Keuntungan:
- Terapkan pertimbangan AI di setiap tahap siklus hidup data
- Tetapkan periode retensi dan sertakan riwayat obrolan AI dalam kebijakan pemusnahan
- Menerapkan perbedaan antara anonimisasi dan nama samaran
Bagian “setelah” dari data adalah bagian yang sering diabaikan oleh petugas perlindungan data. Setelah teks dimasukkan ke dalam AI, sepertinya pekerjaan telah selesai; Namun, data tersebut disimpan di suatu tempat, mungkin digunakan dalam pelatihan model, mungkin terakumulasi dalam riwayat obrolan selama berbulan-bulan. Pada unit ini, kita akan membahas siklus hidup data pribadi langkah demi langkah; Kita akan belajar tentang periode retensi, penghancuran riwayat obrolan AI, dan membedakan dua teknik penting — anonimisasi dan nama samaran. Tujuannya adalah untuk mengelola data sepanjang masa pakainya, bukan hanya saat data dimasukkan.
Siklus hidup data dan AI
Data pribadi melewati siklus hidup; Setiap tahap memiliki titik perhatian khusus AI.
Panggung
Apa yang terjadi?
Titik perhatian AI
koleksi
Data diperoleh
Apakah tujuan dan dasarnya jelas? Apakah sudah diminimalkan?
Penggunaan/pemrosesan
Masuk ke AI, diproses
Apakah masking sudah dilakukan? Kendaraan yang disetujui?
penyimpanan
Data disimpan
Berapa lama riwayat obrolan bertahan?
transfer
pergi ke orang lain
Server internasional? Apakah ada jaminan yang tepat?
Kehancuran
Penghapusan/anonimisasi
Apakah itu dihapus setelah tujuannya selesai? Apakah sudah termasuk suku cadangnya?
Dua tahap yang paling diabaikan adalah penyimpanan dan pembuangan. Data “dilupakan” dan terus terakumulasi dalam sistem – yang melanggar prinsip KVKK dan memperbesar kerugian jika terjadi pelanggaran.
Waktu penyimpanan: berapa lama Anda bisa menyimpannya?
Prinsip penyimpanan KVKK jelas: data pribadi tidak dapat disimpan lebih lama dari yang diperlukan untuk tujuan pemrosesannya. Ketika tujuannya tidak lagi tersedia, data harus dihapus, dimusnahkan, atau dianonimkan. Lembaga menyiapkan kebijakan penyimpanan dan pembuangan; menentukan berapa banyak yang harus disimpan untuk setiap kategori data.
Poin penting khusus untuk AI: Riwayat obrolan AI juga merupakan data yang disimpan. Jika seorang karyawan telah memasukkan data pelanggan ke dalam obrolan yang sama selama berbulan-bulan, riwayat itu menjadi tempat penyimpanan data. Untuk ini:
- Konfigurasikan pengaturan retensi data di alat AI perusahaan (hapus riwayat secara otomatis jika memungkinkan atau nonaktifkan penggunaan dalam pelatihan model).
- Sertakan riwayat obrolan dalam jadwal penghancuran Anda.
- Pastikan opsi "Jangan gunakan dalam pelatihan model" (tidak ikut serta) dalam kontrak perusahaan.
Perhatian: Menghapus data bukan sekedar menghapusnya dari layar. Cadangan, log, dan salinan di server penyedia juga harus dipertimbangkan. Saat Anda mengatakan "dihapus", pastikan apa yang Anda hapus benar-benar tidak dapat diambil kembali.
Anonimisasi atau nama samaran?
Kedua istilah ini sering kali membingungkan, namun akibat hukumnya bertentangan secara diametral.
- Anonimisasi: Membuat data sedemikian rupa sehingga tidak dapat dikaitkan dengan seseorang dengan cara apa pun. Jika dilakukan dengan benar maka hasilnya bukan lagi data pribadi dan berada di luar cakupan KVKK. Contoh: Menghapus baris individual dalam kumpulan data 10.000 orang dan hanya menyisakan statistik agregat seperti "Pengeluaran rata-rata pada kelompok usia 25-34 tahun di Istanbul".
