സുതാര്യത, ഓപ്പൺ ഡാറ്റ, വിവരങ്ങളിലേക്കുള്ള പ്രവേശനം

നേട്ടങ്ങൾ:

• നിയമനിർമ്മാണത്തിന് അനുസൃതമായി വിവര അഭ്യർത്ഥനകളോടുള്ള പ്രതികരണങ്ങൾ തയ്യാറാക്കുന്നു, കൂടുതലോ കുറവോ അല്ല.
• ഇത് പ്രസിദ്ധീകരിക്കുന്നതിന് മുമ്പ് ഓപ്പൺ ഡാറ്റയെ അജ്ഞാതമാക്കുകയും വീണ്ടും തിരിച്ചറിയാൻ സാധ്യതയുള്ള കോമ്പിനേഷനുകളുടെ തലത്തിൽ സ്കാൻ ചെയ്യുകയും ചെയ്യുന്നു.
• സുതാര്യത എന്നത് പൊതുജനവിശ്വാസം വർദ്ധിപ്പിക്കുകയും രഹസ്യമായി സൂക്ഷിക്കേണ്ട കാര്യങ്ങളെ വേർതിരിച്ചറിയുകയും ചെയ്യുന്ന ഒരു ഭരണ ഉപകരണമാണെന്ന് അറിയാം.

ഒരു ജനാധിപത്യ പൊതുഭരണത്തിൻ്റെ ആണിക്കല്ല് സുതാര്യതയാണ്: പൗരന്മാർക്ക് തങ്ങളെ ബാധിക്കുന്ന തീരുമാനങ്ങൾ എങ്ങനെ, ഏത് അടിസ്ഥാനത്തിലാണ് എടുക്കുന്നതെന്ന് പഠിക്കാനുള്ള കഴിവ്. ഈ തത്വം രണ്ട് മൂർത്തമായ സംവിധാനങ്ങളിൽ ജീവൻ പ്രാപിക്കുന്നു. ആദ്യത്തേത് വിവരാവകാശമാണ് (വിവരാവകാശം നമ്പർ 4982; പൗരന്മാർക്ക് പൊതു സ്ഥാപനങ്ങളിൽ നിന്ന് വിവരങ്ങളും രേഖകളും അഭ്യർത്ഥിക്കാം, ഒഴികെ). രണ്ടാമത്തേത് ഓപ്പൺ ഡാറ്റയാണ് (പൊതു സ്ഥാപനങ്ങൾ അവർ നിർമ്മിക്കുന്ന ഡാറ്റയുടെ വ്യക്തിപരമല്ലാത്തതും രഹസ്യമല്ലാത്തതുമായ ഭാഗം എല്ലാവർക്കും ആക്‌സസ് ചെയ്യാനും ഉപയോഗിക്കാനും കഴിയുന്ന രീതിയിൽ പ്രസിദ്ധീകരിക്കുന്നു). ഇവിടെ, ഇൻകമിംഗ് വിവര അഭ്യർത്ഥനകളെ തരംതിരിക്കുന്നതിനും പ്രതികരണ ഡ്രാഫ്റ്റുകൾ നിർമ്മിക്കുന്നതിനും ഏതൊക്കെ വിവരങ്ങളാണ് നൽകാനാവുക, ഏതൊക്കെ ഒഴിവാക്കലുകൾ എന്നിവ മുൻകൂട്ടി വിലയിരുത്തുന്നതിനും പ്രസിദ്ധീകരണത്തിനായി ഓപ്പൺ ഡാറ്റാ സെറ്റുകൾ തയ്യാറാക്കുന്നതിനും AI ഒരു ശക്തമായ സഹായമാണ്. എന്നാൽ ഈ യൂണിറ്റിൻ്റെ രണ്ട് മടങ്ങ് മുന്നറിയിപ്പ് പ്രധാനമാണ്: സുതാര്യത കൂടുതലാകരുത്, കുറയരുത് - പൗരന് അർഹതയുള്ള വിവരങ്ങൾ നൽകണം, എന്നാൽ വ്യക്തിഗത ഡാറ്റയും യഥാർത്ഥ ഒഴിവാക്കലുകളും സംരക്ഷിക്കപ്പെടണം; ഈ ബാലൻസ് സ്ഥാപിക്കുന്നത് ഉത്തരവാദപ്പെട്ട പബ്ലിക് ഓഫീസറാണ്, AI അല്ല.

