नफा:
- हे AI टूल्समध्ये नागरिकांच्या वैयक्तिक डेटावर प्रक्रिया करताना KVKK तत्त्वे आणि डेटा मिनिमायझेशन लागू करते.
- हे एआय वापर धोरण, ऑडिट ट्रेल आणि जबाबदारीची साखळी समाविष्ट असलेल्या संस्थेसाठी एक प्रशासन फ्रेमवर्क स्थापित करते.
- हे सर्वसमावेशकपणे असा युक्तिवाद करते की जबाबदार सार्वजनिक AI मानवी निरीक्षण, पारदर्शकता आणि उत्तरदायित्वावर आधारित आहे.
या संपूर्ण मॉड्युलमध्ये, आम्ही पाहिले की AI सार्वजनिकपणे एक शक्तिशाली प्रवेगक आहे: नागरिकांच्या प्रश्नांना प्रतिसाद, याचिका आणि पत्रव्यवहार, विधान संशोधन, धोरण विश्लेषण, अहवाल, डेटा-आधारित निर्णय घेणे, ई-सरकार आणि पारदर्शकता. आता आम्ही फ्रेमवर्कवर आलो आहोत जे हे सर्व एकत्र ठेवते: वैयक्तिक डेटा संरक्षण आणि जबाबदार शासन. सार्वजनिक, त्याच्या स्वभावानुसार, नागरिकांच्या सर्वात संवेदनशील डेटावर प्रक्रिया करते: ओळख, पत्ता, उत्पन्न, आरोग्य, गुन्हेगारी रेकॉर्ड, कौटुंबिक परिस्थिती. AI साधनांसह या डेटावर प्रक्रिया करणे KVKK (वैयक्तिक डेटा संरक्षण कायदा क्र. ६६९८; वैयक्तिक डेटाच्या कायदेशीर, मर्यादित आणि सुरक्षित प्रक्रियेचे नियमन करणारा कायदा) च्या फ्रेमवर्कचे पूर्णपणे पालन करणे आवश्यक आहे. या अंतिम युनिटमध्ये, आम्ही सार्वजनिक AI वापराची गोपनीयता आणि प्रशासनाचा कणा स्थापित करू — कोणत्या साधनाला कोणता डेटा दिला जाऊ शकतो, कोणती धोरणे लागू होतात, कोण जबाबदार आहे, एखादी संस्था AI सुरक्षितपणे कसे व्यवस्थापित करते. हे युनिट मागील दहा युनिट्सवर ठेवलेले छप्पर आहे.
सार्वजनिक AI ला स्पर्श करणारी KVKK ची मूलभूत तत्त्वे
KVKK अनेक मूलभूत तत्त्वे सेट करते, त्यापैकी प्रत्येक थेट AI चा वापर मर्यादित करते:
- कायद्याचे पालन आणि उद्देशाचे पालन: वैयक्तिक डेटावर प्रक्रिया केवळ विशिष्ट, कायदेशीर हेतूसाठी केली जाते. एका उद्देशासाठी गोळा केलेला डेटा (उदाहरणार्थ, मदतीसाठी अर्ज करणे) दुसऱ्या उद्देशासाठी (उदाहरणार्थ, मॉडेलचे प्रशिक्षण) परवानगीशिवाय वापरला जाऊ शकत नाही.
- डेटा कमी करणे: हेतूसाठी आवश्यकतेपेक्षा जास्त डेटावर प्रक्रिया केली जात नाही. श्रेणी विश्लेषणासाठी नाव आवश्यक नसल्यास, कोणतेही नाव दिले जात नाही.
- सुरक्षा: डेटा अनधिकृत प्रवेशापासून संरक्षित आहे. सार्वजनिक AI टूलमध्ये नागरिकांचा डेटा पेस्ट केल्याने तो डेटा संस्थेच्या बाहेर घेतला जात आहे - हे सुरक्षा धोरणाचे उल्लंघन आहे.
- स्टोरेज कालावधी: उद्देश संपल्यावर डेटा हटवला जातो; ते अनिश्चित काळासाठी ठेवले जात नाही.
