Keuntungan:
- Anonimisasi dan evaluasi kebutuhan sebelum memberikan data sensitif dan keuangan pelanggan ke alat kecerdasan buatan
- Kemampuan untuk membedakan perbedaan antara alat AI perusahaan dan publik dalam hal privasi, penyimpanan data, dan penggunaan dalam pendidikan
- Kemampuan untuk mengelola pelanggaran data, periode penyimpanan, dan pembagian risiko pihak ketiga dalam kerangka KVKK
Asuransi adalah salah satu profesi yang bekerja dengan data paling sensitif. File asuransi; Ini mungkin mencakup informasi identitas, alamat, pendapatan, rekening bank, riwayat kesehatan, catatan kerusakan, plat nomor, akta kepemilikan, dan bahkan informasi keluarga. Beberapa data ini tunduk pada perlindungan tertinggi sebagai “data pribadi yang bersifat khusus” dalam KVKK (UU Perlindungan Data Pribadi); Data kesehatan, biometrik, dan sejenisnya adalah contoh umum dari hal ini. Pembagian data yang tidak terkendali saat menggunakan alat kecerdasan buatan (terutama yang berbasis cloud) dapat menimbulkan risiko pelanggaran dan hilangnya kepercayaan yang serius. Setelah bocor, data tidak dapat diambil. Di unit ini, Anda akan mempelajari cara menganonimkan data pelanggan (menghapus informasi identitas pribadi) sebelum memberikannya ke kecerdasan buatan, perbedaan privasi antara alat perusahaan dan publik, dan cara mengelola risiko pelanggaran data, penyimpanan, dan pembagian data kepada pihak ketiga dalam kerangka KVKK. Unit ini bukan merupakan nasihat hukum; Menjelaskan prinsip-prinsip umum, berkonsultasi dengan departemen kepatuhan/hukum dalam kasus tertentu.
Mengapa privasi sangat penting: tipe data
Dalam asuransi, perlu dilakukan pemisahan data sesuai dengan tingkat perlindungannya:
- Data Identitas : Nama, Nama Belakang, Nomor ID TR, Tanggal Lahir, Kontak. Ini secara langsung mengidentifikasi orang tersebut.
- Data keuangan: Pendapatan, rekening bank, riwayat pembayaran. Pribadi dan sensitif.
- Data kualitas khusus: Kesehatan, data biometrik. Perlindungan tertinggi; Persyaratan yang lebih ketat (persetujuan eksplisit atau pengecualian menurut undang-undang) diperlukan untuk pemrosesan.
- Data file: Nomor polis, plat nomor, akta kepemilikan, detail kerusakan. Jika dipadukan dengan orang lain, dapat mengungkap identitas.
Bahaya terbesar adalah pengidentifikasian yang terjadi saat Anda menggabungkan data ini. Meskipun "wanita berusia 45 tahun" tidak disebutkan namanya, "wanita berusia 45 tahun + plat nomor tertentu + alamat tertentu" dapat mengungkapkan identitas.
Perhatian: Mengatakan "hapus" setelah memberikan data ke alat kecerdasan buatan tidak benar-benar menghapusnya. Beberapa alat menyimpan masukan dan bahkan menggunakannya untuk melatih model. Aturan: jangan pernah mengirim data sensitif; Anonimisasi dilakukan sebelum pengiriman.
Anonimisasi: bagaimana melakukannya
Anonimisasi adalah penghapusan informasi yang dapat diidentifikasi dan penggantian dengan informasi faktual yang setara; Tujuannya adalah untuk membuat orang tersebut tidak dapat dikenali dengan tetap menjaga kualitas keluaran. Anonimisasi yang baik:
- Menghapus nama, ID TR, telepon, alamat, nomor polis, plat nomor dan informasi akta kepemilikan.
- Dia menggantinya dengan padanan yang bermakna analitis: "45 tahun, laki-laki, polis asuransi, Anatolia Tengah, tabrakan sepihak".
- Menghindari kombinasi yang jarang/khas: profesi yang sangat spesifik + tempat yang sangat kecil, yang dengan sendirinya dapat membuka identitas.
- Mempertahankan arti medis/teknis: seperti "kesehatan pelengkap, bedah ortopedi terencana".
Tip: Setelah melakukan anonimisasi, tanyakan pada diri Anda: "Jika orang asing membaca teks ini, dapatkah dia menemukan orang tersebut?" Jika jawabannya ya, lakukan generalisasi lebih lanjut. Kombinasi yang sangat jarang (distrik kecil + peristiwa spesifik) berbahaya.