അറിവ് നേടുന്നതിൻ്റെ രണ്ട് തെറ്റായ അറ്റങ്ങൾ

വിവരങ്ങൾക്കായുള്ള അഭ്യർത്ഥനകളിൽ, രണ്ട് ദിശകളിൽ പിശകുകൾ വരുത്താം:

• സുതാര്യതയുടെ അഭാവം: നൽകാവുന്ന വിവരങ്ങൾ "രഹസ്യം/അസാധാരണം" എന്ന് അനാവശ്യമായി നിരസിക്കുന്നു. ഇത് രണ്ടും അവകാശം ലംഘിക്കുകയും സ്ഥാപനത്തിൽ അവിശ്വാസം സൃഷ്ടിക്കുകയും പലപ്പോഴും ജുഡീഷ്യറിയിൽ അവസാനിക്കുകയും ചെയ്യുന്നു.
• അമിതമായ വെളിപ്പെടുത്തൽ: ഒരു ഡോക്യുമെൻ്റ് സമർപ്പിക്കുമ്പോൾ ആകസ്മികമായി മൂന്നാം കക്ഷി വ്യക്തിഗത ഡാറ്റ, ഒരു വ്യാപാര രഹസ്യം അല്ലെങ്കിൽ യഥാർത്ഥ അപവാദം (സുരക്ഷ മുതലായവ) വെളിപ്പെടുത്തുന്നു. ഇത് കെവികെകെ ലംഘിക്കുകയും നാശനഷ്ടം ഉണ്ടാക്കുകയും ചെയ്യുന്നു.

AI-ക്ക് രണ്ട് അറ്റത്തും സഹായിക്കാനാകും: ഇതിന് ഒരു പ്രമാണം സ്കാൻ ചെയ്യാനും അതിനുള്ളിൽ വ്യക്തിഗത ഡാറ്റ അടയാളപ്പെടുത്താനും പുനർനിർമ്മാണം നിർദ്ദേശിക്കാനും കഴിയും (ഡോക്യുമെൻ്റിൻ്റെ രഹസ്യ/വ്യക്തിഗത ഭാഗങ്ങൾ മറയ്ക്കൽ/നീക്കംചെയ്യൽ); നിങ്ങൾ അഭ്യർത്ഥന വിലയിരുത്തുന്നതിന് കീഴിലുള്ള ഒഴിവാക്കൽ വിഭാഗം ഇത് പട്ടികപ്പെടുത്തിയേക്കാം. എന്നാൽ അന്തിമ തീരുമാനം - ഈ വിവരങ്ങൾ നൽകിയിട്ടുണ്ടോ, ഏത് ഭാഗമാണ് മറച്ചിരിക്കുന്നത് - നിയമപരമായ ഉത്തരവാദിത്തം വഹിക്കുന്ന ഒരു വ്യക്തിയുടേതാണ്.

ശ്രദ്ധിക്കുക: "ഈ വിവരങ്ങൾ ഒഴിവാക്കലിൻ്റെ പരിധിയിലാണ്" അല്ലെങ്കിൽ "നൽകാൻ കഴിയും" എന്ന AI യുടെ പ്രസ്താവന നിയമപരമായ അഭിപ്രായമല്ല. വിവരങ്ങളിലേക്കുള്ള ആക്സസ് സംബന്ധിച്ച നിയമത്തിലെ പ്രസക്തമായ ലേഖനങ്ങൾക്കനുസൃതമായി ഒഴിവാക്കൽ മൂല്യനിർണ്ണയം നടത്തുകയും ന്യായീകരിക്കുകയും ചെയ്യുന്നു; AI പ്രീ-ക്വാൾസും ഡ്രാഫ്റ്റുകളും മാത്രമേ നിർമ്മിക്കൂ.

