ਲਾਭ:
- ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਕਲਾਸ (ਜਨਤਕ / ਅੰਦਰੂਨੀ / ਗੁਪਤ / ਚੋਟੀ ਦੇ ਰਾਜ਼) ਦੇ ਅਨੁਸਾਰ ਜਾਣਕਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ 'ਪੁੱਛੋ ਕਲਾਸ, ਟੂਲ ਨਾਲ ਮੇਲ ਕਰੋ' ਪ੍ਰਤੀਬਿੰਬ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਡੇਟਾ ਸਟੋਰੇਜ, ਮਾਡਲ ਸਿਖਲਾਈ, ਏਆਈ ਦੇ ਸੰਗ੍ਰਹਿ ਅਤੇ ਉਲੰਘਣਾ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਖੁੱਲੀ ਅਤੇ ਵਰਗੀਕ੍ਰਿਤ ਦੁਨੀਆ ਨੂੰ ਵੱਖਰਾ ਰੱਖਣਾ
- ਘੱਟੋ-ਘੱਟ ਡੇਟਾ ਸਿਧਾਂਤ, ਨਿੱਜੀ ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਅਨਿਸ਼ਚਿਤ ਜਾਣਕਾਰੀ ਦੀ ਸੁਰੱਖਿਆ ਦੇ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਅਪਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਜਿਵੇਂ ਕਿ ਇਹ ਉੱਚ ਸ਼੍ਰੇਣੀ ਹੈ।
ਕੂਟਨੀਤੀ ਭਰੋਸੇ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਅਤੇ ਭਰੋਸਾ ਗੁਪਤਤਾ 'ਤੇ ਅਧਾਰਤ ਹੈ। ਇੱਕ ਗੱਲਬਾਤ ਦੀ ਸਥਿਤੀ, ਇੱਕ ਖੁਫੀਆ ਮੁਲਾਂਕਣ, ਇੱਕ ਵਾਰਤਾਕਾਰ ਨਾਲ ਗੱਲਬਾਤ ਦੀ ਸਮੱਗਰੀ, ਜਾਂ ਅਜੇ ਤੱਕ ਘੋਸ਼ਿਤ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਫੈਸਲੇ, ਗਲਤ ਹੱਥਾਂ ਵਿੱਚ, ਇੱਕ ਰਾਜ ਦੇ ਹਿੱਤਾਂ, ਗੱਲਬਾਤ ਦੇ ਨਤੀਜੇ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਲੋਕਾਂ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਵੀ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਸ ਖੇਤਰ ਵਿੱਚ ਬਹੁਤ ਗਤੀ ਲਿਆਉਂਦਾ ਹੈ, ਪਰ ਇਹ ਨਵੇਂ ਅਤੇ ਗੰਭੀਰ ਗੋਪਨੀਯਤਾ ਜੋਖਮਾਂ ਨੂੰ ਵੀ ਚੁੱਕਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਯੁੱਗ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨੂੰ ਕਿਵੇਂ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਹੈ, ਕਿਹੜਾ ਡੇਟਾ ਕਿਹੜਾ ਵਾਹਨ ਵਿੱਚ ਦਾਖਲ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਦੀ ਅਨੁਸ਼ਾਸਨ।
ਇਹ ਯੂਨਿਟ ਮੋਡੀਊਲ ਦਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੁਰੱਖਿਆ ਪਾਠ ਹੈ। ਇੱਥੇ ਇੱਕ ਗਲਤੀ — ਇੱਕ ਗੁਪਤ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਗਲਤ ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕਰਨਾ — ਵਾਪਸ ਨਹੀਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਇੱਕ ਪ੍ਰਤੀਬਿੰਬ ਜਿਸਨੂੰ ਯਾਦ ਰੱਖਣ ਦੀ ਲੋੜ ਹੈ, ਇੱਥੇ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਵੇਗਾ: ਕਿਸੇ AI ਟੂਲ ਨੂੰ ਕੋਈ ਵੀ ਡਾਟਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਹਮੇਸ਼ਾ ਪੁੱਛੋ: ਇਹ ਡੇਟਾ ਕਿਸ ਕਲਾਸ ਵਿੱਚ ਹੈ ਅਤੇ ਕੀ ਇਹ ਟੂਲ ਇਸ ਕਲਾਸ ਲਈ ਮਨਜ਼ੂਰ ਹੈ?
