ਲਾਭ:
- ਜਾਣਕਾਰੀ ਦਾ ਇਸਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੇ ਅਨੁਸਾਰ ਮੁਲਾਂਕਣ ਕਰਨਾ ਅਤੇ 'ਕਲਾਸ ਨੂੰ ਪੁੱਛੋ, ਵਾਹਨ ਨਾਲ ਮੇਲ ਕਰੋ' ਰਿਫਲੈਕਸ ਨਾਲ ਖੁੱਲੇ ਵਾਹਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਪ੍ਰਣਾਲੀ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨਾ
- KVKK ਦੇ ਘੱਟੋ-ਘੱਟ ਡੇਟਾ, ਸੁਰੱਖਿਆ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਇਹ ਵੇਖਣਾ ਕਿ ਨਾਮ ਨੂੰ ਮਿਟਾਉਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ ਅਤੇ ਸੰਦਰਭ ਪਛਾਣ ਹੈ।
- ਸ਼ੱਕ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਰਸਤਾ ਚੁਣਨ, ਉੱਚ ਪੱਧਰ 'ਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਅਤੇ ਉਲੰਘਣਾ ਦੀ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਰਿਪੋਰਟ ਕਰਨ ਦੇ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਅਪਣਾਉਣ ਦੀ ਸਮਰੱਥਾ।
ਇੱਕ ਗਾਹਕ ਜੋ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ—ਹਿੰਸਾ, ਬੀਮਾਰੀ, ਗਰੀਬੀ, ਨਸ਼ਾ, ਪਰਿਵਾਰਕ ਭੇਦ—ਉਸਦੀ ਜ਼ਿੰਦਗੀ ਦੀ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ, ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਹੈ। ਉਹ ਤੁਹਾਨੂੰ ਪੇਸ਼ੇਵਰ ਗੁਪਤਤਾ ਦੇ ਭਰੋਸੇ ਵਿੱਚ ਇਹ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ। ਇਹ ਟਰੱਸਟ ਬੁਨਿਆਦ ਹੈ ਜੋ ਸਮਾਜਿਕ ਕਾਰਜਾਂ ਲਈ ਕੰਮ ਕਰਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ; ਜਦੋਂ ਇਹ ਹਿੱਲ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਕਲਾਇੰਟ ਦੁਬਾਰਾ ਨਹੀਂ ਖੁੱਲ੍ਹਦਾ ਅਤੇ ਸੇਵਾ ਆਪਣਾ ਕਾਰਜ ਗੁਆ ਦਿੰਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਯੁੱਗ ਵਿੱਚ ਇਸ ਭਰੋਸੇ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਨੇ ਇੱਕ ਨਵਾਂ ਪਹਿਲੂ ਲਿਆ ਹੈ: ਇੱਕ ਗਾਹਕ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਗਲਤ ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਕਰਨਾ ਹੁਣ ਨਾ ਸਿਰਫ ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਹੈ, ਸਗੋਂ KVKK (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਦੇ ਤਹਿਤ ਇੱਕ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਵੀ ਹੈ ਅਤੇ ਜਾਣਕਾਰੀ ਦੇ ਲੀਕ ਹੋਣ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ AI ਦੇ ਯੁੱਗ ਵਿੱਚ ਕਲਾਇੰਟ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਹੈ, KVKK ਦਾ ਮੂਲ ਤਰਕ, ਖੁੱਲੇ ਵਾਹਨਾਂ ਅਤੇ ਸੁਰੱਖਿਅਤ ਵਾਹਨਾਂ ਵਿੱਚ ਅੰਤਰ, ਅਤੇ ਇੱਕ ਵਿਹਾਰਕ "ਡਾਟਾ ਸਫਾਈ" ਅਨੁਸ਼ਾਸਨ।