തുറന്ന ഡാറ്റ സുരക്ഷിതമായി പ്രസിദ്ധീകരിക്കുന്നു

ഓപ്പൺ ഡാറ്റ പൊതു കാര്യക്ഷമതയും ഉത്തരവാദിത്തവും വർദ്ധിപ്പിക്കുന്നു; സംരംഭകർ, പത്രപ്രവർത്തകർ, ഗവേഷകർ ഈ ഡാറ്റയിൽ നിന്ന് മൂല്യം സൃഷ്ടിക്കുന്നു. എന്നാൽ ഒരു ഡാറ്റാ സെറ്റ് പ്രസിദ്ധീകരിക്കുന്നതിന് മുമ്പ്, അത് വീണ്ടും തിരിച്ചറിയാനുള്ള അപകടസാധ്യതയ്‌ക്കെതിരെ പരിശോധിക്കണം (അജ്ഞാതമെന്ന് കരുതുന്ന ഡാറ്റ മറ്റ് ഡാറ്റയുമായി സംയോജിപ്പിച്ച് വ്യക്തികളുമായി തിരികെ ലിങ്ക് ചെയ്യുന്നു). ഉദാഹരണത്തിന്, "പ്രായം + അയൽപക്കം + അപൂർവ്വമായ തൊഴിൽ" എന്ന സംയോജനം ഒരു വ്യക്തിയെ സൂചിപ്പിക്കാം. പ്രസിദ്ധീകരണത്തിനായി ഒരു ഡാറ്റാ സെറ്റ് തയ്യാറാക്കുമ്പോൾ, അപകടസാധ്യതയുള്ള കോളം കോമ്പിനേഷനുകൾ ഫ്ലാഗുചെയ്യുന്നതിനും ഒരു ഡാറ്റ നിഘണ്ടു (ഓരോ കോളവും എന്താണ് അർത്ഥമാക്കുന്നത് എന്നതിൻ്റെ വിവരണം) എഴുതുന്നതിനും AI സഹായകമാണ്.

നുറുങ്ങ്: ഓപ്പൺ ഡാറ്റ പ്രസിദ്ധീകരിക്കുന്നതിന് മുമ്പ്, ചോദിക്കുക: "ഈ സെറ്റിൽ രണ്ട്-മൂന്ന് കോളങ്ങൾ സംയോജിപ്പിച്ച് എനിക്ക് ഒരു വ്യക്തിയെ കണ്ടെത്താൻ കഴിയുമോ?" ഉത്തരം "ഒരുപക്ഷേ" ആണെങ്കിൽ (വ്യക്തിക്ക് പകരം ഗ്രൂപ്പ്), അപൂർവ വിഭാഗങ്ങൾ സംയോജിപ്പിക്കുക, അല്ലെങ്കിൽ സെൻസിറ്റീവ് ഏരിയ നീക്കം ചെയ്യുക.

വിവരങ്ങളുടെ ഘട്ടം ഘട്ടമായുള്ള ഒഴുക്ക്

1. ആവശ്യം മനസ്സിലാക്കുകയും തരംതിരിക്കുകയും ചെയ്യുക. എന്താണ് അഭ്യർത്ഥിച്ചിരിക്കുന്നത്, ഏത് യൂണിറ്റിനെ ഇത് ബാധിക്കുന്നു, ദൈർഘ്യം എന്താണ്?
2. വിവരങ്ങൾ നിലവിലുണ്ടോ അല്ലെങ്കിൽ അത് നിർമ്മിക്കേണ്ടതുണ്ടോ? നിയമം നിലവിലുള്ള അറിവ് ഉൾക്കൊള്ളുന്നു; സ്ഥാപനം പുതിയ വിശകലനം നടത്തേണ്ടതില്ല (സ്ഥിരീകരിച്ചത്).
3. ഒഴിവാക്കൽ വിലയിരുത്തൽ. വ്യക്തിഗത ഡാറ്റ, സുരക്ഷ, വ്യാപാര രഹസ്യങ്ങൾ, ആന്തരിക അഭിപ്രായം എന്നിങ്ങനെ എന്തെങ്കിലും ഒഴിവാക്കലുകൾ ഉണ്ടോ?
4. റിഡക്ഷൻ. കയറ്റുമതി ചെയ്യാവുന്ന രേഖയുടെ സംരക്ഷിക്കപ്പെടേണ്ട ഭാഗങ്ങൾ നീക്കം ചെയ്യുക.
5. യുക്തിസഹമായ ഉത്തരം. നൽകിയിരിക്കുന്ന/ നൽകാത്ത ഭാഗവും അതിൻ്റെ അടിസ്ഥാനവും; നിരസിച്ചാൽ എതിർപ്പ് രീതി.
6. ലോഗ് ആൻഡ് ഓഡിറ്റ് ട്രയൽ. അഭ്യർത്ഥനയും തീരുമാനവും ന്യായീകരണവും രേഖപ്പെടുത്തുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - എഡിറ്റിംഗ് പിശക് ഒഴിവാക്കി. വിവരാവകാശ അഭ്യർത്ഥനയ്ക്ക് ഒരു ഏജൻസി ഒരു ടെൻഡർ രേഖ സമർപ്പിക്കും. AI രേഖ സ്‌കാൻ ചെയ്ത് മൂന്ന് പേരുടെ ഫോൺ നമ്പറുകളും ടിആർ ഐഡി നമ്പറുകളും അടയാളപ്പെടുത്തി. പ്രൂഫ് റീഡ് ചെയ്യാതെ അയച്ചിരുന്നെങ്കിൽ അത് കെവികെകെയുടെ ലംഘനമാകുമായിരുന്നു; വ്യക്തിഗത ഡാറ്റ കറുപ്പിച്ചു, പ്രമാണം സുരക്ഷിതമായി കൈമാറി.

