ਲਾਭ:
- KVKK ਅਤੇ ਟੈਕਸ ਪ੍ਰਕਿਰਿਆ ਕਾਨੂੰਨ ਦੀ ਗੁਪਤਤਾ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਟੈਕਸਦਾਤਾ ਅਤੇ ਵਿੱਤੀ ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਆ ਦੇ ਪੱਧਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਡੇਟਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਅਗਿਆਤਕਰਨ, ਮਾਸਕਿੰਗ ਅਤੇ ਸੁਰੱਖਿਅਤ/ਸੰਸਥਾਗਤ ਟੂਲ ਚੋਣ ਕਦਮਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਦੇ ਕਾਨੂੰਨੀ, ਅਪਰਾਧਿਕ ਅਤੇ ਪੇਸ਼ੇਵਰ ਨਤੀਜਿਆਂ ਨੂੰ ਜਾਣ ਕੇ ਬਿਨਾਂ ਨਿਗਰਾਨੀ ਦੇ ਡਰਾਈਵਿੰਗ ਤੋਂ ਬਚਣ ਦੀ ਆਦਤ ਪਾਉਣ ਦੀ ਸਮਰੱਥਾ।
ਇੱਕ ਪੇਸ਼ੇਵਰ ਟੈਕਸਦਾਤਾ ਦੀ ਸਭ ਤੋਂ ਗੂੜ੍ਹੀ ਜਾਣਕਾਰੀ ਦੇਖਦਾ ਹੈ: ਟਰਨਓਵਰ, ਲਾਭ, ਬੈਂਕ ਅੰਦੋਲਨ, ਕਰਮਚਾਰੀਆਂ ਦੀਆਂ ਤਨਖਾਹਾਂ, TR ID ਨੰਬਰ, ਇਕਰਾਰਨਾਮੇ, ਭਾਈਵਾਲੀ ਢਾਂਚੇ। ਇਹ ਜਾਣਕਾਰੀ ਦੋ ਵੱਖਰੀਆਂ ਕਾਨੂੰਨੀ ਪਰਤਾਂ ਦੁਆਰਾ ਸੁਰੱਖਿਅਤ ਹੈ: KVKK (ਨਿੱਜੀ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਕਾਨੂੰਨ, ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਦੀ ਅਣਅਧਿਕਾਰਤ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਰੋਕਣ ਵਾਲਾ ਕਾਨੂੰਨ) ਅਤੇ ਟੈਕਸ ਪ੍ਰਕਿਰਿਆ ਕਾਨੂੰਨ ਦੀ ਗੁਪਤਤਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ (ਪੇਸ਼ੇਵਰ ਦੀ ਉਸ ਜਾਣਕਾਰੀ ਨੂੰ ਗੁਪਤ ਰੱਖਣ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਜੋ ਉਹ/ਉਸਦੀ ਡਿਊਟੀ ਕਾਰਨ ਸਿੱਖਦਾ ਹੈ)। ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਯੁੱਗ ਵਿੱਚ, ਇਸ ਸੁਰੱਖਿਆ ਨੂੰ ਇੱਕ ਨਵੇਂ ਖ਼ਤਰੇ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ: ਇੱਕ ਬੇਕਾਬੂ ਟੂਲ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਚਿਪਕਣਾ। ਇਸ ਯੂਨਿਟ ਦਾ ਸਿਧਾਂਤ ਸਿੰਗਲ ਹੈ: ਏਆਈ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਸੁਰੱਖਿਅਤ ਹੈ; ਨਿਰੀਖਣ ਕੀਤੇ ਵਾਹਨ ਵਿੱਚ ਕੋਈ ਵੀ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ।