Alat perusahaan vs alat publik
Tidak semua alat AI memiliki tingkat privasi yang sama. Mereka berbeda dalam tiga dimensi:
- Retensi data: Apakah data disimpan dan berapa lama?
- Penggunaan dalam pelatihan: Apakah menggunakan masukan untuk melatih model?
- Lokasi dan kontrak: Di mana data diproses, apakah ada perjanjian pemrosesan data perusahaan?
Alat kelembagaan (kontrak lembaga, jaminan pemrosesan data) sering kali memberikan batasan dalam hal tidak menggunakan dan menyimpan data dalam pendidikan. Alat publik dan gratis dapat menyimpan masukan dan menggunakannya dalam pelatihan. Aturan: data sensitif hanya diproses dengan cara yang disetujui institusi, dikontrak, dan dalam bentuk yang dianonimkan mungkin. Memasukkan data pelanggan ke alat yang tidak disetujui membuat pemroses data tidak dapat diaudit.
Langkah demi langkah: Bekerja secara aman dengan data rahasia
- Klasifikasikan datanya. Data identitas / keuangan / kualitas khusus / file.
- Tes kebutuhan. Apakah data ini benar-benar diperlukan untuk tugas ini? Jika tidak, jangan gunakan itu.
- Anonimkan. Hapus pengidentifikasi, gantikan padanan faktual, generalisasikan kombinasi langka.
- Pilih kendaraan. Hanya kendaraan yang disetujui dan dikontrak oleh lembaga; Tidak ada data sensitif yang tersedia untuk alat publik.
- Bekerja dengan data minimum. Bagikan informasi minimum yang diperlukan untuk tugas tersebut.
- Kelola penyimpanan dan berbagi. Di mana Anda menyimpan hasilnya, dengan siapa Anda membaginya; Mematuhi masa retensi KVKK dan aturan pihak ketiga. Tinggalkan jejakmu.
tiga kasus mini
Kasus 1 — Melindungi data sensitif. Seorang spesialis klaim ingin bertanya kepada AI tentang file asuransi kesehatan yang rumit. Alih-alih menulis nama, ID, dan diagnosis tertanggung, ia menciptakan konteks anonim seperti "usia 52 tahun, wanita, polis kesehatan pelengkap, rencana operasi katup jantung, jumlah yang disengketakan". Kualitas keluarannya tidak menurun; Data pribadi tidak masuk ke cloud mana pun. Data kesehatan tunduk pada perlindungan tertinggi; kebiasaan ini mencegah pelanggaran.
Kasus 2 — Perangkap kombinasi yang langka. “38 tahun, perempuan, satu-satunya apoteker di [daerah yang sangat kecil], yang memiliki kebijakan tanggung jawab profesional,” tulis seorang pakar. Meski secara teknis tidak mencantumkan nama, namun secara langsung terungkap identitasnya karena ia satu-satunya apoteker di kabupaten tersebut. Pakar memperhatikan hal ini dan menggeneralisasikannya sebagai "pemukiman kecil, profesi kesehatan". Anonimisasi tidak hanya menghapus nama, tetapi juga menghancurkan kemampuan untuk dikenali.
Kasus 3 — Pemilihan alat yang salah. Untuk mempercepat, seorang karyawan akan mengunggah rincian klaim pelanggan ke alat publik gratis. Kebijakan tim mulai berlaku: data pelanggan hanya diproses menggunakan alat yang disetujui dan dikontrak oleh institusi. Karyawan tersebut pertama-tama menganonimkan data dan kemudian menjalankannya di alat yang disetujui. Jika alat yang tidak disetujui digunakan, risiko penyimpanan dan penggunaan data dalam pendidikan tidak dapat dikendalikan.
Empat perintah yang dapat disalin
1) Asisten anonimisasi:
Hapus semua data pribadi dan identitas dari teks berikut: nama, nama keluarga, ID, tanggal lahir, telepon, alamat, nomor polis, plat nomor, akta kepemilikan, IBAN. Gantikan dengan padanan faktual yang memiliki arti analitis (misalnya, "45 tahun, laki-laki, polis asuransi, tabrakan satu sisi"). Generalisasikan kombinasi langka/khas (tempat kecil + pekerjaan khusus). Mempertahankan makna medis/teknis. Teks: [tempel]
2) Pemeriksaan pengenalan:
Periksa teks anonim berikut untuk mengenali: [teks]Tanyakan: Dapatkah orang asing menemukan orang yang memiliki teks ini? Apakah ada kombinasi yang langka (pemukiman kecil + profesi/acara tertentu), tanggal atau jumlah yang unik? Soroti setiap poin berisiko dan sarankan cara menggeneralisasi dengan lebih aman.