ਸ਼ੁਰੂਆਤ ਤੋਂ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਨਿਯਮ ਉਹ ਹੈ ਜਿਸ ਨੂੰ ਅਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਦੁਹਰਾਉਂਦੇ ਹਾਂ: ਕੋਈ ਵੀ ਨਿੱਜੀ ਡੇਟਾ ਜੋ ਕਲਾਇੰਟ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਇੱਕ ਜਨਤਕ AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾਵੇਗਾ ਜਿਸ ਨੂੰ ਤੁਹਾਡੀ ਸੰਸਥਾ ਨੇ ਮਨਜ਼ੂਰੀ ਨਹੀਂ ਦਿੱਤੀ ਹੈ। ਇਹ ਇੱਕ ਵਾਕ ਹੇਠਾਂ ਦਿੱਤੇ ਸਾਰੇ ਵੇਰਵਿਆਂ ਦਾ ਸਾਰ ਹੈ।
ਸਮਾਜ ਸੇਵੀ ਲਈ ਕੇ.ਵੀ.ਕੇ.ਕੇ
KVKK ਨਿਯੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਨਿੱਜੀ ਡੇਟਾ (ਕੋਈ ਵੀ ਜਾਣਕਾਰੀ ਜੋ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਖਾਸ ਜਾਂ ਪਛਾਣ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ - ਨਾਮ, ID, ਪਤਾ, ਟੈਲੀਫੋਨ, ਪਰ ਸਿਹਤ, ਪਰਿਵਾਰਕ ਸਥਿਤੀ, ਅਪਰਾਧਿਕ ਰਿਕਾਰਡ ਵਰਗੀ ਜਾਣਕਾਰੀ) 'ਤੇ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਸਮਾਜਿਕ ਕਾਰਜਾਂ ਵਿੱਚ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਕਿਰਿਆ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਸੰਵੇਦਨਸ਼ੀਲ ਨਿੱਜੀ ਡੇਟਾ (ਡਾਟਾ ਜਿਸਦਾ ਲੀਕ ਹੋਣਾ ਖਾਸ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦੇਹ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਿਹਤ, ਜਿਨਸੀ ਜੀਵਨ, ਧਰਮ, ਨਸਲ, ਅਪਰਾਧਿਕ ਦੋਸ਼) ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਸੁਰੱਖਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤੁਹਾਡੇ ਲਈ KVKK ਦਾ ਵਿਹਾਰਕ ਅਰਥ ਕੁਝ ਸਿਧਾਂਤਾਂ 'ਤੇ ਆਉਂਦਾ ਹੈ:
- ਉਦੇਸ਼ ਸੀਮਾਵਾਂ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਡੇਟਾ: ਲੋੜ ਅਨੁਸਾਰ ਸਿਰਫ ਉਨੇ ਹੀ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। AI ਵਿੱਚ ਟੈਕਸਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ, ਕੋਈ ਵੀ ਨਿੱਜੀ ਵੇਰਵੇ ਦਾਖਲ ਨਾ ਕਰੋ ਜੋ ਨੌਕਰੀ ਲਈ ਲੋੜੀਂਦੇ ਨਾ ਹੋਣ।
- ਸੁਰੱਖਿਆ: ਡੇਟਾ ਅਣਅਧਿਕਾਰਤ ਪਹੁੰਚ ਤੋਂ ਸੁਰੱਖਿਅਤ ਹੈ। ਇੱਕ ਜਨਤਕ AI ਟੂਲ ਇਹ ਸੁਰੱਖਿਆ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ ਹੈ।
- ਸਹਿਮਤੀ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ: ਗਾਹਕ ਨੂੰ ਜਾਣਕਾਰੀ ਦੇਣਾ ਕਿ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਗਾਹਕ ਦੇ ਡੇਟਾ ਨੂੰ ਇੱਕ ਬੇਕਾਬੂ ਬਾਹਰੀ ਸਾਧਨ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਨਾ ਕਿਸੇ ਵੀ ਸਹਿਮਤੀ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਨਹੀਂ ਹੈ।
- ਜਵਾਬਦੇਹੀ: ਜੇਕਰ ਕੋਈ ਉਲੰਘਣਾ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਜ਼ਿੰਮੇਵਾਰੀ ਡੇਟਾ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਵਾਲੀ ਸੰਸਥਾ ਅਤੇ ਉਸ ਡੇਟਾ ਨੂੰ ਦਾਖਲ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਦੀ ਹੁੰਦੀ ਹੈ - "AI ਇਸ ਤਰ੍ਹਾਂ ਚਾਹੁੰਦਾ ਸੀ" ਬਚਾਅ ਨਹੀਂ ਹੈ।
ਸਾਵਧਾਨ: ਨਾਮਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਅਕਸਰ ਕਾਫ਼ੀ ਸੁਰੱਖਿਆ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਭਾਵੇਂ ਕਿਸੇ ਟੈਕਸਟ ਵਿੱਚ ਨਾਮ ਦਾ ਜ਼ਿਕਰ ਨਾ ਕੀਤਾ ਗਿਆ ਹੋਵੇ, ਸੰਦਰਭ (ਗੁਆਂਢ + ਉਮਰ + ਘਟਨਾ + ਮਿਤੀ + ਪਰਿਵਾਰਕ ਬਣਤਰ) ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਪਛਾਣਨ ਯੋਗ ਬਣਾ ਸਕਦਾ ਹੈ। ਅਸਲੀ ਸੁਰੱਖਿਆ ਮਾਸਕਿੰਗ ਦੁਆਰਾ ਨਹੀਂ, ਬਲਕਿ ਸਹੀ ਸੰਦ ਅਤੇ ਵਾਤਾਵਰਣ ਦੀ ਚੋਣ ਕਰਕੇ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਦੋ ਸੰਸਾਰ: ਓਪਨ ਵਾਹਨ ਬਨਾਮ ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ
AI ਦੀ ਆਪਣੀ ਵਰਤੋਂ ਨੂੰ ਦੋ ਸਪਸ਼ਟ ਸੰਸਾਰਾਂ ਵਿੱਚ ਵੱਖ ਕਰੋ:
1. ਪਬਲਿਕ/ਓਪਨ ਟੂਲ ਵਰਲਡ। ਇਹ ਉਹਨਾਂ ਕੰਮਾਂ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਕਲਾਇੰਟ ਦੀ ਪਛਾਣ ਨਹੀਂ ਕਰਦੇ: ਆਮ ਜਾਣਕਾਰੀ ਦੇ ਸਵਾਲ ("ਇੱਕ SMART ਟੀਚਾ ਕਿਵੇਂ ਲਿਖਣਾ ਹੈ?"), ਕਾਲਪਨਿਕ/ਅਗਿਆਤ ਉਦਾਹਰਨਾਂ ਨਾਲ ਸਿਖਲਾਈ, ਕਾਨੂੰਨ ਦੀ ਆਮ ਵਿਆਖਿਆ, ਪ੍ਰੋਗਰਾਮ ਟੈਕਸਟ ਜੋ ਕਿ ਕਿਸੇ ਵੱਲ ਇਸ਼ਾਰਾ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਅਸਲ ਕਲਾਇੰਟ ਡੇਟਾ ਇੱਥੇ ਕਦੇ ਵੀ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
2. ਕਲਾਇੰਟ ਡੇਟਾ ਦੀ ਦੁਨੀਆ। ਕੋਈ ਵੀ ਕੰਮ ਜਿਸ ਵਿੱਚ ਅਸਲ ਕਲਾਇੰਟ ਦੀ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ — ਰਿਕਾਰਡਿੰਗ, ਰਿਪੋਰਟ, ਜੋਖਮ ਨੋਟ, ਰੈਫਰਲ — ਸਿਰਫ਼ ਤੁਹਾਡੀ ਸੰਸਥਾ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਸੁਰੱਖਿਅਤ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਡੇਟਾ ਲੀਕ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਅਜਿਹੀ ਕੋਈ ਪ੍ਰਣਾਲੀ ਨਹੀਂ ਹੈ, ਤਾਂ ਉਹ ਕੰਮ AI ਤੋਂ ਬਿਨਾਂ ਰਵਾਇਤੀ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਦੋ ਨੂੰ ਉਲਝਾਉਣਾ — ਓਪਨ ਟੂਲ ਨੂੰ ਅਸਲ ਕਲਾਇੰਟ ਡੇਟਾ ਦੇਣਾ — ਇਸ ਮੋਡੀਊਲ ਦੀ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਅਤੇ ਆਮ ਗਲਤੀ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: ਡੇਟਾ ਸਫਾਈ ਅਨੁਸ਼ਾਸਨ