- Nama samaran: Informasi identitas diganti dengan kode/tag, tetapi dapat dikembalikan ke orang tersebut dengan "kunci". Contoh: Menulis "Pelanggan-4471" dan bukan "Ahmet Yılmaz", tetapi menyimpan tabel yang menunjukkan kode mana yang menjadi milik siapa. Ini masih merupakan data pribadi dan masuk dalam lingkup KVKK.
fitur
Anonimisasi
Pseudonimisasi
Bisakah orang itu dikembalikan?
Tidak (jika dilakukan dengan benar)
Ya, dengan kuncinya
Apakah masih data pribadi?
tidak
Ya
ruang lingkup KVKK
di luar
di
Untuk masuk ke AI
Cara paling aman
Sekali lagi, diperlukan dasar/aturan
Tip: "Apakah ini dapat dibalik?" sebelum memasukkan data ke AI. bertanya. Kalau di dalamnya ada kunci/kecocokannya, itu nama samaran dan masih data pribadi. Anonimisasi yang sebenarnya adalah membagikan hasil gabungan, bukan baris individual.
tiga kasus mini
Kasus 1 — Anonimitas palsu. Sebuah perusahaan layanan kesehatan memberi AI sekumpulan data yang dikatakan telah “dianonimkan” untuk dianalisis. Namun kumpulan tersebut mencakup tanggal lahir, wilayah, dan diagnosis langka; trio ini mungkin menunjukkan satu orang di sebuah daerah kecil. Ini bukan anonimisasi; datanya masih bersifat pribadi. Cara yang benar: mengubah tanggal lahir menjadi rentang usia, menggeneralisasi berdasarkan wilayah, mengelompokkan diagnosis langka—yaitu, agregasi sebenarnya.
Kasus 2 — Percakapan menumpuk. Dalam satu call center, 6 agen memasukkan data pelanggan ke dalam akun AI perusahaan yang sama selama 4 bulan. Tidak ada seorang pun yang menghapus masa lalu; akhirnya lebih dari 12.000 interaksi pelanggan terakumulasi di satu tempat. Dalam suatu audit, akumulasi ini ditandai sebagai risiko besar. Solusi: pengaturan untuk menghapus riwayat secara otomatis setiap 30 hari, aturan untuk keluar ketika pekerjaan selesai, dan klausul terbuka untuk kebijakan penyimpanan.
Kasus 3 — Nama samaran yang benar. Saat menganalisis kinerja karyawan dengan AI, tim SDM mengkodekan nama seperti “Employee-001” dan menyimpan tabel yang cocok dalam file terpisah dengan akses terbatas. Ini adalah nama samaran; Datanya tetap bersifat pribadi, namun risikonya berkurang. Tim menyadari bahwa ini bukan anonimisasi dan menentukan dasar hukum serta jangka waktu penyimpanannya.
Templat yang dapat disalin
TEMPLATE 1 — Baris kebijakan penyimpanan dan pemusnahan: "Usulkan baris kebijakan penyimpanan-penghancuran untuk kategori data berikut: [kategori]. Bidang: periode penyimpanan (dibenarkan berdasarkan tujuannya), metode pemusnahan (penghapusan/penghancuran/anonimisasi), apakah riwayat obrolan AI disertakan, peran yang bertanggung jawab. Ingatkan jika ada kewajiban penyimpanan yang sah."
TEMPLATE 2 — Pemeriksaan anonimisasi: "Evaluasi apakah kumpulan data berikut benar-benar anonim: [bidang daftar]. Kombinasi bidang apa yang dapat membuat seseorang dapat diidentifikasi ulang (misalnya tanggal lahir + kode pos + fitur langka)? Sarankan generalisasi untuk setiap bidang risiko (seperti rentang usia, tingkat provinsi) untuk memperkuat anonimitas."
TEMPLATE 3 — Masking + pemisahan kunci pengembalian: "Nama samaran teks berikut: encode data pribadi (seperti [NAMA]->K001), tapi berikan saya tabel yang cocok SECARA TERPISAH. Jangan tinggalkan identitas asli dalam teks itu sendiri. Perhatikan bahwa tabel yang cocok adalah 'data pribadi' dan harus disimpan secara terpisah."