- माहिती आणि अधिकार: नागरिकांना त्यांच्या डेटावर प्रक्रिया कशी केली जाते, दुरुस्त करणे, हटवणे आणि स्वयंचलित निर्णयांवर आक्षेप घेण्याचा अधिकार आहे.
लक्ष द्या: संस्थेने मंजूर न केलेल्या सार्वजनिक एआय टूलवर नागरिकांचा डेटा अपलोड करणे, डेटा कोठे संग्रहित केला आहे आणि कोणाला त्यात प्रवेश आहे हे अस्पष्ट आहे, बहुतेक प्रकरणांमध्ये KVKK चे उल्लंघन आहे आणि संस्था मंजुरीसाठी उघडते. नियम कधीही "काम सोपे करण्यासाठी" वाकवले जात नाहीत.
कोणता डेटा, कोणत्या वाहनाला? तीन-झोन मॉडेल
नियमानुसार, डेटा तीन विभागांमध्ये विभाजित करा:
- लाल (सार्वजनिक वाहनात कधीही प्रवेश करत नाही): आयडी क्रमांक, आरोग्य, गुन्हेगार, धर्म, वांशिकता, बायोमेट्रिक्स, पूर्ण पत्ता, व्यक्तीची ओळख पटवणारी कोणतीही गोष्ट. संस्थेने मंजूर केलेल्या करारानुसार/घरातील आणि KVKK अनुरूप वातावरणातच ही प्रक्रिया केली जाते.
- पिवळा (काळजीपूर्वक, मास्क करून): डेटा जो अप्रत्यक्षपणे व्यक्तीशी जोडला जाऊ शकतो. प्रथम निनावी/एकत्रित करा, नंतर प्रक्रिया करा.
- हिरवा (विनामूल्य): अवैयक्तिक, सार्वजनिक, सामान्य माहिती (विधानिक मजकूर, सार्वजनिक आकडेवारी, सामान्य प्रक्रिया). तुम्ही AI सह सहजपणे यांवर प्रक्रिया करू शकता.
टीप: AI ला मजकूर देण्यापूर्वी, 5-सेकंद चाचणी करा: "या सामग्रीमध्ये एखादी व्यक्ती ओळखू शकेल असे काही आहे का?" जर उत्तर “होय/कदाचित,” असेल तर मास्क लावा किंवा मान्यताप्राप्त वाहन चालवा. शंका असल्यास, लाल रंगाचा विचार करा.
कॉर्पोरेट गव्हर्नन्स: व्यक्ती ते सिस्टम
जबाबदार सार्वजनिक AI वैयक्तिक नागरी सेवकांच्या चांगल्या इच्छेवर सोडले जाऊ शकत नाही; एक संस्थात्मक फ्रेमवर्क आवश्यक आहे:
- धोरण: संस्थेकडे एआय वापर धोरण असणे आवश्यक आहे: कोणती साधने मंजूर आहेत, कोणता डेटा प्रविष्ट केला जाऊ शकतो, कोण जबाबदार आहे.
- मंजूर साधनांची यादी: संस्थेने मूल्यमापन आणि मंजूर केलेली साधने कर्मचाऱ्यांनी वापरली पाहिजेत, यादृच्छिकपणे नाही.
- प्रशिक्षण: कर्मचाऱ्यांना सत्यापन शिस्त आणि डेटा क्षेत्रे माहित असणे आवश्यक आहे (या मॉड्यूलसारखे).
- रेकॉर्डिंग आणि ऑडिटिंग: AI सह तयार केलेल्या निर्णयांचे ऑडिट ट्रेल ठेवले पाहिजे.
- उत्तरदायित्व: प्रत्येक AI-शक्तीच्या आउटपुटमध्ये मानवी मालक आणि मान्यता असणे आवश्यक आहे. जबाबदारी वाहनाची नसून संस्था आणि अधिकारी यांची आहे.
- मानव-केंद्रित तत्त्व: मानवी संमतीशिवाय कोणताही अंतिम अधिकार-निर्मिती/प्रतिबंधित निर्णय घेतला जात नाही.
