שקיפות, נתונים פתוחים וגישה למידע

רווחים:

• מכין תשובות לבקשות מידע בהתאם לחקיקה, תוך הסבר לא יותר ולא פחות.
• היא מבצעת אנונימיות של נתונים פתוחים לפני הפרסום וסורקת אותם ברמת השילובים המסכנים בזיהוי מחדש.
• יודע ששקיפות היא כלי ניהולי שמגביר את אמון הציבור ומבחין במה שצריך להישמר בסודיות.

אבן היסוד של מינהל ציבורי דמוקרטי היא שקיפות: היכולת של האזרחים ללמוד כיצד ועל סמך מה מתקבלות החלטות הנוגעות להם. עקרון זה מתעורר לחיים בשני מנגנונים קונקרטיים. הראשון הוא הזכות למידע (חוק הזכות למידע מס' 4982; אזרחים יכולים לבקש מידע ומסמכים ממוסדות ציבור, למעט חריגים). השני הוא נתונים פתוחים (מוסדות ציבוריים מפרסמים את החלק הלא אישי והלא סודי של הנתונים שהם מייצרים באופן שכולם יוכלו לגשת ולהשתמש בהם). כאן, בינה מלאכותית היא כלי עזר רב עוצמה בסיווג בקשות מידע נכנסות, הפקת טיוטות תגובה, הערכה מוקדמת של איזה מידע ניתן ומי פטור, והכנת מערכי נתונים פתוחים לפרסום. אבל האזהרה הכפולה של יחידה זו חשובה: השקיפות צריכה להיות לא יותר, לא פחות - צריך לתת לאזרח את המידע המגיע לו, אבל יש להגן על נתונים אישיים וחריגים אמיתיים; האיזון הזה נקבע על ידי קצין הציבור האחראי, לא ה-AI.

שני הקצוות הלא נכונים של השגת ידע

בבקשות למידע, ניתן לבצע טעויות בשני כיוונים:

• חוסר שקיפות: דחייה מיותרת של מידע שניתן למסור כ"סודי/חריג". זה גם פוגע בזכות וגם יוצר חוסר אמון במוסד, ולרוב מגיע למערכת המשפט.
• חשיפת יתר: חשיפת בטעות נתונים אישיים של צד שלישי, סוד מסחרי או חריג אמיתי (אבטחה וכו') בעת הגשת מסמך. זה מפר את KVKK וגורם לנזק.

בינה מלאכותית יכולה לעזור בשני הקצוות: היא יכולה לסרוק מסמך, לסמן בתוכו נתונים אישיים ולהציע עריכה (טשטוש/הסרה של חלקים חסויים/אישיים של המסמך); הוא עשוי לרשום את קטגוריית החריגה שבה תעריך את הבקשה. אבל ההחלטה הסופית - האם המידע הזה ניתן, איזה חלק מעורפל - שייכת לאדם הנושא באחריות משפטית.

שימו לב: ההצהרה של AI כי "מידע זה הוא בגדר החריג" או "ניתן לתת" אינה חוות דעת משפטית. הערכת חריג נעשית ומנומקת בהתאם לסעיפים הרלוונטיים בחוק הנגשת מידע; בינה מלאכותית מייצרת רק טיוטה מוקדמת.

פרסום נתונים פתוחים בצורה בטוחה

נתונים פתוחים מגבירים את היעילות והאחריות הציבורית; יזמים, עיתונאים, חוקרים יוצרים ערך מהנתונים האלה. אבל לפני פרסום מערך נתונים, יש לבדוק אותו מול הסיכון של זיהוי מחדש (נתונים הנחשבים אנונימיים מקושרים בחזרה ליחידים על ידי שילובם עם נתונים אחרים). לדוגמה, הצירוף "גיל + שכונה + עיסוק נדיר" עשוי להצביע על אדם בודד. בעת הכנת מערך נתונים לפרסום, AI מועיל בסימון שילובי עמודות מסוכנים וכתיבת מילון נתונים (תיאור של המשמעות של כל עמודה).

טיפ: לפני פרסום נתונים פתוחים, שאל: "האם אוכל למצוא אדם בודד על ידי שילוב של שתיים-שלוש עמודות בקבוצה הזו?" אם התשובה היא "אולי", צבר (קבוצתי במקום אינדיבידואלי), שלב קטגוריות נדירות, או הסר את האזור הרגיש.

זרימת מידע צעד אחר צעד

1. להבין ולסווג את הביקוש. מה מתבקש, לאיזו יחידה זה נוגע, מה משך הזמן?
2. האם קיים מידע או שצריך להפיק אותו? החוק מכסה ידע קיים; ייתכן שהמוסד לא יצטרך לייצר ניתוח חדש (אושר).
3. הערכת חריגה. האם ישנם חריגים כגון נתונים אישיים, אבטחה, סודות מסחריים, דעה פנימית?
4. עֲרִיכָה. הסר חלקים מהמסמך הניתן לייצוא שיש לשמר.
5. תשובה מנומקת. החלק שניתן/לא ניתן והבסיס שלו; שיטת התנגדות אם נדחתה.
6. יומן ומסלול ביקורת. הבקשה, ההחלטה וההצדקה נרשמות.

