Câștiguri:
- Capacitatea de a clasifica datele privind contribuabilii și datele financiare în cadrul obligației de confidențialitate a KVKK și a Legii de procedură fiscală și de a determina nivelul de protecție
- Abilitatea de a aplica pașii de anonimizare, mascare și selectare a instrumentelor sigure/instituționale înainte de a oferi date inteligenței artificiale
- Capacitatea de a câștiga obiceiul de a evita conducerea nesupravegheată prin cunoașterea consecințelor legale, penale și profesionale ale încălcărilor de confidențialitate.
Un profesionist vede informațiile cele mai intime ale contribuabilului: cifra de afaceri, profitul, mișcările bancare, salariile angajaților, numerele de identificare TR, contractele, structurile de parteneriat. Aceste informații sunt protejate de două straturi juridice separate: KVKK (Legea privind protecția datelor cu caracter personal, legea care interzice prelucrarea neautorizată a informațiilor cu caracter personal) și obligația de confidențialitate a Legii de procedură fiscală (obligația profesionistului de a păstra confidențialitatea informațiilor pe care le află în funcție de obligația sa). În era inteligenței artificiale, această protecție se confruntă cu o nouă amenințare: introducerea datelor sensibile într-un instrument necontrolat. Principiul acestei unități este unic: datele sunt protejate înainte de a intra în AI; Nu intră date sensibile în vehiculul nesupravegheat.
Protecție în două straturi și de ce ar trebui luată în serios
- Stratul KVKK: Toate informațiile (nume, ID TR, salariu, contact) aparținând unor persoane reale sunt date personale. Prelucrarea neautorizată, transferul și protecția necorespunzătoare vor avea ca rezultat amenzi administrative și despăgubiri.
- Stratul de confidențialitate VUK: un profesionist nu poate împărtăși secretele financiare ale contribuabilului cu terțe părți. Încălcarea are atât consecințe penale, cât și profesionale (disciplinare).
O balanță de verificare sau un stat de plată lipite într-un instrument AI disponibil public poate fi considerată „transferată unei terțe părți”. Adesea, nu este clar modul în care instrumentul stochează datele și dacă sunt utilizate în formare. Doar această incertitudine este suficient de risc.
Atenție: Ideea că „oricum nimeni nu o va vedea” nu este o apărare juridică. Odată ce datele intră într-un sistem necontrolat, acestea sunt în afara controlului dumneavoastră. O încălcare a confidențialității este periculoasă nu din cauza posibilității ca aceasta să se întâmple, ci pentru că este ireversibilă odată ce se întâmplă.
Înainte de a oferi date AI: pași de protecție
- Clasificați. Datele pe care le dețineți sunt personale, financiare secrete sau publice? Determinați nivelul de protecție în consecință.
- Întrebați necesitatea. Este cu adevărat necesar să dam aceste date modelului sau se poate face sarcina cu date anonime/rezumative?
- Anonimizare/masca. Numele lor sunt K1, K2; firmele Ş1, Ş2; Înlocuiți ID-ul TR și numerele de cont cu o mască. Generalizați detalii unice care oferă un diagnostic indirect.
- Alegeți un vehicul sigur. Dacă este posibil, utilizați un instrument corporativ/aprobat care garantează păstrarea datelor.
- Păstrează traseul. Înregistrați ce date le-ați dat la ce instrument și cu ce protecție.
Tip de date
exemplu
abordare de conservare
date de identitate
Nume, ID TR
Masca/anonimizați; nu da niciodată crud
secret financiar
Cifra de afaceri, profit, banca
Rezumat/anonimizați; vehicul de întreprindere
date de relație
partener, furnizor
Generalizare; eliminați detalii unice
public
bilant declarat
pot fi procesate normal
Cum se face anonimizarea în practică?
Anonimizarea face ca identitatea să nu se distingă, păstrând în același timp datele utile. De exemplu, o să vi se analizeze un stat de plată: în locul numelui și TR ID-ul puneți un număr de ordine, analiza repartizării salariilor nu va fi perturbată, dar nimeni nu poate fi identificat. Punctul critic este diagnosticul indirect: expresii precum „singura femeie director general” sau „singura bătrână de 92 de ani dintr-o companie de 35 de persoane” dau deoparte persoana chiar dacă ștergeți numele; Acestea sunt de asemenea generalizate.
trei mini cutii
Cazul 1 – Scurgeri de salarii. Un stagiar încarcă un stat de plată de 3.500 de persoane (nume, carte de identitate, salariu) într-un instrument web gratuit și spune „rezuma”. Datele riscă să fie amestecate în depozitul vehiculului; Au loc încălcări ale confidențialității KVKK și VUK. Dacă clientul află, s-a terminat. Modalitatea corectă a fost să folosești un vehicul omologat de corporație sau să oferi doar distribuția salariului prin mascarea numelui/ID-ului TR.