तीन लहान प्रकरणे
केस 1 - रेड डेटा लीक प्रतिबंधित. एक कर्मचारी सदस्य 1,200 लोकांच्या आरोग्य फायद्यांच्या यादीचा सारांश सार्वजनिक साधनावर अपलोड करणार होता. एजन्सीच्या मंजूर वाहन धोरण आणि "रेड डेटा" प्रशिक्षणाबद्दल धन्यवाद, ते थांबले; डेटावर इन-हाऊस मान्यताप्राप्त वातावरणात प्रक्रिया केली गेली आणि ओळख फील्ड मास्क केले गेले. KVKK चे संभाव्य उल्लंघन आणि हजारो लोकांचा विश्वास कमी होणे टाळले गेले.
केस 2 - गैरवापर. एका युनिटला निवडणूकपूर्व संप्रेषण योजनेसाठी पोहोचण्यासाठी गोळा केलेला डेटा वापरायचा होता. डेटा संरक्षण अधिकाऱ्याने उद्देशाचे पालन करण्याच्या तत्त्वाची आठवण करून दिली: हा डेटा ज्या उद्देशासाठी गोळा केला गेला होता त्या बाहेरचा वापर होता आणि तो बेकायदेशीर होता. विनंती नाकारण्यात आली.
प्रकरण 3 - गव्हर्नन्स गॅप बंद. एका नगरपालिकेत वेगवेगळी युनिट्स नियंत्रणाशिवाय वेगवेगळी एआय साधने वापरत होती; कोणता डेटा कुठे गेला हे कोणालाच कळत नव्हते. एजन्सीने एआय वापर धोरण, मंजूर वाहन यादी आणि ऑडिट ट्रेल सादर केले; 3 महिन्यांत, नोंदणी नसलेल्या वाहनांचा वापर 90% ने कमी झाला आणि डेटा इन्व्हेंटरी तयार झाली.
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) डेटा क्षेत्र वर्गीकरण (वाहन निर्यात करण्यापूर्वी):
तुमची भूमिका: डेटा संरक्षण सल्लागार. एआय एजंटला देण्यापूर्वी खालील सामग्रीचे वर्गीकरण करा: लाल (व्यक्तीची ओळख पटवते, सार्वजनिक वाहनात कधीही प्रवेश करत नाही), पिवळा (अप्रत्यक्षपणे कनेक्ट करण्यायोग्य, मास्क), हिरवा (वैयक्तिक नसलेला, विनामूल्य). लाल/पिवळे भाग एक-एक करून चिन्हांकित करा आणि त्यांना मास्क कसे करायचे ते सांगा. संशयिताला लाल म्हणून मोजा. सामग्री: [मजकूर]
२) मास्किंग/अनामितीकरण:
खालील मजकूरावर प्रक्रिया करण्यापूर्वी सर्व वैयक्तिक डेटा अनामित करा: नाव -> [व्यक्ती-1], आयडी क्रमांक -> [ओळख], पत्ता ->[पत्ता], आरोग्य/दंड -> [संवेदनशील]. त्याच व्यक्तीला टॅग करा. अनामित मजकूर स्वतंत्रपणे निर्यात करा. आउटपुटमध्ये वास्तविक डेटा कधीही लिहू नका. मजकूर: [मजकूर]
3) KVKK अनुपालन चेकलिस्ट (एआयच्या वापरासाठी):
तुमची भूमिका: KVKK अनुपालन विशेषज्ञ. खालील AI वापरासाठी अनुपालन चेकलिस्ट तयार करा: (1) कायदेशीर आणि विशिष्ट प्रक्रियेचा उद्देश आहे, (2) ते उद्देशाशी जोडलेले आहे (ते दुसऱ्या उद्देशाकडे वळत आहे), (3) ते ऑप्टिमाइझ केलेले आहे का, (4) साधन सुरक्षित/मंजूर आहे, (5) धारणा कालावधी निश्चित आहे, (6) नागरिक हक्क (आक्षेप) संरक्षित आहेत. हरवलेल्या वस्तूंना लाल ध्वजासह चिन्हांकित करा. वापर: [पाककृती]
4) कॉर्पोरेट AI धोरण फ्रेमवर्क:
तुमची भूमिका: सार्वजनिक IT प्रशासन तज्ञ. आमच्या संस्थेसाठी AI वापर धोरण फ्रेमवर्क तयार करा: व्याप्ती, मंजूर साधने, डेटा झोन (लाल/पिवळा/हिरवा), प्रतिबंधित वापर, मानवी मान्यता बिंदू, ऑडिट ट्रेल, जबाबदाऱ्या, प्रशिक्षण आणि उल्लंघन सूचना. प्रत्येक शीर्षक 1-2 वाक्यांसह भरा. संस्था: [युनिट आणि ठराविक नोकऱ्या]
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत: "संदर्भांची ही यादी सारांशित करा."
