Keuntungan:
- Keupayaan untuk mengklasifikasikan data pembayar cukai dan kewangan dalam rangka KVKK dan Undang-undang Prosedur Cukai kewajipan kerahsiaan dan menentukan tahap perlindungan
- Keupayaan untuk menggunakan langkah-langkah pemilihan alat tanpa nama, penyamaran dan selamat/institusional sebelum memberikan data kepada kecerdasan buatan
- Keupayaan untuk mendapatkan tabiat mengelakkan pemanduan tanpa pengawasan dengan mengetahui akibat undang-undang, jenayah dan profesional pelanggaran privasi.
Seorang profesional melihat maklumat paling intim pembayar cukai: perolehan, keuntungan, pergerakan bank, gaji pekerja, nombor TR ID, kontrak, struktur perkongsian. Maklumat ini dilindungi oleh dua lapisan undang-undang yang berasingan: KVKK (Undang-undang Perlindungan Data Peribadi, undang-undang yang melarang pemprosesan maklumat peribadi tanpa kebenaran) dan kewajipan kerahsiaan Undang-undang Tatacara Cukai (kewajipan profesional untuk merahsiakan maklumat yang dipelajarinya kerana tugasnya). Pada zaman kecerdasan buatan, perlindungan ini menghadapi ancaman baharu: melekatkan data sensitif dalam alat yang tidak terkawal. Prinsip unit ini adalah tunggal: data dilindungi sebelum memasuki AI; Tiada data sensitif memasuki kenderaan tanpa pengawasan.
Perlindungan dua lapisan dan mengapa ia perlu diambil serius
- Lapisan KVKK: Semua maklumat (nama, TR ID, gaji, kenalan) milik orang sebenar adalah data peribadi. Pemprosesan tanpa kebenaran, pemindahan dan perlindungan yang tidak mencukupi akan mengakibatkan denda dan pampasan pentadbiran.
- Lapisan kerahsiaan VUK: Seorang profesional tidak boleh berkongsi rahsia kewangan pembayar cukai dengan pihak ketiga. Pelanggaran membawa akibat jenayah dan profesional (disiplin).
Baki percubaan atau senarai gaji yang ditampal ke dalam alat AI yang tersedia untuk umum boleh dianggap "dipindahkan kepada pihak ketiga." Selalunya tidak jelas bagaimana alat itu menyimpan data dan sama ada ia digunakan dalam latihan. Ketidakpastian ini sahaja sudah cukup berisiko.
Perhatian: Idea bahawa "tiada sesiapa pun akan melihatnya" bukanlah pembelaan undang-undang. Sebaik sahaja data memasuki sistem yang tidak terkawal, ia di luar kawalan anda. Pelanggaran privasi adalah berbahaya bukan kerana kemungkinan ia berlaku, tetapi kerana ia tidak dapat dipulihkan apabila ia berlaku.
Sebelum memberikan data kepada AI: langkah perlindungan
- Mengelaskan. Adakah data yang anda miliki peribadi, rahsia kewangan atau awam? Tentukan tahap perlindungan dengan sewajarnya.
- Keperluan soalan. Adakah benar-benar perlu untuk memberikan data ini kepada model, atau bolehkah tugas itu dilakukan dengan data tanpa nama/ringkasan?
- Anonimkan/topeng. Nama mereka ialah K1, K2; syarikat Ş1, Ş2; Gantikan TR ID dan nombor akaun dengan topeng. Umumkan butiran unik yang memberikan diagnosis tidak langsung.
- Pilih kenderaan yang selamat. Jika boleh, gunakan alat korporat/diluluskan yang menjamin pengekalan data.
- Kekalkan jejak. Rekod data yang anda berikan kepada alat dan dengan perlindungan apa.
Jenis data
contoh
pendekatan pemuliharaan
data identiti
Nama, ID TR
Topeng/tanpa nama; tidak pernah memberi mentah
rahsia kewangan
Perolehan, keuntungan, bank
Ringkaskan / tanpa nama; kenderaan perusahaan
data perhubungan
rakan kongsi, pembekal
Generalize; keluarkan butiran unik
awam
kunci kira-kira yang diisytiharkan
boleh diproses seperti biasa
Bagaimanakah pengamalan dilakukan dalam amalan?
Anonimisasi menjadikan identiti tidak dapat dibezakan sambil mengekalkan data yang berguna. Sebagai contoh, anda akan mempunyai senarai gaji dianalisis: anda meletakkan nombor urutan dan bukannya nama dan ID TR, analisis agihan gaji tidak akan terganggu, tetapi tiada siapa yang boleh dikenal pasti. Perkara kritikal ialah diagnosis tidak langsung: ungkapan seperti "satu-satunya pengurus besar wanita" atau "satu-satunya berumur 92 tahun dalam syarikat yang mempunyai 35 orang" memberikan orang itu walaupun anda memadamkan nama itu; Ini juga digeneralisasikan.
tiga kes mini
Kes 1 — Kebocoran gaji. Seorang pelatih memuat naik senarai gaji 3,500 orang (nama, kad ID, gaji) ke alat web percuma dan berkata "ringkaskan". Data menghadapi risiko dicampur ke dalam repositori kenderaan; Pelanggaran kerahsiaan KVKK dan VUK berlaku. Jika pelanggan tahu, ia sudah berakhir. Cara yang betul ialah menggunakan kenderaan yang diluluskan oleh korporat atau hanya memberikan agihan gaji dengan menutup nama/TR ID anda.
Kes 2 - Diagnosis tidak langsung. Seorang perunding memberikan model senarai di mana dia memadamkan nama, tetapi meninggalkan frasa "satu-satunya pengurus negara asing syarikat itu." Kenyataan ini memberikan orang itu; Penanomaan tiada. Pelajaran: butiran unik yang memberikan diagnosis tidak langsung juga harus digeneralisasikan.
Kes 3 — Pengendalian yang baik. Sebelum menyuap data sensitif kepada model, pejabat melalui langkah anonimasi standard: menggunakan templat, ia menukar nama, ID dan nama jenama kepada kod, kemudian ia dianalisis. Kualiti analisis tidak berkurangan, tiada identiti yang bocor. Privasi dan kecekapan dilindungi bersama.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Ringkaskan senarai gaji berikut: [Ahmet Yılmaz, TC 123..., gaji 45,000; ...]
Data peribadi mentah memasuki kenderaan tanpa kawalan; Ia adalah pelanggaran langsung.
Gesaan kuat:
Saya akan memberi anda satu set data. SEBELUM memproses, gunakan anonimasi berikut dan tunjukkan kepada saya versi tanpa nama juga:- Jadikan orang itu menamakan K1, K2... - Alih keluar TR ID dan nombor akaun sepenuhnya.- Jadikan nama syarikat/jenama T1, K2.... Umumkan butiran unik yang boleh mengenal pasti orang itu secara tidak langsung. Kemudian gunakan hanya pada versi tanpa nama.[DATA (bertopeng sebanyak mungkin): ...]
Nota: Adalah paling selamat untuk tidak memasukkan data peribadi mentah sama sekali; Jika anda masuk, anda mesti bertopeng dan dalam kenderaan yang selamat.
Untuk bantuan klasifikasi data:
Kelaskan setiap medan berikut: adakah ia data peribadi, adakah ia rahsia kewangan, adakah ia awam? Tulis tahap perlindungan yang disyorkan untuk setiap satu. Medan: [nama medan, sampel RETURN]
Untuk menjana templat anonimasi:
Hasilkan senarai semak anonimasi standard yang akan saya gunakan dalam analisis baki gaji/percubaan: medan manakah yang harus ditutup, yang harus ditinggalkan, apakah yang perlu saya cari untuk diagnosis tidak langsung?
Untuk penilaian keselamatan kenderaan:
Apakah soalan yang perlu saya kemukakan semasa menilai sama ada alat AI sesuai untuk data pembayar cukai yang sensitif (pengekalan data, penggunaan dalam pendidikan, kontrak korporat, lokasi)? Buat senarai semak.
Kesilapan biasa
- Memasukkan data peribadi mentah. Jangan sekali-kali memasuki kenderaan tanpa pengesahan Nama/TR ID.
- Melangkau diagnosis tidak langsung. Butiran unik memberikan identiti walaupun nama itu dipadamkan.
- Bukan bertanya tentang keselamatan kenderaan. Data sensitif tidak diberikan tanpa mengetahui cara alat menyimpan data.
- Tidak mempersoalkan keperluan. Jika tugas boleh dilakukan dengan data tanpa nama/ringkasan, data mentah tidak diberikan sama sekali.
- Tidak menjejaki. Jika tidak direkodkan data yang diberikan di mana, pelanggaran tidak dapat dikesan.
Secara ringkasnya
Data pembayar cukai dilindungi dalam dua lapisan oleh kedua-dua kewajipan kerahsiaan KVKK dan VUK, dan risiko baharu terbesar dalam era kecerdasan buatan ialah melekatkan data sensitif pada alat yang tidak terkawal. Sebelum data dimasukkan ke dalam model, ia diklasifikasikan, keperluannya dipersoalkan, pengecam seperti nama/TR ID disembunyikan dan butiran yang memberikan diagnosis tidak langsung digeneralisasikan; Jika boleh, hanya alat korporat yang selamat dan terjamin pengekalan data digunakan. Pelanggaran privasi adalah bahaya yang tidak dapat dipulihkan; Data yang paling selamat adalah data yang tidak pernah dimasukkan.
Tugasan permohonan
Ambil fail sensitif biasa (cth. gaji atau baki percubaan) di tangan anda. Klasifikasikan dahulu bidang mereka (rahsia peribadi/kewangan/awam). Kemudian gunakan templat anonimasi: senaraikan kawasan yang anda akan tutup, yang anda akan alih keluar dan perkara yang anda akan cari untuk pengenalan tidak langsung. Akhir sekali, nilaikan kesesuaian keselamatan alat kecerdasan buatan yang anda gunakan/akan gunakan dengan senarai semak.
senarai semak
- [ ] Saya telah mengklasifikasikan data sebagai rahsia peribadi/kewangan/awam.
- [ ] Saya mempersoalkan sama ada ia benar-benar perlu untuk menyediakan data mentah.
- [ ] Saya menutup/mengeluarkan nama, TR ID dan nombor akaun.
- [ ] Saya telah menyamaratakan butiran unik yang memberikan diagnosis tidak langsung.
- [ ] Saya hanya menggunakan alat selamat/perusahaan dengan jaminan pengekalan data.
- [ ] Saya menilai dasar data (storan, latihan) alat.
- [ ] Saya merekodkan data yang saya berikan sebagai jejak.