- ਕਲਾਸ ਬਾਰੇ ਪੁੱਛੋ. ਹਰੇਕ ਕੰਮ ਤੋਂ ਪਹਿਲਾਂ ਪੁੱਛੋ: "ਕੀ ਇਹ ਟੈਕਸਟ ਕਲਾਇੰਟ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ?" ਜੇਕਰ ਹਾਂ, ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ; ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਖੁੱਲ੍ਹੇ ਵਾਹਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਛੋਟਾ ਕਰੋ। ਨੌਕਰੀ ਲਈ ਲੋੜੀਂਦੇ ਘੱਟੋ-ਘੱਟ ਦਰਜ ਕੀਤੇ ਡੇਟਾ ਨੂੰ ਸੀਮਤ ਕਰੋ, ਭਾਵੇਂ ਨੌਕਰੀ ਨੂੰ ਅਸਲ ਵਿੱਚ ਇਸਦੀ ਲੋੜ ਹੋਵੇ।
- ਪਛਾਣੋ (ਅਤੇ ਆਪਣੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਜਾਣੋ)। ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਹਟਾਓ; ਪਰ ਯਾਦ ਰੱਖੋ ਕਿ ਸੰਦਰਭ ਵੀ ਪਛਾਣ ਦੇ ਸਕਦਾ ਹੈ।
- ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਪਤਾ ਕਰੋ ਕਿ ਸੰਸਥਾ ਕਿਹੜੇ ਵਾਹਨ ਨੂੰ ਕਿਸ ਡੇਟਾ ਲਈ ਮਨਜ਼ੂਰੀ ਦਿੰਦੀ ਹੈ ਅਤੇ ਇਸ ਤੋਂ ਭਟਕਣਾ ਨਹੀਂ ਹੈ।
- ਜੇ ਤੁਸੀਂ ਨਿਸ਼ਚਤ ਨਹੀਂ ਹੋ, ਤਾਂ ਇੱਕ ਉੱਚ ਸ਼੍ਰੇਣੀ ਵਾਲੇ ਵਾਂਗ ਕੰਮ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ ਕਿ ਕੋਈ ਡਾਟਾ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ ਜਾਂ ਨਹੀਂ, ਤਾਂ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਮਾਰਗ ਚੁਣੋ।
- ਉਲੰਘਣਾ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਜੇ ਕੋਈ ਲੀਕ ਜਾਂ ਗਲਤੀ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਲੁਕਾਓ; ਸੰਸਥਾ ਦੀ ਵਿਧੀ ਅਨੁਸਾਰ ਰਿਪੋਰਟ ਕਰੋ। ਸ਼ੁਰੂਆਤੀ ਦਖਲ ਨੁਕਸਾਨ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ.
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਸੰਦਰਭ ਨੇ ਪਛਾਣ ਦਿੱਤੀ। ਇੱਕ ਮਾਹਰ ਨੇ ਓਪਨ ਟੂਲ ਨੂੰ ਇੱਕ ਕੇਸ ਸੰਖੇਪ ਪੇਸ਼ ਕੀਤਾ, "ਮੈਂ ਨਾਮ ਮਿਟਾ ਦਿੱਤੇ ਹਨ, ਇਹ ਹੁਣ ਸੁਰੱਖਿਅਤ ਹੈ।" ਟੈਕਸਟ ਵਿੱਚ ਕੋਈ ਨਾਮ ਨਹੀਂ ਸੀ, ਪਰ ਵਾਕੰਸ਼ ਸੀ "ਐਕਸ ਗੁਆਂਢ ਵਿੱਚ ਇੱਕ ਨੇਤਰਹੀਣ ਔਰਤ, 3 ਬੱਚਿਆਂ ਨਾਲ, ਜਿਸਦਾ ਪਤੀ ਜੇਲ੍ਹ ਵਿੱਚ ਹੈ।" ਉਸ ਆਂਢ-ਗੁਆਂਢ ਵਿੱਚ ਸਿਰਫ਼ ਇੱਕ ਹੀ ਵਿਅਕਤੀ ਸੀ ਜੋ ਉਸ ਵਰਣਨ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਸੀ — ਪਛਾਣ ਅਮਲੀ ਤੌਰ 'ਤੇ ਸਪੱਸ਼ਟ ਸੀ। ਸੀਨੀਅਰ ਮਾਹਰ ਨੇ ਇਹ ਦੇਖਿਆ; ਨੌਕਰੀ ਨੂੰ ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ ਵਿੱਚ ਭੇਜਿਆ ਗਿਆ ਸੀ। ਪਾਠ: ਸੰਦਰਭ ਵੀ ਨਿੱਜੀ ਡੇਟਾ ਹੈ।
