ਲਾਭ:
- ਡਾਟਾ ਜੀਵਨ ਚੱਕਰ ਦੇ ਹਰ ਪੜਾਅ 'ਤੇ AI ਵਿਚਾਰਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋ
- ਧਾਰਨ ਦੀ ਮਿਆਦ ਸੈਟ ਕਰੋ ਅਤੇ ਵਿਨਾਸ਼ ਨੀਤੀ ਵਿੱਚ AI ਚੈਟ ਇਤਿਹਾਸ ਸ਼ਾਮਲ ਕਰੋ
- ਅਗਿਆਤਕਰਨ ਅਤੇ ਉਪਨਾਮਕਰਨ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਲਾਗੂ ਕਰਨਾ
ਡੇਟਾ ਦਾ "ਬਾਅਦ" ਹਿੱਸਾ ਉਹ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਇੱਕ ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਧਿਕਾਰੀ ਅਕਸਰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ। ਇੱਕ ਵਾਰ ਇੱਕ ਟੈਕਸਟ ਏਆਈ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਅਜਿਹਾ ਲਗਦਾ ਹੈ ਕਿ ਕੰਮ ਪੂਰਾ ਹੋ ਗਿਆ ਹੈ; ਹਾਲਾਂਕਿ, ਉਹ ਡੇਟਾ ਕਿਤੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸ਼ਾਇਦ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਮਹੀਨਿਆਂ ਲਈ ਚੈਟ ਇਤਿਹਾਸ ਵਿੱਚ ਇਕੱਠਾ ਹੋਵੇ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਕਦਮ ਦਰ ਕਦਮ ਨਿੱਜੀ ਡੇਟਾ ਦੇ ਜੀਵਨ ਚੱਕਰ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ; ਅਸੀਂ ਰੀਟੈਨਸ਼ਨ ਪੀਰੀਅਡਾਂ, AI ਚੈਟ ਇਤਿਹਾਸ ਦੇ ਵਿਨਾਸ਼, ਅਤੇ ਦੋ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕਾਂ - ਗੁਮਨਾਮਕਰਨ ਅਤੇ pseudonymization ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਬਾਰੇ ਸਿੱਖਾਂਗੇ। ਟੀਚਾ ਡੇਟਾ ਨੂੰ ਇਸਦੇ ਪੂਰੇ ਜੀਵਨ ਦੌਰਾਨ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਉਦੋਂ ਜਦੋਂ ਇਹ ਦਾਖਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਡਾਟਾ ਲਾਈਫਸਾਈਕਲ ਅਤੇ ਏ.ਆਈ
ਨਿੱਜੀ ਡੇਟਾ ਇੱਕ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ; ਹਰੇਕ ਪੜਾਅ ਵਿੱਚ AI-ਵਿਸ਼ੇਸ਼ ਧਿਆਨ ਦੇ ਬਿੰਦੂ ਹੁੰਦੇ ਹਨ।
ਸਟੇਜ
ਕੀ ਹੁੰਦਾ ਹੈ?
AI ਧਿਆਨ ਬਿੰਦੂ
ਸੰਗ੍ਰਹਿ
ਡਾਟਾ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ
ਕੀ ਉਦੇਸ਼ ਅਤੇ ਆਧਾਰ ਸਪਸ਼ਟ ਹਨ? ਕੀ ਇਸ ਨੂੰ ਘੱਟ ਕੀਤਾ ਗਿਆ ਹੈ?
ਵਰਤੋਂ/ਪ੍ਰੋਸੈਸਿੰਗ
AI ਵਿੱਚ ਦਾਖਲ ਹੋਇਆ, ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਗਈ
ਕੀ ਮਾਸਕਿੰਗ ਕੀਤੀ ਗਈ ਹੈ? ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵਾਹਨ?
ਸਟੋਰੇਜ
ਡਾਟਾ ਬਰਕਰਾਰ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ
ਚੈਟ ਇਤਿਹਾਸ ਕਿੰਨਾ ਚਿਰ ਰਹਿੰਦਾ ਹੈ?
ਤਬਾਦਲਾ
ਕਿਸੇ ਹੋਰ ਕੋਲ ਜਾਂਦਾ ਹੈ
ਅੰਤਰਰਾਸ਼ਟਰੀ ਸਰਵਰ? ਕੀ ਕੋਈ ਢੁਕਵਾਂ ਭਰੋਸਾ ਹੈ?