TEMPLATE 4 - Audit penyimpanan data alat AI: "Siapkan daftar pertanyaan untuk mengaudit perilaku penyimpanan data alat AI yang kita gunakan: berapa lama riwayat disimpan, dapatkah dihapus, apakah digunakan dalam pelatihan model, apakah ada pilihan untuk tidak ikut serta, di mana data diproses, apa cadangannya? Tulis jawaban 'aman' yang diharapkan untuk setiap pertanyaan."
Perintah lemah / Perintah kuat
LEMAH: "Anonimkan data ini." (mengkode dan meninggalkan nama) -> Hanya nama panggilan; Risiko identifikasi ulang tetap ada, seperti tanggal lahir, sifat langka; Ini menciptakan ilusi “anonim”. GÜÇLÜ: "Temukan kombinasi bidang dalam kumpulan ini yang dapat mengidentifikasi ulang orang tersebut; menggeneralisasi masing-masing bidang tersebut (rentang usia, tingkat provinsi). Tujuan saya bukanlah satu catatan, tetapi statistik gabungan. Hasilnya, tidak ada seorang pun yang dapat dibedakan sebagai satu orang dan memverifikasi ini." -> Modelnya cenderung ke arah anonimisasi sebenarnya, sehingga mengurangi risiko identifikasi ulang.
Kesalahan umum
- Salah mengartikan nama samaran sebagai anonimisasi; lupa bahwa itu tetap data pribadi.
- Menghapus nama dan meninggalkan kombinasi deskriptif seperti tanggal lahir + lokasi + sifat langka.
- Riwayat obrolan AI tidak tunduk pada aturan retensi/penghancuran; terakumulasi tanpa batas waktu.
- Tidak memastikan klausul "Jangan gunakan dalam pelatihan model" (tidak ikut serta) dalam kontrak.
- Ketika saya mengatakan penghapusan, maksud saya cukup bersihkan layar dan lupakan cadangan dan log.
- Mempertahankan masa penyimpanan lebih lama untuk "berjaga-jaga" daripada untuk tujuan tertentu.
- Mengabaikan bahwa transfer dan penyimpanan juga terjadi di server penyedia.
Singkatnya
- Data pribadi melewati siklus hidup; Tahapan yang paling diabaikan adalah penyimpanan dan pembuangan.
- Data tidak boleh disimpan lebih lama dari yang diperlukan untuk tujuan tersebut; Lembaga harus menetapkan kebijakan penyimpanan dan pemusnahan.
- Riwayat obrolan AI juga merupakan data yang disimpan; harus dimasukkan dalam jadwal pembuangan dan pengaturan penyimpanan.
- Anonimisasi mengambil data dari KVKK; Penyamaran masih menyisakan data pribadi.
- Menghapus nama bukanlah anonimisasi; Semua kombinasi yang berisiko teridentifikasi ulang harus digeneralisasikan.
Tugas aplikasi
Pilih kategori data yang diproses organisasi Anda dengan AI (misalnya, catatan dukungan pelanggan). Tulis baris kebijakan penyimpanan dan pemusnahan untuk kategori ini: periode penyimpanan (dibenarkan), metode pemusnahan, apakah riwayat obrolan AI disertakan, dan peran yang bertanggung jawab. Kemudian ambil contoh catatan dari data yang sama dan pertama-tama buat nama samaran (pisahkan tabel yang cocok), lalu tulis bidang mana yang akan Anda generalisasikan dan bagaimana membawa catatan ini ke anonimisasi yang sebenarnya. Terakhir, siapkan lima pertanyaan yang mengontrol perilaku penyimpanan data alat AI yang Anda gunakan dan tambahkan jawaban “aman” yang Anda harapkan untuk masing-masing pertanyaan.
daftar periksa
- [ ] Saya telah menentukan periode penyimpanan dan metode pemusnahan untuk kategori data.
- [ ] Saya telah memasukkan riwayat obrolan AI dalam jadwal penghancuran.
- [ ] Saya mencentang item penyisihan "Jangan gunakan dalam pelatihan model".
- [ ] Saya menerapkan perbedaan antara nama samaran dan anonimisasi.
- [ ] Saya telah menggeneralisasi kombinasi bidang yang berisiko untuk diidentifikasi ulang.
- [] Saya juga menyertakan cadangan dan log dalam cakupan penghapusan.
- [ ] Saya mengaudit perilaku penyimpanan data alat AI.