नफा:
- KVKK तत्त्वांनुसार उमेदवार आणि कर्मचारी डेटा वापरण्याची क्षमता (उद्देश मर्यादा, डेटा कमी करणे)
- मास्किंग/निनावीकरण आणि सुरक्षित साधन निवडीद्वारे वैयक्तिक डेटा संरक्षित करण्याची क्षमता
- HR मधील डेटा प्रक्रियेसाठी AI सह प्रकटीकरण, संमती आणि धारणा प्रक्रियांना समर्थन देण्याची क्षमता
उमेदवाराचे CVs, कार्यप्रदर्शन स्कोअर, पगाराची माहिती, संदर्भ टिप्पण्या, वैद्यकीय अहवाल, शिस्तबद्ध नोंदी... HR हा कंपनीतील सर्वात संवेदनशील वैयक्तिक डेटाचा संरक्षक असतो. या डेटासह कृत्रिम बुद्धिमत्ता (AI) साधने वापरल्याने प्रचंड कार्यक्षमता मिळते; परंतु हे गंभीर कायदेशीर आणि नैतिक जबाबदारी देखील निर्माण करते. फक्त उमेदवार पूलचे सर्व सीव्ही एका अव्यवस्थित साधनामध्ये पेस्ट केल्यास काही मिनिटांत डेटाचे उल्लंघन होऊ शकते. या युनिटमध्ये, आपण KVKK (वैयक्तिक डेटा संरक्षण कायदा) नुसार HR मध्ये AI चा वापर कसा करायचा ते शिकू.
काही अटी: वैयक्तिक डेटा म्हणजे ओळखल्या जाणाऱ्या किंवा ओळखण्यायोग्य नैसर्गिक व्यक्तीशी संबंधित कोणतीही माहिती (नाव, आयडी, ई-मेल, अगदी एक अद्वितीय सीव्ही मजकूर). विशेष गुणवत्ता (संवेदनशील) डेटा हा अतिरिक्त संरक्षित डेटा आहे जसे की आरोग्य, धर्म, लैंगिक जीवन, गुन्हेगारी शिक्षा, युनियन सदस्यत्व. डेटा कंट्रोलर ही संस्था (तुमची कंपनी) आहे जी डेटावर प्रक्रिया करण्याचा उद्देश ठरवते. निनावीकरण म्हणजे डेटा तयार करणे जेणेकरून तो कोणत्याही प्रकारे एखाद्या व्यक्तीशी परत जोडला जाऊ शकत नाही. मास्किंग (छद्मनामकरण) आयडेंटिफायरच्या जागी छद्मनावाने बदलत आहे (उमेदवार 1, उमेदवार 2); हे अनामिकरणापेक्षा कमकुवत आहे परंतु बहुतेक विश्लेषणांसाठी पुरेसे आहे.
KVKK ची मूलभूत तत्त्वे आणि HR मध्ये त्याचे समतुल्य
KVKK ची सामान्य तत्त्वे देखील तुमच्या AI च्या वापरास बांधील आहेत. व्यवहार कायदेशीर होण्यासाठी, त्याने या तत्त्वांचे पालन केले पाहिजे:
तत्त्व
HR मध्ये अर्थ
कायदेशीरपणा आणि प्रामाणिकपणा
प्रक्रियेसाठी कायदेशीर आधार आहे की नाही (करार, कायदेशीर व्याज, स्पष्ट संमती)
उद्देशाची मर्यादा
ज्या उद्देशाने तो गोळा केला गेला होता त्यासाठीच डेटा वापरा (मार्केटिंगमध्ये भर्ती डेटा वापरू नका)
डेटा कमी करणे
नोकरीसाठी आवश्यक तेवढा डेटा; मॉडेलला जास्त देऊ नका
अचूकता
डेटा अद्ययावत आणि अचूक असल्याची खात्री करा
स्टोरेज मर्यादा
अनिश्चित स्टोरेज; डेटा नष्ट करा यापुढे गरज नाही
सुरक्षा
योग्य तांत्रिक आणि प्रशासकीय संरक्षणांसह डेटावर प्रक्रिया करा
खबरदारी: कॉर्पोरेट डेटा टिकवून ठेवण्याची कोणतीही हमी नसताना जेनेरिक एआय टूलमध्ये उमेदवार पूलचे सर्व सीव्ही पेस्ट करणे KVKK साठी गंभीर धोका आहे. तो डेटा मॉडेलच्या प्रदात्याकडे संग्रहित केला जाऊ शकतो आणि काही सेवा परिस्थितींमध्ये प्रशिक्षणात देखील वापरला जाऊ शकतो. वैयक्तिक डेटासह कार्य करताना कॉर्पोरेट/मंजूर साधने, डेटा प्रोसेसिंग करार (DPA) आणि शक्य असेल तेथे अनामिकरण/मास्किंग आवश्यक आहेत.