ਤਬਾਹੀ
ਮਿਟਾਉਣਾ/ਅਨਾਮਕਰਨ
ਕੀ ਮਕਸਦ ਪੂਰਾ ਹੋਣ ਤੋਂ ਬਾਅਦ ਇਸਨੂੰ ਮਿਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ? ਕੀ ਸਪੇਅਰਜ਼ ਸ਼ਾਮਲ ਹਨ?
ਦੋ ਸਭ ਤੋਂ ਅਣਗੌਲੇ ਪੜਾਅ ਸਟੋਰੇਜ ਅਤੇ ਨਿਪਟਾਰੇ ਹਨ। ਡੇਟਾ "ਭੁੱਲ ਗਿਆ" ਹੈ ਅਤੇ ਸਿਸਟਮ ਵਿੱਚ ਇਕੱਠਾ ਹੁੰਦਾ ਰਹਿੰਦਾ ਹੈ - ਜੋ KVKK ਸਿਧਾਂਤ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਉਲੰਘਣਾ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਨੁਕਸਾਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।
ਸਟੋਰੇਜ ਸਮਾਂ: ਤੁਸੀਂ ਇਸਨੂੰ ਕਿੰਨਾ ਸਮਾਂ ਰੱਖ ਸਕਦੇ ਹੋ?
KVKK ਦਾ ਧਾਰਨ ਦਾ ਸਿਧਾਂਤ ਸਪੱਸ਼ਟ ਹੈ: ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਲੋੜ ਤੋਂ ਵੱਧ ਸਮਾਂ ਉਸ ਉਦੇਸ਼ ਲਈ ਨਹੀਂ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਜਿਸ ਲਈ ਇਹ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਜਦੋਂ ਉਦੇਸ਼ ਹੁਣ ਉਪਲਬਧ ਨਹੀਂ ਹੈ, ਤਾਂ ਡੇਟਾ ਨੂੰ ਮਿਟਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਸ਼ਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਅਗਿਆਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਸੰਸਥਾ ਸਟੋਰੇਜ ਅਤੇ ਨਿਪਟਾਰੇ ਦੀ ਨੀਤੀ ਤਿਆਰ ਕਰਦੀ ਹੈ; ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਦੀ ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਲਈ ਕਿੰਨਾ ਰੱਖਣਾ ਹੈ।
AI ਲਈ ਖਾਸ ਨਾਜ਼ੁਕ ਬਿੰਦੂ: AI ਚੈਟ ਇਤਿਹਾਸ ਵੀ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਜੇ ਇੱਕ ਕਰਮਚਾਰੀ ਨੇ ਮਹੀਨਿਆਂ ਲਈ ਉਸੇ ਚੈਟ ਵਿੱਚ ਗਾਹਕ ਡੇਟਾ ਦਾਖਲ ਕੀਤਾ ਹੈ, ਤਾਂ ਉਹ ਇਤਿਹਾਸ ਇੱਕ ਡੇਟਾ ਰਿਪੋਜ਼ਟਰੀ ਬਣ ਜਾਂਦਾ ਹੈ। ਇਸਦੇ ਲਈ:
- ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਟੂਲਸ ਵਿੱਚ ਡੇਟਾ ਰੀਟੈਨਸ਼ਨ ਸੈਟਿੰਗਾਂ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰੋ (ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਇਤਿਹਾਸ ਨੂੰ ਆਟੋ-ਮਿਟਾਓ ਜਾਂ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤੋਂ ਬੰਦ ਕਰੋ)।
- ਆਪਣੇ ਵਿਨਾਸ਼ ਕਾਰਜਕ੍ਰਮ ਵਿੱਚ ਚੈਟ ਇਤਿਹਾਸ ਸ਼ਾਮਲ ਕਰੋ।
- ਕਾਰਪੋਰੇਟ ਇਕਰਾਰਨਾਮੇ ਵਿੱਚ "ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਨਾ ਵਰਤੋ" (ਔਪਟ-ਆਊਟ) ਵਿਕਲਪ ਨੂੰ ਯਕੀਨੀ ਬਣਾਓ।
ਧਿਆਨ ਦਿਓ: ਡੇਟਾ ਨੂੰ ਮਿਟਾਉਣਾ ਸਿਰਫ਼ ਇਸਨੂੰ ਸਕ੍ਰੀਨ ਤੋਂ ਹਟਾਉਣਾ ਨਹੀਂ ਹੈ. ਪ੍ਰਦਾਤਾ ਦੇ ਸਰਵਰ 'ਤੇ ਬੈਕਅੱਪ, ਲੌਗਸ ਅਤੇ ਕਾਪੀਆਂ ਨੂੰ ਵੀ ਵਿਚਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ "ਹਟਾਏ" ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਜੋ ਤੁਸੀਂ ਮਿਟਾਇਆ ਹੈ ਉਹ ਸੱਚਮੁੱਚ ਅਢੁੱਕਵੀਂ ਹੈ।
ਅਗਿਆਤਕਰਨ ਜਾਂ ਉਪਨਾਮਕਰਨ?
