Data dan Privasi Pelanggan: KVKK, Kerahasiaan VUK, dan Alat Aman

Keuntungan:

• Kemampuan mengklasifikasikan data wajib pajak dan keuangan dalam kerangka kewajiban kerahasiaan KVKK dan UU Tata Cara Perpajakan serta menentukan tingkat perlindungannya
• Kemampuan untuk menerapkan langkah-langkah anonimisasi, penyembunyian, dan pemilihan alat yang aman/institusional sebelum memberikan data ke kecerdasan buatan
• Kemampuan untuk membiasakan menghindari mengemudi tanpa pengawasan dengan mengetahui konsekuensi hukum, pidana dan profesional dari pelanggaran privasi.

Seorang profesional melihat informasi paling intim dari wajib pajak: omset, keuntungan, pergerakan bank, gaji karyawan, nomor ID TR, kontrak, struktur kemitraan. Informasi ini dilindungi oleh dua lapisan hukum yang terpisah: KVKK (Undang-undang Perlindungan Data Pribadi, undang-undang yang melarang pemrosesan informasi pribadi tanpa izin) dan kewajiban kerahasiaan Undang-undang Tata Cara Perpajakan (kewajiban profesional untuk menjaga kerahasiaan informasi yang dipelajarinya karena tugasnya). Di era kecerdasan buatan, perlindungan ini menghadapi ancaman baru: memasukkan data sensitif ke dalam alat yang tidak terkontrol. Prinsip unit ini sama: data dilindungi sebelum memasuki AI; Tidak ada data sensitif yang masuk ke kendaraan tanpa pengawasan.

Perlindungan dua lapis dan mengapa hal ini harus ditanggapi dengan serius

• Lapisan KVKK: Semua informasi (nama, ID TR, gaji, kontak) milik orang sungguhan adalah data pribadi. Pemrosesan yang tidak sah, transfer dan perlindungan yang tidak memadai akan mengakibatkan denda administratif dan kompensasi.
• Lapisan kerahasiaan VUK: Seorang profesional tidak dapat membagikan rahasia keuangan wajib pajak kepada pihak ketiga. Pelanggaran membawa konsekuensi pidana dan profesional (disiplin).

Neraca saldo atau daftar gaji yang ditempelkan ke alat AI yang tersedia untuk umum dapat dianggap “ditransfer ke pihak ketiga”. Seringkali tidak jelas bagaimana alat tersebut menyimpan data dan apakah data tersebut digunakan dalam pelatihan. Ketidakpastian ini saja sudah cukup menimbulkan risiko.

Perhatian: Gagasan bahwa "toh tidak seorang pun akan melihatnya" bukanlah pembelaan hukum. Begitu data memasuki sistem yang tidak terkendali, data tersebut berada di luar kendali Anda. Pelanggaran privasi berbahaya bukan karena kemungkinan terjadinya, namun karena pelanggaran tersebut tidak dapat diubah jika terjadi.

Sebelum memberikan data ke AI: langkah-langkah perlindungan

1. Klasifikasi. Apakah data yang Anda miliki bersifat pribadi, rahasia keuangan, atau publik? Tentukan tingkat perlindungan yang sesuai.
2. Pertanyaan kebutuhan. Apakah data ini benar-benar perlu diberikan kepada model, atau dapatkah tugas tersebut dilakukan dengan data anonim/ringkasan?
3. Anonimkan/topeng. Namanya K1, K2; perusahaan Ş1, Ş2; Ganti TR ID dan nomor rekening dengan masker. Generalisasi detail unik yang memberikan diagnosis tidak langsung.
4. Pilihlah kendaraan yang aman. Jika memungkinkan, gunakan alat yang disetujui perusahaan/yang menjamin retensi data.
5. Pertahankan jejaknya. Catat data apa yang Anda berikan pada alat apa dan dengan perlindungan apa.

Tipe data

contoh

pendekatan konservasi

data identitas

Nama, ID TR

Menyamarkan/menganonimkan; jangan pernah memberi mentah

rahasia keuangan

Omset, keuntungan, bank

Ringkas/anonimkan; kendaraan perusahaan

data hubungan

mitra, pemasok

Generalisasi; hapus detail unik

publik

neraca yang diumumkan

dapat diproses secara normal

Bagaimana anonimisasi dilakukan dalam praktiknya?

Anonimisasi membuat identitas tidak dapat dibedakan sekaligus menjaga data tetap berguna. Misalnya, Anda akan menganalisis penggajian: Anda memasukkan nomor urut alih-alih nama dan ID TR, analisis distribusi gaji tidak akan terganggu, tetapi tidak ada yang dapat diidentifikasi. Poin kritisnya adalah diagnosis tidak langsung: ungkapan seperti "satu-satunya manajer umum wanita" atau "satu-satunya yang berusia 92 tahun di perusahaan yang terdiri dari 35 orang" akan menunjukkan orang tersebut meskipun Anda menghapus namanya; Ini juga digeneralisasikan.

tiga kasus mini

Kasus 1 — Kebocoran gaji. Seorang pekerja magang mengunggah gaji 3.500 orang (nama, KTP, gaji) ke alat web gratis dan mengatakan "ringkas". Data berisiko tercampur ke dalam penyimpanan kendaraan; Pelanggaran kerahasiaan KVKK dan VUK terjadi. Jika pelanggan mengetahuinya, semuanya berakhir. Cara yang benar adalah dengan menggunakan kendaraan yang disetujui perusahaan atau hanya memberikan pembagian gaji dengan menutupi nama/TR ID.