3) Persyaratan dan klasifikasi data:
Klasifikasikan dan uji persyaratan data yang diperlukan untuk tugas berikut:Tugas: [deskripsi] Data yang saya miliki: [daftar]Untuk setiap data: ketik (identitas/keuangan/khusus/file), apakah diperlukan untuk tugas ini (ya/tidak), jika perlu, bagaimana cara menggunakannya secara anonim.Tandai data yang tidak perlu sebagai "jangan gunakan".
4) Daftar periksa pemilihan kendaraan:
Buat daftar periksa sebelum menggunakan alat AI dengan data asuransi. Sertakan pertanyaan: Apakah kendaraan tersebut disetujui oleh institusi? Apakah ada perjanjian pemrosesan data? Apakah itu menyimpan/menggunakan masukan dalam pelatihan? Dimana datanya diproses? Untuk tipe data manakah yang cocok/tidak cocok? Apakah anonimisasi cukup?
Perintah lemah / Perintah kuat
Lemah: "Evaluasi file klien Ahmet Yılmaz (TC 123..., laporan medis terlampir)."
Masalah: Data identitas dan sensitif (kesehatan) dibagikan secara langsung; besar risiko pelanggaran KVKK.
Kuat: "Pertimbangkan konteks anonim berikut: usia 52 tahun, wanita, kebijakan kesehatan tambahan, rencana operasi, jumlah yang disengketakan. Tidak ada informasi identitas."
Mengapa ini bagus: Makna analitis dipertahankan, identitas dan data sensitif tidak diungkapkan.
grafik perbandingan
Tipe data
Tingkat perlindungan
Gunakan dalam kecerdasan buatan
Nama/TC/kontak
tinggi
Hapus, masukkan yang setara
Keuangan (pendapatan/IBAN)
tinggi
Hapus/generalisasi
Kualifikasi kesehatan/khusus
tertinggi
Tidak pernah mentah; kendaraan anonim + disetujui
Nomor polis/plat/akta kepemilikan
sedang-tinggi
Hapus; sendirian itu berisiko
Agregat/statistik
rendah
Tersedia (jika tidak ada kontak)
Kesalahan umum
- Menempelkan data pribadi/kesehatan mentah. Pelanggaran yang paling sering dan paling berat.
- Berpikir bahwa menghapus nama saja sudah cukup. Kombinasi langka mungkin masih mengungkap identitasnya.
- Mengandalkan ucapan “hapus nanti.” Alat tersebut mungkin menyimpan/menggunakan data dalam pelatihan.
- Mengemudi tanpa izin/umum. Pemrosesan data yang tidak terkontrol.
- Tidak mengelola penyimpanan dan berbagi. Penyimpanan keluaran tidak terbatas, pembagian tidak terkendali dengan pihak ketiga.
Singkatnya
Data asuransi sangat sensitif; Data khusus seperti kesehatan tunduk pada perlindungan tertinggi di bawah KVKK. Klasifikasikan, tantang, dan anonimkan data sebelum memberikannya kepada AI: hapus pengidentifikasi, perkenalkan padanan faktual, generalisasikan kombinasi yang jarang terjadi. Memproses data sensitif hanya menggunakan alat yang disetujui institusi dan dikontrak, dan dalam jumlah minimum. Kelola jangka waktu penyimpanan dan pembagian pihak ketiga dalam kerangka KVKK dan tinggalkan jejak. Konsultasikan kepatuhan/hukum dalam kasus tertentu; Data yang bocor tidak dapat diambil kembali.
Tugas aplikasi
Dapatkan teks kerusakan/referensi nyata (untuk tujuan pengujian). Anonimkan dengan perintah #1, lalu periksa pengenalan dengan perintah #2: apakah masih ada kombinasi langka dalam teks yang dapat mengungkap orang tersebut? Generalisasikan setiap risiko yang Anda temukan. Evaluasi juga alat AI yang Anda gunakan dengan checklist nomor 4: apakah cocok untuk data sensitif?
daftar periksa
- [ ] Saya mengklasifikasikan data berdasarkan tipenya.
- [ ] Saya menerapkan tes kebutuhan; Saya tidak menggunakan data yang tidak diperlukan.
- [ ] Saya menghapus pengidentifikasi dan menggantinya dengan yang setara faktual.
- [ ] Saya menggeneralisasi kombinasi langka/khas.
- [ ] Saya melakukan pemeriksaan pengenalan.
- [ ] Saya hanya menggunakan kendaraan yang disetujui perusahaan dan dikontrak.
- [ ] Saya mengelola penyimpanan dan pembagian kepada pihak ketiga sesuai dengan KVKK; Saya meninggalkan bekas.