שלושה מיני תיקים

מקרה 1 - נמנעה שגיאת עריכה. סוכנות תגיש מסמך מכרז לבקשת חופש מידע. AI סרק את המסמך וסימן את מספרי הטלפון ומספרי ה-TR ID של שלושה אנשים. אילו נשלח ללא הגהה, היה מדובר בהפרה של KVKK; הנתונים האישיים הושחרו, המסמך נמסר בבטחה.

מקרה 2 - דחייה בלתי הוגנת תוקנה. יחידה נוהגת לדחות בקשה לנתוני פעילות בתור "בתוך הבית". כאשר AI נשאלה לגבי קטגוריות החריגות, ניתן היה לראות כי הנתונים הללו למעשה כבר ניתנים לפרסום כנתונים פתוחים. הבקשה נענתה, נמנעה התנגדות ותביעה אפשרית.

מקרה 3 - סיכון זיהוי מחדש. עירייה תפרסם את מערך הנתונים של "בקשות השירות" שלה כנתונים פתוחים. הסט כלל פירוט רובע שכונה + כתובת מלאה. ה-AI הזהיר ששדה הכתובת יכול להצביע על ספרות בודדות; הכתובת נצברה למפלס הרחוב והסט פורסם בבטחה.

ארבע תבניות הניתנות להעתקה

1) סיווג בקשת מידע:

תפקידך: מומחה לרכישת מידע. עבדו את הבקשה הבאה: (1) מה בדיוק מתבקש, (2) באיזו יחידה היא נוגעת, (3) האם היא דורשת מידע קיים או ייצור חדש, (4) קטגוריות חריגות אפשריות (נתונים אישיים, אבטחה, סוד מסחרי וכו'). ציין שכל חריג "חייב להיות מוצדק על ידי המאמר הרלוונטי". קבלת החלטות, הערכה מראש. בקשה: [טקסט]

2) עיבוד (סימון נתונים אישיים/סודיים):

במסמך למטה, סמן את כל החלקים שיש להסוות בתגובת מידע: שם-שם, מספר תעודת זהות, כתובת, טלפון, מידע בריאותי/פלילי, נתוני צד שלישי, סוד מסחרי. כתוב נימוק קצר לכל סימן. השאר את החלק הניתן לייצוא של המסמך כפי שהוא. מסמך: [טקסט]

3) טיוטת תשובה מנומקת:

נסח תגובה מנומקת לבקשה הבאה: (1) איזה מידע נמסר, (2) איזה חלק לא נמסר ומדוע (סעיף חריג [יאושר]), (3) דרך ומשך הערעור [יאושר]. השפה צריכה להיות רשמית ומכבדת. ההצדקה לחלק שלא ניתן צריכה להיות קונקרטית, לא כללית. בקשה: [סיכום] החלטה: [מה ניתן/לא ניתן]

4) פתח בקרת אימות מחדש של נתונים:

בדוק את העמודות של מערך הנתונים למטה. רשום אילו צירופי עמודות עשויים להצביע על אדם בודד (סיכון לזיהוי מחדש). הצע הפחתה כלשהי עבור כל סיכון: צבירה, צבירה של קטגוריה נדירה, מיצוי שדה. פשוט השתמש ברשימת העמודות הנתונה. עמודות: [רשימה]

הנחיה חלשה / הנחיה חזקה

חלש: "הגיב לבקשה זו לקבלת מידע."

Güçlü: "תפקידך הוא מומחה ליחידת מידע. ראשית, סווגו את הבקשה: מה מבוקש, איזו יחידה, האם היא זמינה, מהם החריגים האפשריים. סמן כל חריג כ'יש להצדיק את המאמר הרלוונטי', אל תקבל החלטה משפטית בעצמך. לאחר מכן, סמן את החלקים האישיים/סודיים שיש להסוות במסמך להגשה עם טיוטה ניתנת הצעה סופית, כולל הטיוטה/הדרך ניתנת הצעה סופית. להתנגד; להפוך את ההצדקה לקונקרטית".

הבדל: הנחיה חזקה מאזנת שקיפות והגנה, קושרת את החריג להצדקה, מוסיפה ערעור ומסלול ערעור.