सुरक्षित वापरासाठी पायऱ्या
- साधन निवडा. कॉर्पोरेट, डेटा प्रोसेसिंग करार असलेली साधने निवडा आणि "शिक्षणात माझा डेटा वापरणे" हा पर्याय ऑफर करा.
- डेटा कमी करा. विश्लेषणासाठी आवश्यक किमान डेटा प्रदान करा; जादा काढून टाका.
- मुखवटा/अनामित करा. नाव, आयडी, संपर्क, संपूर्ण जन्मतारीख टोपणनाव मूल्य किंवा श्रेणीसह बदला.
- उद्देश मर्यादित करा. डेटा ज्या उद्देशासाठी गोळा केला गेला होता त्यासाठीच प्रक्रिया करा.
- माग ठेवा. कोणत्या डेटावर प्रक्रिया केली गेली, कोणत्या उद्देशाने आणि कोणत्या साधनाने रेकॉर्ड करा.
- मानवी मान्यता ठेवा. एखाद्या व्यक्तीला निर्णय घेऊ द्या ज्यामुळे व्यक्तीवर परिणाम होतो.
खाली दिलेल्या CV चे मूल्यमापन करण्यापूर्वी वैयक्तिक डेटा मास्क करा:- नावाऐवजी "उमेदवार" बनवा, संपर्क माहिती तयार करा [REDACTED]- जन्मतारीख ऐवजी वयोमर्यादा (उदा. 30-35) वापरा- शाळा/कंपनीच्या नावामुळे भेदभाव होऊ शकतो तर सामान्यीकरण करा नंतर केवळ नोकरी-संबंधित निकषांनुसार संरचित सारांश तयार करा.
अनामिकरण आणि मास्किंग सराव
बहुतेक एचआर विश्लेषण व्यक्तीची ओळख न करता करता येते. विश्लेषण तर्क बदलत नाही, वैयक्तिक डेटा उघड केला जात नाही:
कमकुवत (जोखमीचे): वास्तविक नाव, आयडी, युनिट आणि पूर्ण पगारासह डेटा पेस्ट करणे. मजबूत (सुरक्षित): लोकांना "व्यक्ती 1/2/3" म्हणून कोड करा, जन्मतारीख ऐवजी वय श्रेणी वापरा, पूर्ण पगाराऐवजी बँड (उदा. 40-50k) वापरा. स्थानाऐवजी प्रदेश, अचूक तारखेऐवजी महिना/वर्ष वापरा.
