नफा:
- संवेदनशीलता वर्ग (सार्वजनिक / अंतर्गत / गोपनीय / शीर्ष गुप्त) नुसार माहितीचे मूल्यांकन करण्याची क्षमता आणि 'विचारा वर्ग, टूल जुळवा' प्रतिक्षेप लागू करण्याची क्षमता
- डेटा स्टोरेज, मॉडेल प्रशिक्षण, संकलन आणि AI चे उल्लंघन जोखीम समजून घेणे आणि खुले आणि वर्गीकृत जग वेगळे ठेवणे
- किमान डेटा तत्त्वाचा अवलंब करण्याची क्षमता, वैयक्तिक डेटा संरक्षण आणि अनिश्चित माहितीचे संरक्षण करण्याची शिस्त जसे की ती उच्च श्रेणी आहे.
मुत्सद्दीपणा विश्वासावर आधारित आहे आणि विश्वास गुप्ततेवर आधारित आहे. वाटाघाटीची स्थिती, बुद्धिमत्ता मूल्यमापन, संभाषणकर्त्याशी संभाषणाची सामग्री किंवा अद्याप जाहीर न केलेला निर्णय, चुकीच्या हातात, एखाद्या राज्याचे हित, वाटाघाटीचा परिणाम किंवा लोकांच्या सुरक्षिततेला धोका पोहोचवू शकतो. कृत्रिम बुद्धिमत्ता या क्षेत्रात प्रचंड गती आणते, परंतु त्यात नवीन आणि गंभीर गोपनीय धोके देखील आहेत. या युनिटमध्ये, तुम्ही आर्टिफिशियल इंटेलिजन्सच्या युगात वर्गीकृत आणि संवेदनशील माहितीचे संरक्षण कसे करावे, कोणता डेटा कोणत्या वाहनात प्रवेश करू शकतो आणि सुरक्षित वापराची शिस्त शिकू शकाल.
हे युनिट मॉड्यूलचा सर्वात गंभीर सुरक्षा धडा आहे. येथे एक चूक — चुकीच्या टूलमध्ये गोपनीय दस्तऐवज पेस्ट करणे — अपरिवर्तनीय आहे. म्हणून, लक्षात ठेवणे आवश्यक असलेले प्रतिक्षेप येथे स्थापित केले जाईल: एआय टूलला कोणताही डेटा देण्यापूर्वी, नेहमी विचारा: हा डेटा कोणत्या वर्गात आहे आणि हे साधन या वर्गासाठी मंजूर आहे का?
माहिती वर्गीकरण: मूलभूत फरक
मुत्सद्दी माहितीचे अनेकदा त्याच्या संवेदनशीलतेनुसार वर्गीकरण केले जाते. जरी ते संस्थेनुसार बदलत असले तरी, मूलभूत तर्क हे आहे:
- अवर्गीकृत/सार्वजनिक: आधीच प्रकाशित केलेली आणि सार्वजनिकरित्या प्रवेशयोग्य असलेली माहिती. उदाहरण: अधिकृत प्रेस प्रकाशन, सार्वजनिक बातम्या.
- प्रतिबंधित/अंतर्गत: सार्वजनिकरित्या उपलब्ध नसलेली परंतु कमी संवेदनशीलता असलेली अंतर्गत माहिती.
- गोपनीय: ज्या माहितीचा खुलासा राज्याच्या हितास गंभीरपणे हानी पोहोचवू शकतो. उदाहरण: वाटाघाटी स्थिती, अंतर्गत मूल्यमापन.
- शीर्ष गुप्त: माहिती ज्याच्या प्रकटीकरणामुळे सर्वात गंभीर नुकसान होईल. उदाहरण: संवेदनशील बुद्धिमत्ता, गंभीर सुरक्षा माहिती.
थंबचा नियम सोपा आहे: सार्वजनिकरित्या उपलब्ध नसलेली कोणतीही वर्गीकृत माहिती एआय टूलमध्ये प्रविष्ट केली जाणार नाही जी तुमच्या संस्थेने त्या वर्गासाठी मंजूर केलेली नाही. सार्वजनिक AI सेवा, व्याख्येनुसार, माहितीच्या या वर्गासाठी प्रमाणित नाही.
टीप: तुम्हाला खात्री नसल्यास, माहितीला वरिष्ठांप्रमाणे हाताळा. "हे कदाचित आधीच ज्ञात आहे" असे म्हणणे धोकादायक अंदाज आहे. माहिती सार्वजनिक असल्याची तुम्हाला 100 टक्के खात्री होईपर्यंत, ती गोपनीय असल्यासारखे संरक्षित करा. अनावश्यक सावधगिरी ही किंमत नाही, ती एक आश्वासन आहे.