ਜਾਣਕਾਰੀ ਵਰਗੀਕਰਣ: ਬੁਨਿਆਦੀ ਅੰਤਰ
ਡਿਪਲੋਮੈਟਿਕ ਜਾਣਕਾਰੀ ਨੂੰ ਅਕਸਰ ਇਸਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੇ ਅਨੁਸਾਰ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਸੰਸਥਾ ਤੋਂ ਸੰਸਥਾ ਤੱਕ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ, ਮੂਲ ਤਰਕ ਇਹ ਹੈ:
- ਗੈਰ-ਵਰਗਿਤ/ਜਨਤਕ: ਜਾਣਕਾਰੀ ਜੋ ਪਹਿਲਾਂ ਹੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਜਾ ਚੁੱਕੀ ਹੈ ਅਤੇ ਜਨਤਕ ਤੌਰ 'ਤੇ ਪਹੁੰਚਯੋਗ ਹੈ। ਉਦਾਹਰਨ: ਅਧਿਕਾਰਤ ਪ੍ਰੈਸ ਰਿਲੀਜ਼, ਜਨਤਕ ਖਬਰਾਂ।
- ਪ੍ਰਤਿਬੰਧਿਤ/ਅੰਦਰੂਨੀ: ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਜੋ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਨਹੀਂ ਹੈ ਪਰ ਘੱਟ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਹੈ।
- ਗੁਪਤ: ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਜਿਸਦਾ ਖੁਲਾਸਾ ਰਾਜ ਦੇ ਹਿੱਤਾਂ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ: ਗੱਲਬਾਤ ਦੀ ਸਥਿਤੀ, ਅੰਦਰੂਨੀ ਮੁਲਾਂਕਣ।
- ਪ੍ਰਮੁੱਖ ਰਾਜ਼: ਉਹ ਜਾਣਕਾਰੀ ਜਿਸਦਾ ਖੁਲਾਸਾ ਸਭ ਤੋਂ ਗੰਭੀਰ ਨੁਕਸਾਨ ਦਾ ਕਾਰਨ ਬਣੇਗਾ। ਉਦਾਹਰਨ: ਸੰਵੇਦਨਸ਼ੀਲ ਖੁਫੀਆ ਜਾਣਕਾਰੀ, ਨਾਜ਼ੁਕ ਸੁਰੱਖਿਆ ਜਾਣਕਾਰੀ।
ਅੰਗੂਠੇ ਦਾ ਨਿਯਮ ਸਧਾਰਨ ਹੈ: ਕੋਈ ਵੀ ਵਰਗੀਕ੍ਰਿਤ ਜਾਣਕਾਰੀ ਜੋ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਨਹੀਂ ਹੈ, ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕੀਤੀ ਜਾਵੇਗੀ ਜਿਸ ਨੂੰ ਤੁਹਾਡੀ ਸੰਸਥਾ ਨੇ ਉਸ ਕਲਾਸ ਲਈ ਮਨਜ਼ੂਰ ਨਹੀਂ ਕੀਤਾ ਹੈ। ਇੱਕ ਜਨਤਕ AI ਸੇਵਾ, ਪਰਿਭਾਸ਼ਾ ਅਨੁਸਾਰ, ਜਾਣਕਾਰੀ ਦੀ ਇਸ ਸ਼੍ਰੇਣੀ ਲਈ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਹੈ।
ਸੁਝਾਅ: ਜੇਕਰ ਤੁਸੀਂ ਨਿਸ਼ਚਤ ਨਹੀਂ ਹੋ, ਤਾਂ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਸੀਨੀਅਰ ਵਾਂਗ ਵਰਤੋ। "ਇਹ ਸ਼ਾਇਦ ਪਹਿਲਾਂ ਹੀ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ" ਕਹਿਣਾ ਇੱਕ ਖ਼ਤਰਨਾਕ ਅਨੁਮਾਨ ਹੈ। ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ 100 ਪ੍ਰਤੀਸ਼ਤ ਨਿਸ਼ਚਤ ਨਹੀਂ ਹੋ ਜਾਂਦੇ ਕਿ ਜਾਣਕਾਰੀ ਜਨਤਕ ਹੈ, ਇਸ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸੁਰੱਖਿਅਤ ਕਰੋ ਜਿਵੇਂ ਕਿ ਇਹ ਗੁਪਤ ਸੀ। ਬੇਲੋੜੀ ਸਾਵਧਾਨੀ ਇੱਕ ਕੀਮਤ ਨਹੀਂ ਹੈ, ਇਹ ਇੱਕ ਭਰੋਸਾ ਹੈ.