AI KVKK दस्तऐवजांचा मसुदा तयार करण्यात देखील मदत करते, जसे की स्पष्टीकरण मजकूर आणि धारणा कालावधी — परंतु पुन्हा, फक्त मसुदा:
तुमची भूमिका: डेटा गोपनीयता सहाय्यक. कार्य: भरती प्रक्रियेसाठी उमेदवार माहिती मजकूराचा मसुदा लिहा. सामग्री: कोणत्या डेटावर प्रक्रिया केली जाईल, कोणत्या उद्देशाने, कोणत्या कायदेशीर आधारावर, तो किती काळ संग्रहित केला जाईल, उमेदवाराचे अधिकार काय आहेत. नियम: कायदेशीर विधाने [केव्हीकेके तज्ञांना सत्यापित करा] टॅगसह चिन्हांकित करा; ठराविक कालावधी/वस्तू बनावट करू नका. हा मसुदा आहे, अंतिम मजकूर नाही.
तीन मिनी केसेस
केस 1 - थोडक्यात उल्लंघन टाळले. एक भर्ती करणारा त्याच्या वैयक्तिक वाहन खात्यात एकाच वेळी 60 CV पेस्ट करणार होता. संघप्रमुखाने मध्यस्थी केली; प्रक्रिया कॉर्पोरेट, डीपीए-सक्षम साधनामध्ये हलविण्यात आली आणि सीव्ही मुखवटा घालून त्यावर प्रक्रिया केली गेली. अशा प्रकारे, दोन्ही कार्यक्षमता राखली गेली आणि संभाव्य उल्लंघन आणि प्रशासकीय दंडाचा धोका दूर झाला.
केस 2 - उद्देश मर्यादेचे उल्लंघन. एका कंपनीने नंतर विपणन मोहिमेत भरतीसाठी गोळा केलेले उमेदवार ईमेल वापरले. हे "उद्देशाची मर्यादा" या तत्त्वाचे उल्लंघन होते आणि तक्रारीचा विषय होता. घटनेनंतर, HR ने प्रत्येक डेटासेटचा उद्देश आणि गैरवापर प्रतिबंधित करणारा नियम लागू केला.
केस 3 - स्टोरेज मर्यादा. एका संस्थेने वर्षानुवर्षे कामावर न घेतलेल्या उमेदवारांचे सीव्ही ठेवले. एआय-चालित इन्व्हेंटरीसह जुळलेला डेटा, उद्देश आणि धारणा कालावधी; कालबाह्य झालेल्या डेटाचा विनाश योजनेत समावेश करण्यात आला होता. अशा प्रकारे, दोन्ही कायदेशीर स्टोरेज मर्यादांचे पालन केले गेले आणि अनावश्यक जोखीम कमी झाली.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट: या उमेदवारांच्या माहितीचे मूल्यमापन करा. [खरे नाव, तुर्की आयडी, पगार, पूर्ण CV]
परिणाम: संवेदनशील वैयक्तिक डेटावर असुरक्षितपणे प्रक्रिया केली जाते; KVKK चे उल्लंघन आणि डेटा लीक होण्याचा धोका.
शक्तिशाली प्रॉम्प्ट: [मुखवटा घातलेला डेटा (उमेदवार 1/2, वय श्रेणी, वेतन बँड) + वस्तुनिष्ठ मर्यादा + "केवळ नोकरी-संबंधित निकष" + कॉर्पोरेट/मंजूर साधन + मानवी मान्यता रेटिंग]
परिणाम: वैयक्तिक डेटा उघड न करता समान विश्लेषणात्मक शक्ती; एक संरक्षणात्मक आणि कायदेशीर प्रक्रिया.
टीप: AI ला डेटा देण्यापूर्वी, याची चाचणी करा: "हा स्क्रीनशॉट लीक झाल्यास एखाद्याच्या गोपनीयतेला हानी पोहोचेल का?" उत्तर "होय" असल्यास, एकतर तो डेटा मास्क करा किंवा तो अजिबात देऊ नका. शंका असल्यास, डेटा कमी करण्याचा निर्णय घ्या.
सामान्य चुका
- असुरक्षित साधनाला कच्चा वैयक्तिक डेटा देणे. DPA शिवाय प्रशिक्षणात वापरलेली वाहने धोकादायक असतात.