AI च्या गोपनीयतेचे धोके
AI टूल्स पारंपारिक सॉफ्टवेअरपेक्षा भिन्न गोपनीयता धोके देतात:
1. डेटा प्रोसेसिंग आणि स्टोरेज: तुम्ही सार्वजनिक AI सेवेला लिहित असलेला मजकूर त्या सेवेच्या सर्व्हरवर प्रक्रिया करून संग्रहित केला जाऊ शकतो. ते कोण ॲक्सेस करते, ते किती काळ ठेवले जाते आणि ते कसे वापरले जाते हे तुम्ही नियंत्रित करू शकत नाही.
2. मॉडेल प्रशिक्षणात वापरा: काही सेवा मॉडेल सुधारण्यासाठी तुम्ही प्रविष्ट केलेला डेटा वापरू शकतात. यामुळे तुमची गोपनीय माहिती मॉडेलच्या "मेमरी" मध्ये अप्रत्यक्षपणे प्रवेश करेल आणि इतरांना लीक होईल असा धोका निर्माण होतो.
3. एकत्रीकरण धोका: वैयक्तिकरित्या निरुपद्रवी वाटणाऱ्या माहितीचे तुकडे एकत्रित केल्यावर एक संवेदनशील चित्र तयार करू शकतात. वेगवेगळ्या वेळी प्रविष्ट केलेल्या माहितीचे छोटे तुकडे एकत्रितपणे गुप्त स्थान देऊ शकतात.
4. प्रवेश आणि उल्लंघनाचा धोका: कोणत्याही बाह्य प्रणालीप्रमाणे, AI सेवा डेटा उल्लंघनाच्या अधीन असू शकतात. आपण प्रदान केलेला डेटा त्या उल्लंघनामध्ये उघड होऊ शकतो.
या जोखमींवर उपाय म्हणजे दोन स्वतंत्र जगे स्थापित करणे: मुक्त स्त्रोत कार्यासाठी सामान्य साधने; केवळ इन-हाउस, सुरक्षित, मंजूर सिस्टीम ज्या वर्गीकृत कामासाठी डेटा निर्यात करत नाहीत. दोन्ही कधीही मिसळू नका.
लक्ष द्या: "मी ते निनावी केले" असे म्हणणे अनेकदा पुरेसे नसते. तुम्ही नावे हटवली तरीही, संदर्भ (तारीख, स्थान, कार्यक्रम, पक्षांची संख्या) ओळख आणि स्थान सुधारण्यासाठी तज्ञांना पुरेसा असू शकतो. खरी संवेदनशील माहिती मुखवटा लावून नव्हे तर साधने आणि माध्यमांच्या योग्य निवडीद्वारे संरक्षित केली जाते.
सुरक्षित वापर शिस्त
एक व्यावहारिक नियंत्रण प्रवाह सेट करा:
- वर्ग निश्चित करा. हा डेटा सार्वजनिक, अंतर्गत, गोपनीय किंवा सर्वोच्च गुप्त आहे?
- वाहनाची जोडणी करा. या टूलमध्ये या वर्गावर प्रक्रिया करता येईल का? नसेल तर थांबा.
- किमान डेटा धोरण. काम करण्यायोग्य नोकरीवरही, नोकरीसाठी आवश्यकतेपेक्षा जास्त माहिती देऊ नका.
- वैयक्तिक डेटा संरक्षित करा. वैयक्तिक डेटा (नाव, संपर्क, स्थान) आवश्यक असल्यास आणि कायदेशीर आधारावर प्रक्रिया केली जाते; अनावश्यक असल्यास, ते मुखवटा घातलेले आहे किंवा अजिबात दिलेले नाही.
- रेकॉर्ड ठेवा. आपण कोणत्या कामासाठी कोणते साधन वापरले, कोणत्या डेटासह दस्तऐवज; काही अडचण असल्यास ती शोधता येते.
टीप: तुमच्या कार्यसंघामध्ये "प्रथम गोपनीयता" संस्कृती स्थापित करा: नवीन लिपिक किंवा इंटर्नने पहिल्या दिवसापासून "कोणतेही गोपनीय दस्तऐवज सार्वजनिक डोमेनमध्ये प्रवेश करू नये" हे प्रतिक्षेप शिकले पाहिजे. बहुतेक उल्लंघन हे द्वेषामुळे होत नाहीत तर वाहन किती खुले आहे हे माहित नसल्यामुळे होते.
तीन लहान प्रकरणे
केस 1 - रिफ्लेक्सने उल्लंघन टाळले. एक तज्ज्ञ मुलाखतीच्या नोटचा सारांश देणार होता जेव्हा त्याने थांबवले आणि त्याचे वर्गीकरण विचारले: ही चिठ्ठी संभाषणकर्त्याशी केलेले गोपनीय संभाषण होते. सार्वजनिक साधनांऐवजी इन-हाऊस सुरक्षित प्रणालीवर स्विच केले. एक साधा "वर्ग प्रथम विचारा" रिफ्लेक्सने उल्लंघन टाळले.
केस 2 - संकलनाचा धोका ओळखला गेला. एक संघ वेगवेगळ्या दिवशी बाह्य साधनामध्ये लहान, वरवर "निरुपद्रवी" माहितीचे तुकडे इनपुट करेल. सुरक्षा पुनरावलोकनाने दर्शविले की एकत्रित केल्यावर, या तुकड्यांनी आगामी वाटाघाटीचा अजेंडा दिला. अर्ज थांबवला आहे; काम सुरक्षित वातावरणात हलवण्यात आले.
केस 3 - बनावट निनावीपणा. एका लिपिकाने एक दस्तऐवज "निनावी" मानला कारण त्याने नावे हटवली होती आणि बाहेरील एजंटला दिली होती. तथापि, दस्तऐवजातील तारीख, ठिकाण आणि कार्यक्रमाचे वर्णन कोणाला अभिप्रेत आहे हे स्पष्ट केले. नाव हटवणे पुरेसे नव्हते; तरीही दस्तऐवजावर सुरक्षित वातावरणात प्रक्रिया केली गेली पाहिजे.
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) वर्ग आणि वाहन पूर्व तपासणी:
मी खाली कामाचे वर्णन करेन. मला सांगा (काम करू नका): (1) या डेटामध्ये कोणता संवेदनशीलता वर्ग असू शकतो (सार्वजनिक/अंतर्गत/गुप्त/टॉप सीक्रेट), (2) सार्वजनिक AI टूलमध्ये या वर्गावर प्रक्रिया केली जावी, (3) नसल्यास, कोणत्या प्रकारचे वातावरण आवश्यक आहे. नोकरी/डेटा वर्णन: [येथे]
2) वैयक्तिक डेटा स्कॅनिंग आणि मास्किंग:
वैयक्तिक/संवेदनशील डेटा (नाव, शीर्षक, संपर्क, स्थान, आरोग्य, आयडी क्रमांक) सूचीबद्ध करा ज्यावर प्रक्रिया करण्यापूर्वी खालील मजकुरात मुखवटा घातलेला असणे आवश्यक आहे. मजकूरावर प्रक्रिया करत आहे; फक्त मला सांगा की कोणती क्षेत्रे काढायची आहेत. मी मास्किंग करून पुन्हा पाठवीन. मजकूर: [येथे]
3) संकलन जोखीम मूल्यांकन:
मी माहितीचे खालील तुकडे स्वतंत्रपणे बाह्य साधनावर निर्यात करण्याचा विचार करत आहे: [तुकडे]. जरी हे वैयक्तिकरित्या निरुपद्रवी वाटत असले तरी, एकत्रित केल्यावर ते एक संवेदनशील चित्र (उदा. स्थान, अजेंडा, ओळख) तयार करू शकतात? संकलनाच्या जोखमीचे मूल्यांकन करा आणि कोणत्या वस्तू एकत्र देऊ नयेत ते सांगा.
4) सार्वजनिक उपलब्धता पुष्टीकरण:
मला खात्री नाही की खालील माहिती सार्वजनिक आहे की नाही: [माहिती]. सार्वजनिक मानण्याआधी मला कोणती पडताळणी करायची आहे ते सूचीबद्ध करा (तेथे अधिकृत प्रकाशन आहे का, कोणी प्रकाशित केले आहे, तारीख). मला खात्री नसल्यास, मला "गोपनीय म्हणून वागवा" तत्त्वाची आठवण करून द्या.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या मुलाखतीच्या टिपणीचा सारांश द्या. (लपलेली सामग्री थेट नोटमध्ये पेस्ट केली जाते)
ही सर्वात धोकादायक चूक आहे: एक गोपनीय दस्तऐवज सार्वजनिक माध्यमात त्याच्या वर्गाची चौकशी न करता प्रवेश केला आहे. गळतीचा धोका उद्भवला आहे आणि तो पूर्ववत करता येत नाही.
