ਲਾਭ:
- ਮਰੀਜ਼ ਦੇ ਡੇਟਾ ਨੂੰ KVKK ਦੇ ਅਧੀਨ ਵਿਸ਼ੇਸ਼ ਨਿੱਜੀ ਡੇਟਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਸੰਦਰਭ ਅਗਿਆਤਕਰਨ, ਡੇਟਾ ਮਿਨੀਮਾਈਜ਼ੇਸ਼ਨ, ਅਤੇ ਕਾਰਪੋਰੇਟ/ਪਾਲਿਸੀ ਅਨੁਕੂਲ ਟੂਲ ਚੋਣ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਡੇਟਾ ਦੀ ਉਲੰਘਣਾ ਦੇ ਕਲੀਨਿਕਲ, ਕਾਨੂੰਨੀ ਅਤੇ ਨੈਤਿਕ ਨਤੀਜਿਆਂ ਅਤੇ ਰੋਕਥਾਮ ਦੀ ਲੜੀ ਨੂੰ ਸਮਝਣਾ
ਮਰੀਜ਼ ਦਾ ਡੇਟਾ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਸਭ ਤੋਂ ਗੂੜ੍ਹੀ ਜਾਣਕਾਰੀ ਹੈ: ਉਹਨਾਂ ਦੀਆਂ ਬਿਮਾਰੀਆਂ, ਜੈਨੇਟਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਮਾਨਸਿਕ ਸਿਹਤ, ਨਸ਼ੇ, ਜਿਨਸੀ ਸਿਹਤ। ਤੁਰਕੀਏ ਵਿੱਚ, ਨਿੱਜੀ ਡੇਟਾ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨ ਨੰਬਰ 6698 (ਕੇਵੀਕੇਕੇ) ਸਿਹਤ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਨਿੱਜੀ ਡੇਟਾ ਵਜੋਂ ਪਰਿਭਾਸ਼ਤ ਕਰਦਾ ਹੈ; ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਉੱਚ ਪੱਧਰੀ ਸੁਰੱਖਿਆ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਲਾਪਰਵਾਹੀ ਨਾਲ ਇਸ ਡੇਟਾ ਨੂੰ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਕਰਨਾ ਮਰੀਜ਼ ਦੀ ਗੋਪਨੀਯਤਾ ਅਤੇ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਦੋਵਾਂ ਨਾਲ ਸਮਝੌਤਾ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ AI ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ ਮਰੀਜ਼ ਦੇ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਹੈ, ਅਗਿਆਤਕਰਨ ਅਤੇ ਡੇਟਾ ਮਿਨੀਮਾਈਜ਼ੇਸ਼ਨ, ਸੁਰੱਖਿਅਤ ਟੂਲ ਚੁਣਨਾ, ਅਤੇ ਉਲੰਘਣਾ ਦੇ ਨਤੀਜੇ। ਮੂਲ ਸਿਧਾਂਤ: ਬੇਲੋੜਾ ਡੇਟਾ ਨਾ ਦਿਓ; ਗੁਮਨਾਮ ਕਰੋ ਜੋ ਤੁਸੀਂ ਦਿੰਦੇ ਹੋ; ਸਿਰਫ਼ ਉਚਿਤ, ਨੀਤੀ-ਅਨੁਕੂਲ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਸਿਹਤ ਡਾਟਾ ਨਿੱਜੀ ਕਿਉਂ ਹੈ?