ਇਹ ਦੋਵੇਂ ਸ਼ਬਦ ਅਕਸਰ ਉਲਝਣ ਵਿੱਚ ਹੁੰਦੇ ਹਨ, ਪਰ ਇਹਨਾਂ ਦੇ ਕਾਨੂੰਨੀ ਨਤੀਜੇ ਇੱਕ-ਦੂਜੇ ਦੇ ਵਿਰੋਧ ਵਿੱਚ ਹੁੰਦੇ ਹਨ।
- ਅਗਿਆਤਕਰਨ: ਡੇਟਾ ਬਣਾਉਣਾ ਤਾਂ ਜੋ ਇਸਨੂੰ ਕਿਸੇ ਵੀ ਤਰੀਕੇ ਨਾਲ ਕਿਸੇ ਵਿਅਕਤੀ ਨਾਲ ਜੋੜਿਆ ਨਾ ਜਾ ਸਕੇ। ਜੇਕਰ ਸਹੀ ਢੰਗ ਨਾਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਨਤੀਜਾ ਹੁਣ ਨਿੱਜੀ ਡੇਟਾ ਨਹੀਂ ਹੈ ਅਤੇ KVKK ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਆਉਂਦਾ ਹੈ। ਉਦਾਹਰਨ: 10,000 ਲੋਕਾਂ ਦੇ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਕਤਾਰਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਅਤੇ ਸਿਰਫ਼ ਕੁੱਲ ਅੰਕੜੇ ਛੱਡਣਾ ਜਿਵੇਂ ਕਿ "ਇਸਤਾਂਬੁਲ ਵਿੱਚ 25-34 ਉਮਰ ਸਮੂਹ ਵਿੱਚ ਔਸਤ ਖਰਚ"।
- ਉਪਨਾਮੀਕਰਨ: ਪਛਾਣ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਕੋਡ/ਟੈਗ ਨਾਲ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਇੱਕ "ਕੁੰਜੀ" ਵਾਲੇ ਵਿਅਕਤੀ ਨੂੰ ਵਾਪਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ: "Ahmet Yılmaz" ਦੀ ਬਜਾਏ "Customer-4471" ਲਿਖਣਾ, ਪਰ ਇੱਕ ਸਾਰਣੀ ਰੱਖਣਾ ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਕੋਡ ਕਿਸ ਦਾ ਹੈ। ਇਹ ਅਜੇ ਵੀ ਨਿੱਜੀ ਡੇਟਾ ਹੈ ਅਤੇ KVKK ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਆਉਂਦਾ ਹੈ।
ਵਿਸ਼ੇਸ਼ਤਾ
ਅਗਿਆਤਕਰਨ
ਉਪਨਾਮੀਕਰਨ
ਕੀ ਵਿਅਕਤੀ ਨੂੰ ਵਾਪਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
ਨਹੀਂ (ਜੇਕਰ ਸਹੀ ਢੰਗ ਨਾਲ ਕੀਤਾ ਗਿਆ ਹੈ)
ਹਾਂ, ਕੁੰਜੀ ਨਾਲ
ਕੀ ਇਹ ਅਜੇ ਵੀ ਨਿੱਜੀ ਡੇਟਾ ਹੈ?
