פרטיות הלקוח, KVKK ושימוש בטוח בבינה מלאכותית

רווחים:

• הערכת המידע על פי רגישותו והבחנה בין הרכב הפתוח למערכת המאובטחת באמצעות רפלקס 'שאל את הכיתה, התאם את הרכב'
• הבנת עקרונות הנתונים המינימליים, האבטחה והאחריות של KVKK ולראות שלא די במחיקת שם וההקשר הוא זהות.
• יכולת לאמץ משמעת של בחירת הדרך הבטוחה ביותר במקרה של ספק, הגנה על נתונים רגישים ברמה הגבוהה ביותר ודיווח על ההפרה בשקיפות.

מה שלקוח אומר לך - אלימות, מחלה, עוני, התמכרות, סודות משפחתיים - הוא המידע השביר והפרטי ביותר בחייו. הוא נותן לך מידע זה בסודיות מקצועית. אמון זה הוא הבסיס המאפשר לעבודה סוציאלית; כאשר הוא מטלטל, הלקוח אינו נפתח שוב והשירות מאבד את תפקידו. שמירה על אמון זה בעידן הבינה המלאכותית קיבלה מימד חדש: הזנת מידע של לקוח לכלי הלא נכון מהווה כיום לא רק פגיעה בפרטיות, אלא גם אחריות משפטית לפי KVKK (חוק הגנת מידע אישי) ועלולה להוביל לדליפה בלתי הפיכה של מידע. ביחידה זו תלמדו כיצד להגן על נתוני לקוחות בעידן הבינה המלאכותית, את ההיגיון הבסיסי של KVKK, את ההבחנה בין רכבים פתוחים לרכבים מאובטחים ודיסציפלינה מעשית של "הגיינת נתונים".

הכלל הבסיסי ביותר מלכתחילה הוא זה שאנו חוזרים עליו במהלך המודול הזה: שום מידע אישי המזהה את הלקוח לא יוכנס לכלי AI ציבורי שהמוסד שלך לא אישר. המשפט האחד הזה הוא המהות של כל הפרטים שלהלן.

סיכום KVKK לעובדת הסוציאלית

KVKK מסדירה כיצד ניתן לעבד נתונים אישיים (כל מידע שהופך אדם ספציפי או ניתן לזיהוי - שם, תעודה מזהה, כתובת, טלפון, אך גם מידע כגון בריאות, מצב משפחתי, רישום פלילי). רוב הנתונים שאתה מעבד בעבודה סוציאלית הם נתונים אישיים רגישים (נתונים שדליפתם מזיקה במיוחד, כגון בריאות, חיי מין, דת, מוצא אתני, הרשעות פליליות) ודורשים הגנה גבוהה ביותר. המשמעות המעשית של KVKK עבורך מסתכמת בכמה עקרונות:

• מגבלת מטרה ומינימום נתונים: מעובדים רק נתונים רבים ככל הדרוש. בעת עיבוד טקסט ל-AI, אל תזין פרטים אישיים שאינם נדרשים עבור העבודה.
• אבטחה: הנתונים מוגנים מפני גישה לא מורשית. כלי AI ציבורי אינו מספק אבטחה זו.
• הסכמה ושקיפות: יידוע הלקוח על אופן עיבוד הנתונים. מסירת נתוני לקוח לכלי חיצוני בלתי מבוקר אינה בגדר הסכמה כלשהי.
• אחריות: אם מתרחשת הפרה, האחריות היא על הארגון המעבד את הנתונים והאדם שמזין את הנתונים האלה - "AI רצה את זה ככה" אינו הגנה.

זהירות: לעתים קרובות מחיקת שמות אינה מהווה הגנה מספקת. גם אם שם לא מוזכר בטקסט, הקשר (שכונה + גיל + אירוע + תאריך + מבנה משפחה) יכול להפוך אדם לזיהוי. הגנה אמיתית ניתנת לא על ידי מיסוך, אלא על ידי בחירת הכלי והסביבה הנכונים.

שני עולמות: רכב פתוח לעומת מערכת מאובטחת

הפרד את השימוש שלך ב-AI לשני עולמות ברורים:

1. עולם כלים ציבורי/פתוח. ניתן להשתמש בו למשימות שאינן מזהות את הלקוח: שאלות מידע כלליות ("איך כותבים יעד SMART?"), הדרכה עם דוגמאות בדיוניות/אנונימיות, הסבר כללי על חקיקה, טקסטים של תוכנית שאינם מצביעים על אף אחד. נתוני לקוח אמיתיים לעולם אינם מוזנים כאן.

2. עולם נתוני הלקוחות. כל עבודה הכרוכה במידע של לקוח אמיתי - הקלטה, דיווח, הערת סיכון, הפניה - נעשית רק במערכות מאובטחות שאושרו על ידי המוסד שלך, שבהן הנתונים אינם דולפים. אם אין מערכת כזו, העבודה מתבצעת ללא AI, בשיטה הבטוחה המסורתית.