शक्तिशाली प्रॉम्प्ट (प्रथम तपासा):
मला मीटिंग नोटवर प्रक्रिया करायची आहे. पण प्रथम: ही नोट बहुधा गुप्त वर्गात आहे. मला सांगा की या प्रकारच्या दस्तऐवजावर सार्वजनिक साधनात प्रक्रिया केली जाऊ शकते आणि योग्य मार्ग कोणता आहे? मी तुम्हाला दस्तऐवजातील सामग्री देत नाही; मी फक्त योग्य प्रक्रिया विचारत आहे.
फरक स्पष्ट आहे: गोपनीय सामग्री अजिबात दिली जात नाही, योग्य प्रक्रिया प्रथम विचारली जाते आणि कार्य योग्य वातावरणात निर्देशित केले जाते.
वर्ग-ते-वाहन मॅपिंग टेबल
माहिती वर्ग
उदाहरण
सार्वजनिक AI
योग्य वातावरण
सार्वजनिक
प्रेस प्रकाशन
योग्य
सामान्य साधन
अंतर्गत/सेवा विशिष्ट
आतील टीप
सहसा नाही
इन हाऊस मंजूर
गुप्त
वाटाघाटी स्थिती
कधीही
सुरक्षित संस्था प्रणाली
शीर्ष गुप्त
संवेदनशील बुद्धिमत्ता
कधीही
सर्वोच्च सुरक्षा
वैयक्तिक डेटा
क्रेडेन्शियल
आवश्यक + फक्त कायदेशीर
मुखवटा घातलेला/सुरक्षित
सामान्य चुका
- वर्ग न विचारता डेटा प्रविष्ट करणे. प्रत्येक कामाच्या आधी, "हा कोणत्या वर्गात आहे?" आवश्यक आहे.
- "हे बहुधा स्पष्ट आहे" असे गृहीत धरून. अनिश्चित माहिती गोपनीय म्हणून संरक्षित आहे.
- अनामिकरण म्हणून नाव हटवणे चुकीचे आहे. संदर्भ ओळख देऊ शकतात.
- संकलनाच्या जोखमीकडे दुर्लक्ष करणे. एकत्र केल्यावर लहान भाग नाजूक असू शकतात.
- दोन जगांचे मिश्रण. खुल्या आणि वर्गीकृत नोकऱ्या वेगळ्या साधनांमध्ये/पर्यावरणात चालतात.
सारांशात
गुप्तता ही राजनयिक AI वापराची सर्वात गंभीर मर्यादा आहे. माहितीचे वर्गीकरण (सार्वजनिक/अंतर्गत/गोपनीय/टॉप सीक्रेट), "आस्क क्लास, मॅच व्हेईकल" रिफ्लेक्स, किमान डेटा तत्त्व, वैयक्तिक डेटा संरक्षण आणि संकलन जोखीम या घटकाचा आधार घ्या. मुक्त स्त्रोत कार्यासाठी सामान्य साधने; वर्गीकृत कामासाठी फक्त इन-हाउस सुरक्षित, मंजूर प्रणाली वापरा. दोघांमध्ये कधीही गोंधळ करू नका; जेव्हा शंका असेल तेव्हा वरिष्ठांप्रमाणे माहितीचे रक्षण करा.
अर्ज कार्य
तुमच्या स्वतःच्या (किंवा काल्पनिक) डेस्कवरून (काही सार्वजनिक, काही संवेदनशील) डेटाचे 8 वेगवेगळे तुकडे सूचीबद्ध करा. प्रत्येकाला वर्गात ठेवा आणि "कोणत्या साधनावर प्रक्रिया केली जाऊ शकते" हे ठरवा. "वर्ग आणि वाहन प्री-चेक" टेम्प्लेटसह संदिग्ध लोकांचे मूल्यांकन करा. तीन तुकडे निवडा आणि "संकलन जोखीम मूल्यांकन" सह एकत्रित केल्यावर ते संवेदनशील चित्र बनवतात का ते तपासा.
चेकलिस्ट
- [ ] मी प्रथम प्रत्येक डेटासाठी संवेदनशीलता वर्ग निर्धारित केला.
- मी कधीही डेटा प्रविष्ट केलेला नाही ज्याचा [ ] वर्ग सार्वजनिक वाहनासाठी योग्य नाही.
- [ ] मी एका वरिष्ठाप्रमाणे मला खात्री नसलेल्या माहितीचे रक्षण केले.
- [ ] मी वैयक्तिक डेटावर केवळ आवश्यक आणि कायदेशीर, मुखवटा घालून प्रक्रिया करतो.
- [ ] मी दोन जग एकत्र करण्याचा आणि वेगळे करण्याचा धोका पत्करला.