AI ਦੇ ਗੋਪਨੀਯਤਾ ਜੋਖਮ
AI ਟੂਲ ਪਰੰਪਰਾਗਤ ਸੌਫਟਵੇਅਰ ਨਾਲੋਂ ਵੱਖਰੇ ਗੋਪਨੀਯਤਾ ਜੋਖਮ ਪੈਦਾ ਕਰਦੇ ਹਨ:
1. ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸਟੋਰੇਜ: ਤੁਹਾਡੇ ਦੁਆਰਾ ਕਿਸੇ ਜਨਤਕ AI ਸੇਵਾ ਨੂੰ ਜੋ ਟੈਕਸਟ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ, ਉਹ ਉਸ ਸੇਵਾ ਦੇ ਸਰਵਰਾਂ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਸਟੋਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਇਹ ਨਿਯੰਤਰਿਤ ਨਹੀਂ ਕਰ ਸਕਦੇ ਕਿ ਇਸ ਤੱਕ ਕੌਣ ਪਹੁੰਚ ਕਰਦਾ ਹੈ, ਇਸਨੂੰ ਕਿੰਨੀ ਦੇਰ ਤੱਕ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
2. ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤੋਂ: ਕੁਝ ਸੇਵਾਵਾਂ ਮਾਡਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਤੁਹਾਡੇ ਦੁਆਰਾ ਦਾਖਲ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਜੋਖਮ ਪੈਦਾ ਕਰਦਾ ਹੈ ਕਿ ਤੁਹਾਡੀ ਗੁਪਤ ਜਾਣਕਾਰੀ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਦੀ "ਮੈਮੋਰੀ" ਵਿੱਚ ਦਾਖਲ ਹੋਵੇਗੀ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਲੀਕ ਕਰੇਗੀ।
3. ਏਕੀਕਰਣ ਜੋਖਮ: ਜਾਣਕਾਰੀ ਦੇ ਟੁਕੜੇ ਜੋ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦੇਹ ਜਾਪਦੇ ਹਨ, ਨੂੰ ਜੋੜਨ 'ਤੇ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਤਸਵੀਰ ਬਣ ਸਕਦੀ ਹੈ। ਵੱਖ-ਵੱਖ ਸਮਿਆਂ 'ਤੇ ਦਾਖਲ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਦੇ ਛੋਟੇ ਟੁਕੜੇ ਸਮੂਹਿਕ ਤੌਰ 'ਤੇ ਗੁਪਤ ਸਥਿਤੀ ਦੇ ਸਕਦੇ ਹਨ।
4. ਪਹੁੰਚ ਅਤੇ ਉਲੰਘਣਾ ਦਾ ਖਤਰਾ: ਕਿਸੇ ਵੀ ਬਾਹਰੀ ਸਿਸਟਮ ਦੀ ਤਰ੍ਹਾਂ, AI ਸੇਵਾਵਾਂ ਡਾਟਾ ਉਲੰਘਣਾ ਦੇ ਅਧੀਨ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਡੇਟਾ ਉਸ ਉਲੰਘਣਾ ਵਿੱਚ ਸਾਹਮਣੇ ਆ ਸਕਦਾ ਹੈ।
ਇਹਨਾਂ ਖਤਰਿਆਂ ਦਾ ਹੱਲ ਦੋ ਵੱਖ-ਵੱਖ ਸੰਸਾਰਾਂ ਦੀ ਸਥਾਪਨਾ ਕਰਨਾ ਹੈ: ਓਪਨ ਸੋਰਸ ਕੰਮ ਲਈ ਆਮ ਸਾਧਨ; ਸਿਰਫ਼ ਇਨ-ਹਾਊਸ, ਸੁਰੱਖਿਅਤ, ਪ੍ਰਵਾਨਿਤ ਸਿਸਟਮ ਜੋ ਕਲਾਸੀਫਾਈਡ ਕੰਮ ਲਈ ਡਾਟਾ ਨਿਰਯਾਤ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਦੋਵਾਂ ਨੂੰ ਕਦੇ ਨਾ ਮਿਲਾਓ।
ਧਿਆਨ ਦਿਓ: "ਮੈਂ ਇਸਨੂੰ ਅਗਿਆਤ ਬਣਾਇਆ" ਕਹਿਣਾ ਅਕਸਰ ਕਾਫ਼ੀ ਨਹੀਂ ਹੁੰਦਾ। ਭਾਵੇਂ ਤੁਸੀਂ ਨਾਵਾਂ ਨੂੰ ਮਿਟਾਉਂਦੇ ਹੋ, ਪਰ ਸੰਦਰਭ (ਤਾਰੀਖ, ਸਥਾਨ, ਘਟਨਾ, ਪਾਰਟੀਆਂ ਦੀ ਗਿਣਤੀ) ਪਛਾਣ ਅਤੇ ਸਥਿਤੀ ਨੂੰ ਸੋਧਣ ਲਈ ਮਾਹਰ ਲਈ ਕਾਫ਼ੀ ਹੋ ਸਕਦਾ ਹੈ। ਅਸਲ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਮਾਸਕ ਦੁਆਰਾ ਨਹੀਂ ਬਲਕਿ ਸੰਦਾਂ ਅਤੇ ਮੀਡੀਆ ਦੀ ਢੁਕਵੀਂ ਚੋਣ ਦੁਆਰਾ ਸੁਰੱਖਿਅਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਅਨੁਸ਼ਾਸਨ
ਇੱਕ ਵਿਹਾਰਕ ਨਿਯੰਤਰਣ ਪ੍ਰਵਾਹ ਸਥਾਪਤ ਕਰੋ:
- ਕਲਾਸ ਨਿਰਧਾਰਤ ਕਰੋ. ਕੀ ਇਹ ਡੇਟਾ ਜਨਤਕ, ਅੰਦਰੂਨੀ, ਗੁਪਤ, ਜਾਂ ਸਿਖਰ ਗੁਪਤ ਹੈ?