सशक्त: "तुमची भूमिका डेटा संरक्षण सल्लागार आहे. प्रथम, ही सूची डेटा क्षेत्रानुसार वर्गीकृत करा (लाल/पिवळा/हिरवा) आणि त्या व्यक्तीला ओळखणारी सर्व फील्ड चिन्हांकित करा. लाल/पिवळ्या फील्डला [PERSON]/[IDENTITY]/[संवेदनशील] सह मास्क करा, त्याच व्यक्तीला समान लेबल ठेवा. केवळ अनामित श्रेणी सारांश तयार करा; शेवटी वैयक्तिक डेटा लिहू नका, वास्तविक डेटा लिहू नका. KVKK (उद्देश, स्टोरेज, वाहन सुरक्षा) जोडण्याच्या दृष्टीने या प्रक्रियेकडे लक्ष देणे आवश्यक आहे ते लक्षात ठेवा."
फरक: शक्तिशाली प्रॉम्प्ट डेटावर प्रक्रिया करण्यापूर्वी KVKK तत्त्वांचे वर्गीकरण, मुखवटा, कमी आणि समाकलित करते.
डेटा प्रदेश आणि नियम
प्रदेश
उदाहरण
नियम
लाल
टीआर आयडी क्रमांक, आरोग्य, दंड, पूर्ण पत्ता
सार्वजनिक वाहनात कधीही प्रवेश करू नका; मंजूर वातावरण
पिवळा
वय+शेजार+व्यवसाय, अप्रत्यक्ष ओळखकर्ता
मुखवटा/एकत्रित करा, नंतर प्रक्रिया करा
हिरवा
कायदे, सार्वजनिक आकडेवारी, सामान्य प्रक्रिया
फ्रीलान्स काम
सामान्य चुका
- सार्वजनिक साधनात लाल डेटा निर्यात करत आहे. सर्वात गंभीर उल्लंघन; आयडी/आरोग्य/दंड डेटा मंजूर वातावरण सोडत नाही.
- दुरुपयोग. एका उद्देशासाठी संकलित केलेला डेटा दुसऱ्या उद्देशासाठी (मॉडेल ट्रेनिंग, कम्युनिकेशन) परवानगीशिवाय वापरणे कायद्याच्या विरोधात आहे.
- खूप जास्त डेटावर प्रक्रिया करत आहे. हेतूसाठी अनावश्यक फील्ड (नाव, पत्ता) हलवू नका; कमी करा.
- परवानगीशिवाय वाहन चालवणे. संस्थेने मूल्यांकन केलेले नाही अशा वाहनांमध्ये डेटा कुठे जातो हे स्पष्ट नाही.
- धारणा कालावधी निश्चित करत नाही. उद्देश पूर्ण झाल्यावर डेटा हटवला पाहिजे; अनिश्चित काळासाठी ठेवू नये.
- जबाबदारी वाहनावर टाकली. आउटपुट मानवाच्या मालकीचे आणि मंजूर केले जाते; "एआयने ते केले" हा बचाव नाही.
सारांशात
जबाबदार सार्वजनिक AI साठी फ्रेमवर्क वैयक्तिक डेटा संरक्षण आणि कॉर्पोरेट प्रशासन आहे. KVKK तत्त्वे — उद्देशपूर्णता, कमी करणे, सुरक्षितता, धारणा मर्यादा, नागरिकांचे हक्क — AI चा कोणताही वापर मर्यादित करतात. लाल/पिवळा/हिरव्या झोनमध्ये डेटा विभक्त करा, सार्वजनिक साधनाला कधीही लाल देऊ नका, वैयक्तिक डेटा मास्क करा, केवळ मंजूर साधने वापरा आणि प्रत्येक निर्णयाशी मानवी मालकाशी कनेक्ट करा. संस्थात्मक स्तरावरील धोरण, मंजूर वाहन यादी, प्रशिक्षण आणि तपासणी रेकॉर्ड; व्यक्ती स्तरावर पडताळणीची शिस्त. अशा प्रकारे, AI नागरिकांच्या हक्कांचे संरक्षण करून जनतेची सेवा करते.