Cazul 2 — Diagnostic indirect. Un consultant dă modelului o listă în care șterge numele, dar lasă sintagma „singurul manager străin al companiei”. Această afirmație dezvăluie persoana; Anonimizarea lipsește. Lecția: detaliile unice care oferă un diagnostic indirect ar trebui, de asemenea, generalizate.
Cazul 3 – Manevrare bună. Înainte de a furniza date sensibile modelului, un birou trece printr-un pas standard de anonimizare: folosind un șablon, convertește numele, ID-urile și numele mărcilor în coduri, apoi îl analizează. Calitatea analizei nu scade, nu se scurge nicio identitate. Confidențialitatea și eficiența sunt protejate împreună.
Prompt slab / Prompt puternic
Prompt slab:
Rezumați următorul stat de plată: [Ahmet Yılmaz, TC 123..., salariu 45.000; ...]
Datele personale brute intră în vehicul necontrolat; Este o încălcare directă.
Solicitare puternică:
Îți dau un set de date. ÎNAINTE de procesare, aplicați următoarea anonimizare și arătați-mi și versiunea anonimizată:- Faceți numele persoanei K1, K2... - Eliminați complet ID-ul TR și numerele de cont.- Faceți numele companiei/marcii T1, K2.... Generalizați detaliile unice care ar putea identifica indirect persoana. Apoi lucrați numai pe versiunea anonimă.[DATE (mascate cât mai mult posibil): ...]
Notă: Cel mai sigur este să nu introduceți deloc date personale brute; Dacă intri, trebuie să fii mascat și într-un vehicul sigur.
Pentru ajutor pentru clasificarea datelor:
Clasificați fiecare dintre următoarele câmpuri: sunt date personale, sunt secrete financiare, sunt publice? Scrieți nivelul de protecție recomandat pentru fiecare. Câmpuri: [fieldnames, sample RETURN]
Pentru a genera un șablon de anonimizare:
Produceți o listă standard de verificare a anonimizării pe care aș folosi-o într-o analiză de salarizare/bilanț de verificare: ce câmpuri ar trebui mascate, care ar trebui să fie omise, ce ar trebui să caut pentru diagnostic indirect?
Pentru evaluarea siguranței vehiculului:
Ce întrebări ar trebui să pun atunci când evaluez dacă un instrument AI este potrivit pentru datele sensibile ale contribuabililor (reținerea datelor, utilizarea în educație, contract corporativ, locație)? Creați o listă de verificare.
Greșeli comune
- Introducerea datelor personale brute. Nu intrați niciodată în vehicul fără verificarea Nume/TR ID.
- Omiterea diagnosticului indirect. Detaliul unic dezvăluie identitatea chiar dacă numele este șters.
- Nu întreb despre siguranța vehiculului. Datele sensibile nu sunt date fără a cunoaște modul în care instrumentul stochează datele.
- Nu pune la îndoială necesitatea. Dacă sarcina poate fi realizată cu date anonime/rezumate, datele brute nu sunt date deloc.
- Nu țin evidența. Dacă nu este înregistrată ce date au fost date unde, încălcarea nu poate fi urmărită.
În concluzie
Datele contribuabililor sunt protejate în două straturi de obligațiile de confidențialitate KVKK și VUK, iar cel mai mare risc nou în era inteligenței artificiale este lipirea datelor sensibile de un instrument necontrolat. Înainte ca datele să fie introduse în model, acestea sunt clasificate, necesitatea lor este pusă la îndoială, identificatori precum numele/TR ID sunt mascați și detaliile care oferă diagnostic indirect sunt generalizate; Dacă este posibil, este utilizat doar un instrument corporativ securizat, garantat cu păstrarea datelor. O încălcare a vieții private este o vătămare ireversibilă; Cele mai sigure date sunt datele care nu sunt introduse niciodată.
Sarcina de aplicare
Luați în mână un fișier sensibil tipic (de exemplu, statul de plată sau balanța de verificare). Clasificați mai întâi domeniile lor (personal/secret financiar/public). Apoi aplicați un șablon de anonimizare: enumerați zonele pe care le veți masca, pe care le veți elimina și ce veți căuta pentru identificarea indirectă. În cele din urmă, evaluați caracterul adecvat al securității instrumentului de inteligență artificială pe care îl utilizați/veți utiliza cu o listă de verificare.
lista de verificare
- [ ] Am clasificat datele ca fiind personal/secret financiar/public.
- [ ] M-am întrebat dacă este într-adevăr necesar să furnizez datele brute.
- [ ] Am mascat/eliminat numele, ID-ul TR și numerele de cont.
- [ ] Am generalizate detalii unice care oferă un diagnostic indirect.
- [ ] Am folosit doar instrumente securizate/întreprinderi cu garanții de păstrare a datelor.
- [ ] Am evaluat politica de date (stocare, instruire) a instrumentului.
- [ ] Am înregistrat ce date le-am dat ca urmă.