- ਵਾਹਨ ਜੋੜਾ. ਕੀ ਇਸ ਟੂਲ ਵਿੱਚ ਇਸ ਕਲਾਸ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ? ਜੇ ਨਹੀਂ, ਤਾਂ ਰੁਕੋ.
- ਨਿਊਨਤਮ ਡਾਟਾ ਨੀਤੀ। ਕੰਮ ਕਰਨ ਯੋਗ ਨੌਕਰੀ 'ਤੇ ਵੀ, ਨੌਕਰੀ ਦੀ ਲੋੜ ਤੋਂ ਵੱਧ ਜਾਣਕਾਰੀ ਨਾ ਦਿਓ।
- ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰੋ. ਨਿੱਜੀ ਡੇਟਾ (ਨਾਮ, ਸੰਪਰਕ, ਸਥਾਨ) ਦੀ ਪ੍ਰਕਿਰਿਆ ਸਿਰਫ਼ ਲੋੜ ਪੈਣ 'ਤੇ ਅਤੇ ਕਾਨੂੰਨੀ ਆਧਾਰ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਜੇ ਬੇਲੋੜੀ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਮਾਸਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਾਂ ਬਿਲਕੁਲ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ.
- ਰਿਕਾਰਡ ਰੱਖੋ। ਦਸਤਾਵੇਜ਼ ਜੋ ਤੁਸੀਂ ਕਿਸ ਕੰਮ ਲਈ ਵਰਤਿਆ, ਕਿਹੜੇ ਡੇਟਾ ਨਾਲ; ਜੇਕਰ ਕੋਈ ਸਮੱਸਿਆ ਹੈ, ਤਾਂ ਇਸਦਾ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਸੰਕੇਤ: ਆਪਣੀ ਟੀਮ ਵਿੱਚ ਇੱਕ "ਗੋਪਨੀਯਤਾ ਪਹਿਲਾਂ" ਸੱਭਿਆਚਾਰ ਸਥਾਪਤ ਕਰੋ: ਇੱਕ ਨਵੇਂ ਕਲਰਕ ਜਾਂ ਇੰਟਰਨ ਨੂੰ ਪਹਿਲੇ ਦਿਨ ਤੋਂ "ਕੋਈ ਗੁਪਤ ਦਸਤਾਵੇਜ਼ ਜਨਤਕ ਡੋਮੇਨ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦੇ" ਪ੍ਰਤੀਬਿੰਬ ਸਿੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਬਹੁਤੀਆਂ ਉਲੰਘਣਾਵਾਂ ਬਦਨਾਮੀ ਤੋਂ ਨਹੀਂ ਸਗੋਂ ਇਹ ਨਾ ਜਾਣ ਕੇ ਹੁੰਦੀਆਂ ਹਨ ਕਿ ਵਾਹਨ ਕਿੰਨਾ ਖੁੱਲ੍ਹਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਰਿਫਲੈਕਸ ਨੇ ਉਲੰਘਣਾ ਨੂੰ ਰੋਕਿਆ। ਇੱਕ ਮਾਹਰ ਇੱਕ ਇੰਟਰਵਿਊ ਨੋਟ ਦਾ ਸਾਰ ਦੇਣ ਵਾਲਾ ਸੀ ਜਦੋਂ ਉਸਨੇ ਰੁਕਿਆ ਅਤੇ ਇਸਦੇ ਵਰਗੀਕਰਨ ਨੂੰ ਪੁੱਛਿਆ: ਨੋਟ ਇੱਕ ਵਾਰਤਾਕਾਰ ਨਾਲ ਇੱਕ ਗੁਪਤ ਗੱਲਬਾਤ ਸੀ। ਪਬਲਿਕ ਟੂਲ ਦੀ ਬਜਾਏ ਇਨ-ਹਾਊਸ ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ 'ਤੇ ਬਦਲਿਆ ਗਿਆ। ਇੱਕ ਸਧਾਰਨ "ਕਲਾਸ ਪਹਿਲਾਂ ਪੁੱਛੋ" ਪ੍ਰਤੀਬਿੰਬ ਨੇ ਉਲੰਘਣਾ ਨੂੰ ਰੋਕਿਆ।