KVKK ਦੇ ਅਨੁਸਾਰ, ਨਿੱਜੀ ਡੇਟਾ ਕਿਸੇ ਪਛਾਣੇ ਜਾਂ ਪਛਾਣੇ ਜਾਣ ਵਾਲੇ ਕੁਦਰਤੀ ਵਿਅਕਤੀ ਨਾਲ ਸਬੰਧਤ ਕੋਈ ਵੀ ਜਾਣਕਾਰੀ ਹੈ। ਸਿਹਤ ਡੇਟਾ, ਦੂਜੇ ਪਾਸੇ, "ਵਿਸ਼ੇਸ਼ ਪ੍ਰਕਿਰਤੀ" ਦਾ ਹੈ: ਇਸਦੀ ਪ੍ਰਕਿਰਿਆ, ਇੱਕ ਨਿਯਮ ਦੇ ਤੌਰ ਤੇ, ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਜਾਂ ਕਾਨੂੰਨ ਦੁਆਰਾ ਇਜਾਜ਼ਤ ਦਿੱਤੇ ਵਿਸ਼ੇਸ਼ ਹਾਲਾਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਸਖ਼ਤ ਸੁਰੱਖਿਆ ਉਪਾਅ ਜ਼ਰੂਰੀ ਹਨ। ਭਾਵੇਂ ਮਰੀਜ਼ ਦਾ ਕੋਈ ਨਾਮ ਨਾ ਹੋਵੇ; ਜਦੋਂ ਇੱਕ ਦੁਰਲੱਭ ਬਿਮਾਰੀ, ਇੱਕ ਖਾਸ ਇਤਿਹਾਸ, ਇੱਕ ਸੰਸਥਾ ਅਤੇ ਇੱਕ ਉਮਰ ਦਾ ਸੁਮੇਲ ਹੁੰਦਾ ਹੈ, ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇਸੇ ਲਈ "ਮੈਂ ਨਾਮ ਮਿਟਾਇਆ, ਮੈਂ ਸੁਰੱਖਿਅਤ ਹਾਂ" ਦਾ ਵਿਚਾਰ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾ ਵੀ ਜੋਖਮ ਪੈਦਾ ਕਰਦੇ ਹਨ।
ਧਿਆਨ ਦਿਓ: ਇੱਕ AI ਸੇਵਾ ਵਿੱਚ ਸਿਹਤ ਡੇਟਾ ਦਾਖਲ ਕਰਨਾ ਜੋ ਮਾਡਲ ਸਿਖਲਾਈ ਲਈ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜਾਂ ਜਿਸ ਦੇ ਸਰਵਰ/ਨੀਤੀਆਂ ਅਸਪਸ਼ਟ ਹਨ, KVKK ਦੀ ਉਲੰਘਣਾ ਹੈ ਜੇਕਰ ਕੋਈ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਅਤੇ ਉਚਿਤ ਸਾਵਧਾਨੀਆਂ ਨਹੀਂ ਹਨ। ਜ਼ਿੰਮੇਵਾਰੀ ਡਾਕਟਰ ਅਤੇ ਸੰਸਥਾ ਦੇ ਨਾਲ ਹੈ; "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਇੱਕ ਬਚਾਅ ਨਹੀਂ ਹੈ।
ਤਿੰਨ ਬੁਨਿਆਦੀ ਬਚਾਅ
1. ਡਾਟਾ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨਾ। ਸਿਰਫ਼ ਉਹ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰੋ ਜੋ ਕੰਮ ਲਈ ਅਸਲ ਵਿੱਚ ਜ਼ਰੂਰੀ ਹੈ। ਕਿਸੇ ਐਪੀਕ੍ਰਿਸਿਸ ਦੀ ਭਾਸ਼ਾ ਨੂੰ ਸਰਲ ਬਣਾਉਣ ਲਈ ਮਰੀਜ਼ ਦੇ ਨਾਮ, ਆਈਡੀ ਜਾਂ ਪਤੇ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ।
2. ਅਗਿਆਤਕਰਨ। ਇੱਕ ਲੇਬਲ ਦੇ ਨਾਲ ਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ (ਨਾਮ, ਉਪਨਾਮ, ID, ਫਾਈਲ ਨੰਬਰ, ਫ਼ੋਨ, ਪਤਾ, ਮਿਤੀ) ਨੂੰ ਹਟਾਓ ਜਾਂ ਬਦਲੋ। ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ (ਬਹੁਤ ਘੱਟ ਨਿਦਾਨ + ਸੰਸਥਾ + ਮਿਤੀ) ਨੂੰ ਵੀ ਆਮ ਬਣਾਓ।
3. ਸੁਰੱਖਿਅਤ ਵਾਹਨ ਦੀ ਚੋਣ। ਇਕਰਾਰਨਾਮੇ ਵਾਲੇ, ਕਾਰਪੋਰੇਟ ਅਤੇ ਕੇਵੀਕੇਕੇ ਅਨੁਕੂਲ ਸਾਧਨ ਚੁਣੋ ਜੋ ਗਾਰੰਟੀ ਦਿੰਦੇ ਹਨ ਕਿ ਡੇਟਾ ਸਿੱਖਿਆ ਵਿੱਚ ਨਹੀਂ ਵਰਤਿਆ ਜਾਵੇਗਾ। ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਪੜ੍ਹੋ: ਡੇਟਾ ਕਿੱਥੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕਿੰਨਾ ਸਮਾਂ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਕਿਸ ਕੋਲ ਪਹੁੰਚ ਹੈ?