- मास्किंग वगळणे. बहुतेक विश्लेषणांमध्ये नाव/TC/पूर्ण तारीख अनावश्यक आहे; ते काढून टाका.
- दुरुपयोग. विपणनासारख्या इतर कोणत्याही कारणासाठी भर्ती डेटा वापरू नका.
- अनिश्चित स्टोरेज. डेटा ठेवा ज्याचा उद्देश यापुढे विनाश योजनेवर नाही.
- संवेदनशील डेटाला कमी लेखणे. आरोग्य/दंड/धर्म डेटा अतिरिक्त संरक्षित आहे; AI मध्ये गुंतणे टाळा.
- कोणताही ट्रेस सोडू नका. आपण कोणत्या डेटासह काय करता हे आपण रेकॉर्ड न केल्यास, आपले ऑडिट केले जाऊ शकत नाही.
सारांशात
- HR मधील वैयक्तिक डेटा (CV, कार्यप्रदर्शन, वेतन, आरोग्य) KVKK च्या कार्यक्षेत्रात आहे; AI चा वापर देखील या तत्त्वांच्या अधीन आहे.
- डीपीए असलेली कॉर्पोरेट/मंजूर साधने निवडा आणि तुमचा डेटा प्रशिक्षणात वापरत नाहीत; कच्चा डेटा जेनेरिक टूल्समध्ये पेस्ट करू नका.
- उद्देश मर्यादा आणि डेटा मिनिमायझेशन: ज्या उद्देशासाठी तो गोळा केला गेला होता त्यासाठी फक्त आवश्यक डेटावर प्रक्रिया करा.
- मुखवटा आणि अनामिकरण बहुतेक विश्लेषणे सुरक्षित करतात; नाव/TC/पूर्ण तारखेऐवजी उपनाव आणि श्रेणी वापरा.
- AI प्रकटीकरण, संमती आणि धारणा दस्तऐवजांमध्ये मसुदे तयार करते; KVKK तज्ञाकडून कायदेशीर तपशील सत्यापित करा आणि त्या व्यक्तीवर परिणाम करणारा निर्णय व्यक्तीवर सोडा.
अर्ज कार्य
तुमच्याकडे असलेला CV किंवा कर्मचारी रेकॉर्ड घ्या (किंवा काल्पनिक). प्रथम त्यात वैयक्तिक डेटा फील्ड सूचीबद्ध करा आणि विचारा "विश्लेषणासाठी हे आवश्यक आहे का?" प्रत्येकासाठी. प्रश्नाचे उत्तर द्या. अनावश्यक काढून टाकून आणि आवश्यक (उमेदवार, वयोमर्यादा, वेतन बँड) मास्क करून सुरक्षित आवृत्ती तयार करा. एआयला फक्त या मास्क केलेल्या डेटासह नोकरी-संबंधित सारांश तयार करण्यास सांगा. तसेच एक संक्षिप्त उमेदवार प्रॉस्पेक्टस मसुदा तयार करा आणि कायदेशीर विधाने "सत्यापित करण्यासाठी" म्हणून चिन्हांकित करा.
चेकलिस्ट
- [ ] साधन वापरले कॉर्पोरेट/मंजूर आणि DPA-प्रमाणित आहे?
- [ ] डेटा कमी केला आहे (केवळ आवश्यक फील्ड)?
- नाव/आयडी/पूर्ण तारीख यांसारखे अभिज्ञापक मुखवटा घातलेले आहेत का?
- विशेष गुणवत्ता (आरोग्य, गुन्हेगारी, धार्मिक) डेटा प्रक्रियेतून वगळण्यात आला आहे का?
- [ ] डेटा ज्या उद्देशासाठी गोळा केला गेला होता त्यासाठीच वापरला जातो का?
- स्टोरेज कालावधी आणि नाश योजना निश्चित केली गेली आहे का?
- [ ] अंतिम निर्णयाचा परिणाम व्यक्तीमधील व्यक्तीवर होतो का?