ਕੇਸ 2 - ਸੰਗ੍ਰਹਿ ਦੇ ਜੋਖਮ ਨੂੰ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਹੈ। ਇੱਕ ਟੀਮ ਵੱਖ-ਵੱਖ ਦਿਨਾਂ 'ਤੇ ਇੱਕ ਬਾਹਰੀ ਟੂਲ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦੇ ਛੋਟੇ, ਪ੍ਰਤੀਤ ਹੋਣ ਵਾਲੇ "ਨਿਰੋਧ" ਟੁਕੜਿਆਂ ਨੂੰ ਇਨਪੁਟ ਕਰੇਗੀ। ਇੱਕ ਸੁਰੱਖਿਆ ਸਮੀਖਿਆ ਨੇ ਦਿਖਾਇਆ ਕਿ ਜਦੋਂ ਮਿਲਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹਨਾਂ ਟੁਕੜਿਆਂ ਨੇ ਆਉਣ ਵਾਲੀ ਗੱਲਬਾਤ ਦਾ ਏਜੰਡਾ ਦਿੱਤਾ ਸੀ। ਅਰਜ਼ੀ ਨੂੰ ਰੋਕ ਦਿੱਤਾ ਗਿਆ ਹੈ; ਕੰਮ ਨੂੰ ਇੱਕ ਸੁਰੱਖਿਅਤ ਮਾਹੌਲ ਵਿੱਚ ਭੇਜਿਆ ਗਿਆ ਸੀ.
ਕੇਸ 3 - ਜਾਅਲੀ ਗੁਮਨਾਮਤਾ। ਇੱਕ ਕਲਰਕ ਨੇ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਨੂੰ "ਅਗਿਆਤ" ਸਮਝਿਆ ਕਿਉਂਕਿ ਉਸਨੇ ਨਾਮ ਮਿਟਾ ਦਿੱਤੇ ਸਨ ਅਤੇ ਇਸਨੂੰ ਬਾਹਰਲੇ ਏਜੰਟ ਨੂੰ ਸੌਂਪ ਦਿੱਤਾ ਸੀ। ਹਾਲਾਂਕਿ, ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਮਿਤੀ, ਸਥਾਨ ਅਤੇ ਘਟਨਾ ਦੇ ਵੇਰਵੇ ਨੇ ਇਹ ਸਪੱਸ਼ਟ ਕਰ ਦਿੱਤਾ ਹੈ ਕਿ ਕਿਸ ਦਾ ਮਤਲਬ ਸੀ। ਨਾਮ ਮਿਟਾਉਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਸੀ; ਦਸਤਾਵੇਜ਼ ਨੂੰ ਕਿਸੇ ਵੀ ਤਰ੍ਹਾਂ ਸੁਰੱਖਿਅਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਕਲਾਸ ਅਤੇ ਵਾਹਨ ਦੀ ਪ੍ਰੀ-ਚੈੱਕ:
ਮੈਂ ਹੇਠਾਂ ਕੰਮ ਦਾ ਵਰਣਨ ਕਰਾਂਗਾ। ਮੈਨੂੰ ਦੱਸੋ (ਨੌਕਰੀ ਨਾ ਕਰੋ): (1) ਇਸ ਡੇਟਾ ਵਿੱਚ ਕਿਹੜੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਕਲਾਸ ਹੋ ਸਕਦੀ ਹੈ (ਜਨਤਕ / ਅੰਦਰੂਨੀ / ਗੁਪਤ / ਸਿਖਰ ਦਾ ਰਾਜ਼), (2) ਕੀ ਇਸ ਕਲਾਸ ਨੂੰ ਇੱਕ ਜਨਤਕ AI ਟੂਲ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, (3) ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਕਿਸ ਕਿਸਮ ਦੇ ਵਾਤਾਵਰਣ ਦੀ ਲੋੜ ਹੈ। ਨੌਕਰੀ/ਡਾਟਾ ਵੇਰਵਾ: [ਇੱਥੇ]
2) ਨਿੱਜੀ ਡਾਟਾ ਸਕੈਨਿੰਗ ਅਤੇ ਮਾਸਕਿੰਗ:
ਨਿੱਜੀ/ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ (ਨਾਮ, ਸਿਰਲੇਖ, ਸੰਪਰਕ, ਸਥਾਨ, ਸਿਹਤ, ਆਈਡੀ ਨੰਬਰ) ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮਾਸਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਟੈਕਸਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ; ਬੱਸ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਖੇਤਰਾਂ ਨੂੰ ਹਟਾਉਣ ਦੀ ਲੋੜ ਹੈ। ਮੈਂ ਮਾਸਕਿੰਗ ਕਰਾਂਗਾ ਅਤੇ ਦੁਬਾਰਾ ਭੇਜਾਂਗਾ। ਟੈਕਸਟ: [ਇੱਥੇ]
3) ਸੰਗ੍ਰਹਿ ਜੋਖਮ ਮੁਲਾਂਕਣ:
ਮੈਂ ਜਾਣਕਾਰੀ ਦੇ ਹੇਠਾਂ ਦਿੱਤੇ ਟੁਕੜਿਆਂ ਨੂੰ ਇੱਕ ਬਾਹਰੀ ਟੂਲ ਵਿੱਚ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਨਿਰਯਾਤ ਕਰਨ ਬਾਰੇ ਵਿਚਾਰ ਕਰ ਰਿਹਾ ਹਾਂ: [ਟੁਕੜੇ]। ਭਾਵੇਂ ਇਹ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦੇਹ ਜਾਪਦੇ ਹਨ, ਜਦੋਂ ਉਹ ਸੰਯੁਕਤ ਰੂਪ ਵਿੱਚ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਤਸਵੀਰ ਬਣਾ ਸਕਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਸਥਿਤੀ, ਏਜੰਡਾ, ਪਛਾਣ)? ਇਕੱਠਾ ਕਰਨ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਦੱਸੋ ਕਿ ਕਿਹੜੀਆਂ ਚੀਜ਼ਾਂ ਇਕੱਠੀਆਂ ਨਹੀਂ ਦਿੱਤੀਆਂ ਜਾਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ।
4) ਜਨਤਕ ਉਪਲਬਧਤਾ ਦੀ ਪੁਸ਼ਟੀ:
ਮੈਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ ਕਿ ਕੀ ਹੇਠਾਂ ਦਿੱਤੀ ਜਾਣਕਾਰੀ ਜਨਤਕ ਹੈ: [ਜਾਣਕਾਰੀ]। ਸੂਚੀ ਬਣਾਓ ਕਿ ਇਸ ਨੂੰ ਜਨਤਕ ਮੰਨਣ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਕੀ ਤਸਦੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ (ਕੀ ਕੋਈ ਅਧਿਕਾਰਤ ਰੀਲੀਜ਼ ਹੈ, ਜਿਸ ਨੇ ਇਸਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ, ਮਿਤੀ)। ਜੇਕਰ ਮੈਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਤਾਂ ਮੈਨੂੰ "ਗੁਪਤ ਵਜੋਂ ਵਰਤਾਓ" ਸਿਧਾਂਤ ਦੀ ਯਾਦ ਦਿਵਾਓ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਇੰਟਰਵਿਊ ਨੋਟ ਦਾ ਸਾਰ ਦਿਓ। (ਛੁਪੀ ਹੋਈ ਸਮੱਗਰੀ ਸਿੱਧੇ ਨੋਟ ਵਿੱਚ ਪੇਸਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)
ਇਹ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਗਲਤੀ ਹੈ: ਇੱਕ ਗੁਪਤ ਦਸਤਾਵੇਜ਼ ਇੱਕ ਜਨਤਕ ਮਾਧਿਅਮ ਵਿੱਚ ਦਾਖਲ ਹੋ ਗਿਆ ਹੈ ਜਿਸਦੀ ਕਲਾਸ ਤੋਂ ਪੁੱਛਗਿੱਛ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਲੀਕ ਹੋਣ ਦਾ ਖਤਰਾ ਪੈਦਾ ਹੋ ਗਿਆ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਉਲਟਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ (ਪਹਿਲਾਂ ਜਾਂਚ ਕਰੋ):
