Добивки:
- Способност за класификација на даночниот обврзник и финансиските податоци во рамките на обврската за доверливост на KVKK и Законот за даночна постапка и одредување на степенот на заштита
- Способност за примена на чекори за анонимизација, маскирање и избор на безбедна/институционална алатка пред да се дадат податоци на вештачката интелигенција
- Способност да стекнете навика за избегнување возење без надзор преку познавање на правните, кривичните и професионалните последици од прекршувањето на приватноста.
Професионалецот ги гледа најинтимните информации на даночниот обврзник: прометот, добивката, движењето на банките, платите на вработените, TR ID броевите, договорите, партнерските структури. Овие информации се заштитени со два посебни правни слоја: KVKK (Закон за заштита на лични податоци, закон за забрана на неовластена обработка на лични информации) и обврска за доверливост од Законот за даночна постапка (обврска на професионалецот да ги чува доверливи информациите што ги дознава поради својата должност). Во ерата на вештачката интелигенција, оваа заштита се соочува со нова закана: лепење чувствителни податоци во неконтролирана алатка. Принципот на оваа единица е единствен: податоците се заштитени пред да влезат во вештачката интелигенција; Во возилото без надзор не влегуваат чувствителни податоци.
Двослојна заштита и зошто треба да се сфати сериозно
- КВКК слој: Сите информации (име, TR ID, плата, контакт) кои припаѓаат на вистински лица се лични податоци. Неовластената обработка, пренос и несоодветна заштита ќе резултира со административни казни и надомест.
- Слој на доверливост на VUK: Професионалецот не може да ги сподели финансиските тајни на даночниот обврзник со трети лица. Прекршувањето носи и кривични и професионални (дисциплински) последици.
Пробното салдо или платен список залепени во јавно достапна алатка за вештачка интелигенција може да се сметаат за „префрлени на трето лице“. Често е нејасно како алатката ги складира податоците и дали се користи во обуката. Оваа неизвесност сама по себе е доволен ризик.
Внимание: Идејата дека „и така никој нема да го види“ не е правна одбрана. Штом податоците ќе влезат во неконтролиран систем, тие се надвор од ваша контрола. Нарушувањето на приватноста е опасно не поради можноста да се случи, туку затоа што е неповратно штом ќе се случи.
Пред да дадете податоци на вештачката интелигенција: чекори за заштита
- Класифицирај. Дали податоците што ги поседувате се лични, финансиски тајни или јавни? Соодветно одредете го нивото на заштита.
- Прашање неопходност. Дали е навистина потребно овие податоци да му се дадат на моделот или задачата може да се направи со анонимни/резиме податоци?
- Анонимизирај/маскирај. Нивните имиња се К1, К2; компании Ш1, Ш2; Заменете ги TR ID и броевите на сметката со маска. Генерализирајте уникатни детали кои обезбедуваат индиректна дијагноза.
- Изберете безбедно возило. Доколку е можно, користете корпоративна/одобрена алатка која гарантира задржување на податоците.
- Чувајте ја патеката. Запишете кои податоци на која алатка сте ги дале и со каква заштита.
Тип на податоци
пример
пристап на конзервација
податоци за идентитетот
Име, TR ID
Маскирај/анонимизирај; никогаш не давајте сирови
финансиска тајна
Промет, добивка, банка
Сумирај/анонимизирај; претпријатието возило
податоци за врската
партнер, добавувач
Генерализирај; отстрани уникатните детали
јавен
деклариран биланс на состојба
може да се обработи нормално
Како се прави анонимизација во пракса?
Анонимизацијата прави идентитетот да не се разликува, додека податоците се чуваат корисни. На пример, ќе имате анализиран платен список: ставате секвенционен број наместо име и TR ID, анализата на распределбата на платата нема да биде нарушена, но никој не може да се идентификува. Критична точка е индиректната дијагноза: изразите како „единствената жена генерален директор“ или „единствениот 92-годишник во друштво од 35 луѓе“ го даваат лицето дури и ако го избришете името; Овие се исто така генерализирани.
три мини футроли
Случај 1 - Протекување на плати. Практикантот поставува платен список од 3.500 луѓе (име, лична карта, плата) на бесплатна веб-алатка и вели „сумирај“. Податоците ризикуваат да бидат измешани во складиштето на возилото; Се случуваат и прекршувања на доверливоста на КВКК и ВУК. Ако клиентот дознае, готово е. Вистинскиот начин беше да користите возило одобрено од корпорации или да ја дадете распределбата на платата само со маскирање на вашето име/ТР ID.
