Pelnas:
- Gebėjimas klasifikuoti mokesčių mokėtojo ir finansinius duomenis pagal KVKK ir Mokesčių procedūrų įstatymo konfidencialumo prievolę bei nustatyti apsaugos lygį
- Galimybė taikyti anonimiškumo, maskavimo ir saugaus/institucinio įrankio pasirinkimo veiksmus prieš perduodant duomenis dirbtiniam intelektui
- Gebėjimas įgyti įprotį vengti vairavimo be priežiūros, žinant teisines, baudžiamąsias ir profesines privatumo pažeidimų pasekmes.
Profesionalas mato intymiausią mokesčių mokėtojo informaciją: apyvartą, pelną, banko judėjimus, darbuotojų atlyginimus, TR ID numerius, sutartis, partnerystės struktūras. Šią informaciją saugo du atskiri teisiniai lygmenys: KVKK (Asmens duomenų apsaugos įstatymas, įstatymas, draudžiantis tvarkyti asmeninę informaciją be leidimo) ir Mokesčių proceso įstatymo nustatyta konfidencialumo pareiga (profesionalo pareiga saugoti konfidencialią informaciją, kurią sužino dėl savo pareigos). Dirbtinio intelekto amžiuje ši apsauga susiduria su nauja grėsme: neskelbtinų duomenų klijavimas nekontroliuojamame įrankyje. Šio vieneto principas yra vienas: duomenys yra apsaugoti prieš patenkant į AI; Jokie jautrūs duomenys nepatenka į neprižiūrimą transporto priemonę.
Dviejų sluoksnių apsauga ir kodėl į ją reikia žiūrėti rimtai
- KVKK sluoksnis: Visa informacija (vardas, pavardė, TR ID, atlyginimas, kontaktas), priklausanti realiems asmenims, yra asmens duomenys. Už neteisėtą tvarkymą, perdavimą ir netinkamą apsaugą grės administracinės baudos ir kompensacijos.
- VUK konfidencialumo sluoksnis: profesionalas negali dalytis mokesčių mokėtojo finansinėmis paslaptimis su trečiosiomis šalimis. Pažeidimas sukelia ir baudžiamąsias, ir profesines (drausmines) pasekmes.
Bandomasis balansas arba darbo užmokestis, įklijuotas į viešai prieinamą AI įrankį, gali būti laikomas „perduotu trečiajai šaliai“. Dažnai neaišku, kaip įrankis saugo duomenis ir ar jis naudojamas treniruotėse. Jau vien šio netikrumo pakanka.
Dėmesio: mintis, kad „vis tiek niekas to nepamatys“, nėra teisinė gynyba. Kai duomenys patenka į nekontroliuojamą sistemą, jų nebegalite valdyti. Privatumo pažeidimas yra pavojingas ne dėl to, kad jis gali įvykti, o dėl to, kad jis yra negrįžtamas.
Prieš pateikiant duomenis AI: apsaugos veiksmai
- Klasifikuoti. Ar jūsų turimi duomenys yra asmeniniai, finansiniai slapti ar vieši? Atitinkamai nustatykite apsaugos lygį.
- Klausimo būtinumas. Ar tikrai reikia pateikti šiuos duomenis modeliui, ar galima užduotį atlikti naudojant anoniminius/suvestinius duomenis?
- Anonimizuoti/užmaskuoti. Jų vardai yra K1, K2; įmonės Ş1, Ş2; Pakeiskite TR ID ir sąskaitų numerius kauke. Apibendrinkite unikalias detales, kurios suteikia netiesioginę diagnozę.
- Pasirinkite saugią transporto priemonę. Jei įmanoma, naudokite įmonės / patvirtintą įrankį, kuris garantuoja duomenų išsaugojimą.
- Laikykitės tako. Įrašykite, kokius duomenis kokiam įrankiui suteikėte ir kokia apsauga.
Duomenų tipas
pavyzdys
išsaugojimo metodas
tapatybės duomenis
Pavadinimas, TR ID
Užmaskuoti/anonimizuoti; niekada neduokite žalio
finansinė paslaptis
Apyvarta, pelnas, bankas
Apibendrinti/anonimizuoti; įmonės transporto priemonė
santykių duomenis
partneris, tiekėjas
Apibendrinti; pašalinti unikalias detales
viešas
deklaruotas balansas
gali būti apdorotas įprastai
Kaip anonimiškumas vyksta praktiškai?
Dėl anonimiškumo tapatybė tampa neatskiriama, o duomenys išlieka naudingi. Pavyzdžiui, jums bus išanalizuotas darbo užmokesčio fondas: vietoje vardo ir TR ID įdėsite eilės numerį, darbo užmokesčio paskirstymo analizė nesutrikdys, bet niekam nepavyks nustatyti. Kritinis taškas yra netiesioginė diagnozė: tokie posakiai kaip „vienintelė moteris generalinė direktorė“ arba „vienintelė 92-eji 35 žmonių kompanijoje“ žmogų atiduoda net ir išbraukus vardą; Tai taip pat yra apibendrinta.
trys mini dėklai
1 atvejis – darbo užmokesčio nutekėjimas. Stažuotojas į nemokamą žiniatinklio įrankį įkelia 3500 žmonių darbo užmokesčio sąrašą (vardas, pavardė, asmens tapatybės kortelė, atlyginimas) ir sako „suvesti“. Kyla pavojus, kad duomenys bus sumaišyti į transporto priemonės saugyklą; Pasitaiko ir KVKK, ir VUK konfidencialumo pažeidimų. Jei klientas sužino, viskas. Tinkamas būdas buvo naudoti įmonės patvirtintą transporto priemonę arba paskirstyti atlyginimą tik užmaskuojant savo vardą / TR ID.