ਨਹੀਂ
ਹਾਂ
KVKK ਸਕੋਪ
ਬਾਹਰ
ਵਿੱਚ
AI ਵਿੱਚ ਆਉਣ ਲਈ
ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਤਰੀਕਾ
ਦੁਬਾਰਾ ਫਿਰ, ਇੱਕ ਅਧਾਰ/ਨਿਯਮ ਦੀ ਲੋੜ ਹੈ
ਸੁਝਾਅ: "ਕੀ ਇਹ ਉਲਟਾ ਹੈ?" AI ਵਿੱਚ ਡੇਟਾ ਦਾਖਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ. ਪੁੱਛੋ ਜੇਕਰ ਇਸ ਵਿੱਚ ਕੋਈ ਕੁੰਜੀ/ਮੇਲ ਹੈ, ਤਾਂ ਇਹ ਉਪਨਾਮ ਹੈ ਅਤੇ ਅਜੇ ਵੀ ਨਿੱਜੀ ਡੇਟਾ ਹੈ। ਸੱਚੀ ਅਗਿਆਤਤਾ ਸਮੁੱਚੇ ਨਤੀਜੇ ਨੂੰ ਸਾਂਝਾ ਕਰ ਰਹੀ ਹੈ, ਵਿਅਕਤੀਗਤ ਕਤਾਰਾਂ ਨੂੰ ਨਹੀਂ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਜਾਅਲੀ ਗੁਮਨਾਮਤਾ। ਇੱਕ ਹੈਲਥਕੇਅਰ ਕੰਪਨੀ AI ਨੂੰ ਡੇਟਾ ਦਾ ਇੱਕ ਸੈੱਟ ਦਿੰਦੀ ਹੈ ਜੋ ਕਹਿੰਦੀ ਹੈ ਕਿ ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ "ਗੁਮਨਾਮ" ਹੈ। ਪਰ ਸੈੱਟ ਵਿੱਚ ਜਨਮ ਮਿਤੀ, ਕਾਉਂਟੀ, ਅਤੇ ਇੱਕ ਦੁਰਲੱਭ ਨਿਦਾਨ ਸ਼ਾਮਲ ਹੈ; ਇਹ ਤਿਕੜੀ ਇੱਕ ਛੋਟੀ ਕਾਉਂਟੀ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਵਿਅਕਤੀ ਨੂੰ ਦਰਸਾ ਸਕਦੀ ਹੈ। ਇਹ ਅਗਿਆਤਕਰਨ ਨਹੀਂ ਹੈ; ਡਾਟਾ ਅਜੇ ਵੀ ਨਿੱਜੀ ਹੈ। ਸਹੀ ਤਰੀਕਾ: ਜਨਮ ਮਿਤੀ ਨੂੰ ਉਮਰ ਦੀ ਰੇਂਜ ਵਿੱਚ ਬਦਲਣਾ, ਕਾਉਂਟੀ ਦੁਆਰਾ ਸਧਾਰਣੀਕਰਨ, ਦੁਰਲੱਭ ਨਿਦਾਨਾਂ ਦਾ ਸਮੂਹ ਕਰਨਾ — ਯਾਨੀ ਸੱਚਾ ਏਕੀਕਰਣ।
ਕੇਸ 2 - ਗੱਲਬਾਤ ਦਾ ਢੇਰ. ਇੱਕ ਕਾਲ ਸੈਂਟਰ ਵਿੱਚ, 6 ਏਜੰਟ 4 ਮਹੀਨਿਆਂ ਲਈ ਉਸੇ ਕਾਰਪੋਰੇਟ AI ਖਾਤੇ ਵਿੱਚ ਗਾਹਕ ਡੇਟਾ ਦਾਖਲ ਕਰਦੇ ਹਨ। ਕੋਈ ਵੀ ਅਤੀਤ ਨੂੰ ਸਾਫ਼ ਨਹੀਂ ਕਰਦਾ; ਆਖਰਕਾਰ ਇੱਕ ਥਾਂ 'ਤੇ 12,000 ਤੋਂ ਵੱਧ ਗਾਹਕ ਇੰਟਰੈਕਸ਼ਨ ਇਕੱਠੇ ਹੋਏ। ਇੱਕ ਆਡਿਟ ਵਿੱਚ, ਇਸ ਸੰਚਵ ਨੂੰ ਇੱਕ ਵੱਡੇ ਜੋਖਮ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਹੱਲ: ਹਰ 30 ਦਿਨਾਂ ਵਿੱਚ ਇਤਿਹਾਸ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਮਿਟਾਉਣ ਦੀ ਸੈਟਿੰਗ, ਕੰਮ ਪੂਰਾ ਹੋਣ 'ਤੇ ਲੌਗ ਆਉਟ ਕਰਨ ਲਈ ਇੱਕ ਨਿਯਮ, ਅਤੇ ਧਾਰਨ ਨੀਤੀ ਲਈ ਇੱਕ ਧਾਰਾ ਖੁੱਲੀ ਹੈ।