Случај 2 - Индиректна дијагноза. Консултант му дава на моделот листа во која тој ги брише имињата, но ја остава фразата „единствениот странски национален менаџер на компанијата“. Оваа изјава му дава на лицето; Недостасува анонимизација. Поука: треба да се генерализираат и уникатните детали кои обезбедуваат индиректна дијагноза.
Случај 3 - Добро ракување. Пред да внесе чувствителни податоци на моделот, канцеларијата поминува низ стандарден чекор на анонимизација: користејќи шаблон, ги конвертира имињата, идентификациите и имињата на брендовите во кодови, а потоа го анализира. Не се намалува квалитетот на анализата, не протекува идентитет. Приватноста и ефикасноста се заштитени заедно.
Слаб промпт / Силен промпт
Слаба навестување:
Сумирајте го следниот платен список: [Ahmet Yılmaz, TC 123..., плата 45.000; ...]
Неконтролирано влегуваат необработени лични податоци во возилото; Тоа е директно прекршување.
Моќен потсетник:
Ќе ти дадам збир на податоци. ПРЕД обработката, примени ја следнава анонимизација и покажи ми ја и анонимизираната верзија:- Направете ги имињата на лицата K1, K2... - Отстранете ги целосно TR ID и броевите на сметката.- Направете ги имињата на компанијата/марките T1, K2.... Генерализирајте ги уникатните детали што индиректно би можеле да го идентификуваат лицето. Потоа работете само на анонимната верзија.[Податоци (маскирани колку што е можно): ...]
Забелешка: Најбезбедно е воопшто да не внесувате необработени лични податоци; Доколку влезете, мора да бидете маскирани и во безбедно возило.
За помош за класификација на податоците:
Класифицирајте го секое од следниве полиња: дали се тоа лични податоци, дали е финансиска тајна, дали е јавно? Напишете го препорачаното ниво на заштита за секое. Полиња: [име на полиња, примерок RETURN]
За да генерирате шаблон за анонимизација:
Направете стандардна листа за проверка на анонимизација што би ја користел во анализа на платен список/пробна состојба: кои полиња треба да се маскираат, кои треба да се испуштат, што треба да барам за индиректна дијагноза?
За проценка на безбедноста на возилото:
Кои прашања треба да ги поставам кога проценувам дали алатката за вештачка интелигенција е погодна за чувствителни податоци на даночните обврзници (задржување податоци, употреба во образованието, корпоративен договор, локација)? Направете листа за проверка.
Вообичаени грешки
- Внесување необработени лични податоци. Никогаш не влегувајте во возилото без потврда за Име/TR ID.
- Прескокнување на индиректна дијагноза. Уникатниот детал го дава идентитетот дури и ако името е избришано.
- Не прашувам за безбедноста на возилото. Чувствителните податоци не се даваат без да се знае како алатката ги складира податоците.
- Не преиспитувајќи ја неопходноста. Ако задачата може да се изврши со анонимни/збирни податоци, суровите податоци воопшто не се даваат.
- Не водење евиденција. Доколку не се евидентира кои податоци каде се дадени, не може да се следи прекршувањето.
Сумирано
Податоците на даночните обврзници се заштитени во два слоја и со обврските за доверливост на KVKK и VUK, а најголемиот нов ризик во ерата на вештачката интелигенција е лепењето чувствителни податоци на неконтролирана алатка. Пред да се внесат податоците во моделот, тие се класифицираат, неговата неопходност се доведува во прашање, идентификаторите како име/TR ID се маскирани и деталите кои обезбедуваат индиректна дијагноза се генерализираат; Ако е можно, се користи само безбедна корпоративна алатка загарантирана со задржување на податоци. Нарушувањето на приватноста е неповратна штета; Најбезбедни податоци се податоците што никогаш не се внесуваат.
Задача за апликација
Земете типична чувствителна датотека (на пр. платен список или пробно салдо) во рака. Прво класифицирајте ги нивните области (лична/финансиска тајна/јавна). Потоа нанесете шаблон за анонимизација: наведете кои области ќе ги маскирате, кои ќе ги отстраните и што ќе барате за индиректна идентификација. Конечно, проценете ја безбедносната соодветност на алатката за вештачка интелигенција што ја користите/ќе ја користите со список за проверка.
листа за проверка
- [ ] Ги класифицирав податоците како лична/финансиска тајна/јавна.
- [ ] Се прашував дали навистина е потребно да се обезбедат необработени податоци.
- [ ] Ги маскирав/отстранав името, TR ID и броевите на сметката.
- [ ] Имам генерализирани уникатни детали кои обезбедуваат индиректна дијагноза.
- [ ] Јас користев само безбедни/претпријатиски алатки со гаранции за задржување податоци.
- [ ] Ја оценив политиката за податоци (складирање, обука) на алатката.
- [ ] Снимив кои податоци каде ги дадов како трага.