2 atvejis – netiesioginė diagnostika. Konsultantas modeliui pateikia sąrašą, kuriame jis ištrina vardus, bet palieka frazę „Vienintelis įmonės užsienio valstybės vadovas“. Šis teiginys išduoda žmogų; Trūksta anonimiškumo. Pamoka: taip pat reikėtų apibendrinti unikalias detales, kurios suteikia netiesioginę diagnozę.
3 atvejis – geras valdymas. Prieš pateikdamas neskelbtinus duomenis į modelį, biuras atlieka standartinį anonimizacijos veiksmą: naudodamas šabloną pavadinimus, ID ir prekių pavadinimus konvertuoja į kodus, tada analizuoja. Analizės kokybė nesumažėja, tapatybė nenutekinama. Privatumas ir efektyvumas saugomi kartu.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Apibendrinkite šį darbo užmokesčio sąrašą: [Ahmet Yılmaz, TC 123..., atlyginimas 45 000; ...]
Neapdoroti asmens duomenys į transporto priemonę patenka nekontroliuojami; Tai tiesioginis pažeidimas.
Galingas raginimas:
Pateiksiu duomenų rinkinį. PRIEŠ apdorojant, taikykite šį anonimiškumą ir parodykite man anoniminę versiją:- Padarykite asmenų vardus K1, K2... - Visiškai pašalinkite TR ID ir sąskaitų numerius.- Padarykite įmonių/prekių ženklų pavadinimus T1, K2.... Apibendrinkite unikalias detales, kurios galėtų netiesiogiai identifikuoti asmenį. Tada dirbkite tik su anonimine versija.[DUOMENYS (kiek įmanoma maskuoti): ...]
Pastaba: Saugiausia iš viso neįvesti neapdorotų asmens duomenų; Jei įeisite, turite būti kaukėtas ir saugioje transporto priemonėje.
Jei reikia pagalbos dėl duomenų klasifikavimo:
Klasifikuokite kiekvieną iš šių laukų: ar tai asmens duomenys, ar tai finansinė paslaptis, ar tai vieša? Kiekvienam parašykite rekomenduojamą apsaugos lygį. Laukai: [laukų pavadinimai, pavyzdys GRĮŽTI]
Norėdami sugeneruoti anonimizacijos šabloną:
Sukurkite standartinį anonimiškumo kontrolinį sąrašą, kurį naudočiau darbo užmokesčio / bandomojo balanso analizei: kuriuos laukus reikėtų užmaskuoti, kuriuos praleisti, ko turėčiau ieškoti netiesioginei diagnostikai?
Norėdami įvertinti transporto priemonės saugumą:
Kokius klausimus turėčiau užduoti vertinant, ar AI įrankis tinka jautriems mokesčių mokėtojų duomenims (duomenų saugojimui, naudojimui švietime, įmonės sutartimi, vieta)? Sukurkite kontrolinį sąrašą.
Dažnos klaidos
- Neapdorotų asmens duomenų įvedimas. Niekada neįsileisk į transporto priemonę nepatvirtinus Vardo/TR ID.
- Netiesioginės diagnostikos praleidimas. Unikali detalė atskleidžia tapatybę, net jei vardas ištrintas.
- Neklausia apie transporto priemonės saugumą. Jautrūs duomenys nepateikiami nežinant, kaip įrankis saugo duomenis.
- Neabejodamas būtinybe. Jei užduotį galima atlikti naudojant anoniminius/suvestinius duomenis, neapdoroti duomenys iš viso nepateikiami.
- Nesekantis. Jei neužfiksuojama, kurie duomenys kur buvo pateikti, pažeidimo atsekti nepavyks.
Apibendrinant
Mokesčių mokėtojų duomenis dviem sluoksniais saugo ir KVKK, ir VUK konfidencialumo įsipareigojimai, o didžiausia nauja rizika dirbtinio intelekto amžiuje – jautrių duomenų klijavimas prie nekontroliuojamo įrankio. Prieš įvedant duomenis į modelį, jis yra įslaptinamas, suabejojama jo reikalingumu, užmaskuojami identifikatoriai, tokie kaip pavadinimas/TR ID, ir apibendrinamos detalės, teikiančios netiesioginę diagnozę; Jei įmanoma, naudojamas tik saugus, duomenų išsaugojimą garantuojantis įmonės įrankis. Privatumo pažeidimas yra negrįžtama žala; Saugiausi duomenys yra duomenys, kurie niekada neįvedami.
Taikymo užduotis
Paimkite įprastą neskelbtiną failą (pvz., darbo užmokesčio ar bandomąjį balansą). Pirmiausia klasifikuokite jų sritis (asmeninė / finansinė paslaptis / viešoji). Tada pritaikykite anonimizacijos šabloną: nurodykite, kurias sritis užmaskuosite, kurias pašalinsite ir ko ieškosite netiesioginiam identifikavimui. Galiausiai įvertinkite dirbtinio intelekto įrankio, kurį naudojate / naudosite, tinkamumą saugai su kontroliniu sąrašu.
kontrolinis sąrašas
- [ ] Priskyriau duomenis prie asmeninės/finansinės paslapties/viešosios.
- [ ] Suabejojau, ar tikrai būtina pateikti neapdorotus duomenis.
- [ ] Užmaskavau / pašalinau vardą, pavardę, TR ID ir sąskaitų numerius.
- [ ] Apibendrinau unikalias detales, kurios suteikia netiesioginę diagnozę.
- [ ] Naudojau tik saugius / įmonės įrankius su duomenų saugojimo garantijomis.
- [ ] Įvertinau įrankio duomenų politiką (saugojimo, mokymo).
- [ ] kokius duomenis kur pateikiau kaip pėdsaką.