ਦੋ-ਲੇਅਰ ਸੁਰੱਖਿਆ ਅਤੇ ਇਸ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਕਿਉਂ ਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
- KVKK ਪਰਤ: ਅਸਲ ਵਿਅਕਤੀਆਂ ਨਾਲ ਸਬੰਧਤ ਸਾਰੀ ਜਾਣਕਾਰੀ (ਨਾਮ, TR ID, ਤਨਖਾਹ, ਸੰਪਰਕ) ਨਿੱਜੀ ਡੇਟਾ ਹੈ। ਅਣਅਧਿਕਾਰਤ ਪ੍ਰੋਸੈਸਿੰਗ, ਟ੍ਰਾਂਸਫਰ ਅਤੇ ਅਢੁਕਵੀਂ ਸੁਰੱਖਿਆ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਪ੍ਰਬੰਧਕੀ ਜੁਰਮਾਨੇ ਅਤੇ ਮੁਆਵਜ਼ੇ ਹੋਣਗੇ।
- VUK ਗੁਪਤਤਾ ਪਰਤ: ਇੱਕ ਪੇਸ਼ੇਵਰ ਤੀਜੀ ਧਿਰ ਨਾਲ ਟੈਕਸਦਾਤਾ ਦੇ ਵਿੱਤੀ ਭੇਦ ਸਾਂਝੇ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ। ਉਲੰਘਣਾ ਦੇ ਅਪਰਾਧਿਕ ਅਤੇ ਪੇਸ਼ੇਵਰ (ਅਨੁਸ਼ਾਸਨੀ) ਦੋਵੇਂ ਨਤੀਜੇ ਹੁੰਦੇ ਹਨ।
ਇੱਕ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ AI ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ ਇੱਕ ਟ੍ਰਾਇਲ ਬੈਲੇਂਸ ਜਾਂ ਪੇਰੋਲ "ਕਿਸੇ ਤੀਜੀ ਧਿਰ ਨੂੰ ਟ੍ਰਾਂਸਫਰ" ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਅਕਸਰ ਅਸਪਸ਼ਟ ਹੁੰਦਾ ਹੈ ਕਿ ਟੂਲ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਦਾ ਹੈ ਅਤੇ ਕੀ ਇਸਦੀ ਵਰਤੋਂ ਸਿਖਲਾਈ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਅਨਿਸ਼ਚਿਤਤਾ ਇਕੱਲੇ ਜੋਖਮ ਹੈ.
ਧਿਆਨ ਦਿਓ: ਇਹ ਵਿਚਾਰ ਕਿ "ਕੋਈ ਵੀ ਇਸਨੂੰ ਕਿਸੇ ਵੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਦੇਖੇਗਾ" ਇੱਕ ਕਾਨੂੰਨੀ ਬਚਾਅ ਨਹੀਂ ਹੈ। ਇੱਕ ਵਾਰ ਡਾਟਾ ਇੱਕ ਬੇਕਾਬੂ ਸਿਸਟਮ ਵਿੱਚ ਦਾਖਲ ਹੋ ਜਾਂਦਾ ਹੈ, ਇਹ ਤੁਹਾਡੇ ਨਿਯੰਤਰਣ ਤੋਂ ਬਾਹਰ ਹੈ। ਗੋਪਨੀਯਤਾ ਦਾ ਉਲੰਘਣ ਇਸ ਦੇ ਵਾਪਰਨ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਕਾਰਨ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਲਈ ਖਤਰਨਾਕ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਵਾਰ ਵਾਪਰਨ ਤੋਂ ਬਾਅਦ ਬਦਲਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਹੈ।
