ഉപഭോക്തൃ ഡാറ്റയും സ്വകാര്യതയും: KVKK, VUK രഹസ്യാത്മകതയും സുരക്ഷിത ഉപകരണങ്ങളും

നേട്ടങ്ങൾ:

• കെവികെകെയുടെ ചട്ടക്കൂടിനുള്ളിൽ നികുതിദായകരെയും സാമ്പത്തിക ഡാറ്റയെയും തരംതിരിക്കാനുള്ള കഴിവ്, നികുതി നടപടിക്രമ നിയമത്തിൻ്റെ രഹസ്യാത്മക ബാധ്യത
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് ഡാറ്റ നൽകുന്നതിന് മുമ്പ് അജ്ഞാതമാക്കൽ, മാസ്കിംഗ്, സുരക്ഷിത/സ്ഥാപന ടൂൾ തിരഞ്ഞെടുക്കൽ ഘട്ടങ്ങൾ എന്നിവ പ്രയോഗിക്കാനുള്ള കഴിവ്
• സ്വകാര്യത ലംഘനങ്ങളുടെ നിയമപരവും കുറ്റകരവും തൊഴിൽപരവുമായ പ്രത്യാഘാതങ്ങൾ അറിഞ്ഞുകൊണ്ട് മേൽനോട്ടമില്ലാത്ത ഡ്രൈവിംഗ് ഒഴിവാക്കാനുള്ള ശീലം നേടാനുള്ള കഴിവ്.

ഒരു പ്രൊഫഷണൽ നികുതിദായകൻ്റെ ഏറ്റവും അടുത്ത വിവരങ്ങൾ കാണുന്നു: വിറ്റുവരവ്, ലാഭം, ബാങ്ക് നീക്കങ്ങൾ, ജീവനക്കാരുടെ ശമ്പളം, TR ID നമ്പറുകൾ, കരാറുകൾ, പങ്കാളിത്ത ഘടനകൾ. ഈ വിവരങ്ങൾ രണ്ട് വ്യത്യസ്ത നിയമ പാളികളാൽ സംരക്ഷിക്കപ്പെട്ടിരിക്കുന്നു: KVKK (വ്യക്തിഗത ഡാറ്റ സംരക്ഷണ നിയമം, വ്യക്തിഗത വിവരങ്ങളുടെ അനധികൃത പ്രോസസ്സിംഗ് നിരോധിക്കുന്ന നിയമം), നികുതി നടപടിക്രമ നിയമത്തിൻ്റെ രഹസ്യാത്മക ബാധ്യത (അവൻ/അവൾ തൻ്റെ കടമ കാരണം പഠിക്കുന്ന വിവരങ്ങൾ രഹസ്യമായി സൂക്ഷിക്കാനുള്ള പ്രൊഫഷണലിൻ്റെ ബാധ്യത). ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ യുഗത്തിൽ, ഈ സംരക്ഷണം ഒരു പുതിയ ഭീഷണി നേരിടുന്നു: അനിയന്ത്രിതമായ ഉപകരണത്തിൽ സെൻസിറ്റീവ് ഡാറ്റ ഒട്ടിക്കുക. ഈ യൂണിറ്റിൻ്റെ തത്വം ഒറ്റത്തവണയാണ്: AI-യിൽ പ്രവേശിക്കുന്നതിന് മുമ്പ് ഡാറ്റ പരിരക്ഷിച്ചിരിക്കുന്നു; മേൽനോട്ടമില്ലാത്ത വാഹനത്തിൽ സെൻസിറ്റീവ് ഡാറ്റകളൊന്നും പ്രവേശിക്കുന്നില്ല.