ਕੇਸ 3 - ਸਹੀ ਉਪਨਾਮਕਰਨ। AI ਨਾਲ ਕਰਮਚਾਰੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ, ਇੱਕ HR ਟੀਮ “Employee-001” ਵਰਗੇ ਨਾਮਾਂ ਨੂੰ ਕੋਡ ਦਿੰਦੀ ਹੈ ਅਤੇ ਮੇਲ ਖਾਂਦੀ ਸਾਰਣੀ ਨੂੰ ਇੱਕ ਵੱਖਰੀ, ਪਹੁੰਚ-ਪ੍ਰਤੀਬੰਧਿਤ ਫਾਈਲ ਵਿੱਚ ਰੱਖਦੀ ਹੈ। ਇਹ ਉਪਨਾਮੀਕਰਨ ਹੈ; ਡੇਟਾ ਅਜੇ ਵੀ ਨਿੱਜੀ ਹੈ, ਪਰ ਜੋਖਮ ਘੱਟ ਗਿਆ ਹੈ। ਟੀਮ ਇਸ ਗੱਲ ਤੋਂ ਜਾਣੂ ਹੈ ਕਿ ਇਹ ਗੁਮਨਾਮ ਨਹੀਂ ਹੈ ਅਤੇ ਇਸਦੇ ਕਨੂੰਨੀ ਆਧਾਰ ਅਤੇ ਧਾਰਨ ਦੀ ਮਿਆਦ ਉਸ ਅਨੁਸਾਰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।
ਨਕਲ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ
ਟੈਮਪਲੇਟ 1 — ਧਾਰਨਾ ਅਤੇ ਵਿਨਾਸ਼ ਨੀਤੀ ਲਾਈਨ: "ਹੇਠ ਦਿੱਤੀ ਡਾਟਾ ਸ਼੍ਰੇਣੀ ਲਈ ਇੱਕ ਧਾਰਨ-ਨਸ਼ਟ ਨੀਤੀ ਲਾਈਨ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ: [ਸ਼੍ਰੇਣੀ]। ਖੇਤਰ: ਧਾਰਨ ਦੀ ਮਿਆਦ (ਉਦੇਸ਼ ਦੁਆਰਾ ਜਾਇਜ਼), ਵਿਨਾਸ਼ ਵਿਧੀ (ਮਿਟਾਉਣਾ/ਵਿਨਾਸ਼/ਅਨਾਮਕਰਨ), ਕੀ AI ਚੈਟ ਇਤਿਹਾਸ ਸ਼ਾਮਲ ਹੈ, ਜ਼ਿੰਮੇਵਾਰ ਭੂਮਿਕਾ। ਯਾਦ ਦਿਵਾਓ ਕਿ ਜੇਕਰ ਕੋਈ ਕਾਨੂੰਨੀ ਰੁਕਾਵਟ ਹੈ। "
ਟੈਮਪਲੇਟ 2 — ਅਗਿਆਤਤਾ ਜਾਂਚ: "ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਹੇਠਾਂ ਦਿੱਤਾ ਡੇਟਾਸੈਟ ਸੱਚਮੁੱਚ ਅਗਿਆਤ ਹੈ: [ਸੂਚੀ ਖੇਤਰ]। ਖੇਤਰਾਂ ਦੇ ਕਿਹੜੇ ਸੁਮੇਲ ਵਿਅਕਤੀ ਨੂੰ ਪਛਾਣਨ ਯੋਗ ਬਣਾ ਸਕਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ ਜਨਮ ਮਿਤੀ + ਜ਼ਿਪ ਕੋਡ + ਦੁਰਲੱਭ ਵਿਸ਼ੇਸ਼ਤਾ)? ਇੱਕ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਹਰੇਕ ਜੋਖਮ ਖੇਤਰ (ਜਿਵੇਂ ਕਿ ਉਮਰ ਰੇਂਜ, ਪ੍ਰਾਂਤ ਪੱਧਰ) ਲਈ ਇੱਕ ਸਧਾਰਨਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿਓ।