अर्ज कार्य
तुमच्या युनिटमध्ये तुम्ही केलेला (किंवा बनवण्याचा विचार करत आहात) वास्तविक AI वापरा. "डेटा प्रदेश वर्गीकरण" टेम्प्लेटसह तुम्ही लाल/पिवळा/हिरव्या रंगात प्रक्रिया कराल ती सामग्री विभक्त करा. "KVKK अनुपालन चेकलिस्ट" टेम्पलेट लागू करा आणि किमान एक गहाळ/जोखमीचा मुद्दा शोधा. शेवटी, "कॉर्पोरेट AI पॉलिसी स्केलेटन" सह तुमच्या युनिटसाठी योग्य असलेली छोटी पॉलिसी तयार करा.
चेकलिस्ट
- मी सामग्री लाल/पिवळा/ग्रीन झोनमध्ये विभागली आहे; मी संशयिताला लाल म्हणून मोजले.
- [ ] मी सार्वजनिक साधनाला लाल डेटा प्रदान केला नाही; मी मान्यताप्राप्त माध्यम वापरले.
- [ ] मी वैयक्तिक डेटा मास्क केला आहे आणि अनावश्यक फील्ड काढले आहेत (कमीतकमी).
- मी प्रक्रियेचा उद्देश, स्टोरेज कालावधी आणि वाहन सुरक्षा तपासली आहे.
- मी नागरिकांचे आक्षेप/हटवण्याच्या अधिकारांचे निरीक्षण केले आहे.
- [ ] मी प्रत्येक आउटपुटला मानवी मालक आणि मान्यता संलग्न केली आहे; मी ऑडिट ट्रेल ठेवला.
मॉड्यूल परीक्षा
1. सार्वजनिक अधिकारी या नात्याने, AI ला नोकरी सोपवण्यापूर्वी तुम्ही कोणता सर्वोत्तम प्राधान्य प्रश्न विचारला पाहिजे?
- अ) हे आउटपुट चुकीचे असल्यास नागरिकांचे काय नुकसान होते? ✔
- ब) एआय हे काम किती वेगाने करू शकते?
- क) हे एआय टूल मोफत आहे का?
- ड) दुसरे युनिट देखील हे आउटपुट वापरेल का?
स्पष्टीकरण: आउटपुट चुकीचे असल्यास नागरिकांचे होणारे नुकसान लक्षात घेऊन हस्तांतरणाचा निर्णय घेतला जातो. पुनर्लेखनाची काही मिनिटे असल्यास नुकसान सहजपणे हस्तांतरित केले जाते; अयोग्य नकार, चुकीचा दंड किंवा अधिकार गमावल्यास, AI फक्त मसुदा तयार करते, निर्णय आणि पडताळणी अधिकाऱ्याच्या मालकीची असते.
2. जेव्हा AI अस्तित्वात नसलेला कायदा किंवा बनावट न्यायालयाचा निर्णय वास्तविक म्हणून सादर करते तेव्हा त्याला काय म्हणतात?
- अ) कॅशिंग
- ब) ट्रायज
- क) अनामिकरण
- ड) भ्रम ✔
स्पष्टीकरण: जेव्हा AI आत्मविश्वासाने प्रत्यक्षात अस्तित्वात नसलेली माहिती तयार करते (बनावट पदार्थ, रद्द केलेले नियमन, चुकीची संख्या). कायद्याच्या क्षेत्रात, हे सर्वात धोकादायक जोखमींपैकी एक आहे, कारण यामुळे अधिकारांचे नुकसान होऊ शकते आणि प्रशासकीय कारवाई रद्द होऊ शकते.