രണ്ട്-പാളി സംരക്ഷണവും എന്തുകൊണ്ട് അത് ഗൗരവമായി എടുക്കണം

• KVKK ലെയർ: യഥാർത്ഥ വ്യക്തികളുടെ എല്ലാ വിവരങ്ങളും (പേര്, TR ID, ശമ്പളം, കോൺടാക്റ്റ്) വ്യക്തിഗത ഡാറ്റയാണ്. അനധികൃത പ്രോസസ്സിംഗ്, കൈമാറ്റം, അപര്യാപ്തമായ സംരക്ഷണം എന്നിവ അഡ്മിനിസ്ട്രേറ്റീവ് പിഴകൾക്കും നഷ്ടപരിഹാരത്തിനും കാരണമാകും.
• VUK രഹസ്യാത്മകത പാളി: ഒരു പ്രൊഫഷണലിന് നികുതിദായകൻ്റെ സാമ്പത്തിക രഹസ്യങ്ങൾ മൂന്നാം കക്ഷികളുമായി പങ്കിടാൻ കഴിയില്ല. ലംഘനം ക്രിമിനൽ, പ്രൊഫഷണൽ (അച്ചടക്ക) പ്രത്യാഘാതങ്ങൾ വഹിക്കുന്നു.

പൊതുവായി ലഭ്യമായ AI ടൂളിലേക്ക് ഒട്ടിച്ചിരിക്കുന്ന ഒരു ട്രയൽ ബാലൻസ് അല്ലെങ്കിൽ പേറോൾ "ഒരു മൂന്നാം കക്ഷിക്ക് കൈമാറുന്നത്" ആയി കണക്കാക്കാം. ടൂൾ എങ്ങനെയാണ് ഡാറ്റ സംഭരിക്കുന്നതെന്നും പരിശീലനത്തിൽ അത് ഉപയോഗിക്കുന്നുണ്ടോ എന്നും പലപ്പോഴും വ്യക്തമല്ല. ഈ അനിശ്ചിതത്വം മാത്രം മതി അപകടസാധ്യത.

ശ്രദ്ധിക്കുക: "എന്തായാലും ആരും കാണില്ല" എന്ന ആശയം നിയമപരമായ പ്രതിരോധമല്ല. അനിയന്ത്രിതമായ സിസ്റ്റത്തിലേക്ക് ഡാറ്റ പ്രവേശിച്ചുകഴിഞ്ഞാൽ, അത് നിങ്ങളുടെ നിയന്ത്രണത്തിലല്ല. ഒരു സ്വകാര്യത ലംഘനം അപകടകരമാണ്, അത് സംഭവിക്കാനുള്ള സാധ്യത കൊണ്ടല്ല, അത് സംഭവിച്ചാൽ അത് മാറ്റാനാവാത്തതാണ്.

AI-ക്ക് ഡാറ്റ നൽകുന്നതിന് മുമ്പ്: സംരക്ഷണ ഘട്ടങ്ങൾ

1. തരംതിരിക്കുക. നിങ്ങളുടെ പക്കലുള്ള ഡാറ്റ വ്യക്തിപരമോ സാമ്പത്തിക രഹസ്യമോ ​​പരസ്യമോ? അതിനനുസരിച്ച് സംരക്ഷണ നില നിർണ്ണയിക്കുക.
2. ചോദ്യം ആവശ്യം. ഈ ഡാറ്റ മോഡലിന് നൽകേണ്ടത് ശരിക്കും ആവശ്യമാണോ, അതോ അജ്ഞാത/സംഗ്രഹ ഡാറ്റ ഉപയോഗിച്ച് ടാസ്ക് ചെയ്യാൻ കഴിയുമോ?
3. അജ്ഞാതമാക്കുക/മാസ്ക്. അവരുടെ പേരുകൾ K1, K2; കമ്പനികൾ Ş1, Ş2; ടിആർ ഐഡിയും അക്കൗണ്ട് നമ്പറുകളും മാസ്‌ക് ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക. പരോക്ഷമായ രോഗനിർണയം നൽകുന്ന തനതായ വിശദാംശങ്ങൾ സാമാന്യവൽക്കരിക്കുക.
4. സുരക്ഷിതമായ വാഹനം തിരഞ്ഞെടുക്കുക. സാധ്യമെങ്കിൽ, ഡാറ്റ നിലനിർത്തൽ ഉറപ്പുനൽകുന്ന ഒരു കോർപ്പറേറ്റ്/അംഗീകൃത ഉപകരണം ഉപയോഗിക്കുക.
5. പാത സൂക്ഷിക്കുക. ഏത് ഉപകരണത്തിന് ഏത് ഡാറ്റയാണ് നിങ്ങൾ നൽകിയതെന്നും ഏത് പരിരക്ഷയോടെയും രേഖപ്പെടുത്തുക.