ਟੈਮਪਲੇਟ 3 — ਮਾਸਕਿੰਗ + ਰਿਟਰਨ ਕੁੰਜੀ ਵੱਖਰਾ: "ਹੇਠ ਲਿਖੇ ਟੈਕਸਟ ਦਾ ਉਪਨਾਮ: ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਏਨਕੋਡ ਕਰੋ (ਜਿਵੇਂ [NAME]->K001), ਪਰ ਮੈਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਇੱਕ ਮੇਲ ਖਾਂਦੀ ਸਾਰਣੀ ਦਿਓ। ਟੈਕਸਟ ਵਿੱਚ ਹੀ ਕੋਈ ਅਸਲ ਪਛਾਣ ਨਾ ਛੱਡੋ। ਧਿਆਨ ਦਿਓ ਕਿ ਮੇਲ ਖਾਂਦੀ ਸਾਰਣੀ 'ਨਿੱਜੀ ਡੇਟਾ' ਹੈ ਅਤੇ ਇਸਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਟੋਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।"
ਟੈਮਪਲੇਟ 4 — AI ਟੂਲ ਡਾਟਾ ਸਟੋਰੇਜ ਆਡਿਟ: "ਸਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾਣ ਵਾਲੇ AI ਟੂਲ ਦੇ ਡੇਟਾ ਸਟੋਰੇਜ ਵਿਵਹਾਰ ਦਾ ਆਡਿਟ ਕਰਨ ਲਈ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਤਿਆਰ ਕਰੋ: ਇਤਿਹਾਸ ਨੂੰ ਕਿੰਨਾ ਸਮਾਂ ਰੱਖਿਆ ਗਿਆ ਹੈ, ਕੀ ਇਸਨੂੰ ਮਿਟਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਕੀ ਇਹ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਕੀ ਔਪਟ-ਆਉਟ ਹੁੰਦਾ ਹੈ, ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਿੱਥੇ ਹੁੰਦੀ ਹੈ, ਬੈਕਅੱਪ ਕੀ ਹੁੰਦੇ ਹਨ? ਹਰੇਕ ਸਵਾਲ ਦਾ ਸੰਭਾਵਿਤ 'ਸੁਰੱਖਿਅਤ' ਜਵਾਬ ਲਿਖੋ।"
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਇਸ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰੋ।" (ਕੋਡ ਅਤੇ ਨਾਮ ਛੱਡਦੇ ਹਨ)-> ਸਿਰਫ਼ ਉਪਨਾਮ; ਮੁੜ-ਪਛਾਣ ਦੇ ਜੋਖਮ ਰਹਿੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਜਨਮ ਮਿਤੀ, ਦੁਰਲੱਭ ਵਿਸ਼ੇਸ਼ਤਾ; ਇਹ "ਗੁਮਨਾਮ" ਦਾ ਭਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। GÜÇLÜ: "ਇਸ ਸੈੱਟ ਵਿੱਚ ਖੇਤਰਾਂ ਦੇ ਸੰਜੋਗਾਂ ਨੂੰ ਲੱਭੋ ਜੋ ਵਿਅਕਤੀ ਦੀ ਮੁੜ-ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ; ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ (ਉਮਰ ਦੀ ਰੇਂਜ, ਪ੍ਰਾਂਤ ਪੱਧਰ) ਨੂੰ ਆਮ ਬਣਾਓ। ਮੇਰਾ ਟੀਚਾ ਇੱਕ ਸਿੰਗਲ ਰਿਕਾਰਡ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕਤਰ ਅੰਕੜੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਕਿਸੇ ਨੂੰ ਵੀ ਇੱਕ ਵਿਅਕਤੀ ਵਜੋਂ ਵੱਖਰਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।" -> ਮਾਡਲ ਮੁੜ-ਪਛਾਣ ਦੇ ਜੋਖਮ ਨੂੰ ਘਟਾਉਂਦੇ ਹੋਏ, ਸੱਚੀ ਅਗਿਆਤਤਾ ਵੱਲ ਝੁਕਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਅਨਾਮਾਈਜ਼ੇਸ਼ਨ ਲਈ pseudonymization ਦੀ ਗਲਤੀ; ਇਹ ਭੁੱਲ ਜਾਣਾ ਕਿ ਇਹ ਨਿੱਜੀ ਡਾਟਾ ਰਹਿੰਦਾ ਹੈ।
- ਨਾਮਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਅਤੇ ਵਰਣਨਯੋਗ ਸੰਜੋਗਾਂ ਨੂੰ ਛੱਡਣਾ ਜਿਵੇਂ ਜਨਮ ਮਿਤੀ + ਸਥਾਨ + ਦੁਰਲੱਭ ਗੁਣ।
- AI ਚੈਟ ਇਤਿਹਾਸ ਨੂੰ ਇੱਕ ਧਾਰਨ/ਵਿਨਾਸ਼ ਨਿਯਮ ਦੇ ਅਧੀਨ ਨਾ ਕਰੋ; ਅਣਮਿੱਥੇ ਸਮੇਂ ਲਈ ਇਕੱਠਾ ਕਰੋ.
- ਇਕਰਾਰਨਾਮੇ ਵਿੱਚ "ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਨਾ ਵਰਤੋ" (ਔਪਟ-ਆਊਟ) ਧਾਰਾ ਨੂੰ ਯਕੀਨੀ ਨਾ ਕਰਨਾ।
- ਜਦੋਂ ਮੈਂ ਮਿਟਾਉਣਾ ਕਹਿੰਦਾ ਹਾਂ, ਤਾਂ ਮੇਰਾ ਮਤਲਬ ਹੈ ਕਿ ਸਕ੍ਰੀਨ ਨੂੰ ਸਾਫ਼ ਕਰੋ ਅਤੇ ਬੈਕਅੱਪ ਅਤੇ ਲੌਗਸ ਨੂੰ ਭੁੱਲ ਜਾਓ।
- ਸਟੋਰੇਜ਼ ਦੀ ਮਿਆਦ ਨੂੰ ਉਦੇਸ਼ ਦੀ ਬਜਾਏ "ਸਿਰਫ਼ ਮਾਮਲੇ ਵਿੱਚ" ਲਈ ਜ਼ਿਆਦਾ ਰੱਖਣਾ।
- ਇਸ ਗੱਲ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਕਿ ਟ੍ਰਾਂਸਫਰ ਅਤੇ ਸਟੋਰੇਜ ਵੀ ਪ੍ਰਦਾਤਾ ਦੇ ਸਰਵਰ 'ਤੇ ਹੁੰਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
- ਨਿੱਜੀ ਡੇਟਾ ਇੱਕ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ; ਸਭ ਤੋਂ ਅਣਗੌਲੇ ਪੜਾਅ ਸਟੋਰੇਜ ਅਤੇ ਨਿਪਟਾਰੇ ਹਨ.
- ਇਸ ਉਦੇਸ਼ ਲਈ ਡੇਟਾ ਨੂੰ ਲੋੜ ਤੋਂ ਵੱਧ ਸਮੇਂ ਲਈ ਨਹੀਂ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ; ਸੰਸਥਾ ਨੂੰ ਇੱਕ ਸਟੋਰੇਜ ਅਤੇ ਵਿਨਾਸ਼ ਨੀਤੀ ਸਥਾਪਤ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ.