ਕਦਮ ਦਰ ਕਦਮ: KVKK ਅਨੁਕੂਲ AI ਵਰਤੋਂ
- ਕੀ ਇਹ ਡੇਟਾ ਜ਼ਰੂਰੀ ਹੈ? ਉਹ ਕਦੇ ਨਾ ਦਿਓ ਜੋ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ।
- ਅਗਿਆਤ. ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਸਾਫ਼ ਕਰੋ।
- ਟੂਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਨੀਤੀ, ਧਾਰਨ, ਵਿਦਿਅਕ ਵਰਤੋਂ, ਸਰਵਰ ਸਥਾਨ।
- ਕੀ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਦੀ ਲੋੜ ਹੈ? ਜੇ ਲੋੜ ਹੋਵੇ, ਸੰਸਥਾ ਦੀ ਵਿਧੀ ਅਨੁਸਾਰ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰਾ ਕਰੋ.
- ਆਉਟਪੁੱਟ ਨੂੰ ਵੀ ਸੁਰੱਖਿਅਤ ਰੱਖੋ। ਕੀ ਏਆਈ ਆਉਟਪੁੱਟ ਵਿੱਚ ਪਛਾਣ ਲੀਕ ਹੈ?
- ਟਰੇਸ ਅਤੇ ਰਾਜਨੀਤੀ. ਕਾਰਪੋਰੇਟ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਰਿਕਾਰਡ ਦੀ ਪਾਲਣਾ ਕਰੋ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਰੋਕੀ ਗਈ ਉਲੰਘਣਾ। ਇੱਕ ਸਹਾਇਕ ਪੇਸ਼ਕਾਰੀ ਲਈ AI ਦੇ ਨਾਲ ਇੱਕ ਦਿਲਚਸਪ ਕੇਸ ਦਾ ਸਾਰ ਦੇਣਾ ਚਾਹੁੰਦਾ ਹੈ। ਪਹਿਲਾਂ, ਇਹ ਟੈਕਸਟ ਤੋਂ ਨਾਮ, ਆਈਡੀ, ਫਾਈਲ ਨੰਬਰ ਅਤੇ ਮਿਤੀ ਕੱਢਦਾ ਹੈ, ਸੰਸਥਾ ਨੂੰ ਆਮ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਸੰਸਥਾ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਇੱਕ ਸਾਧਨ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ ਜੋ ਸਿੱਖਿਆ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਦੋਵੇਂ ਆਪਣੇ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।
ਕੇਸ 2 - ਅਸਿੱਧੇ ਪਛਾਣ ਦਾ ਜੋਖਮ। ਇੱਕ ਡਾਕਟਰ AI ਵਿੱਚ "ਕਾਉਂਟੀ X ਵਿੱਚ ਇੱਕਮਾਤਰ ਬਾਲ ਔਨਕੋਲੋਜੀ ਮਰੀਜ਼" ਵਾਕੰਸ਼ ਦਾਖਲ ਕਰਦਾ ਹੈ। ਇੱਥੇ ਕੋਈ ਨਾਮ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਵਰਣਨ ਇੱਕ ਬੱਚੇ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ; ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਉਸ ਦੇ ਸਹਿਯੋਗੀ ਦੇ ਅਨੁਸਾਰ, ਚਿਕਿਤਸਕ ਬਿਆਨ ("ਬਾਲ ਔਨਕੋਲੋਜੀ ਦਾ ਇੱਕ ਕੇਸ") ਨੂੰ ਆਮ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਜੋਖਮ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।