AI ਨੂੰ ਡਾਟਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ: ਸੁਰੱਖਿਆ ਦੇ ਕਦਮ
- ਵਰਗੀਕਰਨ ਕਰੋ। ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਨਿੱਜੀ, ਵਿੱਤੀ ਗੁਪਤ ਜਾਂ ਜਨਤਕ ਡੇਟਾ ਹੈ? ਉਸ ਅਨੁਸਾਰ ਸੁਰੱਖਿਆ ਦਾ ਪੱਧਰ ਨਿਰਧਾਰਤ ਕਰੋ।
- ਸਵਾਲ ਦੀ ਲੋੜ. ਕੀ ਮਾਡਲ ਨੂੰ ਇਹ ਡੇਟਾ ਦੇਣਾ ਸੱਚਮੁੱਚ ਜ਼ਰੂਰੀ ਹੈ, ਜਾਂ ਕੀ ਇਹ ਕੰਮ ਅਗਿਆਤ/ਸੰਖੇਪ ਡੇਟਾ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
- ਅਗਿਆਤ/ਮਾਸਕ। ਉਹਨਾਂ ਦੇ ਨਾਮ K1, K2 ਹਨ; ਕੰਪਨੀਆਂ Ş1, Ş2; TR ID ਅਤੇ ਖਾਤਾ ਨੰਬਰਾਂ ਨੂੰ ਮਾਸਕ ਨਾਲ ਬਦਲੋ। ਅਸਿੱਧੇ ਨਿਦਾਨ ਪ੍ਰਦਾਨ ਕਰਨ ਵਾਲੇ ਵਿਲੱਖਣ ਵੇਰਵਿਆਂ ਨੂੰ ਸਾਧਾਰਨ ਬਣਾਓ।
- ਇੱਕ ਸੁਰੱਖਿਅਤ ਵਾਹਨ ਚੁਣੋ। ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਇੱਕ ਕਾਰਪੋਰੇਟ/ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਡਾਟਾ ਧਾਰਨ ਦੀ ਗਾਰੰਟੀ ਦਿੰਦਾ ਹੈ।
- ਟ੍ਰੇਲ ਰੱਖੋ. ਰਿਕਾਰਡ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜਾ ਡੇਟਾ ਕਿਸ ਟੂਲ ਨੂੰ ਦਿੱਤਾ ਹੈ ਅਤੇ ਕਿਹੜੀ ਸੁਰੱਖਿਆ ਨਾਲ।
ਡਾਟਾ ਕਿਸਮ
ਉਦਾਹਰਨ
ਸੰਭਾਲ ਪਹੁੰਚ
ਪਛਾਣ ਡਾਟਾ
ਨਾਮ, TR ID
ਮਾਸਕ/ਅਨਾਮਾਈਜ਼; ਕੱਚਾ ਕਦੇ ਨਾ ਦਿਓ
ਵਿੱਤੀ ਗੁਪਤ
ਟਰਨਓਵਰ, ਲਾਭ, ਬੈਂਕ
ਸੰਖੇਪ/ਗੁਮਨਾਮ; ਐਂਟਰਪ੍ਰਾਈਜ਼ ਵਾਹਨ
ਸਬੰਧ ਡਾਟਾ
ਸਾਥੀ, ਸਪਲਾਇਰ
ਆਮੀਕਰਨ; ਵਿਲੱਖਣ ਵੇਰਵੇ ਨੂੰ ਹਟਾਓ
ਜਨਤਕ
ਘੋਸ਼ਿਤ ਬੈਲੇਂਸ ਸ਼ੀਟ
ਆਮ ਤੌਰ 'ਤੇ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ
ਅਭਿਆਸ ਵਿੱਚ ਅਗਿਆਤੀਕਰਨ ਕਿਵੇਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ?
