખી પરિસ્થિતિનું વર્ણન પણ ઓળખી રહ્યું હતું.

કેસ 2 - પૂર્વગ્રહ કરેક્શન. કારકિર્દી સામગ્રીનું ઑડિટ કરનાર એક નિષ્ણાતને જાણવા મળ્યું કે AI હંમેશા એન્જિનિયરિંગના ઉદાહરણોમાં પુરૂષના નામો અને સંભાળ વ્યવસાયોમાં સ્ત્રી નામોનો ઉપયોગ કરે છે. તે નમૂનાઓને સંતુલિત કરે છે અને ઘાટ તોડી નાખે છે. આ મોટે ભાગે નજીવા સુધારાથી વિદ્યાર્થીઓને મોકલવામાં આવેલ સંદેશની વાજબીતા જળવાઈ રહી.

કેસ 3 - નીતિની સ્થાપના. દરેક વ્યક્તિ એઆઈનો અલગ રીતે ઉપયોગ કરે છે તે હકીકતથી ઉદ્ભવતી મૂંઝવણને દૂર કરવા માટે એક માર્ગદર્શન સેવાએ એક સામાન્ય આંતરિક નીતિ લખાણ બનાવ્યું: કયા કાર્યોમાં તેનો ઉપયોગ થાય છે, કટોકટી અને નિદાનમાં નહીં, ડેટા અનામી છે, આઉટપુટ ચકાસવામાં આવે છે, જવાબદારી નિષ્ણાતની છે. એઆઈએ ડ્રાફ્ટ આપ્યો; ટીમે તેમના પોતાના મૂલ્યો સાથે સામગ્રીને અંતિમ સ્વરૂપ આપ્યું. અનિશ્ચિતતાએ સ્પષ્ટ માળખું આપ્યું.

સામાન્ય ભૂલો

• કાચો ડેટા દાખલ કરી રહ્યાં છીએ. નામ/સ્થિતિ સાથે વાહન પર લખવું. ઉકેલ: અનામી પ્રક્રિયા, સુરક્ષિત સાધન.
• માત્ર નામ દૂર કરી રહ્યા છીએ. પરોક્ષ ઓળખકર્તાઓને ભૂલી જવું. ઉકેલ: અનન્ય વિગતોનું પણ સામાન્યીકરણ કરો.
• પૂર્વગ્રહની અવગણના. સ્ટીરિયોટાઇપિકલ આઉટપુટ અપનાવવું. ઉકેલ: પૂર્વગ્રહ અને સંસ્કૃતિ ઓડિટ.
• વાહન પર જવાબદારી નાખવી. તેનો અર્થ એ છે કે "એઆઈએ તેનું નિર્માણ કર્યું". ઉકેલ: જવાબદારી નિષ્ણાતની છે.
• દુરુપયોગ. એક હેતુ માટે અન્ય હેતુ માટે એકત્રિત કરવામાં આવેલ ડેટાની પ્રક્રિયા. ઉકેલ: હેતુ મર્યાદાનો આદર કરો.

કોષ્ટક: ડેટા પ્રકાર અને AI નિયમ

ડેટા પ્રકાર

ઉદાહરણ

AI નિયમ

જાહેર

સામાન્ય વ્યવસાય પરિચય

મુક્તપણે ઉપલબ્ધ

વ્યક્તિગત ડેટા

નામ, નંબર, વર્ગ

અનામી વગર દાખલ કરી શકાતું નથી

વિશિષ્ટ ગુણવત્તા ડેટા

માનસિક સ્થિતિ, કુટુંબ, નિદાન

તે તેના કાચા સ્વરૂપમાં ક્યારેય દાખલ થઈ શકતું નથી.

કટોકટી ડેટા

જોખમ, દુરુપયોગ, આત્મહત્યા

વાહનમાં ક્યારેય પ્રવેશશો નહીં (યુનિટ 9)

સારાંશમાં

PDR માં, ગોપનીયતા એ વ્યવસાયમાં વિશ્વાસનો પાયો છે અને એઆઈ યુગમાં સૌથી વધુ પરીક્ષણ કરાયેલ સિદ્ધાંત છે. KVKK ડેટાને વ્યક્તિગત અને ખાનગી ડેટામાં અલગ કરે છે; મોટા ભાગનો PDR ડેટા સંવેદનશીલ હોય છે અને તે તેના કાચા સ્વરૂપમાં ટૂલમાં દાખલ થતો નથી. ડેટા મિનિમાઇઝેશન, અનામીકરણ (પ્રત્યક્ષ અને પરોક્ષ ઓળખકર્તાઓ સાથે) અને સલામત સાધનની પસંદગી એ મૂળભૂત નિયમો છે. વ્યાવસાયિક નૈતિકતાના ચાર સિદ્ધાંતો-ગોપનીયતા, હિતકારીતા, અયોગ્યતા, સ્વાયત્તતા-એઆઈના ઉપયોગ માટે બંધનકર્તા છે; પૂર્વગ્રહ નિયંત્રિત છે, જવાબદારી નિષ્ણાતની રહે છે, અને સંસ્થામાં ઉપયોગ પારદર્શક છે.

એપ્લિકેશન કાર્ય

તમારી પોતાની માર્ગદર્શન સેવા માટે સંક્ષિપ્ત "AI ઉપયોગ નીતિ"નો મુસદ્દો તૈયાર કરો. "એન્ટરપ્રાઇઝ AI વપરાશ નીતિ ડ્રાફ્ટ" ટેમ્પલેટ સાથે મુખ્ય શરૂઆત મેળવો; પછી તેને તમારી પોતાની સંસ્થાની વાસ્તવિકતા અનુસાર ગોઠવો. "અનામી તપાસ" નમૂના દ્વારા (કાલ્પનિક) ટેક્સ્ટ પણ પસાર કરો અને ઓછામાં ઓછા એક પરોક્ષ ઓળખકર્તાને કેપ્ચર કરો અને સામાન્ય બનાવો.

ચેકલિસ્ટ

• [ ] મેં મારી પાસેનો ડેટા વ્યક્તિગત / ખાનગી / સાર્વજનિક તરીકે વર્ગીકૃત કર્યો છે.
• [ ] મેં અનામીકરણમાં પ્રત્યક્ષ અને પરોક્ષ ઓળખકર્તાઓને સામાન્યકૃત કર્યા છે.
• મેં સંવેદનશીલ ડેટા માટે સુરક્ષિત/એન્ટરપ્રાઇઝ ટૂલનો ઉપયોગ કર્યો.
• [ ] મેં પૂર્વગ્રહ અને સાંસ્કૃતિક સંવેદનશીલતા માટે આઉટપુટ તપાસ્યું.
• [ ] મેં જવાબદારી સ્વીકારી અને ઉપયોગ પારદર્શક રાખ્યો.