കേസ് 2 - അന്യായമായ തിരസ്കരണം ശരിയാക്കി. "ഇൻ-ഹൗസ്" എന്ന നിലയിൽ പ്രവർത്തന ഡാറ്റയ്ക്കുള്ള അഭ്യർത്ഥന ഒരു യൂണിറ്റ് പതിവായി നിരസിക്കും. ഒഴിവാക്കൽ വിഭാഗങ്ങളെക്കുറിച്ച് AI-യോട് ചോദിച്ചപ്പോൾ, ഈ ഡാറ്റ യഥാർത്ഥത്തിൽ ഇതിനകം തന്നെ ഓപ്പൺ ഡാറ്റയായി പ്രസിദ്ധീകരിക്കാനാകുന്നതായി കണ്ടു. അഭ്യർത്ഥന അംഗീകരിക്കപ്പെട്ടു, സാധ്യമായ എതിർപ്പും വ്യവഹാരവും തടയപ്പെട്ടു.

കേസ് 3 - വീണ്ടും തിരിച്ചറിയൽ അപകടസാധ്യത. ഒരു മുനിസിപ്പാലിറ്റി അതിൻ്റെ "സേവന അഭ്യർത്ഥനകൾ" ഡാറ്റാസെറ്റ് ഓപ്പൺ ഡാറ്റയായി പ്രസിദ്ധീകരിക്കും. സെറ്റിൽ അയൽപക്കം + പൂർണ്ണ വിലാസം ഡിസ്ട്രിക്റ്റ് ബ്രേക്ക്ഡൗൺ ഉൾപ്പെടുന്നു. വിലാസ ഫീൽഡ് വ്യക്തിഗത അക്കങ്ങളിലേക്ക് ചൂണ്ടിക്കാണിക്കാൻ കഴിയുമെന്ന് AI മുന്നറിയിപ്പ് നൽകി; വിലാസം സ്ട്രീറ്റ് ലെവലിലേക്ക് കൂട്ടിച്ചേർക്കുകയും സെറ്റ് സുരക്ഷിതമായി പ്രസിദ്ധീകരിക്കുകയും ചെയ്തു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) വിവര അഭ്യർത്ഥന വർഗ്ഗീകരണം:

നിങ്ങളുടെ റോൾ: ഇൻഫർമേഷൻ അക്വിസിഷൻ സ്പെഷ്യലിസ്റ്റ്. ഇനിപ്പറയുന്ന അഭ്യർത്ഥന പ്രോസസ്സ് ചെയ്യുക: (1) കൃത്യമായി എന്താണ് ആവശ്യപ്പെട്ടിരിക്കുന്നത്, (2) അത് ഏത് യൂണിറ്റാണ്, (3) അതിന് നിലവിലുള്ള വിവരങ്ങളോ പുതിയ ഉൽപ്പാദനമോ ആവശ്യമുണ്ടോ, (4) സാധ്യമായ ഒഴിവാക്കൽ വിഭാഗങ്ങൾ (വ്യക്തിഗത ഡാറ്റ, സുരക്ഷ, വ്യാപാര രഹസ്യം മുതലായവ). ഓരോ ഒഴിവാക്കലും "പ്രസക്തമായ ലേഖനത്താൽ ന്യായീകരിക്കപ്പെടണം" എന്ന് വ്യക്തമാക്കുക. തീരുമാനമെടുക്കൽ, മുൻകൂട്ടി വിലയിരുത്തൽ. അഭ്യർത്ഥന: [ടെക്സ്റ്റ്]

2) റിഡക്ഷൻ (വ്യക്തിഗത/രഹസ്യ ഡാറ്റ അടയാളപ്പെടുത്തൽ):

ചുവടെയുള്ള ഡോക്യുമെൻ്റിൽ, ഒരു വിവര പ്രതികരണത്തിൽ മാസ്ക് ചെയ്യേണ്ട എല്ലാ ഭാഗങ്ങളും അടയാളപ്പെടുത്തുക: പേര്-കുടുംബപ്പേര്, TR ഐഡി നമ്പർ, വിലാസം, ടെലിഫോൺ, ആരോഗ്യം/ക്രിമിനൽ വിവരങ്ങൾ, മൂന്നാം കക്ഷി ഡാറ്റ, വ്യാപാര രഹസ്യം. ഓരോ ചിഹ്നത്തിനും ഹ്രസ്വമായ ന്യായീകരണം എഴുതുക. പ്രമാണത്തിൻ്റെ കയറ്റുമതി ചെയ്യാവുന്ന ഭാഗം അതേപടി വിടുക. പ്രമാണം: [ടെക്സ്റ്റ്]