ਕੇਸ 3 - ਗਲਤ ਟੂਲ। ਇੱਕ ਕਲੀਨਿਕ ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਨੂੰ ਪੜ੍ਹੇ ਬਿਨਾਂ ਮਰੀਜ਼ਾਂ ਦੇ ਸੁਨੇਹਿਆਂ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਇੱਕ ਮੁਫਤ ਸਾਧਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ; ਬਾਅਦ ਵਿੱਚ ਇਹ ਸਪੱਸ਼ਟ ਹੋ ਗਿਆ ਕਿ ਟੂਲ ਨੇ ਸਿਖਲਾਈ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ. ਸੰਸਥਾ ਵਾਹਨ ਨੂੰ ਰੋਕਦੀ ਹੈ, ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਮੀਖਿਆ ਕਰਦੀ ਹੈ ਅਤੇ KVKK-ਅਨੁਕੂਲ ਹੱਲ ਵੱਲ ਜਾਂਦੀ ਹੈ। ਪਾਲਿਸੀ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਪੜ੍ਹਨਾ ਇਸ ਖਤਰੇ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਰੋਕ ਸਕਦਾ ਸੀ।
ਪਛਾਣਕਰਤਾ ਕਿਸਮਾਂ ਦੀ ਸਾਰਣੀ
ਸ਼ੈਲੀ
ਉਦਾਹਰਨ
ਕੀਤਾ ਜਾਣਾ ਹੈ
ਸਿੱਧਾ ਪਛਾਣਕਰਤਾ
ਨਾਮ, TR ID, ਫਾਈਲ ਨੰਬਰ, ਫ਼ੋਨ
ਹਟਾਓ/ਟੈਗ
ਅਰਧ-ਵਰਣਨਯੋਗ
ਪੂਰੀ ਜਨਮ ਮਿਤੀ, ਪੂਰਾ ਪਤਾ
ਜਨਰਲਾਈਜ਼ (ਸਾਲ, ਜ਼ਿਲ੍ਹਾ)
ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾ
ਦੁਰਲੱਭ ਨਿਦਾਨ + ਸੰਸਥਾ + ਇਤਿਹਾਸ
ਸੰਦਰਭ ਨੂੰ ਆਮ ਬਣਾਓ
ਮੁਫ਼ਤ ਟੈਕਸਟ
ਨੋਟ ਵਿੱਚ ਜ਼ਿਕਰ ਕੀਤਾ ਨਾਮ/ਘਟਨਾ
ਸਕੈਨ ਕਰੋ ਅਤੇ ਸਾਫ਼ ਕਰੋ
ਆਉਟਪੁੱਟ ਲੀਕ
AI-ਤਿਆਰ ਟੈਕਸਟ ਵਿੱਚ ਪਛਾਣ
ਆਉਟਪੁੱਟ ਦੀ ਵੀ ਜਾਂਚ ਕਰੋ
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
ਕਾਰਜ: ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਵਿੱਚ ਸਾਰੇ ਨਿੱਜੀ/ਸਿਹਤ ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਲੱਭੋ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ: ਸਿੱਧਾ (ਨਾਮ, ID, ਫਾਈਲ ਨੰਬਰ, ਫ਼ੋਨ, ਪਤਾ), ਅਰਧ (ਪੂਰੀ ਤਾਰੀਖ), ਅਸਿੱਧੇ (ਬਹੁਤ ਘੱਟ ਨਿਦਾਨ + ਸੰਸਥਾ + ਮਿਤੀ)। ਕਲੀਨਿਕਲ ਮਹੱਤਤਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ, ਹਰੇਕ ਨੂੰ [LABEL] ਨਾਲ ਬਦਲੋ। ਟੈਕਸਟ: [...]
ਟਾਸਕ: ਇਸ ਕੇਸ ਦੇ ਸੰਖੇਪ ਦੀ ਲਾਲ ਪਛਾਣ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਜਾਣਕਾਰੀ ਦਾ ਕਿਹੜਾ ਸੁਮੇਲ ਵਿਅਕਤੀ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਸਕਦਾ ਹੈ? ਜੋਖਿਮ ਨੂੰ ਘਟਾਉਣ ਲਈ ਮੈਨੂੰ ਕਿਹੜੇ ਬਿਆਨਾਂ ਨੂੰ ਆਮ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ? ਸੰਖੇਪ: [...]