ഡാറ്റ തരം

ഉദാഹരണം

സംരക്ഷണ സമീപനം

ഐഡൻ്റിറ്റി ഡാറ്റ

പേര്, TR ID

മുഖംമൂടി/അജ്ഞാതമാക്കുക; ഒരിക്കലും അസംസ്കൃതമായി നൽകരുത്

സാമ്പത്തിക രഹസ്യം

വിറ്റുവരവ്, ലാഭം, ബാങ്ക്

സംഗ്രഹിക്കുക/അജ്ഞാതമാക്കുക; എൻ്റർപ്രൈസ് വാഹനം

ബന്ധ ഡാറ്റ

പങ്കാളി, വിതരണക്കാരൻ

പൊതുവൽക്കരിക്കുക; അതുല്യമായ വിശദാംശങ്ങൾ നീക്കം ചെയ്യുക

പൊതു

ബാലൻസ് ഷീറ്റ് പ്രഖ്യാപിച്ചു

സാധാരണയായി പ്രോസസ്സ് ചെയ്യാൻ കഴിയും

അജ്ഞാതവൽക്കരണം പ്രായോഗികമായി എങ്ങനെയാണ് ചെയ്യുന്നത്?

അജ്ഞാതവൽക്കരണം എന്നത് ഡാറ്റ ഉപയോഗപ്രദമായി സൂക്ഷിക്കുമ്പോൾ ഐഡൻ്റിറ്റിയെ അവ്യക്തമാക്കുന്നു. ഉദാഹരണത്തിന്, നിങ്ങൾക്ക് ഒരു ശമ്പളപ്പട്ടിക വിശകലനം ചെയ്യും: പേരിനും TR ഐഡിക്കും പകരം നിങ്ങൾ ഒരു സീക്വൻസ് നമ്പർ ഇട്ടു, ശമ്പള വിതരണത്തിൻ്റെ വിശകലനം തടസ്സപ്പെടില്ല, പക്ഷേ ആരെയും തിരിച്ചറിയാൻ കഴിയില്ല. പരോക്ഷമായ രോഗനിർണയമാണ് നിർണായക പോയിൻ്റ്: "ഏക വനിതാ ജനറൽ മാനേജർ" അല്ലെങ്കിൽ "35 പേരുള്ള ഒരു കമ്പനിയിലെ ഒരേയൊരു 92 വയസ്സുകാരൻ" തുടങ്ങിയ പദപ്രയോഗങ്ങൾ നിങ്ങൾ പേര് ഇല്ലാതാക്കിയാലും വ്യക്തിയെ ഒഴിവാക്കുന്നു; ഇവയും സാമാന്യവൽക്കരിക്കപ്പെട്ടവയാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ശമ്പള ചോർച്ച. ഒരു ഇൻ്റേൺ ഒരു സൗജന്യ വെബ് ടൂളിലേക്ക് 3,500 ആളുകളുടെ (പേര്, ഐഡി കാർഡ്, ശമ്പളം) പേറോൾ അപ്‌ലോഡ് ചെയ്യുകയും "സംഗ്രഹിക്കുക" എന്ന് പറയുകയും ചെയ്യുന്നു. വാഹനത്തിൻ്റെ ശേഖരത്തിൽ ഡാറ്റ കലർത്താനുള്ള അപകടസാധ്യതയുണ്ട്; കെവികെകെയുടെയും വിയുകെയുടെയും രഹസ്യസ്വഭാവ ലംഘനങ്ങൾ സംഭവിക്കുന്നു. ഉപഭോക്താവ് കണ്ടെത്തിയാൽ, അത് കഴിഞ്ഞു. കോർപ്പറേറ്റ് അംഗീകൃത വാഹനം ഉപയോഗിക്കുകയോ നിങ്ങളുടെ പേര്/ടിആർ ഐഡി മറച്ചുവെച്ച് ശമ്പള വിതരണം നൽകുകയോ ആയിരുന്നു ശരിയായ മാർഗം.