3) യുക്തിസഹമായ ഉത്തര ഡ്രാഫ്റ്റ്:

ഇനിപ്പറയുന്ന അഭ്യർത്ഥനയ്ക്ക് ഒരു യുക്തിസഹമായ പ്രതികരണം തയ്യാറാക്കുക: (1) എന്ത് വിവരമാണ് നൽകിയത്, (2) ഏത് ഭാഗം നൽകിയില്ല, എന്തുകൊണ്ട് (ഒഴിവാക്കൽ ക്ലോസ് [സ്ഥിരീകരിക്കണം]), (3) അപ്പീൽ രീതിയും കാലാവധിയും [സ്ഥിരീകരിക്കേണ്ടത്]. ഭാഷ ഔപചാരികവും മാന്യവുമായിരിക്കണം. നൽകാത്ത ഭാഗത്തിൻ്റെ ന്യായീകരണം കോൺക്രീറ്റ് ആയിരിക്കണം, പൊതുവായതല്ല. അഭ്യർത്ഥന: [സംഗ്രഹം] തീരുമാനം: [എന്താണ് നൽകിയത്/നൽകാത്തത്]

4) ഡാറ്റ റീ-ഓതൻ്റിക്കേഷൻ കൺട്രോൾ തുറക്കുക:

ചുവടെയുള്ള ഡാറ്റാസെറ്റിൻ്റെ നിരകൾ പരിശോധിക്കുക. നിരകളുടെ സംയോജനം ഒരു വ്യക്തിയെ സൂചിപ്പിക്കാം (വീണ്ടും തിരിച്ചറിയാനുള്ള സാധ്യത) ലിസ്റ്റ്. ഓരോ അപകടസാധ്യതയ്ക്കും ചില ലഘൂകരണങ്ങൾ നിർദ്ദേശിക്കുക: അഗ്രഗേഷൻ, അപൂർവ വിഭാഗ സംയോജനം, ഫീൽഡ് എക്സ്ട്രാക്ഷൻ. നൽകിയിരിക്കുന്ന കോളം ലിസ്റ്റ് ഉപയോഗിക്കുക. കോളങ്ങൾ: [ലിസ്റ്റ്]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "വിവരങ്ങൾക്കായുള്ള ഈ അഭ്യർത്ഥനയോട് പ്രതികരിക്കുക."

Güçlü: "നിങ്ങളുടെ റോൾ ഒരു വിവര യൂണിറ്റ് വിദഗ്ധനാണ്. ആദ്യം, അഭ്യർത്ഥന തരംതിരിക്കുക: എന്താണ് ആവശ്യപ്പെട്ടത്, ഏത് യൂണിറ്റ്, അത് ലഭ്യമാണോ, സാധ്യമായ ഒഴിവാക്കലുകൾ എന്തൊക്കെയാണ്. ഓരോ ഒഴിവാക്കലും 'പ്രസക്തമായ ലേഖനത്താൽ ന്യായീകരിക്കപ്പെടണം' എന്ന് അടയാളപ്പെടുത്തുക, സ്വയം നിയമപരമായ തീരുമാനങ്ങൾ എടുക്കരുത്. തുടർന്ന്, ഡോക്യുമെൻ്റിൽ മറയ്ക്കേണ്ട വ്യക്തിഗത/രഹസ്യമായ ഭാഗങ്ങൾ അടയാളപ്പെടുത്തുക. എതിർക്കാനുള്ള വഴി;

വ്യത്യാസം: ശക്തമായ പ്രോംപ്റ്റ് സുതാര്യതയും സംരക്ഷണവും സന്തുലിതമാക്കുന്നു, ന്യായീകരണവുമായി ഒഴിവാക്കലുമായി ബന്ധിപ്പിക്കുന്നു, പുനർനിർമ്മാണവും അപ്പീൽ പാതയും ചേർക്കുന്നു.