3. YZ ने निदर्शनास आणलेल्या नियमन लेखाच्या आधारे एक अधिकारी अर्ज नाकारणार आहे. सर्वात योग्य वर्तन कोणते आहे?
- अ) AI थेट नकार लिहितो कारण तो आत्मविश्वासपूर्ण वाटतो
- ब) तोच प्रश्न दुसऱ्या AI वाहनाला विचारा आणि पुष्टीकरण मिळवा
- C) Çözüm.gov.tr वरील वर्तमान एकत्रित मजकूरावरून लेखाची पुष्टी करते ✔
- ड) तोंडी निर्णय वरिष्ठांना विचारतो
वर्णन: AI चा प्रशिक्षण डेटा एका विशिष्ट तारखेला गोठवला जातो; तो दर्शवित असलेला लेख कदाचित रद्द किंवा बदलला गेला असेल. Çözüm.gov.tr वरील वर्तमान एकत्रित मजकूरावरून लेख अंमलात असल्याची पुष्टी करणे आणि त्याची अंतिम आवृत्ती निर्णयापूर्वी अयोग्य नकार आणि संभाव्य रद्दीकरण खटला प्रतिबंधित करते.
4. नागरिक चॅटबॉटसाठी 'मला माहित नाही, मी तुमची एका अधिकाऱ्याकडे बदली करत आहे' असे म्हणण्यास सक्षम असणे ही गुणवत्ता आश्वासन का आहे?
- अ) उलाढाल दर वाढवून आकडेवारी सुधारते
- ब) खात्री नसताना मानवांना माहिती सोपवून चुकीची माहिती रोखते ✔
- क) नागरिकांचे लक्ष विचलित करून कॉल टाइम वाढवतो
- ड) चॅटबॉटला कमी प्रश्न प्राप्त करण्यास अनुमती देते
स्पष्टीकरण: सार्वजनिकरित्या, विश्वासार्ह चुकीचे उत्तर प्रामाणिकपणे घेण्यापेक्षा खूप महाग आहे; त्यामुळे अधिकारांचे नुकसान होते आणि संस्थेवर अविश्वास निर्माण होतो. अनिश्चित असताना चॅटबॉटची मानवाला सोपवण्याची क्षमता ही एक सुरक्षितता यंत्रणा आहे जी भ्रामक चुकीच्या माहितीला प्रतिबंध करते.
5. AI सह अधिकृत पत्रव्यवहार 'सरळ' करताना विचारात घेण्याचा सर्वात महत्त्वाचा धोका कोणता आहे?
- अ) मजकूर खूप लहान आहे
- ब) फॉन्ट बदलणे
- क) अट किंवा अपवाद सोडणे ✔
- ड) पत्त्याच्या नावाचे चुकीचे स्पेलिंग
स्पष्टीकरण: शैलीबद्ध अनुकूलन सामग्री बदलू नये. सरलीकरण करताना, एआय कधीकधी अपवाद, स्थिती किंवा कालावधी कमी करते. म्हणून, सरलीकृत मजकुराची नेहमी मूळ निर्णय किंवा कायद्याशी तुलना केली पाहिजे.
6. नाव आणि T.R. डेटा सेटमध्ये. 'परिसर + जन्म वर्ष + अपंगत्वाचा प्रकार' या संयोगाने एखादी व्यक्ती ओळखपत्र क्रमांक डिलीट झाला असला तरीही त्याला काय म्हणायचे?
- अ) पुनर्व्याख्या ✔
- ब) डेटा कमी करणे
- क) कव्हरेज दर
- ड) एकत्रीकरण
स्पष्टीकरण: री-ओडेंटिफिकेशन म्हणजे निनावी समजल्या जाणाऱ्या डेटामधून अप्रत्यक्ष अभिज्ञापकांच्या संयोजनाद्वारे एखाद्या व्यक्तीला शोधणे. एकाच व्यक्तीमध्ये दुर्मिळ श्रेणी आढळल्यास, नाव हटविणे पुरेसे नाही; अतिरिक्त उपाय आवश्यक आहेत, जसे की वय श्रेणीमध्ये रूपांतरित करणे आणि दुर्मिळ श्रेणी एकत्र करणे.
7. एखाद्या तपासणी मॉडेलने भूतकाळात मोठ्या प्रमाणावर तपासणी केलेल्या अतिपरिचित क्षेत्राला 'जोखमीचे' म्हणून चिन्हांकित केले आणि तेथे अधिक तपासण्या पाठवल्यास याला काय म्हणतात, जे मॉडेलला तो अतिपरिचित क्षेत्र अधिक धोकादायक म्हणून पाहण्यास प्रवृत्त करते?