Kasus 2 — Diagnosis tidak langsung. Seorang konsultan memberikan model tersebut daftar di mana dia menghapus nama-nama tersebut, tetapi meninggalkan kalimat "satu-satunya manajer perusahaan yang berkewarganegaraan asing". Pernyataan ini membuat orang tersebut menjauh; Anonimisasi tidak ada. Pelajaran: detail unik yang memberikan diagnosis tidak langsung juga harus digeneralisasi.

Kasus 3 — Penanganan yang baik. Sebelum memasukkan data sensitif ke model, kantor melewati langkah anonimisasi standar: menggunakan templat, kantor mengubah nama, ID, dan nama merek menjadi kode, lalu menganalisisnya. Kualitas analisisnya tidak menurun, identitasnya tidak bocor. Privasi dan efisiensi dilindungi bersama-sama.

Perintah lemah / Perintah kuat

Perintah yang lemah:

Ringkaslah daftar gaji berikut: [Ahmet Yılmaz, TC 123..., gaji 45.000; ...]

Data pribadi mentah masuk ke dalam kendaraan tanpa terkendali; Ini merupakan pelanggaran langsung.

Perintah yang kuat:

Saya akan memberi Anda kumpulan data. SEBELUM memproses, terapkan anonimisasi berikut dan tunjukkan juga versi anonimnya:- Buatlah nama orang tersebut K1, K2... - Hapus ID TR dan nomor rekening dengan lengkap.- Buatlah nama perusahaan/merek T1, K2.... Generalisasikan detail unik yang secara tidak langsung dapat mengidentifikasi orang tersebut. Kemudian bekerja hanya pada versi anonim.[DATA (ditutupi sebanyak mungkin): ...]

Catatan: Yang paling aman adalah tidak memasukkan data pribadi mentah sama sekali; Jika masuk, harus menggunakan masker dan berada dalam kendaraan yang aman.

Untuk bantuan klasifikasi data:

Klasifikasikan masing-masing bidang berikut: apakah data pribadi, rahasia keuangan, atau publik? Tuliskan tingkat perlindungan yang direkomendasikan untuk masing-masing bidang. Bidang: [nama bidang, contoh RETURN]

Untuk membuat templat anonimisasi:

Menghasilkan daftar periksa anonimisasi standar yang akan saya gunakan dalam analisis penggajian/neraca percobaan: bidang mana yang harus ditutup, bidang mana yang harus dihilangkan, apa yang harus saya cari untuk diagnosis tidak langsung?

Untuk penilaian keselamatan kendaraan:

Pertanyaan apa yang harus saya ajukan saat mengevaluasi apakah alat AI cocok untuk data sensitif wajib pajak (retensi data, penggunaan dalam pendidikan, kontrak perusahaan, lokasi)? Buat daftar periksa.

Kesalahan umum

• Memasukkan data pribadi mentah. Jangan sekali-kali memasuki kendaraan tanpa verifikasi Nama/TR ID.
• Melewatkan diagnosis tidak langsung. Detail uniknya memberikan identitas meskipun namanya dihapus.
• Bukan menanyakan keselamatan kendaraan. Data sensitif tidak diberikan tanpa mengetahui bagaimana alat menyimpan data tersebut.
• Tidak mempertanyakan perlunya. Jika tugas dapat diselesaikan dengan data anonim/ringkasan, data mentah tidak diberikan sama sekali.
• Tidak melacak. Jika tidak dicatat data mana yang diberikan, pelanggarannya tidak bisa dilacak.

Singkatnya

Data pembayar pajak dilindungi dalam dua lapisan oleh kewajiban kerahasiaan KVKK dan VUK, dan risiko baru terbesar di era kecerdasan buatan adalah menempelnya data sensitif ke alat yang tidak terkontrol. Sebelum data dimasukkan ke dalam model, data tersebut diklasifikasikan, kebutuhannya dipertanyakan, pengidentifikasi seperti nama/ID TR ditutup dan rincian yang memberikan diagnosis tidak langsung digeneralisasikan; Jika memungkinkan, hanya alat perusahaan yang aman dan terjamin retensi datanya yang digunakan. Pelanggaran privasi merupakan kerugian yang tidak dapat diubah; Data yang paling aman adalah data yang tidak pernah dimasukkan.

Tugas aplikasi

Ambil file sensitif yang umum (misalnya penggajian atau neraca saldo) di tangan Anda. Klasifikasikan dulu bidangnya (rahasia pribadi/keuangan/publik). Kemudian terapkan templat anonimisasi: buat daftar area mana yang akan Anda sembunyikan, area mana yang akan Anda hapus, dan apa yang akan Anda cari untuk identifikasi tidak langsung. Terakhir, evaluasi kesesuaian keamanan alat kecerdasan buatan yang Anda gunakan/akan gunakan dengan daftar periksa.

daftar periksa

• [ ] Saya telah mengklasifikasikan data tersebut sebagai rahasia pribadi/keuangan/publik.
• [ ] Saya mempertanyakan apakah data mentah benar-benar diperlukan.
• [ ] Saya menutupi/menghapus nama, ID TR dan nomor rekening.
• [ ] Saya telah menggeneralisasi detail unik yang memberikan diagnosis tidak langsung.
• [ ] Saya hanya menggunakan alat aman/perusahaan dengan jaminan retensi data.
• [ ] Saya mengevaluasi kebijakan data (penyimpanan, pelatihan) alat tersebut.
• [ ] Saya mencatat data mana yang saya berikan sebagai jejak.