רווחים:
- יכולת לסווג נתוני נישום ופיננסים במסגרת חובת סודיות KVKK וחוק סדרי המס וקביעת רמת ההגנה
- יכולת ליישם אנונימיזציה, מיסוך ושלבי בחירת כלי בטוח/מוסדי לפני מתן נתונים לבינה מלאכותית
- היכולת לרכוש הרגל להימנע מנהיגה ללא פיקוח על ידי הכרת ההשלכות המשפטיות, הפליליות והמקצועיות של הפרות פרטיות.
איש מקצוע רואה את המידע האינטימי ביותר של משלם המסים: מחזור, רווח, תנועות בנק, משכורות עובדים, מספרי תעודת זהות, חוזים, מבני שותפות. מידע זה מוגן על ידי שני רבדים משפטיים נפרדים: KVKK (חוק הגנת מידע אישי, חוק איסור עיבוד בלתי מורשה של מידע אישי) וחובת הסודיות של חוק הליך המס (חובה של בעל המקצוע לשמור בסודיות את המידע שהוא/ה נודע לו בשל חובתו). בעידן הבינה המלאכותית, ההגנה הזו עומדת בפני איום חדש: הדבקת נתונים רגישים בכלי לא מבוקר. העיקרון של יחידה זו הוא יחיד: הנתונים מוגנים לפני הכניסה ל-AI; שום מידע רגיש לא נכנס לרכב ללא פיקוח.
הגנה דו-שכבתית ומדוע צריך להתייחס אליה ברצינות
- שכבת KVKK: כל המידע (שם, מזהה TR, משכורת, איש קשר) השייך לאנשים אמיתיים הוא נתונים אישיים. עיבוד לא מורשה, העברה והגנה לא מספקת יגררו קנסות מנהליים ופיצויים.
- שכבת סודיות VUK: איש מקצוע לא יכול לחלוק את הסודות הפיננסיים של משלם המסים עם צדדים שלישיים. להפרה יש השלכות פליליות ומקצועיות (משמעתיות).
יתרת ניסיון או שכר שהודבקו בכלי בינה מלאכותית זמין לציבור עשויים להיחשב כ"מועברים לצד שלישי". לעתים קרובות לא ברור כיצד הכלי מאחסן את הנתונים והאם הוא משמש באימון. חוסר הוודאות הזה לבדו הוא סיכון מספיק.
שימו לב: הרעיון ש"ממילא אף אחד לא יראה את זה" אינו הגנה משפטית. ברגע שהנתונים נכנסים למערכת לא מבוקרת, זה לא בשליטתך. הפרת פרטיות מסוכנת לא בגלל האפשרות שהיא תתרחש, אלא בגלל שהיא בלתי הפיכה ברגע שהיא מתרחשת.
לפני מתן נתונים ל-AI: שלבי הגנה
- לסווג. האם הנתונים שברשותך הם סודיים, אישיים או ציבוריים? קבע את רמת ההגנה בהתאם.
- שאלה נחיצות. האם באמת יש צורך לתת את הנתונים הללו למודל, או שניתן לבצע את המשימה עם נתונים אנונימיים/תמציתיים?
- אנונימיזציה/מסכה. שמותיהם הם K1, K2; חברות Ş1, Ş2; החלף את מזהה TR ומספרי חשבון במסכה. הכללה פרטים ייחודיים המספקים אבחנה עקיפה.
- בחר רכב בטוח. במידת האפשר, השתמש בכלי ארגוני/מאושר המבטיח שמירת נתונים.
- שמור על השביל. רשום אילו נתונים נתת לאיזה כלי ועם איזו הגנה.
סוג נתונים
דוגמה
גישת שימור
נתוני זהות
שם, מזהה TR
מסכה / אנונימי; לעולם אל תיתן גולמי
סוד פיננסי
מחזור, רווח, בנק
סיכום / אנונימי; רכב ארגוני
נתוני יחסים
שותף, ספק
הכללה; להסיר פרטים ייחודיים
ציבורי
מאזן מוכרז
ניתן לעבד כרגיל
כיצד מתבצעת האנונימיזציה בפועל?
אנונימיזציה היא הפיכת הזהות לבלתי ניתנת להבחנה תוך שמירה על הנתונים שימושיים. לדוגמה, תנתח חשבונית שכר: תשים מספר רצף במקום שם ומזהה TR, ניתוח חלוקת השכר לא ישבש, אך לא ניתן לזהות אף אחד. הנקודה הקריטית היא האבחנה העקיפה: ביטויים כמו "המנכ"ל היחידה" או "הבת 92 היחידה בחברה של 35 אנשים" מסגירים את האדם גם אם תמחק את השם; אלה גם מוכללים.
שלושה מיני תיקים
מקרה 1 - דליפת שכר. מתמחה מעלה תלוש שכר של 3,500 איש (שם, תעודת זהות, משכורת) לכלי אינטרנט חינמי ואומר "סיכום". נתונים מסתכנים בהתערבות במאגר הרכב; הן הפרות סודיות KVKK והן VUK מתרחשות. אם הלקוח יגלה, זה נגמר. הדרך הנכונה הייתה להשתמש ברכב מאושר תאגיד או לתת רק את חלוקת השכר על ידי מיסוך שמך/מזהה TR.