കേസ് 2 - പരോക്ഷ രോഗനിർണയം. ഒരു കൺസൾട്ടൻ്റ് മോഡലിന് ഒരു ലിസ്റ്റ് നൽകുന്നു, അതിൽ അവൻ പേരുകൾ ഇല്ലാതാക്കുന്നു, പക്ഷേ "കമ്പനിയുടെ ഏക വിദേശ ദേശീയ മാനേജർ" എന്ന വാചകം ഉപേക്ഷിക്കുന്നു. ഈ പ്രസ്താവന വ്യക്തിയെ വിട്ടുകൊടുക്കുന്നു; അജ്ഞാതവൽക്കരണം കാണുന്നില്ല. പാഠം: പരോക്ഷമായ രോഗനിർണയം നൽകുന്ന അതുല്യമായ വിശദാംശങ്ങളും സാമാന്യവൽക്കരിക്കണം.

കേസ് 3 - നല്ല കൈകാര്യം ചെയ്യൽ. മോഡലിന് സെൻസിറ്റീവ് ഡാറ്റ നൽകുന്നതിന് മുമ്പ്, ഒരു ഓഫീസ് ഒരു സ്റ്റാൻഡേർഡ് അജ്ഞാതവൽക്കരണ ഘട്ടത്തിലൂടെ കടന്നുപോകുന്നു: ഒരു ടെംപ്ലേറ്റ് ഉപയോഗിച്ച്, അത് പേരുകൾ, ഐഡികൾ, ബ്രാൻഡ് നാമങ്ങൾ എന്നിവ കോഡുകളായി പരിവർത്തനം ചെയ്യുന്നു, തുടർന്ന് അത് വിശകലനം ചെയ്യുന്നു. വിശകലനത്തിൻ്റെ ഗുണനിലവാരം കുറയുന്നില്ല, ഐഡൻ്റിറ്റി ചോർന്നിട്ടില്ല. സ്വകാര്യതയും കാര്യക്ഷമതയും ഒരുമിച്ച് സംരക്ഷിക്കപ്പെടുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഇനിപ്പറയുന്ന ശമ്പളപ്പട്ടിക സംഗ്രഹിക്കുക: [Ahmet Yılmaz, TC 123..., ശമ്പളം 45,000; ...]

അസംസ്‌കൃത വ്യക്തിഗത ഡാറ്റ അനിയന്ത്രിതമായി വാഹനത്തിലേക്ക് പ്രവേശിക്കുന്നു; ഇത് നേരിട്ടുള്ള ലംഘനമാണ്.

ശക്തമായ നിർദ്ദേശം:

ഞാൻ നിങ്ങൾക്ക് ഒരു ഡാറ്റ സെറ്റ് തരാം. പ്രോസസ്സ് ചെയ്യുന്നതിന് മുമ്പ്, ഇനിപ്പറയുന്ന അജ്ഞാതവൽക്കരണം പ്രയോഗിക്കുകയും അജ്ഞാത പതിപ്പ് എന്നെ കാണിക്കുകയും ചെയ്യുക:- വ്യക്തിയുടെ പേരുകൾ K1, K2 ആക്കുക... - TR ഐഡിയും അക്കൗണ്ട് നമ്പറുകളും പൂർണ്ണമായും നീക്കം ചെയ്യുക.- കമ്പനി/ബ്രാൻഡ് നാമങ്ങൾ T1, K2 ആക്കുക.... വ്യക്തിയെ പരോക്ഷമായി തിരിച്ചറിയാൻ കഴിയുന്ന തനതായ വിശദാംശങ്ങൾ സാമാന്യവൽക്കരിക്കുക. തുടർന്ന് അജ്ഞാത പതിപ്പിൽ മാത്രം പ്രവർത്തിക്കുക.[DATA (കഴിയുന്നത്ര മാസ്ക് ചെയ്തു): ...]

ശ്രദ്ധിക്കുക: അസംസ്‌കൃത വ്യക്തിഗത ഡാറ്റ നൽകാതിരിക്കുന്നതാണ് സുരക്ഷിതം; നിങ്ങൾ പ്രവേശിക്കുകയാണെങ്കിൽ, നിങ്ങൾ മാസ്ക് ധരിച്ച് സുരക്ഷിതമായ വാഹനത്തിൽ വേണം.