ਟਾਸਕ: ਇੱਕ AI ਟੂਲ ਦੀ ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਮੇਰੇ ਲਈ ਇੱਕ ਚੈਕਲਿਸਟ ਤਿਆਰ ਕਰੋ: ਕੀ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਡੇਟਾ, ਕਿੰਨਾ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸਰਵਰ ਕਿੱਥੇ ਹੈ, ਕੌਣ ਇਸ ਤੱਕ ਪਹੁੰਚ ਕਰਦਾ ਹੈ, ਕੀ ਕੋਈ KVKK/ਡਾਟਾ ਪ੍ਰੋਸੈਸਰ ਸਮਝੌਤਾ ਹੈ?
ਟਾਸਕ: ਕਿਸੇ ਵੀ ਪਛਾਣ ਜਾਂ ਮੁੜ-ਪਛਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ AI ਆਊਟਪੁਟ ਨੂੰ ਸਕੈਨ ਕਰੋ ਅਤੇ ਫਲੈਗ ਕਰੋ। ਜੇ ਲੀਕ ਹਨ, ਤਾਂ ਇੱਕ ਸਾਫ਼ ਕੀਤੇ ਸੰਸਕਰਣ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਆਉਟਪੁੱਟ: [...]
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "Ahmet Yılmaz, TC 123..., ਫਾਈਲ 456, X ਹਸਪਤਾਲ, ਹੇਠ ਲਿਖੇ ਤਸ਼ਖ਼ੀਸ ਦੇ ਨਾਲ ਹਸਪਤਾਲ ਵਿੱਚ ਦਾਖਲ ਮਰੀਜ਼ ਦੇ ਐਪੀਕ੍ਰਿਸਿਸ ਨੂੰ ਸੰਖੇਪ ਕਰੋ।"
Güçlü: "ਇੱਕ ਅਗਿਆਤ ਕੇਸ ਸੰਖੇਪ ਨੂੰ ਸਰਲ ਬਣਾਓ: 60 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਮਰਦ, ਅੰਦਰੂਨੀ ਦਵਾਈ ਵਾਰਡ ਵਿੱਚ ਹਸਪਤਾਲ ਵਿੱਚ ਭਰਤੀ, [ਨਿਦਾਨ], [ਇਲਾਜ]। ਨਾਮ, ਆਈਡੀ, ਫਾਈਲ ਨੰਬਰ, ਸੰਸਥਾ ਅਤੇ ਪੂਰੀ ਤਾਰੀਖ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਹੈ। ਪ੍ਰਿੰਟਆਊਟ ਵਿੱਚ ਕੋਈ ਪਛਾਣ ਜਾਣਕਾਰੀ ਨਾ ਦਿਓ।"
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ, ਡੇਟਾ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਅਤੇ ਅਗਿਆਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਗੋਪਨੀਯਤਾ ਅਤੇ ਆਉਟਪੁੱਟ ਦੋਵੇਂ ਸੁਰੱਖਿਅਤ ਹਨ।
ਆਮ ਗਲਤੀਆਂ
- ਇਹ ਸੋਚ ਕੇ "ਮੈਂ ਨਾਮ ਮਿਟਾ ਦਿੱਤਾ, ਮੈਂ ਸੁਰੱਖਿਅਤ ਹਾਂ"। ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾ ਵੀ ਵਰਣਨ ਕਰਦੇ ਹਨ।
- ਬੇਲੋੜਾ ਡਾਟਾ ਦੇਣਾ। ਕੰਮ ਲਈ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਬਿਲਕੁਲ ਵੀ ਦਰਜ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ।
- ਪਾਲਿਸੀ ਨਹੀਂ ਪੜ੍ਹ ਰਿਹਾ। ਇਹ ਜਾਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਸਾਧਨ ਸਿਖਲਾਈ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ.