מקרה 2 - אבחון עקיף. יועץ נותן לדוגמן רשימה שבה הוא מוחק את השמות, אך משאיר את הביטוי "המנהל הזר היחיד של החברה". אמירה זו מסירה את האדם; אנונימיזציה חסרה. שיעור: יש להכליל גם פרטים ייחודיים המספקים אבחנה עקיפה.
מקרה 3 - טיפול טוב. לפני הזנת נתונים רגישים למודל, משרד עובר שלב אנונימיזציה סטנדרטי: באמצעות תבנית, הוא ממיר שמות, מזהים ושמות מותגים לקודים, ואז מנתח אותם. איכות הניתוח לא יורדת, שום זהות לא דולפת. פרטיות ויעילות מוגנות יחד.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
סכמו את השכר הבא: [אחמט ילמז, ת"ק 123..., שכר 45,000; ...]
נתונים אישיים גולמיים נכנסים לרכב ללא שליטה; זו הפרה ישירה.
הנחיה עוצמתית:
אני אתן לך מערך נתונים. לפני העיבוד, החל את האנונימיזציה הבאה והראה לי גם את הגרסה האנונימית:- הפוך את שמות האדם ל-K1, K2... - הסר את מזהה ה-TR ומספרי החשבון לחלוטין.- הפוך את שמות החברה/מותגים T1, K2.... הכליל את הפרטים הייחודיים שיכולים לזהות את האדם בעקיפין. לאחר מכן תעבוד רק על הגרסה האנונימית.[DATA (מסווה ככל האפשר): ...]
הערה: הכי בטוח לא להזין נתונים אישיים גולמיים כלל; אם אתה נכנס, אתה חייב להיות רעולי פנים וברכב בטוח.
לעזרה בסיווג נתונים:
סווגו כל אחד מהשדות הבאים: האם מדובר בנתונים אישיים, האם מדובר בסוד פיננסי, האם בציבור? כתוב את רמת ההגנה המומלצת עבור כל אחד מהם. שדות: [שדה שמות, מדגם RETURN]
כדי ליצור תבנית אנונימיזציה:
הפק רשימת בדיקה רגילה לאנונימיזציה שבה אשתמש בניתוח שכר/יתרת ניסיון: אילו שדות יש להסוות, אילו יש להשמיט, מה עליי לחפש לאבחון עקיף?
להערכת בטיחות הרכב:
אילו שאלות עלי לשאול כשאני מעריך אם כלי בינה מלאכותית מתאים לנתונים רגישים של משלם מסים (שימור נתונים, שימוש בחינוך, חוזה תאגידי, מיקום)? צור רשימת בדיקה.
טעויות נפוצות
- הזנת נתונים אישיים גולמיים. לעולם אל תכנס לרכב ללא אימות שם/ מזהה TR.
- דילוג על אבחון עקיף. הפרט הייחודי מסגיר את הזהות גם אם השם נמחק.
- לא שואלים על בטיחות הרכב. נתונים רגישים אינם ניתנים מבלי לדעת כיצד הכלי מאחסן את הנתונים.
- לא מטיל ספק בנחיצות. אם ניתן לבצע את המשימה עם נתונים אנונימיים/תמציתיים, נתונים גולמיים אינם ניתנים כלל.
- לא עוקב. אם לא נרשם אילו נתונים נמסרו היכן, לא ניתן לאתר את ההפרה.
לסיכום
נתוני משלם המסים מוגנים בשתי שכבות על ידי חובות סודיות של KVKK ו-VUK, והסיכון החדש הגדול ביותר בעידן הבינה המלאכותית הוא הדבקת נתונים רגישים לכלי לא מבוקר. לפני שהנתונים נכנסים למודל, הם מסווגים, נחיצותם מוטלת בספק, מזהים כמו שם/מזהה TR מוסווים ופרטים המספקים אבחנה עקיפה מוכללים; במידת האפשר, נעשה שימוש רק בכלי ארגוני מאובטח ומובטח שמירת נתונים. הפרת פרטיות היא פגיעה בלתי הפיכה; הנתונים המאובטחים ביותר הם נתונים שלעולם לא הוכנסו.
משימת יישום
קח בידך תיק רגיש טיפוסי (למשל שכר או מאזן בוחן). תחילה סווגו את התחומים שלהם (סוד אישי/פיננסי/ציבורי). לאחר מכן החל תבנית אנונימיזציה: רשום אילו אזורים תמסך, אילו תסיר, ומה תחפש לזיהוי עקיף. לבסוף, הערך את התאמת האבטחה של כלי הבינה המלאכותית שבה אתה משתמש/תשתמש עם רשימת בדיקה.
רשימת בדיקה
- [ ] סיווגתי את הנתונים כסוד אישי/פיננסי/ציבורי.
- [ ] שאלתי האם באמת יש צורך לספק את הנתונים הגולמיים.
- [ ] הסתרתי/הסרתי את השם, מזהה ה-TR ומספרי החשבון.
- [ ] הכללתי פרטים ייחודיים המספקים אבחנה עקיפה.
- [ ] השתמשתי רק בכלים מאובטחים/ארגוניים עם הבטחות לשמירת נתונים.
- [ ] הערכתי את מדיניות הנתונים (אחסון, הדרכה) של הכלי.
- [ ] רשמתי אילו נתונים נתתי איפה כעקבות.