ഡാറ്റ വർഗ്ഗീകരണ സഹായത്തിന്:

ഇനിപ്പറയുന്ന ഓരോ ഫീൽഡുകളും തരംതിരിക്കുക: ഇത് വ്യക്തിഗത ഡാറ്റയാണോ, ഇത് ഒരു സാമ്പത്തിക രഹസ്യമാണോ, ഇത് പരസ്യമാണോ? ഓരോന്നിനും ശുപാർശ ചെയ്യുന്ന പരിരക്ഷാ നില എഴുതുക. ഫീൽഡുകൾ: [ഫീൽഡ് പേരുകൾ, സാമ്പിൾ റിട്ടേൺ]

ഒരു അജ്ഞാതവൽക്കരണ ടെംപ്ലേറ്റ് സൃഷ്ടിക്കാൻ:

ഒരു പേറോൾ/ട്രയൽ ബാലൻസ് വിശകലനത്തിൽ ഞാൻ ഉപയോഗിക്കുന്ന ഒരു സ്റ്റാൻഡേർഡ് അജ്ഞാതവൽക്കരണ ചെക്ക്‌ലിസ്റ്റ് തയ്യാറാക്കുക: ഏതൊക്കെ ഫീൽഡുകൾ മറയ്ക്കണം, ഏതൊക്കെ ഒഴിവാക്കണം, പരോക്ഷമായ രോഗനിർണയത്തിനായി ഞാൻ എന്താണ് അന്വേഷിക്കേണ്ടത്?

വാഹന സുരക്ഷാ വിലയിരുത്തലിനായി:

സെൻസിറ്റീവ് ടാക്സ് പേയർ ഡാറ്റയ്ക്ക് (ഡാറ്റ നിലനിർത്തൽ, വിദ്യാഭ്യാസത്തിലെ ഉപയോഗം, കോർപ്പറേറ്റ് കരാർ, സ്ഥാനം) ഒരു AI ടൂൾ അനുയോജ്യമാണോ എന്ന് വിലയിരുത്തുമ്പോൾ ഞാൻ എന്ത് ചോദ്യങ്ങൾ ചോദിക്കണം? ഒരു ചെക്ക്‌ലിസ്റ്റ് സൃഷ്ടിക്കുക.

സാധാരണ തെറ്റുകൾ

• അസംസ്‌കൃത വ്യക്തിഗത ഡാറ്റ നൽകുന്നു. പേര്/ടിആർ ഐഡി പരിശോധിച്ചുറപ്പിക്കാതെ ഒരിക്കലും വാഹനത്തിൽ പ്രവേശിക്കരുത്.
• പരോക്ഷ രോഗനിർണയം ഒഴിവാക്കുന്നു. പേര് ഇല്ലാതാക്കിയാലും അതുല്യമായ വിശദാംശങ്ങൾ ഐഡൻ്റിറ്റി നൽകുന്നു.
• വാഹന സുരക്ഷയെക്കുറിച്ച് ചോദിക്കുന്നില്ല. ഉപകരണം എങ്ങനെ ഡാറ്റ സംഭരിക്കുന്നു എന്നറിയാതെ സെൻസിറ്റീവ് ഡാറ്റ നൽകില്ല.
• ആവശ്യകതയെ ചോദ്യം ചെയ്യുന്നില്ല. അജ്ഞാത/സംഗ്രഹ ഡാറ്റ ഉപയോഗിച്ച് ടാസ്‌ക്ക് ചെയ്യാൻ കഴിയുമെങ്കിൽ, റോ ഡാറ്റ നൽകില്ല.
• ട്രാക്ക് സൂക്ഷിക്കുന്നില്ല. ഏത് ഡാറ്റയാണ് എവിടെ നൽകിയതെന്ന് രേഖപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ, ലംഘനം കണ്ടെത്താൻ കഴിയില്ല.