വിവര തരം അനുസരിച്ച് സമീപനം

വിവര തരം

സ്ഥിരസ്ഥിതി

ശ്രദ്ധ

സ്ഥിതിവിവരക്കണക്കുകൾ, സംഗ്രഹിച്ച ഡാറ്റ

തുറക്കുക

വീണ്ടും തിരിച്ചറിയൽ പരിശോധന

ഭരണപരമായ നടപടിക്കുള്ള കാരണം

നൽകാം

മൂന്നാം കക്ഷി ഡാറ്റ തിരുത്തുക

മൂന്നാം കക്ഷി വ്യക്തിഗത ഡാറ്റ

സംരക്ഷിത

കെവികെകെ; എന്നാൽ അനുമതി/ഒഴിവാക്കൽ

സുരക്ഷ/സ്വകാര്യത ഒഴിവാക്കൽ

സംരക്ഷിത

ഇത് യഥാർത്ഥ അപവാദമാണോ, സ്ഥിരീകരിക്കുക

ആന്തരിക അഭിപ്രായം/ചർച്ച

ആശ്രയിച്ചിരിക്കുന്നു

പ്രസക്തമായ ലേഖനം അനുസരിച്ച് വിലയിരുത്തുക

അജ്ഞാതവൽക്കരണവും വീണ്ടും തിരിച്ചറിയാനുള്ള സാധ്യതയും

ഓപ്പൺ ഡാറ്റ പ്രസിദ്ധീകരിക്കുന്നതിലെ ഏറ്റവും സാങ്കേതികവും എന്നാൽ നിർണായകവുമായ ഘട്ടം അജ്ഞാതവൽക്കരണമാണ് (ഒരു വ്യക്തിയെ ഒരു ഡാറ്റയിൽ നിന്ന് നേരിട്ടോ അല്ലാതെയോ തിരിച്ചറിയാൻ കഴിയാത്തതാക്കുക). പേരും ടി.ആർ. ഐഡി നമ്പർ ഇല്ലാതാക്കുന്നത് പലപ്പോഴും മതിയാകില്ല; കാരണം നിരവധി സാധാരണ പ്രദേശങ്ങളുടെ സംയോജനം ഒരു വ്യക്തിയെ വീണ്ടും തിരിച്ചറിയാൻ കഴിയും. ഇതിനെ റീ-ഐഡൻ്റിഫിക്കേഷൻ എന്ന് വിളിക്കുന്നു (മറ്റ് വിവരങ്ങളുമായി അജ്ഞാതമെന്ന് കരുതുന്ന ഡാറ്റ ക്രോസ്-മാച്ച് ചെയ്ത് വ്യക്തിയെ കണ്ടെത്തുന്നത്). ഉദാഹരണത്തിന്, ഒരു അയൽപക്കത്ത് 92 വയസ്സുള്ള ഒരു വിധവ ഉണ്ടെങ്കിൽ, "അയൽപക്കം + പ്രായം + വൈവാഹിക നില" എന്ന മൂവരും അവനെ വെളിപ്പെടുത്തും. ഒരു ഡാറ്റാ സെറ്റിലെ ഏത് ഫീൽഡുകളുടെ കോമ്പിനേഷനുകൾ വെളിപ്പെടുത്താൻ സാധ്യതയുണ്ടെന്ന് സ്‌ക്രീൻ ചെയ്യാനും സുരക്ഷിതമായ ഗ്രൂപ്പിംഗ് നിർദ്ദേശിക്കാനും AI-ക്ക് കഴിയും (പ്രായം ശ്രേണിയിലേക്ക് പരിവർത്തനം ചെയ്യുക, അപൂർവ വിഭാഗങ്ങൾ സംയോജിപ്പിക്കുക); എന്നാൽ പ്രസിദ്ധീകരിക്കാനുള്ള തീരുമാനവും അന്തിമ ഓഡിറ്റും സ്ഥാപനത്തിൻ്റെ ഉത്തരവാദിത്തമാണ്.

മിനി കേസ് - മൂന്ന് മേഖലകളുള്ള വെളിപ്പെടുത്തൽ. ഒരു മുനിസിപ്പാലിറ്റി സാമൂഹിക സഹായ ഡാറ്റ "അജ്ഞാതമായി" പ്രസിദ്ധീകരിച്ചു: പേരില്ല, അയൽപക്കം, ജനിച്ച വർഷം, വൈകല്യത്തിൻ്റെ തരം. ഒരു മാധ്യമപ്രവർത്തകൻ അയൽപക്കത്തുള്ള ഒരു വ്യക്തിയിൽ അപൂർവമായ വൈകല്യം ശ്രദ്ധിക്കുകയും വ്യക്തിയെ തിരിച്ചറിയുകയും ചെയ്തു. ഡാറ്റ പിൻവലിച്ചു; ജനന വർഷം 10 വർഷത്തെ ഇടവേളയിലേക്ക് പരിവർത്തനം ചെയ്യുകയും അപൂർവ വിഭാഗങ്ങളെ "മറ്റുള്ളവ" എന്നതിന് കീഴിൽ തരംതിരിക്കുകയും ചെയ്തപ്പോൾ ഇത് പുനഃപ്രസിദ്ധീകരിച്ചു.