- अ) डेटा कमी करणे
- ब) भ्रम
- क) अनामिकरण
- ड) फीडबॅक लूप ✔
स्पष्टीकरण: फीडबॅक लूप म्हणजे जेव्हा मॉडेलचे आउटपुट त्यानंतरच्या प्रशिक्षण डेटावर परिणाम करते, विद्यमान पूर्वाग्रह मजबूत करते. हा फरक वास्तविक जोखमीत नाही तर जिथे दिसतो तिथे वाढतो. स्वतःचे रक्षण करण्याचा मार्ग म्हणजे परिणामाचे निरीक्षण करणे, आउटपुटवर नव्हे आणि निर्णयांचे गट-आधारित वितरण नियंत्रित करणे.
8. लाभ अर्ज पूर्णपणे ऑनलाइन हलवल्यानंतर, पहिल्या महिन्यात अर्जांची संख्या 30 टक्क्यांनी घसरली. याचे सर्वात संभाव्य स्पष्टीकरण काय आहे?
- अ) नागरिकांच्या खऱ्या गरजा कमी झाल्या आहेत
- ब) इंटरनेट आणि डिजिटल साक्षरता नसलेले नागरिक वगळले ✔
- क) व्याज कमी झाले कारण मदतीची रक्कम कमी झाली
- ड) प्रणालीने सर्व अर्ज आपोआप मंजूर केले
वर्णन: डिजिटल डिव्हाईड म्हणजे इंटरनेट ॲक्सेस किंवा डिजिटल साक्षरता नसलेल्या नागरिकांना सेवांमध्ये प्रवेश करण्याची अक्षमता. संख्या कमी होते कारण सर्वात गरजू गट, वृद्ध आणि इंटरनेट नसलेले नागरिक अर्ज करू शकत नाहीत. पर्यायी चॅनेल सोडणे हा उपाय आहे, जसे की असिस्टेड रेफरल पॉइंट.
9. वार्षिक अहवालातील वास्तविक यशाचा दर 63 टक्के असला तरी, YZ द्वारे उत्पादित कार्यकारी सारांश 'बहुसंख्य अर्ज सकारात्मक होते.' योग्य वर्तन काय आहे?
- अ) अभिव्यक्ती तशी ठेवली जाते कारण ती सकारात्मक आहे.
- ब) गुणोत्तर हटवले जाते आणि केवळ गुणात्मक अभिव्यक्ती वापरली जाते
- क) अभिव्यक्ती वास्तविक संख्या 63 टक्के सह बदलली आहे ✔
- ड) अहवालातून सारांश पूर्णपणे काढून टाकला आहे
स्पष्टीकरण: सार्वजनिक अहवालातील अतिशयोक्तीपूर्ण सकारात्मक धारणा नंतरच्या ऑडिटमध्ये संस्थेला कठीण परिस्थितीत आणते. कार्यकारी सारांशातील प्रत्येक दाव्याची तुलना कच्च्या डेटाशी केली पाहिजे आणि वास्तविक संख्या (63 टक्के) लिहिली पाहिजे; लेखापरीक्षण केल्याशिवाय AI सारांश अहवालात समाविष्ट केले जात नाहीत.
10. सार्वजनिक क्षेत्रातील डेटा-आधारित निर्णय घेताना, जर 'मासिक बंद केलेल्या फाईल्सची संख्या' वाढते आणि 'प्रथम संपर्कात रिझोल्यूशन रेट' कमी होत असेल, तर हे आपल्याला प्रथम काय शिकवते?
- अ) संख्येचा गुणाकार करण्यापेक्षा योग्य निर्देशक निवडणे अधिक महत्त्वाचे आहे ✔
- ब) कर्मचाऱ्यांची संख्या वाढवायला हवी
- क) आलेख रंगीत असावेत
- ड) चॅटबॉटने अधिक प्रश्नांची उत्तरे दिली पाहिजेत
स्पष्टीकरण: चुकीचा निर्देशक योग्य डेटासह देखील चुकीचा निर्णय घेतो. फाइल्स त्वरीत बंद आणि पुन्हा उघडल्या जाऊ शकतात. योग्य निर्देशक निवडणे आणि निर्देशक एकत्रितपणे वाचणे केवळ दिशाभूल करणाऱ्या संख्येवर आधारित बढाई मारणे प्रतिबंधित करते.