ਅਨਾਮਾਈਜ਼ੇਸ਼ਨ ਡੇਟਾ ਨੂੰ ਉਪਯੋਗੀ ਰੱਖਦੇ ਹੋਏ ਪਛਾਣ ਨੂੰ ਵੱਖਰਾ ਬਣਾ ਰਿਹਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਤਨਖਾਹ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਹੋਵੇਗਾ: ਤੁਸੀਂ ਨਾਮ ਅਤੇ TR ID ਦੀ ਬਜਾਏ ਇੱਕ ਕ੍ਰਮ ਨੰਬਰ ਪਾਉਂਦੇ ਹੋ, ਤਨਖਾਹ ਵੰਡ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਿਘਨ ਨਹੀਂ ਪਵੇਗਾ, ਪਰ ਕਿਸੇ ਦੀ ਪਛਾਣ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ। ਨਾਜ਼ੁਕ ਬਿੰਦੂ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਿਦਾਨ ਹੈ: "ਇਕਮਾਤਰ ਮਹਿਲਾ ਜਨਰਲ ਮੈਨੇਜਰ" ਜਾਂ "35 ਲੋਕਾਂ ਦੀ ਕੰਪਨੀ ਵਿੱਚ ਸਿਰਫ 92 ਸਾਲ ਦੀ ਉਮਰ" ਵਰਗੇ ਪ੍ਰਗਟਾਵੇ ਵਿਅਕਤੀ ਨੂੰ ਛੱਡ ਦਿੰਦੇ ਹਨ ਭਾਵੇਂ ਤੁਸੀਂ ਨਾਮ ਮਿਟਾਉਂਦੇ ਹੋ; ਇਹ ਵੀ ਜਨਰਲਾਈਜ਼ਡ ਹਨ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਪੇਰੋਲ ਲੀਕੇਜ। ਇੱਕ ਇੰਟਰਨ 3,500 ਲੋਕਾਂ (ਨਾਮ, ਆਈਡੀ ਕਾਰਡ, ਤਨਖ਼ਾਹ) ਦੇ ਇੱਕ ਪੇਰੋਲ ਨੂੰ ਇੱਕ ਮੁਫਤ ਵੈਬ ਟੂਲ 'ਤੇ ਅੱਪਲੋਡ ਕਰਦਾ ਹੈ ਅਤੇ ਕਹਿੰਦਾ ਹੈ ਕਿ "ਸੰਖੇਪ"। ਡੇਟਾ ਵਾਹਨ ਦੇ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਮਿਲਾਏ ਜਾਣ ਦੇ ਜੋਖਮ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ; KVKK ਅਤੇ VUK ਦੋਵੇਂ ਗੁਪਤਤਾ ਦੀਆਂ ਉਲੰਘਣਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਜੇ ਗਾਹਕ ਨੂੰ ਪਤਾ ਲੱਗ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਖਤਮ ਹੋ ਗਿਆ ਹੈ. ਸਹੀ ਤਰੀਕਾ ਸੀ ਕਾਰਪੋਰੇਟ-ਪ੍ਰਵਾਨਿਤ ਵਾਹਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਾਂ ਸਿਰਫ ਆਪਣਾ ਨਾਮ/ਟੀਆਰ ਆਈਡੀ ਲੁਕਾ ਕੇ ਤਨਖਾਹ ਵੰਡਣਾ।
ਕੇਸ 2 - ਅਸਿੱਧੇ ਨਿਦਾਨ। ਇੱਕ ਸਲਾਹਕਾਰ ਮਾਡਲ ਨੂੰ ਇੱਕ ਸੂਚੀ ਦਿੰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਉਹ ਨਾਮਾਂ ਨੂੰ ਮਿਟਾ ਦਿੰਦਾ ਹੈ, ਪਰ "ਕੰਪਨੀ ਦਾ ਇੱਕੋ ਇੱਕ ਵਿਦੇਸ਼ੀ ਰਾਸ਼ਟਰੀ ਪ੍ਰਬੰਧਕ" ਵਾਕੰਸ਼ ਛੱਡ ਦਿੰਦਾ ਹੈ। ਇਹ ਬਿਆਨ ਵਿਅਕਤੀ ਨੂੰ ਦੂਰ ਦਿੰਦਾ ਹੈ; ਗੁਮਨਾਮਤਾ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਪਾਠ: ਅਸਿੱਧੇ ਤਸ਼ਖੀਸ ਪ੍ਰਦਾਨ ਕਰਨ ਵਾਲੇ ਵਿਲੱਖਣ ਵੇਰਵੇ ਵੀ ਆਮ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ।
ਕੇਸ 3 - ਵਧੀਆ ਹੈਂਡਲਿੰਗ। ਮਾਡਲ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਫੀਡ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਦਫ਼ਤਰ ਇੱਕ ਮਿਆਰੀ ਅਗਿਆਤਕਰਨ ਪੜਾਅ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ: ਇੱਕ ਟੈਂਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਨਾਮਾਂ, ਆਈਡੀ ਅਤੇ ਬ੍ਰਾਂਡ ਨਾਮਾਂ ਨੂੰ ਕੋਡਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਫਿਰ ਇਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਗੁਣਵੱਤਾ ਨਹੀਂ ਘਟਦੀ, ਕੋਈ ਪਛਾਣ ਲੀਕ ਨਹੀਂ ਹੁੰਦੀ. ਗੋਪਨੀਯਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਇਕੱਠੇ ਸੁਰੱਖਿਅਤ ਹਨ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਨਿਮਨਲਿਖਤ ਤਨਖਾਹ ਦਾ ਸਾਰ ਦਿਓ: [Ahmet Yılmaz, TC 123..., ਤਨਖਾਹ 45,000; ...]