വീണ്ടും തിരിച്ചറിയൽ അപകടസാധ്യത കാണിക്കുന്ന ടെംപ്ലേറ്റ്:

ടാസ്ക്: ഇനിപ്പറയുന്ന ഡാറ്റാ സെറ്റിൻ്റെ നിരകൾ പരിശോധിക്കുക; ഞാൻ വ്യക്തിഗത ഡാറ്റ പ്രസിദ്ധീകരിക്കുന്നില്ല, എനിക്ക് റിസ്ക് സ്ക്രീനിംഗ് മാത്രമേ ആവശ്യമുള്ളൂ. നിരകൾ: [കോളം പേരുകൾ]ഔട്ട്പുട്ട്: 1) ഡയറക്ട് ഐഡൻ്റിഫയറുകൾ (ഇല്ലാതാക്കേണ്ടതാണ്). 2) പരോക്ഷ ഐഡൻ്റിഫയർ കോമ്പിനേഷനുകൾ (വീണ്ടും തിരിച്ചറിയാനുള്ള സാധ്യത). 3) ഓരോ അപകടകരമായ കോമ്പിനേഷനും ശുപാർശ ചെയ്യുന്ന ഗ്രൂപ്പിംഗ്/മാസ്‌കിംഗ്. 4) പ്രസിദ്ധീകരണത്തിന് മുമ്പുള്ള അന്തിമ പരിശോധന ചോദ്യങ്ങൾ. നിയമം: ഞാൻ യഥാർത്ഥ വ്യക്തിഗത മൂല്യങ്ങളൊന്നും ഒട്ടിച്ചിട്ടില്ല; നിരയുടെ ഘടന മാത്രം പരിഗണിക്കുക.

മുന്നറിയിപ്പ്: "ഞാൻ പേര് ഇല്ലാതാക്കി, ഇപ്പോൾ അജ്ഞാതനാണ്" എന്നത് ഏറ്റവും സാധാരണവും അപകടകരവുമായ തെറ്റിദ്ധാരണയാണ്. അജ്ഞാതത്വം നിർണ്ണയിക്കുന്നത് ഫീൽഡ് തന്നെയല്ല, ഫീൽഡുകളുടെ സംയോജനവും ബാഹ്യ ഡാറ്റയുമായി പൊരുത്തപ്പെടാനുള്ള സാധ്യതയുമാണ്. സംശയമുണ്ടെങ്കിൽ പ്രസിദ്ധീകരിക്കരുത്; അജ്ഞാതത്വം എന്നത് മാറ്റാനാവാത്ത തീരുമാനമാണ്.

സാധാരണ തെറ്റുകൾ

• പതിവായി നിരസിക്കാൻ. അനാവശ്യമായ "രഹസ്യമായി" നൽകാവുന്ന വിവരങ്ങൾ പരിഗണിക്കുന്നത് അവകാശങ്ങളുടെ ലംഘനവും വ്യവഹാരത്തിന് കാരണവുമാണ്.
• തിരുത്താത്ത രേഖകൾ സമർപ്പിക്കുന്നു. മൂന്നാം കക്ഷി ഡാറ്റ വെളിപ്പെടുത്തുന്നത് കെവികെകെയുടെ ലംഘനമാണ്.
• ന്യായീകരണമില്ലാതെ ഒഴിവാക്കൽ ഉപയോഗിക്കുന്നു. നിരസിക്കൽ മൂർത്തമായ പദാർത്ഥവും മൂർത്തമായ ന്യായീകരണവും കൊണ്ട് നടത്തണം; "ഇൻ-ഹൗസ്" എന്ന് പറഞ്ഞാൽ പോരാ.
• AI-യുടെ നിയമപരമായ വിധിയെ ആശ്രയിക്കുന്നു. ഒഴിവാക്കാനുള്ള തീരുമാനം മാനുഷികമാണ്; AI പ്രീ-യോഗ്യത നേടി.
• തുറന്ന ഡാറ്റയിൽ വീണ്ടും തിരിച്ചറിയൽ ഒഴിവാക്കുന്നു. കോളം കോമ്പിനേഷനുകൾക്ക് ആളുകളെ കണ്ടെത്താൻ കഴിയും; മൊത്തം.
• എതിർപ്പിനുള്ള മാർഗം വ്യക്തമാക്കുന്നില്ല. നിരസിക്കലുകളിൽ, അപേക്ഷാ രീതിയും കാലാവധിയും എഴുതിയിരിക്കണം (സ്ഥിരീകരിച്ചത്).