גישה לפי סוג מידע

סוג מידע

ברירת מחדל

תשומת לב

סטטיסטיקה, נתונים מצטברים

פתוח

בדיקת זיהוי מחדש

סיבה לפעולה מנהלית

ניתן לתת

ביטול נתוני צד שלישי

נתונים אישיים של צד שלישי

מוגן

KVKK; אבל עם רשות/חריגה

חריג אבטחה/פרטיות

מוגן

האם זה חריג אמיתי, אשר

חוות דעת / משא ומתן פנימי

תלוי

העריכו לפי המאמר הרלוונטי

אנונימיזציה וסיכון לזיהוי מחדש

השלב הטכני אך הקריטי ביותר בפרסום נתונים פתוחים הוא אנונימיזציה (הפיכת אדם לבלתי ניתן לזיהוי ישירות או בעקיפין מתוך נתונים). שם ות.ר. מחיקת מספר תעודת הזהות לרוב אינה מספיקה; כי השילוב של מספר אזורים רגילים הופך אדם לזיהוי מחדש. זה נקרא זיהוי מחדש (מציאת האדם על ידי התאמה בין נתונים שנחשבים אנונימיים עם מידע אחר). למשל, אם יש אלמן רווק בן 92 בשכונה, השלישייה "שכונה + גיל + מצב משפחתי" תחשוף אותו. AI יכול לעזור לסנן אילו שילובים של שדות במערך נתונים נמצאים בסיכון לחשיפה ולהציע קיבוץ בטוח יותר (המרת גיל לטווח, שילוב קטגוריות נדירות); אבל ההחלטה על הפרסום והביקורת הסופית הם באחריות המוסד.

מארז קטן - גילוי נאות עם שלושה אזורים. עירייה אחת פרסמה את נתוני הסיוע הסוציאלי "באופן אנונימי": ללא שם, אלא שכונה, שנת לידה וסוג הנכות. עיתונאי הבחין בסוג נדיר של מוגבלות אצל אדם בודד בשכונה בודדת וזיהה את האדם. נתונים נמשכו; הוא פורסם מחדש כאשר שנת הלידה הומרה למרווח של 10 שנים והקטגוריות הנדירות קובצו תחת "אחר".

תבנית שמסננת את הסיכון לזיהוי מחדש:

משימה: בחן את העמודות של מערך הנתונים הבא; אני לא מפרסם נתונים אישיים, אני רוצה רק סינון סיכונים.עמודות: [שמות עמודות]פלט: 1) מזהים ישירים (יש למחוק). 2) צירופי מזהים עקיפים (סיכון לזיהוי מחדש). 3) קיבוץ/מיסוך מומלץ לכל שילוב מסוכן. 4) שאלות בדיקה אחרונה לפני הפרסום. כלל: לא הדבקתי ערכים אישיים אמיתיים; רק שקול את מבנה העמודה.

זהירות: "מחקתי את השם, עכשיו אנונימי" היא התפיסה השגויה הנפוצה והמסוכנת ביותר. אנונימיות נקבעת לא על ידי השדה עצמו, אלא על ידי שילוב השדות וההסתברות להתאמה עם נתונים חיצוניים. אם יש ספק, אל תפרסם; אנונימיות היא החלטה בלתי חוזרת.

טעויות נפוצות

• לדחות בדרך כלל. התייחסות למידע שניתן למסור כ"סודי" מיותר מהווה הפרת זכויות ועילה לתביעה.
• הגשת מסמכים לא ערוכים. חשיפת נתוני צד שלישי היא הפרה של KVKK.
• שימוש בחריג ללא הצדקה. הדחייה חייבת להיעשות במהות קונקרטית והצדקה קונקרטית; להגיד "בתוך הבית" זה לא מספיק.
• בהסתמך על השיפוט המשפטי של ה-AI. ההחלטה לעשות חריגה היא אנושית; AI מתאים מראש.
• עקיפת זיהוי מחדש בנתונים פתוחים. שילובי עמודות יכולים למצוא אנשים; לְקַבֵּץ.
• לא מפרט את אמצעי ההתנגדות. בדחיות יש לכתוב (לאשר) את אופן היישום ומשך הזמן.

לסיכום

שקיפות היא הבסיס לאמון הציבור; AI הוא כלי עזר רב עוצמה בסיווג בקשות FOI, המלצה על הגהה, ניסוח תגובות והכנת נתונים פתוחים לפרסום. אבל האיזון הוא קריטי: יש לתת לאזרחים את המידע המגיע להם, יש להגן על חריגים אמיתיים ונתונים אישיים. ההחלטה לעשות חריגה חייבת להיות מנומקת ואנושית; יש לבחון נתונים פתוחים לאיתור הסיכון של זיהוי מחדש לפני הפרסום.

משימת יישום

קבל בקשת חופש מידע אמיתית (מסוכה). בצע הערכה מראש באמצעות תבנית "בקש סיווג", החל את תבנית ה"Redaction" על מסמך מצורף וסמן את האזורים שיש להסוות. החל את התבנית "בדיקת זיהוי מחדש של נתונים פתוחים" על העמודות של ערכת נתונים פתוחה ומצא לפחות שילוב מסוכן אחד.

רשימת בדיקה

• [ ] סיווגתי את הבקשה; לא דחיתי את המידע שניתן למסור שלא לצורך.
• [ ] הערכתי את החריגים במהות ובהצדקה קונקרטית (החלטה אנושית).
• [ ] ערכתי את הנתונים האישיים/סודיים במסמך שיוגש.
• [ ] במקרה של דחייה, ציינתי את אופן ההתנגדות ומשך הזמן (אושר).
• [ ] בדקתי את הסיכון לזיהוי מחדש בנתונים פתוחים.
• [ ] רשמתי את הבקשה, ההחלטה וההצדקה לביקורת.