- AI ਚੈਟ ਹਿਸਟਰੀ ਵੀ ਸਟੋਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਨਿਪਟਾਰੇ ਦੀ ਸਮਾਂ-ਸਾਰਣੀ ਅਤੇ ਸਟੋਰੇਜ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਅਗਿਆਤਤਾ KVKK ਤੋਂ ਡੇਟਾ ਨੂੰ ਬਾਹਰ ਲੈ ਜਾਂਦੀ ਹੈ; ਉਪਨਾਮੀਕਰਨ ਅਜੇ ਵੀ ਡੇਟਾ ਨੂੰ ਨਿੱਜੀ ਛੱਡ ਦਿੰਦਾ ਹੈ।
- ਕਿਸੇ ਨਾਮ ਨੂੰ ਮਿਟਾਉਣਾ ਅਗਿਆਤਕਰਨ ਨਹੀਂ ਹੈ; ਮੁੜ-ਪਛਾਣ ਦੇ ਖਤਰੇ ਵਾਲੇ ਸਾਰੇ ਸੰਜੋਗਾਂ ਨੂੰ ਆਮ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਤੁਹਾਡੀ ਸੰਸਥਾ AI ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਦੀ ਸ਼੍ਰੇਣੀ ਚੁਣੋ (ਉਦਾਹਰਨ ਲਈ, ਗਾਹਕ ਸਹਾਇਤਾ ਰਿਕਾਰਡ)। ਇਸ ਸ਼੍ਰੇਣੀ ਲਈ ਇੱਕ ਧਾਰਨ ਅਤੇ ਵਿਨਾਸ਼ ਨੀਤੀ ਲਾਈਨ ਲਿਖੋ: ਧਾਰਨ ਦੀ ਮਿਆਦ (ਜਾਇਜ਼), ਵਿਨਾਸ਼ ਵਿਧੀ, ਕੀ AI ਚੈਟ ਇਤਿਹਾਸ ਸ਼ਾਮਲ ਹੈ, ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਭੂਮਿਕਾ। ਫਿਰ ਉਸੇ ਡੇਟਾ ਤੋਂ ਇੱਕ ਨਮੂਨਾ ਰਿਕਾਰਡ ਲਓ ਅਤੇ ਪਹਿਲਾਂ ਇਸਦਾ ਉਪਨਾਮਾਈਜ਼ ਕਰੋ (ਮੇਲ ਖਾਂਦੀ ਸਾਰਣੀ ਨੂੰ ਵੱਖਰਾ ਰੱਖੋ), ਫਿਰ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜੇ ਖੇਤਰਾਂ ਨੂੰ ਸਾਧਾਰਨ ਬਣਾਓਗੇ ਅਤੇ ਇਸ ਰਿਕਾਰਡ ਨੂੰ ਸਹੀ ਅਗਿਆਤੀਕਰਨ ਵਿੱਚ ਕਿਵੇਂ ਲਿਆਉਣਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਪੰਜ ਸਵਾਲ ਤਿਆਰ ਕਰੋ ਜੋ ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾਂਦੇ AI ਟੂਲ ਦੇ ਡੇਟਾ ਸਟੋਰੇਜ ਵਿਵਹਾਰ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ ਅਤੇ "ਸੁਰੱਖਿਅਤ" ਜਵਾਬ ਸ਼ਾਮਲ ਕਰੋ ਜਿਸਦੀ ਤੁਸੀਂ ਹਰ ਇੱਕ ਲਈ ਉਮੀਦ ਕਰਦੇ ਹੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਡਾਟਾ ਸ਼੍ਰੇਣੀ ਲਈ ਧਾਰਨ ਦੀ ਮਿਆਦ ਅਤੇ ਵਿਨਾਸ਼ ਵਿਧੀ ਨਿਰਧਾਰਤ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਵਿਨਾਸ਼ ਅਨੁਸੂਚੀ ਵਿੱਚ ਏਆਈ ਚੈਟ ਇਤਿਹਾਸ ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ "ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਨਾ ਵਰਤੋ" ਔਪਟ-ਆਊਟ ਆਈਟਮ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ pseudonymization ਅਤੇ anonymization ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਹੈ।
- [ ] ਮੇਰੇ ਕੋਲ ਆਮ ਖੇਤਰ ਦੇ ਸੰਜੋਗ ਹਨ ਜੋ ਮੁੜ-ਪਛਾਣ ਦੇ ਜੋਖਮ ਵਿੱਚ ਹਨ।
- [ ] ਮੈਂ ਮਿਟਾਉਣ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਬੈਕਅੱਪ ਅਤੇ ਲੌਗ ਵੀ ਸ਼ਾਮਲ ਕੀਤੇ ਹਨ।
- [ ] ਮੈਂ AI ਟੂਲ ਦੇ ਡੇਟਾ ਸਟੋਰੇਜ ਵਿਵਹਾਰ ਦਾ ਆਡਿਟ ਕੀਤਾ।