- ਆਉਟਪੁੱਟ ਨੂੰ ਕੰਟਰੋਲ ਨਾ ਕਰ ਰਿਹਾ ਹੈ. AI ਆਉਟਪੁੱਟ ਵਿੱਚ ਵੀ ਪਛਾਣ ਲੀਕ ਹੋ ਸਕਦੀ ਹੈ।
- ਸਹਿਮਤੀ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ। ਲੋੜ ਪੈਣ 'ਤੇ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਜੇਕਰ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਚੇਨ ਵਿੱਚ ਅਗਲੇ ਲਿੰਕ
ਅਗਿਆਤਕਰਨ ਅਤੇ ਟੂਲ ਦੀ ਚੋਣ ਅਗਾਊਂ ਬਚਾਅ ਹਨ; ਪਰ ਜੇਕਰ ਕੋਈ ਉਲੰਘਣਾ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਪਹਿਲਾਂ ਹੀ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਕਰਨਾ ਹੈ. KVKK ਡਾਟਾ ਕੰਟਰੋਲਰ 'ਤੇ ਕੁਝ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਲਾਉਂਦਾ ਹੈ: ਜੇਕਰ ਕੋਈ ਉਲੰਘਣਾ ਨਜ਼ਰ ਆਉਂਦੀ ਹੈ ਤਾਂ ਬਿਨਾਂ ਦੇਰੀ ਕੀਤੇ ਉਲੰਘਣਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ, ਸਬੰਧਤ ਵਿਅਕਤੀਆਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨਾ ਅਤੇ, ਲੋੜ ਪੈਣ 'ਤੇ, ਨਿੱਜੀ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਬੋਰਡ ਨੂੰ, ਨੁਕਸਾਨ ਨੂੰ ਸੀਮਤ ਕਰਨ ਲਈ। ਕਲੀਨਿਕਲ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਇਸ ਲਈ ਸੰਸਥਾ ਨੂੰ ਡਾਟਾ ਕੰਟਰੋਲਰ ਵਜੋਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਚਲਾਉਣ ਲਈ, ਕਿਸੇ ਇੱਕ ਡਾਕਟਰ ਦੀ ਨਹੀਂ, ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਅਭਿਆਸ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਉਲੰਘਣਾ ਨੂੰ ਲੁਕਾਉਣਾ ਜਾਂ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨਾ ਨਹੀਂ ਹੈ। "ਇਸਦਾ ਕੋਈ ਨਾਮ ਨਹੀਂ ਸੀ" ਜਾਂ "ਕਿਸੇ ਨੂੰ ਨੋਟਿਸ ਨਹੀਂ" ਦਾ ਰਵੱਈਆ ਕਾਨੂੰਨੀ ਜੋਖਮ ਅਤੇ ਮਰੀਜ਼ ਦੇ ਭਰੋਸੇ ਨੂੰ ਹੋਰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ। ਸਹੀ ਪ੍ਰਤੀਬਿੰਬ ਇਹ ਹੈ ਕਿ ਘਟਨਾ ਦੀ ਤੁਰੰਤ ਸੰਸਥਾ ਦੀ ਸੰਬੰਧਿਤ ਇਕਾਈ (ਡੇਟਾ ਕੰਟਰੋਲਰ/ਪਾਲਣਾ) ਨੂੰ ਰਿਪੋਰਟ ਕਰਨਾ, ਦਸਤਾਵੇਜ਼ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਦੁਹਰਾਓ ਨੂੰ ਰੋਕਣ ਲਈ ਸੁਧਾਰ ਕਰਨਾ ਹੈ। ਇੱਕ ਉਲੰਘਣਾ ਇੱਕ ਸਿੱਖਣ ਦਾ ਮੌਕਾ ਵੀ ਹੈ ਜੋ ਸਿਸਟਮ ਦੇ ਕਮਜ਼ੋਰ ਲਿੰਕ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ: ਕਿਹੜਾ ਕਦਮ ਛੱਡਿਆ ਗਿਆ ਸੀ, ਕਿਹੜਾ ਨਿਯਮ ਗੁੰਮ ਸੀ?