ਮੈਂ ਇੱਕ ਮੀਟਿੰਗ ਨੋਟ 'ਤੇ ਕਾਰਵਾਈ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਪਰ ਪਹਿਲਾਂ: ਇਹ ਨੋਟ ਸ਼ਾਇਦ ਗੁਪਤ ਕਲਾਸ ਵਿੱਚ ਹੈ। ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕੀ ਇਸ ਕਿਸਮ ਦੇ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਜਨਤਕ ਸਾਧਨ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸਹੀ ਤਰੀਕਾ ਕੀ ਹੈ? ਮੈਂ ਤੁਹਾਨੂੰ ਦਸਤਾਵੇਜ਼ ਦੀ ਸਮੱਗਰੀ ਨਹੀਂ ਦੇ ਰਿਹਾ ਹਾਂ; ਮੈਂ ਸਿਰਫ਼ ਸਹੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਪੁੱਛ ਰਿਹਾ ਹਾਂ।
ਫਰਕ ਸਪੱਸ਼ਟ ਹੈ: ਗੁਪਤ ਸਮੱਗਰੀ ਬਿਲਕੁਲ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਹੈ, ਪਹਿਲਾਂ ਸਹੀ ਪ੍ਰਕਿਰਿਆ ਪੁੱਛੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਕੰਮ ਨੂੰ ਢੁਕਵੇਂ ਮਾਹੌਲ ਲਈ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਕਲਾਸ-ਟੂ-ਵਾਹਨ ਮੈਪਿੰਗ ਟੇਬਲ
ਜਾਣਕਾਰੀ ਕਲਾਸ
ਉਦਾਹਰਨ
ਪਬਲਿਕ ਏ.ਆਈ
ਸਹੀ ਵਾਤਾਵਰਣ
ਜਨਤਕ
ਪ੍ਰੈਸ ਰਿਲੀਜ਼
ਅਨੁਕੂਲ
ਆਮ ਸੰਦ ਹੈ
ਅੰਦਰੂਨੀ/ਸੇਵਾ ਵਿਸ਼ੇਸ਼
ਅੰਦਰੂਨੀ ਨੋਟ
ਆਮ ਤੌਰ 'ਤੇ ਨਹੀਂ
ਅੰਦਰ-ਅੰਦਰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ
ਗੁਪਤ
ਗੱਲਬਾਤ ਦੀ ਸਥਿਤੀ
ਕਦੇ ਨਹੀਂ
ਸੁਰੱਖਿਅਤ ਸੰਸਥਾ ਪ੍ਰਣਾਲੀ
ਚੋਟੀ ਦੇ ਰਾਜ਼
ਸੰਵੇਦਨਸ਼ੀਲ ਖੁਫੀਆ
ਕਦੇ ਨਹੀਂ
ਉੱਚ ਸੁਰੱਖਿਆ
ਨਿੱਜੀ ਡਾਟਾ
ਪ੍ਰਮਾਣ ਪੱਤਰ
ਜ਼ਰੂਰੀ + ਸਿਰਫ਼ ਕਾਨੂੰਨੀ
ਮਾਸਕ/ਸੁਰੱਖਿਅਤ
ਆਮ ਗਲਤੀਆਂ
- ਕਲਾਸ ਲਈ ਪੁੱਛੇ ਬਿਨਾਂ ਡਾਟਾ ਦਾਖਲ ਕਰਨਾ। ਹਰ ਕੰਮ ਤੋਂ ਪਹਿਲਾਂ, ਪ੍ਰਤੀਬਿੰਬ "ਇਹ ਕਿਹੜੀ ਕਲਾਸ ਵਿੱਚ ਹੈ?" ਜ਼ਰੂਰੀ ਹੈ।
- ਇਹ ਮੰਨ ਕੇ "ਇਹ ਸ਼ਾਇਦ ਸਪੱਸ਼ਟ ਹੈ"। ਅਨਿਸ਼ਚਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਗੁਪਤ ਵਜੋਂ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਨਾਮ ਮਿਟਾਉਣ ਨੂੰ ਗੁਮਨਾਮ ਬਣਾਉਣ ਦੀ ਗਲਤੀ ਹੈ। ਸੰਦਰਭ ਪਛਾਣ ਦੇ ਸਕਦਾ ਹੈ।
- ਇਕੱਠਾ ਕਰਨ ਦੇ ਜੋਖਮ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ. ਇਕੱਠੇ ਹੋਣ 'ਤੇ ਛੋਟੇ ਹਿੱਸੇ ਨਾਜ਼ੁਕ ਹੋ ਸਕਦੇ ਹਨ।
- ਦੋ ਸੰਸਾਰਾਂ ਨੂੰ ਮਿਲਾਉਣਾ. ਖੁੱਲ੍ਹੀਆਂ ਅਤੇ ਵਰਗੀਕ੍ਰਿਤ ਨੌਕਰੀਆਂ ਵੱਖਰੇ ਸਾਧਨਾਂ/ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਚਲਦੀਆਂ ਹਨ।
ਸੰਖੇਪ ਵਿੱਚ