ചുരുക്കത്തിൽ

സുതാര്യതയാണ് പൊതുവിശ്വാസത്തിൻ്റെ അടിത്തറ; FOI അഭ്യർത്ഥനകളെ തരംതിരിക്കുന്നതിനും പ്രൂഫ് റീഡിംഗ് ശുപാർശ ചെയ്യുന്നതിനും പ്രതികരണങ്ങൾ തയ്യാറാക്കുന്നതിനും പ്രസിദ്ധീകരണത്തിനായി തുറന്ന ഡാറ്റ തയ്യാറാക്കുന്നതിനുമുള്ള ശക്തമായ സഹായമാണ് AI. എന്നാൽ ബാലൻസ് നിർണായകമാണ്: പൗരന്മാർക്ക് അവർക്ക് അർഹമായ വിവരങ്ങൾ നൽകണം, യഥാർത്ഥ ഒഴിവാക്കലുകളും വ്യക്തിഗത ഡാറ്റയും സംരക്ഷിക്കപ്പെടണം. ഒഴിവാക്കാനുള്ള തീരുമാനം യുക്തിസഹവും മാനുഷികവുമായിരിക്കണം; പ്രസിദ്ധീകരണത്തിന് മുമ്പ് വീണ്ടും തിരിച്ചറിയാനുള്ള സാധ്യതയ്ക്കായി ഓപ്പൺ ഡാറ്റ ഓഡിറ്റ് ചെയ്യണം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു യഥാർത്ഥ (മുഖമൂടി ധരിച്ച) വിവരാവകാശ അഭ്യർത്ഥന സ്വീകരിക്കുക. "ക്ലാസിഫിക്കേഷൻ അഭ്യർത്ഥിക്കുക" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് മുൻകൂട്ടി വിലയിരുത്തുക, അറ്റാച്ച് ചെയ്ത ഒരു ഡോക്യുമെൻ്റിൽ "റിഡക്ഷൻ" ടെംപ്ലേറ്റ് പ്രയോഗിച്ച് മാസ്ക് ചെയ്യേണ്ട സ്ഥലങ്ങൾ അടയാളപ്പെടുത്തുക. ഒരു ഓപ്പൺ ഡാറ്റാ സെറ്റിൻ്റെ കോളങ്ങളിൽ "ഓപ്പൺ ഡാറ്റ റീ-ഐഡൻ്റിഫിക്കേഷൻ ചെക്ക്" ടെംപ്ലേറ്റ് പ്രയോഗിച്ച് അപകടസാധ്യതയുള്ള ഒരു കോമ്പിനേഷനെങ്കിലും കണ്ടെത്തുക.

ചെക്ക്ലിസ്റ്റ്

• [] ഞാൻ അഭ്യർത്ഥന തരംതിരിച്ചു; അനാവശ്യമായി നൽകാവുന്ന വിവരങ്ങൾ ഞാൻ നിരസിച്ചില്ല.
• [ ] ഞാൻ ഒഴിവാക്കലുകൾ മൂർത്തമായ പദാർത്ഥവും ന്യായീകരണവും (മനുഷ്യ തീരുമാനം) ഉപയോഗിച്ച് വിലയിരുത്തി.
• [ ] സമർപ്പിക്കേണ്ട ഡോക്യുമെൻ്റിലെ വ്യക്തിഗത/രഹസ്യ ഡാറ്റ ഞാൻ തിരുത്തി.
• [ ] നിരസിക്കുകയാണെങ്കിൽ, ഞാൻ എതിർപ്പ് രീതിയും കാലാവധിയും പ്രസ്താവിച്ചിട്ടുണ്ട് (സ്ഥിരീകരിച്ചത്).
• [ ] ഓപ്പൺ ഡാറ്റയിൽ വീണ്ടും തിരിച്ചറിയാനുള്ള സാധ്യത ഞാൻ പരിശോധിച്ചു.
• [ ] ഓഡിറ്റിനുള്ള അഭ്യർത്ഥനയും തീരുമാനവും ന്യായീകരണവും ഞാൻ രേഖപ്പെടുത്തി.