ਕੱਚਾ ਨਿੱਜੀ ਡੇਟਾ ਬੇਕਾਬੂ ਵਾਹਨ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ; ਇਹ ਸਿੱਧੀ ਉਲੰਘਣਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਮੈਂ ਤੁਹਾਨੂੰ ਇੱਕ ਡਾਟਾ ਸੈੱਟ ਦੇਵਾਂਗਾ। ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਹੇਠਾਂ ਦਿੱਤੀ ਗੁਮਨਾਮਤਾ ਲਾਗੂ ਕਰੋ ਅਤੇ ਮੈਨੂੰ ਅਗਿਆਤ ਸੰਸਕਰਣ ਵੀ ਦਿਖਾਓ:- ਵਿਅਕਤੀ ਦੇ ਨਾਮ K1, K2... - TR ID ਅਤੇ ਖਾਤਾ ਨੰਬਰਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹਟਾਓ।- ਕੰਪਨੀ/ਬ੍ਰਾਂਡ ਨਾਮ T1, K2 ਬਣਾਓ.... ਵਿਲੱਖਣ ਵੇਰਵਿਆਂ ਨੂੰ ਆਮ ਬਣਾਓ ਜੋ ਵਿਅਕਤੀ ਦੀ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪਛਾਣ ਕਰ ਸਕਣ। ਫਿਰ ਸਿਰਫ਼ ਅਗਿਆਤ ਸੰਸਕਰਣ 'ਤੇ ਕੰਮ ਕਰੋ।
ਨੋਟ: ਕੱਚਾ ਨਿੱਜੀ ਡੇਟਾ ਬਿਲਕੁਲ ਵੀ ਦਾਖਲ ਨਾ ਕਰਨਾ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਹੈ; ਜੇ ਤੁਸੀਂ ਦਾਖਲ ਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਮਾਸਕ ਪਹਿਨੇ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸੁਰੱਖਿਅਤ ਵਾਹਨ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਡਾਟਾ ਵਰਗੀਕਰਨ ਮਦਦ ਲਈ:
ਹੇਠਾਂ ਦਿੱਤੇ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ: ਕੀ ਇਹ ਨਿੱਜੀ ਡੇਟਾ ਹੈ, ਕੀ ਇਹ ਇੱਕ ਵਿੱਤੀ ਰਾਜ਼ ਹੈ, ਕੀ ਇਹ ਜਨਤਕ ਹੈ? ਹਰੇਕ ਲਈ ਸਿਫਾਰਿਸ਼ ਕੀਤਾ ਸੁਰੱਖਿਆ ਪੱਧਰ ਲਿਖੋ। ਫੀਲਡ: [ਫੀਲਡ ਦੇ ਨਾਮ, ਨਮੂਨਾ ਰਿਟਰਨ]
ਇੱਕ ਗੁਮਨਾਮ ਟੈਮਪਲੇਟ ਬਣਾਉਣ ਲਈ:
ਇੱਕ ਮਿਆਰੀ ਗੁਮਨਾਮ ਚੈਕਲਿਸਟ ਤਿਆਰ ਕਰੋ ਜਿਸਦੀ ਵਰਤੋਂ ਮੈਂ ਇੱਕ ਤਨਖਾਹ/ਅਜ਼ਮਾਇਸ਼ ਸੰਤੁਲਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਕਰਾਂਗਾ: ਕਿਹੜੇ ਖੇਤਰਾਂ ਨੂੰ ਮਾਸਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਨ੍ਹਾਂ ਨੂੰ ਛੱਡਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਮੈਨੂੰ ਅਸਿੱਧੇ ਨਿਦਾਨ ਲਈ ਕੀ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ?