ਸਾਵਧਾਨ: ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਨੂੰ ਛੁਪਾਉਣ ਦੇ ਆਪਣੇ ਆਪ ਵਿੱਚ ਉਲੰਘਣਾ ਨਾਲੋਂ ਵਧੇਰੇ ਗੰਭੀਰ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ। ਪਾਰਦਰਸ਼ੀ ਰਿਪੋਰਟਿੰਗ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਉਪਚਾਰ ਕਾਨੂੰਨੀ ਅਤੇ ਨੈਤਿਕ ਤੌਰ 'ਤੇ ਜਾਣ ਦਾ ਸਹੀ ਤਰੀਕਾ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਮਰੀਜ਼ ਡੇਟਾ KVKK ਦੇ ਅਧੀਨ ਵਿਸ਼ੇਸ਼ ਨਿੱਜੀ ਡੇਟਾ ਹੈ ਅਤੇ ਇਸ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਸੁਰੱਖਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI ਦੇ ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ ਤਿੰਨ ਬਚਾਓ ਲਾਗੂ ਕਰੋ: ਉਹ ਡੇਟਾ ਪ੍ਰਦਾਨ ਨਾ ਕਰੋ ਜਿਸਦੀ ਲੋੜ ਨਹੀਂ ਹੈ (ਘੱਟੋ-ਘੱਟ), ਜੋ ਤੁਸੀਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ ਉਸ ਨੂੰ ਅਗਿਆਤ ਕਰੋ (ਸਿੱਧੀ ਅਤੇ ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾ), ਸਿਰਫ਼ ਉਹ ਟੂਲ ਚੁਣੋ ਜੋ ਨੀਤੀ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਅਤੇ ਸਿਖਲਾਈ ਲਈ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ। ਲੀਕ ਲਈ ਆਉਟਪੁੱਟ ਦੀ ਵੀ ਜਾਂਚ ਕਰੋ। ਉਲੰਘਣਾ ਦੇ ਨਤੀਜੇ ਡਾਕਟਰੀ, ਕਾਨੂੰਨੀ ਅਤੇ ਨੈਤਿਕ ਤੌਰ 'ਤੇ ਗੰਭੀਰ ਹਨ; ਜਿੰਮੇਵਾਰੀ ਡਾਕਟਰ ਅਤੇ ਸੰਸਥਾ ਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ AI ਟੂਲ ਦੀ ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਉੱਪਰ ਦਿੱਤੀ ਚੈਕਲਿਸਟ ਨਾਲ ਵਰਤਦੇ ਹੋ: ਕੀ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਡੇਟਾ, ਕਿੰਨਾ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸਰਵਰ ਕਿੱਥੇ ਹੈ? ਫਿਰ ਇੱਕ ਅਸਲੀ ਕੇਸ ਟੈਕਸਟ (ਆਪਣੇ ਹੱਥ ਨਾਲ) ਅਗਿਆਤ ਕਰੋ; ਸਿੱਧੇ, ਅਰਧ ਅਤੇ ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਲੱਭੋ ਅਤੇ ਸਾਫ਼ ਕਰੋ। ਇਸ ਗੱਲ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਕਿ ਕੀ ਮੁੜ-ਪਛਾਣ ਦਾ ਖਤਰਾ ਰਹਿੰਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [] ਮੈਂ ਕਦੇ ਵੀ ਕੰਮ ਲਈ ਬੇਲੋੜਾ ਡੇਟਾ ਨਹੀਂ ਦਿੱਤਾ।
- [ ] ਮੈਂ ਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ/ਟੈਗ ਕੀਤਾ।
- [ ] ਮੈਂ ਅਰਧ- ਅਤੇ ਅਸਿੱਧੇ ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਆਮ ਬਣਾਇਆ ਹੈ।
- [ ] ਮੈਂ ਮੁੜ-ਪਛਾਣ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਟੂਲ ਦੀ ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਨੂੰ ਪੜ੍ਹ ਲਿਆ ਹੈ ਅਤੇ ਇਸਦੀ ਅਨੁਕੂਲਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਪਛਾਣ ਲੀਕੇਜ ਲਈ AI ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਸਪਸ਼ਟ ਸਹਿਮਤੀ ਅਤੇ ਸੰਸਥਾਗਤ ਪ੍ਰਕਿਰਿਆ ਲਾਗੂ ਕੀਤੀ ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ।