Trasparenza, Open Data e accesso alle informazioni

Guadagni:

• Prepara le risposte alle richieste di informazioni in conformità con la legislazione, spiegando né più né meno.
• Anonimizza i dati aperti prima della pubblicazione e li scansiona a livello di combinazioni che rischiano la reidentificazione.
• Sa che la trasparenza è uno strumento di governance che aumenta la fiducia del pubblico e distingue ciò che dovrebbe essere mantenuto riservato.

La pietra angolare di una pubblica amministrazione democratica è la trasparenza: la capacità dei cittadini di sapere come e su quali basi vengono prese le decisioni che li riguardano. Questo principio prende vita in due meccanismi concreti. Il primo è il diritto all'informazione (Legge sul diritto all'informazione n. 4982; i cittadini possono richiedere informazioni e documenti alle istituzioni pubbliche, salvo eccezioni). Il secondo sono gli open data (le istituzioni pubbliche pubblicano la parte non personale e non confidenziale dei dati che producono in modo che tutti possano accedervi e utilizzarli). In questo caso, l’intelligenza artificiale è un potente aiuto nella classificazione delle richieste di informazioni in arrivo, nella produzione di bozze di risposta, nella pre-valutazione di quali informazioni possono essere fornite e quali sono esenti e nella preparazione di set di dati aperti per la pubblicazione. Ma il duplice avvertimento di questa unità è importante: la trasparenza non dovrebbe essere né più né meno: al cittadino dovrebbero essere fornite le informazioni a cui ha diritto, ma i dati personali e le reali eccezioni dovrebbero essere protetti; Questo equilibrio lo stabilisce il funzionario pubblico responsabile, non l’AI.

I due fini sbagliati dell’acquisizione della conoscenza

Nelle richieste di informazioni gli errori possono essere commessi in due direzioni:

• Mancanza di trasparenza: rifiutare inutilmente le informazioni fornite come "riservate/eccezionali". Ciò viola il diritto e crea sfiducia nelle istituzioni, e spesso finisce nella magistratura.
• Eccessiva divulgazione: rivelazione accidentale di dati personali di terzi, di un segreto commerciale o di un'eccezione reale (sicurezza, ecc.) durante l'invio di un documento. Ciò viola KVKK e provoca danni.

L’intelligenza artificiale può aiutare su entrambi i fronti: può scansionare un documento, contrassegnare i dati personali al suo interno e suggerire la redazione (oscurando/rimuovendo parti riservate/personali del documento); Potrebbe elencare la categoria di eccezione in base alla quale valuterai la richiesta. Ma la decisione finale – se fornire queste informazioni e quale parte oscurare – spetta a una persona giuridicamente responsabile.

Attenzione: l'affermazione di AI secondo cui "queste informazioni rientrano nell'ambito dell'eccezione" o "possono essere fornite" non costituisce un parere legale. La valutazione delle eccezioni viene effettuata e giustificata in conformità con gli articoli pertinenti della Legge sull'accesso alle informazioni; L'intelligenza artificiale produce solo prequalifiche e bozze.

Pubblicare dati aperti in sicurezza

Gli open data aumentano l’efficienza e la responsabilità pubblica; imprenditori, giornalisti, ricercatori creano valore da questi dati. Ma prima di pubblicare un set di dati, è necessario verificarlo rispetto al rischio di reidentificazione (i dati ritenuti anonimi vengono ricollegati alle persone combinandoli con altri dati). Ad esempio, la combinazione "età + quartiere + professione rara" può indicare una sola persona. Quando si prepara un set di dati per la pubblicazione, l'intelligenza artificiale è utile per segnalare combinazioni di colonne rischiose e scrivere un dizionario dei dati (una descrizione del significato di ciascuna colonna).

Suggerimento: prima di pubblicare i dati aperti, chiedi: "Posso trovare una singola persona combinando due-tre colonne in questo insieme?" Se la risposta è "forse", aggrega (gruppo anziché individuo), combina categorie rare o rimuovi l'area sensibile.

Flusso di informazioni passo dopo passo

1. Comprendere e classificare la domanda. Cosa viene richiesto, di quale unità si tratta, qual è la durata?
2. L’informazione esiste o è necessario produrla? La legge copre le conoscenze esistenti; l'istituzione potrebbe non dover produrre nuove analisi (confermato).
3. Valutazione delle eccezioni. Esistono eccezioni quali dati personali, sicurezza, segreti commerciali, opinioni interne?
4. Redazione. Rimuovere le parti del documento esportabile che devono essere conservate.
5. Risposta motivata. La parte data/non data e la sua base; Metodo di opposizione in caso di rifiuto.
6. Registro e traccia di controllo. La richiesta, la decisione e la motivazione vengono registrate.

tre mini custodie

Caso 1: errore di modifica evitato. Un'agenzia sottoporrebbe un bando di gara a una richiesta di libertà di informazione. L'intelligenza artificiale ha scansionato il documento e ha segnato i numeri di telefono e i numeri ID TR di tre persone. Se fosse stato inviato senza correzione di bozze, sarebbe stata una violazione del KVKK; i dati personali sono stati anneriti, il documento è stato consegnato sano e salvo.

Caso 2 – Rifiuto ingiusto corretto. Un’unità normalmente rifiuta una richiesta di dati sull’attività come “interna”. Quando è stato chiesto ad AI quali fossero le categorie di eccezione, si è visto che questi dati erano in realtà già pubblicabili come dati aperti. La richiesta è stata soddisfatta, una possibile opposizione ed è stata evitata una causa.

Caso 3 – Rischio di reidentificazione. Un comune pubblicherebbe il suo set di dati sulle “richieste di servizi” come dati aperti. Il set includeva la suddivisione del quartiere + indirizzo completo del distretto. L’intelligenza artificiale ha avvertito che il campo dell’indirizzo potrebbe puntare a singole cifre; L'indirizzo è stato aggregato al livello stradale e l'insieme è stato pubblicato in modo sicuro.

Quattro modelli copiabili

1) Classificazione della richiesta di informazioni:

Il tuo ruolo: specialista nell'acquisizione di informazioni. Elaborare la seguente richiesta: (1) cosa è richiesto esattamente, (2) quale unità riguarda, (3) se richiede informazioni esistenti o nuova produzione, (4) possibili categorie di eccezioni (dati personali, sicurezza, segreto commerciale, ecc.). Precisare che ogni eccezione "deve essere motivata dal relativo articolo". Processo decisionale, valutazione preliminare. RICHIESTA: [testo]

2) Redazione (marcatura dei dati personali/confidenziali):

Nel documento sottostante contrassegnare tutte le parti che devono essere MASCHERATE in una risposta informativa: nome-cognome, numero ID TR, indirizzo, telefono, informazioni sanitarie/penali, dati di terzi, segreto commerciale. Scrivi una breve giustificazione per ogni segno. Lascia la parte esportabile del documento così com'è. DOCUMENTO: [testo]

3) Progetto di risposta motivata:

Redigere una risposta motivata alla seguente richiesta: (1) quali informazioni sono state fornite, (2) quale parte non è stata fornita e perché (clausola di eccezione [da confermare]), (3) modalità e durata del ricorso [da confermare]. Il linguaggio dovrebbe essere formale e rispettoso. La giustificazione per la parte non fornita dovrebbe essere concreta e non generale. RICHIESTA: [riassunto] DECISIONE: [cosa è stato/non è stato dato]

4) Controllo della riautenticazione dei dati aperti:

Esaminare le colonne del set di dati di seguito. Elencare quali combinazioni di colonne possono indicare una singola persona (rischio di reidentificazione). Suggerire alcune misure di mitigazione per ciascun rischio: aggregazione, aggregazione di categorie rare, estrazione dal campo. Basta usare l'elenco di colonne fornito. COLONNE: [elenco]

Prompt debole / Prompt forte

Debole: “Rispondi a questa richiesta di informazioni”.

Güçlü: "Il tuo ruolo è quello di esperto di unità informative. Innanzitutto classifica la richiesta: cosa viene richiesto, quale unità, è disponibile, quali sono le possibili eccezioni. Contrassegna ogni eccezione come 'da giustificare in base all'articolo pertinente', non prendere tu stesso una decisione legale. Quindi, contrassegna le parti personali/confidenziali che devono essere mascherate nel documento da presentare con un suggerimento di redazione. Infine, produci una bozza di risposta motivata comprendente la parte data/non fornita e il modo di opporsi; fai la giustificazione concreto."

Differenza: una forte tempestività bilancia trasparenza e protezione, collega l'eccezione alla giustificazione, aggiunge il percorso di redazione e ricorso.

Approccio per tipologia di informazione

Tipo di informazioni

Predefinito

Attenzione

Statistiche, dati aggregati

aperto

Controllo di reidentificazione

Motivo dell'azione amministrativa

può essere dato

Redigere dati di terze parti

Dati personali di terzi

protetto

KVKK; ma con permesso/eccezione

Eccezione di sicurezza/privacy

protetto

È una vera eccezione, conferma

Opinione/negoziazione interna

Dipende

Valutare secondo l'articolo pertinente

Anonimizzazione e rischio di reidentificazione

Il passaggio più tecnico ma critico nella pubblicazione dei dati aperti è l'anonimizzazione (rendere una persona non identificabile direttamente o indirettamente da un dato). Nome e T.R. Cancellare il numero identificativo spesso non è sufficiente; perché la combinazione di più aree ordinarie rende una persona reidentificabile. Questa operazione si chiama reidentificazione (trovare la persona incrociando dati ritenuti anonimi con altre informazioni). Ad esempio, se in un quartiere c'è un solo vedovo di 92 anni, il trio "quartiere + età + stato civile" lo rivelerà. L’intelligenza artificiale può aiutare a individuare quali combinazioni di campi in un set di dati sono a rischio di divulgazione e suggerire raggruppamenti più sicuri (convertendo l’età in intervallo, combinando categorie rare); Ma la decisione di pubblicare e la verifica finale spettano all'istituzione.

Mini case: apertura con tre aree. Un comune ha pubblicato i dati sull'assistenza sociale "in forma anonima": nessun nome, ma quartiere, anno di nascita e tipo di disabilità. Un giornalista ha notato un raro tipo di disabilità in una sola persona in un solo quartiere e ha identificato la persona. Dati ritirati; È stato ripubblicato convertendo l'anno di nascita in un intervallo di 10 anni e raggruppando le categorie rare sotto "altro".

Modello che verifica il rischio di reidentificazione:

Compito: Esaminare le colonne del seguente set di dati; Non pubblico dati personali, desidero solo lo screening dei rischi.Colonne: [nomi colonne]Risultato: 1) Identificatori diretti (devono essere cancellati). 2) Combinazioni di identificatori indiretti (rischio di reidentificazione). 3) Raggruppamento/mascheramento consigliato per ciascuna combinazione rischiosa. 4) Domande di controllo finale prima della pubblicazione.Regola: non ho incollato nessun reale valore personale; basta considerare la struttura delle colonne.

Attenzione: "Ho cancellato il nome, ora anonimo" è l'equivoco più comune e pericoloso. L'anonimato è determinato non dal campo in sé, ma dalla combinazione dei campi e dalla probabilità di corrispondenza con dati esterni. In caso di dubbio, non pubblicare; L’anonimato è una decisione irrevocabile.

Errori comuni

• Rifiutare abitualmente. Considerare “confidenziali” le informazioni che possono essere fornite non necessarie costituisce violazione di diritti e motivo di querela.
• Invio di documenti non oscurati. La rivelazione di dati di terzi costituisce una violazione del KVKK.
• Usare l'eccezione senza giustificazione. Il rifiuto deve essere fatto con sostanza concreta e giustificazione concreta; Dire "interno" non è sufficiente.
• Affidarsi al giudizio legale dell'AI. La decisione di fare un'eccezione è umana; L'intelligenza artificiale si prequalifica.
• Bypassare la reidentificazione negli open data. Le combinazioni di colonne possono trovare persone; aggregato.
• Non specificando i mezzi di opposizione. Nei rifiuti deve essere scritta la modalità di domanda e la durata (confermata).

In sintesi

La trasparenza è il fondamento della fiducia pubblica; L’intelligenza artificiale è un potente aiuto per classificare le richieste FOI, consigliare la correzione di bozze, redigere risposte e preparare i dati aperti per la pubblicazione. Ma l’equilibrio è fondamentale: bisogna dare ai cittadini le informazioni a cui hanno diritto, fare eccezioni reali e proteggere i dati personali. La decisione di fare un'eccezione deve essere ragionata e umana; I dati aperti dovrebbero essere controllati per il rischio di reidentificazione prima della pubblicazione.

Compito dell'applicazione

Ricevere una reale richiesta di libertà (mascherata) di informazione. Prevalutare con il modello "Richiesta classificazione", applicare il modello "Oscar" ad un documento allegato e contrassegnare le aree da mascherare. Applica il modello "Verifica di reidentificazione dei dati aperti" alle colonne di un set di dati aperti e trova almeno una combinazione rischiosa.

lista di controllo

• [ ] Ho classificato la richiesta; Non ho rifiutato le informazioni che potevano essere fornite inutilmente.
• [ ] Ho valutato le eccezioni con sostanza concreta e giustificazione (decisione umana).
• [ ] Ho oscurato i dati personali/riservati presenti nel documento da inviare.
• [ ] In caso di rigetto ho indicato modalità e durata dell'opposizione (confermato).
• [ ] Ho verificato il rischio di reidentificazione negli open data.
• [ ] Ho registrato la richiesta, la decisione e la motivazione dell'audit.