Gevinster:
- Evne til å klassifisere skattyter og økonomiske data innenfor rammen av KVKK og skatteprosesslovens taushetsplikt og bestemme beskyttelsesnivået
- Evne til å bruke anonymisering, maskering og trygge/institusjonelle verktøyvalgtrinn før du gir data til kunstig intelligens
- Evne til å få en vane med å unngå uovervåket kjøring ved å kjenne til de juridiske, kriminelle og profesjonelle konsekvensene av brudd på personvernet.
En fagperson ser skattyters mest intime informasjon: omsetning, fortjeneste, bankbevegelser, ansattes lønn, TR ID-nummer, kontrakter, partnerskapsstrukturer. Denne informasjonen er beskyttet av to separate juridiske lag: KVKK (lov om beskyttelse av personopplysninger, loven som forbyr uautorisert behandling av personopplysninger) og skatteprosedyrelovens taushetsplikt (plikten til den profesjonelle til å holde informasjonen han/hun får vite på grunn av sin plikt). I en tidsalder med kunstig intelligens står denne beskyttelsen overfor en ny trussel: å stikke sensitive data i et ukontrollert verktøy. Prinsippet til denne enheten er enkelt: data er beskyttet før de kommer inn i AI; Ingen sensitive data kommer inn i kjøretøyet uten tilsyn.
To-lags beskyttelse og hvorfor det bør tas på alvor
- KVKK-lag: All informasjon (navn, TR ID, lønn, kontakt) tilhørende reelle personer er personopplysninger. Uautorisert behandling, overføring og mangelfull beskyttelse vil medføre administrative bøter og erstatning.
- VUK-konfidensialitetslag: En profesjonell kan ikke dele skattyters økonomiske hemmeligheter med tredjeparter. Krenkelse har både strafferettslige og faglige (disiplinære) konsekvenser.
En prøvesaldo eller lønn limt inn i et offentlig tilgjengelig AI-verktøy kan betraktes som "overført til en tredjepart." Det er ofte uklart hvordan verktøyet lagrer dataene og om det brukes i trening. Denne usikkerheten alene er risiko nok.
Oppmerksomhet: Tanken om at «ingen vil se det uansett» er ikke et juridisk forsvar. Når data kommer inn i et ukontrollert system, er det utenfor din kontroll. Et brudd på personvernet er farlig ikke på grunn av muligheten for at det skjer, men fordi det er irreversibelt når det først skjer.
Før du gir data til AI: beskyttelsestrinn
- Klassifisere. Er dataene du har personlig, økonomisk hemmelig eller offentlig? Bestem beskyttelsesnivået tilsvarende.
- Spørsmål nødvendighet. Er det virkelig nødvendig å gi disse dataene til modellen, eller kan oppgaven gjøres med anonyme/oppsummerende data?
- Anonymiser/maske. Deres navn er K1, K2; selskaper Ş1, Ş2; Bytt ut TR ID og kontonummer med en maske. Generaliser unike detaljer som gir indirekte diagnose.
- Velg et trygt kjøretøy. Hvis mulig, bruk et bedrifts-/godkjent verktøy som garanterer dataoppbevaring.
- Hold sporet. Registrer hvilke data du ga til hvilket verktøy og med hvilken beskyttelse.
Datatype
eksempel
bevaringstilnærming
identitetsdata
Navn, TR ID
Maske/anonymisere; aldri gi rå
økonomisk hemmelighet
Omsetning, overskudd, bank
Oppsummere/anonymisere; bedriftsbil
relasjonsdata
partner, leverandør
Generaliser; fjerne unike detaljer
offentlig
oppgitt balanse
kan behandles normalt
Hvordan gjøres anonymisering i praksis?
Anonymisering gjør identiteten umulig å skille samtidig som dataene er nyttige. For eksempel vil du få analysert en lønnsliste: du legger inn et sekvensnummer i stedet for navn og TR ID, analysen av lønnsfordelingen vil ikke bli forstyrret, men ingen kan identifiseres. Det kritiske punktet er den indirekte diagnosen: uttrykk som «den eneste kvinnelige daglige lederen» eller «den eneste 92-åringen i et selskap på 35 personer» gir bort personen selv om man sletter navnet; Disse er også generaliserte.
tre minisaker
Sak 1 — Lønnslekkasje. En praktikant laster opp en lønn på 3500 personer (navn, ID-kort, lønn) til et gratis nettverktøy og sier «oppsummer». Data risikerer å bli blandet inn i kjøretøyets depot; Både KVKK og VUK konfidensialitetsbrudd forekommer. Finner kunden ut av det, er det slutt. Den riktige måten var å bruke et bedriftsgodkjent kjøretøy eller å bare gi lønnsfordelingen ved å maskere ditt navn/TR-ID.
Tilfelle 2 — Indirekte diagnose. En konsulent gir modellen en liste der han sletter navnene, men lar uttrykket «bedriftens eneste utenlandske leder». Denne uttalelsen gir personen bort; Anonymisering mangler. Leksjon: unike detaljer som gir indirekte diagnose bør også generaliseres.
Tilfelle 3 — God håndtering. Før et kontor mater sensitive data til modellen, går et kontor gjennom et standard anonymiseringstrinn: ved hjelp av en mal konverterer det navn, ID-er og merkenavn til koder, og analyseres deretter. Kvaliteten på analysen synker ikke, ingen identitet lekkes. Personvern og effektivitet er beskyttet sammen.
Svak forespørsel / Sterk forespørsel
Svak melding:
Oppsummer følgende lønnsliste: [Ahmet Yılmaz, TC 123..., lønn 45 000; ...]
Rå personopplysninger kommer ukontrollert inn i kjøretøyet; Det er et direkte brudd.
Kraftig ledetekst:
Jeg skal gi deg et datasett. FØR behandling, bruk følgende anonymisering og vis meg den anonymiserte versjonen også:- Gjør personnavnene K1, K2... - Fjern TR-ID og kontonumre helt.- Gjør firma-/merkenavnene T1, K2.... Generaliser de unike detaljene som indirekte kan identifisere personen. Arbeid da kun på den anonyme versjonen.[DATA (maskert så mye som mulig): ...]
Merk: Det er tryggest å ikke legge inn rå personlige data i det hele tatt; Hvis du kommer inn, må du være maskert og i et trygt kjøretøy.
For hjelp med dataklassifisering:
Klassifiser hvert av følgende felt: er det personlige data, er det en økonomisk hemmelighet, er det offentlig? Skriv det anbefalte beskyttelsesnivået for hver. Felter: [feltnavn, eksempel RETUR]
Slik genererer du en anonymiseringsmal:
Lag en standard sjekkliste for anonymisering som jeg vil bruke i en lønns-/prøvebalanseanalyse: hvilke felter skal maskeres, hvilke skal utelates, hva skal jeg se etter for indirekte diagnose?
For kjøretøysikkerhetsvurdering:
Hvilke spørsmål bør jeg stille når jeg vurderer om et AI-verktøy er egnet for sensitive skattebetalerdata (datalagring, bruk i utdanning, bedriftskontrakt, plassering)? Lag en sjekkliste.
Vanlige feil
- Legge inn rå personopplysninger. Gå aldri inn i kjøretøyet uten verifisering av navn/TR ID.
- Hopp over indirekte diagnose. Den unike detaljen gir bort identiteten selv om navnet slettes.
- Spør ikke om kjøretøysikkerhet. Sensitive data gis ikke uten å vite hvordan verktøyet lagrer dataene.
- Stiller ikke spørsmål ved nødvendigheten. Hvis oppgaven kan gjøres med anonyme/oppsummerende data, oppgis ikke rådata i det hele tatt.
- Holder ikke oversikt. Dersom det ikke registreres hvilke data som ble gitt hvor, kan ikke bruddet spores.
Oppsummert
Skattebetalers data er beskyttet i to lag av både KVKK og VUK konfidensialitetsforpliktelser, og den største nye risikoen i en tidsalder med kunstig intelligens er å feste sensitive data til et ukontrollert verktøy. Før data legges inn i modellen, klassifiseres de, det stilles spørsmål ved nødvendigheten, identifikatorer som navn/TR-ID maskeres og detaljer som gir indirekte diagnose generaliseres; Hvis mulig, brukes kun et sikkert, datalagringsgarantert bedriftsverktøy. Et brudd på personvernet er en irreversibel skade; Den sikreste dataen er data som aldri legges inn.
Søknadsoppgave
Ta en typisk sensitiv fil (f.eks. lønn eller prøvesaldo) i hånden. Klassifiser først feltene deres (personlig/økonomisk hemmelighet/offentlig). Bruk deretter en anonymiseringsmal: lister opp hvilke områder du vil maskere, hvilke du vil fjerne og hva du vil se etter for indirekte identifikasjon. Vurder til slutt sikkerhetsegnetheten til det kunstige intelligensverktøyet du bruker/vil bruke med en sjekkliste.
sjekkliste
- [ ] Jeg har klassifisert dataene som personlig/økonomisk hemmelighet/offentlig.
- [ ] Jeg stilte spørsmål ved om det virkelig var nødvendig å oppgi rådataene.
- [ ] Jeg maskerte/fjernet navnet, TR ID og kontonumre.
- [ ] Jeg har generalisert unike detaljer som gir indirekte diagnose.
- [ ] Jeg har kun brukt sikre/bedriftsverktøy med garantier for dataoppbevaring.
- [ ] Jeg evaluerte datapolitikken (lagring, opplæring) til verktøyet.
- [ ] Jeg registrerte hvilke data jeg ga hvor som et spor.