11. एका तक्त्यामध्ये, अनुलंब अक्ष शून्याऐवजी 40 ने सुरू होतो आणि 2 टक्के वाढ नाटकीय उडी सारखी दिसते हे कोणत्या समस्येचे उदाहरण आहे?
- अ) भ्रम
- ब) डेटा कमी करणे
- क) डिजिटल विभाजन
- ड) दिशाभूल करणारे व्हिज्युअलायझेशन ✔
स्पष्टीकरण: दिशाभूल करणारे व्हिज्युअलायझेशन म्हणजे शून्यापासून सुरू होणारे अक्ष, विषम प्रमाण किंवा निवडलेला कालावधी यासारख्या तंत्रांद्वारे समज विकृत करणे. हा सार्वजनिक डेटामधील प्रामाणिक व्हिज्युअल गव्हर्नन्सचा भाग आहे; अक्ष शून्यावर खेचून वास्तविक सारणी दर्शविली पाहिजे.
12. प्रशासकीय कारवाईचे औचित्य म्हणून 'एआयने ते लिहिले' असे म्हणणे का अस्वीकार्य आहे?
- अ) कारण AI टूल्स खूप महाग आहेत
- ब) प्रशासकीय कारवाई न्याय्य असणे आवश्यक आहे आणि जबाबदारी अधिकाऱ्याची आहे ✔
- क) कारण AI ला तुर्की भाषा येत नाही
- ड) कारण नागरिकांना AI आवडत नाही
स्पष्टीकरण: प्रशासकीय कृती तर्कसंगत आणि ऑडिट करण्यायोग्य असणे आवश्यक आहे; जबाबदारी AI ची नाही तर सार्वजनिक अधिकारी आणि संस्था यांची आहे जी त्याची पडताळणी न करता आउटपुट वापरतात. 'एआयने असे म्हटले' हे औचित्य नाही आणि प्रशासकीय कारवाई टिकवत नाही.
13. सार्वजनिक क्षेत्रातील AI चा वापर खाजगी क्षेत्रापासून वेगळे करणारी चार तत्त्वे कोणती आहेत आणि ती देखील पाळली पाहिजेत?
- अ) गती, स्वस्तता, नफा, स्पर्धा
- ब) ऑटोमेशन, स्केल, मार्केटिंग, ब्रँड
- क) समानता, पारदर्शकता, जबाबदारी, वैयक्तिक डेटाचे संरक्षण ✔
- ड) गोपनीयता, गोपनीयता, गोपनीयता आणि गोपनीयता
स्पष्टीकरण: ज्या कामांमध्ये सार्वजनिक शक्ती वापरली जाते, AI समानता (समान परिस्थितीचा समान उपचार), पारदर्शकता (निर्णयाच्या औचित्याचे स्पष्टीकरण), जबाबदारी (प्रत्येक व्यवहार आणि ऑडिट ट्रेलसाठी जबाबदार) आणि वैयक्तिक डेटाचे संरक्षण (KVKK) या तत्त्वांद्वारे तयार केले जाते.
14. एखाद्या दुर्मिळ दस्तऐवजाच्या प्रकाराची खात्री नसल्यास स्वयंचलित प्रीफ्लाइट सिस्टमने काय करावे?
- अ) अर्ज शांतपणे नाकारणे
- ब) मानवी पुनरावलोकनासाठी अर्ज अग्रेषित करणे ✔
- क) अर्ज आपोआप मंजूर करा
- ड) अर्ज हटवा
स्पष्टीकरण: चांगले ऑटोमेशन मॉडेलला मूकपणे नाकारण्याऐवजी अधिकाऱ्याकडे निर्देशित करते जेव्हा ते अनिश्चित असते. अन्यथा, वैध अर्ज अंधस्थळी पडतील आणि बळी पडतील. लोकांना निर्णयाच्या टप्प्यावर ठेवणे हा अपवाद व्यवस्थापनाचा आधार आहे.