ചുരുക്കത്തിൽ

നികുതിദായകരുടെ ഡാറ്റ കെവികെകെയുടെയും വിയുകെയുടെയും രഹസ്യാത്മക ബാധ്യതകളാൽ രണ്ട് ലെയറുകളായി സംരക്ഷിക്കപ്പെടുന്നു, കൂടാതെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ യുഗത്തിലെ ഏറ്റവും വലിയ പുതിയ അപകടസാധ്യത സെൻസിറ്റീവ് ഡാറ്റ അനിയന്ത്രിതമായ ഉപകരണത്തിലേക്ക് ഒട്ടിക്കുക എന്നതാണ്. മോഡലിൽ ഡാറ്റ നൽകുന്നതിനുമുമ്പ്, അത് തരംതിരിക്കുകയും അതിൻ്റെ ആവശ്യകത ചോദ്യം ചെയ്യുകയും പേര്/TR ഐഡി പോലുള്ള ഐഡൻ്റിഫയറുകൾ മറയ്ക്കുകയും പരോക്ഷമായ രോഗനിർണയം നൽകുന്ന വിശദാംശങ്ങൾ സാമാന്യവൽക്കരിക്കുകയും ചെയ്യുന്നു; സാധ്യമെങ്കിൽ, സുരക്ഷിതവും ഡാറ്റ നിലനിർത്തൽ-ഉറപ്പുള്ളതുമായ കോർപ്പറേറ്റ് ഉപകരണം മാത്രമേ ഉപയോഗിക്കൂ. ഒരു സ്വകാര്യത ലംഘനം മാറ്റാനാവാത്ത ദോഷമാണ്; ഒരിക്കലും നൽകാത്ത ഡാറ്റയാണ് ഏറ്റവും സുരക്ഷിതമായ ഡാറ്റ.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ കൈയ്യിൽ ഒരു സാധാരണ സെൻസിറ്റീവ് ഫയൽ (ഉദാ. പേറോൾ അല്ലെങ്കിൽ ട്രയൽ ബാലൻസ്) എടുക്കുക. ആദ്യം അവരുടെ ഫീൽഡുകൾ (വ്യക്തിഗത/സാമ്പത്തിക രഹസ്യം/പബ്ലിക്) തരംതിരിക്കുക. തുടർന്ന് ഒരു അജ്ഞാതവൽക്കരണ ടെംപ്ലേറ്റ് പ്രയോഗിക്കുക: ഏത് മേഖലകളാണ് നിങ്ങൾ മറയ്ക്കേണ്ടത്, ഏതെല്ലാം നിങ്ങൾ നീക്കംചെയ്യും, പരോക്ഷമായ തിരിച്ചറിയലിനായി നിങ്ങൾ തിരയുന്നവ എന്നിവ ലിസ്റ്റ് ചെയ്യുക. അവസാനമായി, നിങ്ങൾ ഉപയോഗിക്കുന്ന/ഉപയോഗിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപകരണത്തിൻ്റെ സുരക്ഷാ അനുയോജ്യത ഒരു ചെക്ക്‌ലിസ്റ്റിനൊപ്പം വിലയിരുത്തുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഡാറ്റയെ വ്യക്തിഗത/സാമ്പത്തിക രഹസ്യം/പൊതുവായി തരംതിരിച്ചിട്ടുണ്ട്.
• [ ] റോ ഡാറ്റ നൽകേണ്ടത് ശരിക്കും ആവശ്യമാണോ എന്ന് ഞാൻ ചോദ്യം ചെയ്തു.
• [ ] ഞാൻ പേര്, TR ഐഡി, അക്കൗണ്ട് നമ്പറുകൾ എന്നിവ മറച്ചു/നീക്കം ചെയ്തു.
• [ ] പരോക്ഷമായ രോഗനിർണയം നൽകുന്ന തനതായ വിശദാംശങ്ങൾ ഞാൻ സാമാന്യവൽക്കരിച്ചിട്ടുണ്ട്.
• [ ] ഡാറ്റ നിലനിർത്തൽ ഗ്യാരൻ്റിയുള്ള സുരക്ഷിത/എൻ്റർപ്രൈസ് ടൂളുകൾ മാത്രമേ ഞാൻ ഉപയോഗിച്ചിട്ടുള്ളൂ.
• [ ] ഞാൻ ഉപകരണത്തിൻ്റെ ഡാറ്റ നയം (സംഭരണം, പരിശീലനം) വിലയിരുത്തി.
• [ ] ഒരു ട്രെയ്‌സായി ഞാൻ ഏത് ഡാറ്റയാണ് നൽകിയതെന്ന് ഞാൻ രേഖപ്പെടുത്തി.