ਗੁਪਤਤਾ ਕੂਟਨੀਤਕ AI ਦੀ ਵਰਤੋਂ ਦੀ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੀਮਾ ਹੈ। ਜਾਣਕਾਰੀ ਵਰਗੀਕਰਣ (ਜਨਤਕ/ਅੰਦਰੂਨੀ/ਗੁਪਤ/ਚੋਟੀ ਦੇ ਰਾਜ਼), "ਕਲਾਸ ਪੁੱਛੋ, ਵਾਹਨ ਨਾਲ ਮੇਲ ਖਾਂਦਾ" ਪ੍ਰਤੀਬਿੰਬ, ਘੱਟੋ-ਘੱਟ ਡੇਟਾ ਸਿਧਾਂਤ, ਨਿੱਜੀ ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਇਕੱਤਰ ਕਰਨ ਦੇ ਜੋਖਮ ਨੂੰ ਇਸ ਯੂਨਿਟ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਵਜੋਂ ਲਓ। ਓਪਨ ਸੋਰਸ ਕੰਮ ਲਈ ਆਮ ਟੂਲ; ਵਰਗੀਕ੍ਰਿਤ ਕੰਮ ਲਈ ਸਿਰਫ਼ ਅੰਦਰੂਨੀ ਸੁਰੱਖਿਅਤ, ਪ੍ਰਵਾਨਿਤ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਦੋਨਾਂ ਨੂੰ ਕਦੇ ਵੀ ਉਲਝਾਓ ਨਾ; ਸ਼ੱਕ ਹੋਣ 'ਤੇ, ਸੀਨੀਅਰ ਦੀ ਤਰ੍ਹਾਂ ਜਾਣਕਾਰੀ ਦੀ ਰਾਖੀ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਤੁਹਾਡੇ ਆਪਣੇ (ਜਾਂ ਕਾਲਪਨਿਕ) ਡੈਸਕ (ਕੁਝ ਜਨਤਕ, ਕੁਝ ਸੰਵੇਦਨਸ਼ੀਲ) ਤੋਂ ਡੇਟਾ ਦੇ 8 ਵੱਖ-ਵੱਖ ਟੁਕੜਿਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਹਰ ਇੱਕ ਨੂੰ ਇੱਕ ਕਲਾਸ ਵਿੱਚ ਰੱਖੋ ਅਤੇ ਫੈਸਲਾ ਕਰੋ ਕਿ "ਕਿਸ ਟੂਲ ਵਿੱਚ ਇਸਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ"। "ਕਲਾਸ ਅਤੇ ਵਾਹਨ ਪ੍ਰੀ-ਚੈੱਕ" ਟੈਮਪਲੇਟ ਨਾਲ ਅਸਪਸ਼ਟ ਲੋਕਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਤਿੰਨ ਟੁਕੜਿਆਂ ਦੀ ਚੋਣ ਕਰੋ ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਉਹ "ਸੰਗ੍ਰਹਿ ਜੋਖਮ ਮੁਲਾਂਕਣ" ਦੇ ਨਾਲ ਮਿਲਾ ਕੇ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਤਸਵੀਰ ਬਣਾਉਂਦੇ ਹਨ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਪਹਿਲਾਂ ਹਰੇਕ ਡੇਟਾ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸ਼੍ਰੇਣੀ ਨਿਰਧਾਰਤ ਕੀਤੀ।
- ਮੈਂ ਕਦੇ ਵੀ ਅਜਿਹਾ ਡੇਟਾ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਹੈ ਜਿਸਦੀ [] ਕਲਾਸ ਜਨਤਕ ਵਾਹਨ ਲਈ ਢੁਕਵੀਂ ਨਹੀਂ ਹੈ।
- [ ] ਮੈਂ ਉਸ ਜਾਣਕਾਰੀ ਦੀ ਰਾਖੀ ਕਰਦਾ ਹਾਂ ਜਿਸ ਬਾਰੇ ਮੈਨੂੰ ਇੱਕ ਉੱਤਮ ਦੀ ਤਰ੍ਹਾਂ ਯਕੀਨ ਨਹੀਂ ਸੀ।
- [ ] ਮੈਂ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਉਦੋਂ ਹੀ ਕਰਦਾ ਹਾਂ ਜਦੋਂ ਜ਼ਰੂਰੀ ਅਤੇ ਕਾਨੂੰਨੀ, ਮਾਸਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- [ ] ਮੈਂ ਦੋ ਸੰਸਾਰਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਵੱਖ ਹੋਣ ਦਾ ਜੋਖਮ ਲਿਆ.