ਕੇਸ 2 - ਘੱਟੋ-ਘੱਟ ਡਾਟਾ ਨੀਤੀ ਨੇ ਕੰਮ ਕੀਤਾ। ਇੱਕ ਮਾਹਰ ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਵਾਕ ਨੂੰ ਸਰਲ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਟੂਲ ਨੂੰ ਪੂਰੀ ਫਾਈਲ ਦੇਣ ਦੀ ਬਜਾਏ, ਉਸਨੇ ਬਿਨਾਂ ਕਿਸੇ ਨਿੱਜੀ ਵੇਰਵੇ ਦੇ ਉਹ ਇੱਕ ਵਾਕ ਦਿੱਤਾ। ਕੰਮ ਹੋ ਗਿਆ, ਕੋਈ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਨਹੀਂ ਨਿਕਲਿਆ। ਘੱਟੋ-ਘੱਟ ਡਾਟਾ ਨੀਤੀ ਸੁਰੱਖਿਅਤ ਅਤੇ ਕਾਫੀ ਸੀ।
ਕੇਸ 3 - ਸ਼ੁਰੂਆਤੀ ਰਿਪੋਰਟਿੰਗ ਨੁਕਸਾਨ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। ਇੱਕ ਨਵੇਂ ਹਾਇਰ ਨੇ ਅਚਾਨਕ ਇੱਕ ਗਾਹਕ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਓਪਨ ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ ਅਤੇ ਤੁਰੰਤ ਦੇਖਿਆ। ਘਬਰਾਉਣ ਅਤੇ ਲੁਕਣ ਦੀ ਬਜਾਏ, ਉਸਨੇ ਤੁਰੰਤ ਇਸਦੀ ਸੂਚਨਾ ਆਪਣੇ ਸੁਪਰਵਾਈਜ਼ਰ ਨੂੰ ਦਿੱਤੀ। ਸੰਸਥਾ ਨੇ KVKK ਵਿਧੀ ਅਨੁਸਾਰ ਘਟਨਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਲੋੜੀਂਦੇ ਕਦਮ ਚੁੱਕੇ ਅਤੇ ਕਰਮਚਾਰੀ ਨੂੰ ਸਿਖਾਇਆ ਕਿ ਇਸਦੀ ਸਹੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਤੇਜ਼ ਸੂਚਨਾ ਨੇ ਘਟਨਾ ਨੂੰ ਵਧਣ ਤੋਂ ਰੋਕਿਆ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਡਾਟਾ ਕਲਾਸ ਪ੍ਰੀਫਲਾਈਟ:
ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ: ਕੀ ਇਹ ਟੈਕਸਟ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਸਿੱਧੇ (ਨਾਮ, ID, ਪਤਾ, ਫ਼ੋਨ) ਜਾਂ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ (ਪ੍ਰਸੰਗ: ਆਂਢ-ਗੁਆਂਢ, ਉਮਰ, ਘਟਨਾ, ਪਰਿਵਾਰਕ ਬਣਤਰ) ਨੂੰ ਪਛਾਣਨ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ? ਕੀ ਇਸ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ (ਸਿਹਤ, ਧਰਮ, ਜਾਤੀ, ਅਪਰਾਧਿਕ ਰਿਕਾਰਡ) ਸ਼ਾਮਲ ਹੈ? ਜੇ ਅਜਿਹਾ ਹੈ, ਤਾਂ ਕਿਹੜੇ ਭਾਗ? ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕੀ ਇਹ ਟੈਕਸਟ ਪਬਲਿਕ ਟੂਲ ਵਿੱਚ ਰੈਂਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਟੈਕਸਟ: [ਪਾਠ ਪੇਸਟ ਕਰੋ]
2) ਨਿਊਨਤਮ ਡੇਟਾ ਨੂੰ ਡਾਊਨਗ੍ਰੇਡ ਕਰਨਾ:
ਨਿਮਨਲਿਖਤ ਕੰਮ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਸਭ ਤੋਂ ਘੱਟ ਜਾਣਕਾਰੀ ਦਾ ਪਤਾ ਲਗਾਓ। ਸਾਰੇ ਨਿੱਜੀ ਵੇਰਵਿਆਂ ਨੂੰ ਹਟਾਓ ਜੋ ਨੌਕਰੀ ਲਈ ਲੋੜੀਂਦੇ ਨਹੀਂ ਹਨ ਅਤੇ ਸਿਰਫ਼ ਗੈਰ-ਪਛਾਣ ਵਾਲੇ ਹਿੱਸੇ ਨੂੰ ਛੱਡ ਦਿਓ ਜੋ ਨੌਕਰੀ ਲਈ ਲੋੜੀਂਦਾ ਹੈ। ਸੂਚੀ ਬਣਾਓ ਕਿ ਤੁਸੀਂ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਛੱਡੀ ਹੈ ਅਤੇ ਕਿਉਂ। ਨੌਕਰੀ: [ਟਾਸਕ ਦਾ ਵਰਣਨ ਕਰੋ] ਟੈਕਸਟ: [ਪਾਠ ਪੇਸਟ ਕਰੋ]
3) ਡੀ-ਪਛਾਣ ਅਤੇ ਸੰਦਰਭ ਨਿਯੰਤਰਣ:
ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਤੋਂ ਸਿੱਧੇ ਪਛਾਣਕਰਤਾ (ਨਾਮ, ID, ਪਤਾ, ਟੈਲੀਫੋਨ, ਸੰਸਥਾ ਦਾ ਨਾਮ) ਐਕਸਟਰੈਕਟ ਕਰੋ। ਕਿਸੇ ਵੀ ਸੰਦਰਭ ਤੱਤ ਨੂੰ ਵੀ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਟੈਕਸਟ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ (ਹਾਲਤਾਂ ਦਾ ਇੱਕ ਦੁਰਲੱਭ ਸੁਮੇਲ, ਖਾਸ ਸਥਾਨ + ਘਟਨਾ) ਜੋ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪਛਾਣ ਨੂੰ ਦੂਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਹਨਾਂ ਨੂੰ ਹਟਾਉਣ ਤੋਂ ਪਹਿਲਾਂ, ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਟੈਕਸਟ ਅਜੇ ਵੀ ਵਿਅਕਤੀ ਨੂੰ ਪਛਾਣਨ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਟੈਕਸਟ: [ਪਾਠ ਪੇਸਟ ਕਰੋ]
4) ਇੱਕ ਅਗਿਆਤ/ਕਾਲਪਨਿਕ ਸਿਖਲਾਈ ਉਦਾਹਰਨ ਬਣਾਉਣਾ:
ਇੱਕ ਉਦਾਹਰਨ ਕੇਸ ਤਿਆਰ ਕਰੋ ਜੋ ਇੱਕ ਅਸਲੀ ਕੇਸ ਵਰਗਾ ਹੋਵੇ, ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕਾਲਪਨਿਕ ਹੈ ਅਤੇ ਕਿਸੇ ਅਸਲ ਵਿਅਕਤੀ ਨਾਲ ਸਬੰਧਤ ਨਹੀਂ ਹੈ; ਮੈਂ ਇਸਦੀ ਵਰਤੋਂ ਸਿਖਲਾਈ/ਅਭਿਆਸ ਲਈ ਕਰਾਂਗਾ। ਅਸਲੀ ਨਾਮ, ਸਥਾਨ ਜਾਂ ਸਮਾਗਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ; ਸਭ ਕੁਝ ਜਾਅਲੀ ਹੋਣ ਦਿਓ. [ਵਿਸ਼ਾ: ਬਜ਼ੁਰਗ ਦੇਖਭਾਲ ਸ਼ੁਰੂਆਤੀ ਮੁਲਾਂਕਣ]
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਂ ਇਸ ਕਲਾਇੰਟ ਦੀ ਪੂਰੀ ਫਾਈਲ ਨੂੰ ਹੇਠਾਂ ਪੇਸਟ ਕਰ ਰਿਹਾ ਹਾਂ, ਇਹ ਮੈਨੂੰ ਇੱਕ ਵਧੀਆ ਸਾਰਾਂਸ਼ ਦੇਵੇਗਾ। (ਨਾਮ, ਪਤਾ, ਸਿਹਤ ਜਾਣਕਾਰੀ ਸਮੇਤ)
ਇਹ ਇੱਕ ਬੇਕਾਬੂ ਬਾਹਰੀ ਸਿਸਟਮ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਨਿੱਜੀ ਡੇਟਾ ਦੇ ਰਿਹਾ ਹੈ — ਇੱਕ KVKK ਉਲੰਘਣਾ ਅਤੇ ਇੱਕ ਅਟੱਲ ਪਰਦੇਦਾਰੀ ਜੋਖਮ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਸਾਰਾਂਸ਼ "ਚੰਗਾ" ਹੈ ਇਸ ਉਲੰਘਣਾ ਦਾ ਬਹਾਨਾ ਨਹੀਂ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
(ਸਿਰਫ਼ ਇੱਕ ਸੰਸਥਾ-ਪ੍ਰਵਾਨਿਤ ਸੁਰੱਖਿਅਤ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, ਜਾਂ ਡੀ-ਪਛਾਣ ਵਾਲੇ ਟੈਕਸਟ ਨਾਲ।) ਹੇਠਾਂ DE-ਪਛਾਣ ਵਾਲੇ ਟੈਕਸਟ ਦਾ ਸਾਰ ਦਿਓ। ਮੈਂ ਟੈਕਸਟ ਵਿੱਚ ਕੋਈ ਵੀ ਪ੍ਰਸੰਗ ਨਹੀਂ ਛੱਡਿਆ ਹੈ ਜੋ ਨਾਮ, ਪਤਾ, ਆਈਡੀ ਜਾਂ ਪਛਾਣ ਦੇ ਸਕਦਾ ਹੈ। ਸਿਰਫ਼ ਕੰਮ ਲਈ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰੋ। ਟੈਕਸਟ: [ਗੁਮਨਾਮ ਟੈਕਸਟ ਪੇਸਟ ਕਰੋ]
ਫਰਕ: ਸਹੀ ਟੂਲ ਵਿੱਚ ਕੰਮ ਕਰਨਾ, ਘੱਟੋ-ਘੱਟ ਅਤੇ ਡੀ-ਪਛਾਣ ਵਾਲੇ ਡੇਟਾ ਦੇ ਨਾਲ, ਕੰਮ ਪੂਰਾ ਕਰਨ ਵੇਲੇ ਗੋਪਨੀਯਤਾ ਅਤੇ ਕਾਨੂੰਨ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।
ਡਾਟਾ ਕਿਸਮ ਅਤੇ ਸਹੀ ਮਾਰਗ
ਡਾਟਾ ਕਿਸਮ
ਉਦਾਹਰਨ
ਸਹੀ ਸੰਦ ਹੈ
ਆਮ ਜਾਣਕਾਰੀ
"ਇੱਕ ਸਮਾਰਟ ਟੀਚਾ ਕੀ ਹੈ?"
ਖੁੱਲ੍ਹੀ ਗੱਡੀ
ਕਾਲਪਨਿਕ ਉਦਾਹਰਨ
ਉਲਝਾਇਆ ਸਿਖਲਾਈ ਕੇਸ
ਖੁੱਲ੍ਹੀ ਗੱਡੀ
ਬਿਨਾਂ ਪਛਾਣ + ਪ੍ਰਸੰਗ ਤੋਂ ਬਿਨਾਂ
ਇੱਕ ਆਮ ਵਾਕ ਦਾ ਸਰਲੀਕਰਨ
ਖੁੱਲ੍ਹੀ ਗੱਡੀ (ਧਿਆਨ ਨਾਲ)
ਕਲਾਇੰਟ ਡਾਟਾ
ਅਸਲ ਰਿਕਾਰਡ, ਰਿਪੋਰਟ
ਸਿਰਫ਼ ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ
ਵਿਸ਼ੇਸ਼ ਗੁਣਵੱਤਾ ਡੇਟਾ
ਸਿਹਤ, ਸਜ਼ਾ, ਨਸਲ
ਉੱਚ ਸੁਰੱਖਿਆ / ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ
ਜੋਖਮ/ਸੁਰੱਖਿਆ ਨੋਟ
ਹਿੰਸਾ, ਸੁਰੱਖਿਆ ਜਾਣਕਾਰੀ
ਉੱਚ ਸੁਰੱਖਿਆ / ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ
ਆਮ ਗਲਤੀਆਂ
- ਓਪਨ ਟੂਲ ਨੂੰ ਅਸਲ ਕਲਾਇੰਟ ਡੇਟਾ ਦੇਣਾ. ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਅਤੇ ਆਮ ਗਲਤੀ; ਕੇਵੀਕੇਕੇ ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਅਟੱਲ ਪ੍ਰਵੇਸ਼।
- "ਮੈਂ ਨਾਮ ਮਿਟਾ ਦਿੱਤੇ" ਇਹ ਸੋਚ ਕੇ ਕਿ ਇਹ ਸੁਰੱਖਿਆ ਹੈ। ਸੰਦਰਭ ਪਛਾਣ ਦੇ ਸਕਦਾ ਹੈ; ਮਾਸਕ ਕਰਨਾ ਸੁਰੱਖਿਆ ਨਹੀਂ ਹੈ.
- ਲੋੜ ਤੋਂ ਵੱਧ ਡਾਟਾ ਦਾਖਲ ਕਰਨਾ। ਘੱਟੋ-ਘੱਟ ਡਾਟਾ ਨੀਤੀ ਨੂੰ ਲਾਗੂ ਕਰੋ; ਜਿੰਨੀ ਨੌਕਰੀ ਦੀ ਲੋੜ ਹੈ, ਦਿਓ।
- ਜਦੋਂ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੁੰਦਾ ਤਾਂ ਜੋਖਮ ਲੈਣਾ। ਜਦੋਂ ਸ਼ੱਕ ਹੋਵੇ, ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਰਸਤਾ ਚੁਣੋ, ਇੱਕ ਉੱਚ ਵਰਗ ਵਾਂਗ ਕੰਮ ਕਰੋ।
- ਉਲੰਘਣਾ ਨੂੰ ਛੁਪਾਉਣਾ. ਛੇਤੀ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਰਿਪੋਰਟਿੰਗ ਨੁਕਸਾਨ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ; ਛੁਪਾਉਣਾ ਇਸ ਨੂੰ ਵੱਡਾ ਬਣਾਉਂਦਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਗਾਹਕ ਗੋਪਨੀਯਤਾ ਸਮਾਜਿਕ ਕਾਰਜਾਂ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਦੀ ਬੁਨਿਆਦ ਹੈ, ਅਤੇ AI ਦੀ ਉਮਰ ਵਿੱਚ, ਇਹ KVKK ਦੇ ਨਾਲ ਇੱਕ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਵਿੱਚ ਵੀ ਬਦਲ ਜਾਂਦੀ ਹੈ। ਬੁਨਿਆਦੀ ਨਿਯਮ ਸਪੱਸ਼ਟ ਹੈ: ਕਲਾਇੰਟ ਦੀ ਪਛਾਣ ਕਰਨ ਵਾਲਾ ਕੋਈ ਵੀ ਨਿੱਜੀ ਡੇਟਾ ਇੱਕ ਗੈਰ-ਪ੍ਰਵਾਨਿਤ ਜਨਤਕ ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ। ਦੋ ਸੰਸਾਰਾਂ (ਓਪਨ ਟੂਲ ਬਨਾਮ ਸੁਰੱਖਿਅਤ ਸਿਸਟਮ) ਨੂੰ ਵੱਖਰਾ ਰੱਖੋ, ਘੱਟੋ-ਘੱਟ ਡੇਟਾ ਸਿਧਾਂਤ ਲਾਗੂ ਕਰੋ, ਜਾਣੋ ਕਿ ਨਾਮ ਮਿਟਾਉਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ ਅਤੇ ਸੰਦਰਭ ਪਛਾਣ ਹੈ, ਸ਼ੱਕ ਦੀ ਸਥਿਤੀ ਵਿੱਚ, ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਰਸਤਾ ਚੁਣੋ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ ਉਲੰਘਣਾ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਗੋਪਨੀਯਤਾ ਬਾਅਦ ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਇੱਕ ਮਾਪ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਸਿਧਾਂਤ ਹੈ ਜੋ ਸ਼ੁਰੂ ਤੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਕਾਲਪਨਿਕ ਕੇਸ ਟੈਕਸਟ ਲਿਖੋ ਅਤੇ ਵੇਖੋ ਕਿ "ਡੇਟਾ ਕਲਾਸ ਪ੍ਰੀਫਲਾਈਟ" ਟੈਮਪਲੇਟ ਨਾਲ AI ਕਿਹੜੀਆਂ ਆਈਟਮਾਂ ਨੂੰ ਨਿੱਜੀ/ਪ੍ਰਾਈਵੇਟ ਡੇਟਾ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ। ਫਿਰ "ਡੀ-ਪਛਾਣ ਅਤੇ ਸੰਦਰਭ ਜਾਂਚ" ਪੈਟਰਨ ਨਾਲ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਸੰਦਰਭ ਨਾਮਾਂ ਨੂੰ ਮਿਟਾਉਣ ਤੋਂ ਬਾਅਦ ਵੀ ਪਛਾਣ ਦਿੰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਉਦਾਹਰਨ ਤਿਆਰ ਕਰੋ ਜਿਸਨੂੰ ਤੁਸੀਂ "ਅਗਿਆਤ/ਕਾਲਪਨਿਕ ਸਿਖਲਾਈ ਉਦਾਹਰਨ" ਟੈਮਪਲੇਟ ਨਾਲ ਓਪਨ ਟੂਲ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਵਰਤ ਸਕਦੇ ਹੋ।
ਚੈੱਕਲਿਸਟ
- ਹਰ ਕੰਮ ਤੋਂ ਪਹਿਲਾਂ, "ਕੀ ਇਹ ਟੈਕਸਟ ਕਲਾਇੰਟ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ?" ਮੈਂ ਪੁੱਛਿਆ.
- ਮੈਂ ਸਿਰਫ਼ ਮਨਜ਼ੂਰਸ਼ੁਦਾ, ਸੁਰੱਖਿਅਤ ਸਿਸਟਮਾਂ ਵਿੱਚ ਕਲਾਇੰਟ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਨਿਊਨਤਮ ਡੇਟਾ ਨੀਤੀ ਲਾਗੂ ਕੀਤੀ ਹੈ; ਮੈਂ ਜ਼ਿਆਦਾ ਵੇਰਵਿਆਂ ਵਿੱਚ ਨਹੀਂ ਗਿਆ।
- [ ] ਇਹ ਜਾਣਦੇ ਹੋਏ ਕਿ ਨਾਮ ਨੂੰ ਮਿਟਾਉਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਮੈਂ ਪ੍ਰਸੰਗ ਦੀ ਵੀ ਜਾਂਚ ਕੀਤੀ।
- [] ਸ਼ੱਕ ਦੀ ਸਥਿਤੀ ਵਿੱਚ, ਮੈਂ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਰਸਤਾ ਚੁਣਿਆ ਹੈ ਅਤੇ ਮੈਨੂੰ ਉਲੰਘਣਾ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਰਿਪੋਰਟ ਕਰਨ ਦਾ ਤਰੀਕਾ ਪਤਾ ਹੈ।