ਵਾਹਨ ਸੁਰੱਖਿਆ ਮੁਲਾਂਕਣ ਲਈ:
ਇਹ ਮੁਲਾਂਕਣ ਕਰਦੇ ਸਮੇਂ ਮੈਨੂੰ ਕਿਹੜੇ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ ਕਿ ਕੀ ਇੱਕ AI ਟੂਲ ਸੰਵੇਦਨਸ਼ੀਲ ਟੈਕਸਦਾਤਾ ਡੇਟਾ (ਡੇਟਾ ਧਾਰਨ, ਸਿੱਖਿਆ ਵਿੱਚ ਵਰਤੋਂ, ਕਾਰਪੋਰੇਟ ਇਕਰਾਰਨਾਮੇ, ਸਥਾਨ) ਲਈ ਢੁਕਵਾਂ ਹੈ? ਇੱਕ ਚੈਕਲਿਸਟ ਬਣਾਓ।
ਆਮ ਗਲਤੀਆਂ
- ਕੱਚਾ ਨਿੱਜੀ ਡਾਟਾ ਦਾਖਲ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਨਾਮ/TR ID ਤਸਦੀਕ ਤੋਂ ਬਿਨਾਂ ਕਦੇ ਵੀ ਵਾਹਨ ਵਿੱਚ ਦਾਖਲ ਨਾ ਹੋਵੋ।
- ਅਸਿੱਧੇ ਨਿਦਾਨ ਨੂੰ ਛੱਡਣਾ. ਅਨੋਖਾ ਵੇਰਵਾ ਪਛਾਣ ਦਿੰਦਾ ਹੈ ਭਾਵੇਂ ਨਾਮ ਮਿਟਾ ਦਿੱਤਾ ਜਾਵੇ।
- ਵਾਹਨ ਦੀ ਸੁਰੱਖਿਆ ਬਾਰੇ ਨਹੀਂ ਪੁੱਛਣਾ. ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਇਹ ਜਾਣੇ ਬਿਨਾਂ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਟੂਲ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਦਾ ਹੈ।
- ਲੋੜ 'ਤੇ ਸਵਾਲ ਨਹੀਂ ਉਠਾਉਂਦੇ। ਜੇਕਰ ਕੰਮ ਅਗਿਆਤ/ਸਾਰਾਂਤਰ ਡੇਟਾ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਤਾਂ ਕੱਚਾ ਡੇਟਾ ਬਿਲਕੁਲ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।
- ਟਰੈਕ ਨਹੀਂ ਰੱਖਣਾ. ਜੇਕਰ ਇਹ ਦਰਜ ਨਹੀਂ ਹੈ ਕਿ ਕਿਹੜਾ ਡੇਟਾ ਕਿੱਥੇ ਦਿੱਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਉਲੰਘਣਾ ਦਾ ਪਤਾ ਨਹੀਂ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਟੈਕਸਦਾਤਾ ਡੇਟਾ ਨੂੰ KVKK ਅਤੇ VUK ਗੋਪਨੀਯਤਾ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਦੋਵਾਂ ਦੁਆਰਾ ਦੋ ਪਰਤਾਂ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਯੁੱਗ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡਾ ਨਵਾਂ ਜੋਖਮ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਇੱਕ ਬੇਕਾਬੂ ਟੂਲ ਨਾਲ ਚਿਪਕਣਾ ਹੈ। ਮਾਡਲ ਵਿੱਚ ਡੇਟਾ ਦਾਖਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸਦੀ ਜ਼ਰੂਰਤ 'ਤੇ ਸਵਾਲ ਉਠਾਏ ਜਾਂਦੇ ਹਨ, ਪਛਾਣਕਰਤਾਵਾਂ ਜਿਵੇਂ ਕਿ ਨਾਮ/ਟੀਆਰ ਆਈਡੀ ਨੂੰ ਮਾਸਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅਸਿੱਧੇ ਨਿਦਾਨ ਪ੍ਰਦਾਨ ਕਰਨ ਵਾਲੇ ਵੇਰਵਿਆਂ ਨੂੰ ਆਮ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ; ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਸਿਰਫ਼ ਇੱਕ ਸੁਰੱਖਿਅਤ, ਡਾਟਾ ਧਾਰਨ-ਗਾਰੰਟੀਸ਼ੁਦਾ ਕਾਰਪੋਰੇਟ ਟੂਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਇੱਕ ਅਟੱਲ ਨੁਕਸਾਨ ਹੈ; ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਡੇਟਾ ਉਹ ਡੇਟਾ ਹੁੰਦਾ ਹੈ ਜੋ ਕਦੇ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਹੱਥ ਵਿੱਚ ਇੱਕ ਆਮ ਸੰਵੇਦਨਸ਼ੀਲ ਫਾਈਲ (ਜਿਵੇਂ ਕਿ ਤਨਖਾਹ ਜਾਂ ਟ੍ਰਾਇਲ ਬੈਲੇਂਸ) ਲਓ। ਪਹਿਲਾਂ ਉਹਨਾਂ ਦੇ ਖੇਤਰਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ (ਨਿੱਜੀ/ਵਿੱਤੀ ਗੁਪਤ/ਜਨਤਕ)। ਫਿਰ ਇੱਕ ਗੁਮਨਾਮ ਟੈਮਪਲੇਟ ਲਾਗੂ ਕਰੋ: ਸੂਚੀ ਬਣਾਓ ਕਿ ਤੁਸੀਂ ਕਿਹੜੇ ਖੇਤਰਾਂ ਨੂੰ ਮਾਸਕ ਕਰੋਗੇ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਹਟਾਓਗੇ, ਅਤੇ ਤੁਸੀਂ ਅਸਿੱਧੇ ਪਛਾਣ ਲਈ ਕੀ ਲੱਭੋਗੇ। ਅੰਤ ਵਿੱਚ, ਨਕਲੀ ਖੁਫੀਆ ਟੂਲ ਦੀ ਸੁਰੱਖਿਆ ਅਨੁਕੂਲਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਜੋ ਤੁਸੀਂ ਇੱਕ ਚੈਕਲਿਸਟ ਨਾਲ ਵਰਤਦੇ ਹੋ/ਵਰਤੋਗੇ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਡੇਟਾ ਨੂੰ ਨਿੱਜੀ/ਵਿੱਤੀ ਗੁਪਤ/ਜਨਤਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਸਵਾਲ ਕੀਤਾ ਕਿ ਕੀ ਇਹ ਕੱਚਾ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਨਾ ਅਸਲ ਵਿੱਚ ਜ਼ਰੂਰੀ ਸੀ।
- [ ] ਮੈਂ ਨਾਮ, TR ID ਅਤੇ ਖਾਤਾ ਨੰਬਰਾਂ ਨੂੰ ਮਾਸਕ/ਹਟਾ ਦਿੱਤਾ ਹੈ।
- [ ] ਮੇਰੇ ਕੋਲ ਵਿਲੱਖਣ ਵੇਰਵੇ ਹਨ ਜੋ ਅਸਿੱਧੇ ਨਿਦਾਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
- [ ] ਮੈਂ ਸਿਰਫ਼ ਡਾਟਾ ਧਾਰਨ ਦੀ ਗਾਰੰਟੀ ਵਾਲੇ ਸੁਰੱਖਿਅਤ/ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਟੂਲ ਦੀ ਡੇਟਾ ਨੀਤੀ (ਸਟੋਰੇਜ, ਸਿਖਲਾਈ) ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
- [ ] ਮੈਂ ਰਿਕਾਰਡ ਕੀਤਾ ਕਿ ਮੈਂ ਟਰੇਸ ਵਜੋਂ ਕਿਹੜਾ ਡੇਟਾ ਦਿੱਤਾ ਹੈ।