בלבול בין השניים - מתן נתוני לקוח אמיתיים לכלי הפתוח - הוא הטעות המסוכנת והנפוצה ביותר של מודול זה.

צעד אחר צעד: משמעת היגיינת נתונים

1. שאל על השיעור. שאלו לפני כל עבודה: "האם הטקסט הזה מתאר את הלקוח?" אם כן, מערכת מאובטחת; אם לא, ניתן להשתמש ברכב פתוח.
2. לְצַמְצֵם. הגבל את הנתונים המוזנים למינימום הנדרש על ידי המשרה, גם אם התפקיד באמת מצריך זאת.
3. תבטל את הזיהוי (ודע את הגבולות שלך). הסר מזהים במידת הצורך; אבל זכרו שהקשר יכול גם למסור זהות.
4. השתמש בכלי מאושר. דעו לאיזה רכב המוסד מאשר לאילו נתונים ואל תסטו ממנו.
5. אם אתה לא בטוח, תתנהג כמו איש מעמד גבוה. אם אינך בטוח אם נתון רגיש או לא, בחר בנתיב המוגן ביותר.
6. דווח על ההפרה. אם יש דליפה או שגיאה, הסתר אותם; דיווח על פי נוהל המוסד. התערבות מוקדמת מפחיתה נזקים.

שלושה מיני תיקים

מקרה 1 - ההקשר נתן זהות. מומחה הגיש תקציר מקרה לכלי הפתוח ואמר "מחקתי את השמות, זה בטוח עכשיו". לא היה שם בטקסט, אבל היה המשפט "אישה לקויית ראייה בשכונה X, עם 3 ילדים, שבעלה בכלא". היה רק ​​אדם אחד בשכונה ההיא שהתאים לתיאור הזה - הזהות הייתה כמעט ברורה. המומחה הבכיר הבחין בכך; התפקיד הועבר למערכת המאובטחת. לקח: הקשר הוא גם נתונים אישיים.

מקרה 2 - מדיניות הנתונים המינימלית עבדה. מומחה היה צריך רק לפשט משפט אחד. במקום לתת את כל הקובץ לכלי, הוא פשוט נתן את המשפט האחד הזה ללא פרטים אישיים. העבודה בוצעה, שום מידע רגיש לא יצא. מדיניות הנתונים המינימליים הייתה בטוחה ומספקת כאחד.

מקרה 3 - דיווח מוקדם הפחית את הנזק. עובד חדש הדביק בטעות מידע של לקוח לתוך כלי פתוח והבחין מיד. במקום להיכנס לפאניקה ולהסתתר, היא דיווחה על כך מיד לממונה עליה. המוסד העריך את האירוע לפי נוהל KVKK, נקט בצעדים הנדרשים ולימד את העובד כיצד להשתמש בו נכון. הודעה שקופה ומהירה מנעה מהאירוע להסלים.

ארבע תבניות הניתנות להעתקה

1) טיסה מוקדמת של מחלקת נתונים:

הערך את הטקסט הבא לפני עיבודו בכלי AI: האם טקסט זה הופך אדם לזיהוי ישירות (שם, תעודה מזהה, כתובת, טלפון) או בעקיפין (הקשר: שכונה, גיל, אירוע, מבנה משפחה)? האם הוא מכיל נתונים רגישים (בריאות, דת, מוצא אתני, רישום פלילי)? אם כן, באילו סעיפים? אמור לי אם ניתן להציג את הטקסט הזה בכלי הציבורי. טקסט: [הדבק טקסט]

2) שדרוג לאחור למינימום נתונים:

קבע את המידע המינימלי הדרוש לביצוע העבודה הבאה. הסר את כל הפרטים האישיים שאינם נדרשים על ידי התפקיד והשאירו רק את החלק הלא מזהה הנדרש על ידי התפקיד. רשום איזה מידע השמטת ולמה. עבודה: [תאר את המשימה]טקסט: [הדבק טקסט]

3) ביטול זיהוי ובקרת הקשר:

חלץ מזהים (שם, תעודה מזהה, כתובת, טלפון, שם מוסד) ישירות מהטקסט למטה. סמן גם רכיבי הקשר שנשארים בטקסט (שילוב נדיר של נסיבות, מיקום ספציפי + אירוע) שעלולים למסור באופן עקיף זהות. לפני הסרת אלה, הערך אם הטקסט עדיין הופך את האדם לזיהוי. טקסט: [הדבק טקסט]

4) יצירת דוגמה לאימון אנונימי/בדיוני:

הפק מקרה לדוגמה הדומה למקרה אמיתי, אך הוא בדיוני לחלוטין ואינו שייך לאף אדם אמיתי; אני אשתמש בזה לאימון/תרגול. שימוש בשמות אמיתיים, מקומות או אירועים; תן להכל להיות מזויף. [נושא: הערכה ראשונית לטיפול בקשישים]

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

אני מדביק למטה את כל הקובץ של הלקוח הזה, זה ייתן לי סיכום יפה. (כולל שם, כתובת, מידע בריאותי)

זה נותן נתונים אישיים רגישים למערכת חיצונית בלתי מבוקרת - הפרה של KVKK וסיכון פרטיות בלתי הפיך. זה שהסיכום "נחמד" אינו מתרץ את ההפרה הזו.

הנחיה עוצמתית:

(רק במערכת מאובטחת שאושרה על ידי מוסד, או עם טקסט לא מזוהה.) סכמו את הטקסט DE-IDENTIFIED להלן. לא השארתי שום הקשר בטקסט שיכול למסור שם, כתובת, תעודה מזהה או זהות. עבד רק את המידע הנדרש למשימה. טקסט: [הדבק טקסט אנונימי]

ההבדל: עבודה בכלי הנכון, עם נתונים מינימליים ולא מזוהים, מגינה על הפרטיות והחוק תוך ביצוע העבודה.

סוג הנתונים והנתיב הנכון

סוג נתונים

דוגמה

הכלי הנכון

מידע כללי

"מהי יעד SMART?"

רכב פתוח

דוגמה בדיונית

מארז אימון מושקע

רכב פתוח

ללא זהות + ללא הקשר

פישוט של משפט כללי

רכב פתוח (בזהירות)

נתוני לקוח

שיא בפועל, דיווח

מערכת מאובטחת בלבד

נתוני איכות מיוחדים

בריאות, עונש, מוצא אתני

מערכת הגנה / מאובטחת הגבוהה ביותר

הערת סיכון/בטיחות

אלימות, מידע הגנה

מערכת הגנה / מאובטחת הגבוהה ביותר

טעויות נפוצות

• מתן נתוני לקוח אמיתיים לכלי הפתוח. הטעות המסוכנת והנפוצה ביותר; הפרת KVKK וחדירה בלתי הפיכה.
• "מחקתי את השמות" מתוך מחשבה שזה אבטחה. ההקשר יכול למסור זהות; מיסוך אינו הגנה.
• הזנת יותר נתונים מהנדרש. החל את מדיניות הנתונים המינימלית; תן כמה שהעבודה דורשת.
• לקחת סיכונים כשאתה לא בטוח. כאשר יש ספק, בחר בדרך הבטוחה ביותר, התנהג כמו מעמד עליון.
• הסתרת ההפרה. דיווח מוקדם ושקוף מפחית נזקים; הסתרה עושה את זה גדול יותר.

לסיכום

פרטיות הלקוח היא הבסיס לאמון בעבודה סוציאלית, ובעידן הבינה המלאכותית היא הופכת גם להתחייבות משפטית מול KVKK. הכלל הבסיסי ברור: שום נתונים אישיים המזהים את הלקוח לא נכנסים לכלי ציבורי לא מאושר. שמרו על שני העולמות (כלי פתוח לעומת מערכת מאובטחת), יישמו את עקרון הנתונים המינימלי, דעו שלא די במחיקת שמות והקשר הוא זהות, במקרה של ספק, בחרו בדרך הבטוחה ביותר ודווחו על ההפרה בשקיפות. פרטיות איננה מדד שנוסף מאוחר יותר, אלא עיקרון שנצפה מההתחלה.

משימת יישום

כתוב טקסט מקרה בדיוני וראה אילו פריטים ה-AI מסמן כנתונים אישיים/פרטיים עם התבנית "נתונים מוקדמים של מחלקת נתונים". לאחר מכן בדוק עם דפוס "ביטול זיהוי ובדיקת הקשר" כדי לראות אם ההקשר עדיין מסגיר את הזהות גם לאחר מחיקת השמות. לבסוף, הפק דוגמה שתוכל להשתמש בה בבטחה בכלי הפתוח עם התבנית "דוגמה לאימון אנונימי/בדיוני".

רשימת בדיקה

• [ ] לפני כל עבודה, "האם הטקסט הזה מתאר את הלקוח?" שאלתי.
• [ ] אני מעבד את נתוני הלקוח רק במערכות מאושרות ומאובטחות.
• [ ] יישמתי את מדיניות הנתונים המינימליים; לא ירדתי הרבה.
• [ ] בידיעה שלא די במחיקת השם, בדקתי גם את ההקשר.
• [ ] במקרה של ספק, בחרתי בדרך הבטוחה ביותר ואני יודע את הדרך לדווח במקרה של הפרה.