Прибыль:
- Возможность классифицировать данные налогоплательщика и финансовые данные в рамках обязательства конфиденциальности КВКК и Закона о налоговом процессе и определять уровень защиты.
- Возможность применять этапы анонимизации, маскировки и выбора безопасных/институциональных инструментов перед передачей данных искусственному интеллекту.
- Способность приобрести привычку избегать вождения без присмотра, зная юридические, уголовные и профессиональные последствия нарушения конфиденциальности.
Профессионал видит самую интимную информацию налогоплательщика: оборот, прибыль, движения банка, зарплаты сотрудников, номера TR ID, контракты, партнерские структуры. Эта информация защищена двумя отдельными правовыми уровнями: КВКК (Закон о защите персональных данных, закон, запрещающий несанкционированную обработку личной информации) и обязательство конфиденциальности Закона о налоговом процессе (обязанность специалиста сохранять конфиденциальность информации, которую он/она узнает в связи со своими обязанностями). В эпоху искусственного интеллекта эта защита сталкивается с новой угрозой: сохранением конфиденциальных данных в неконтролируемом инструменте. Принцип работы этого устройства един: данные защищаются до поступления в ИИ; Никакие конфиденциальные данные не попадают в неконтролируемый автомобиль.
Двухслойная защита и почему к ней следует относиться серьезно
- Слой КВКК: Вся информация (имя, ТР ID, зарплата, контакты), принадлежащая реальным лицам, является персональными данными. Несанкционированная обработка, передача и недостаточная защита повлекут за собой административные штрафы и компенсацию.
- Уровень конфиденциальности ВУК: профессионал не может передавать финансовую тайну налогоплательщика третьим лицам. Нарушение влечет за собой как уголовные, так и профессиональные (дисциплинарные) последствия.
Пробный баланс или платежная ведомость, вставленные в общедоступный инструмент искусственного интеллекта, могут считаться «переданными третьей стороне». Часто неясно, как инструмент хранит данные и используется ли он при обучении. Сама по себе эта неопределенность представляет собой достаточный риск.
Внимание: Идея о том, что «все равно никто этого не увидит», не является юридической защитой. Как только данные попадают в неконтролируемую систему, они выходят из-под вашего контроля. Нарушение конфиденциальности опасно не потому, что оно возможно, а потому, что оно необратимо, если оно произошло.
Прежде чем передать данные ИИ: меры защиты
- Классифицировать. Являются ли имеющиеся у вас данные личной, финансовой тайной или общедоступными? Соответственно определите уровень защиты.
- Вопрос о необходимости. Действительно ли необходимо передавать эти данные модели или можно выполнить задачу с помощью анонимных/сводных данных?
- Анонимизировать/замаскировать. Их имена — К1, К2; компании Ш1, Ш2; Замените TR ID и номера счетов маской. Обобщают уникальные детали, обеспечивающие косвенный диагноз.
- Выбирайте безопасный автомобиль. Если возможно, используйте корпоративный/утвержденный инструмент, гарантирующий сохранение данных.
- Держите след. Запишите, какие данные вы передали какому инструменту и с какой защитой.
Тип данных
пример
консервационный подход
идентификационные данные
Имя, ТР ID
Маскировать/анонимизировать; никогда не давай сырого
финансовая тайна
Оборот, прибыль, банк
Обобщить/обезличить; корпоративный автомобиль
данные об отношениях
партнер, поставщик
Обобщить; удалить уникальную деталь
общественный
объявленный баланс
можно обрабатывать нормально
Как анонимизация осуществляется на практике?
Анонимизация делает личность неразличимой, сохраняя при этом полезность данных. Например, вам проанализируют зарплатную ведомость: вы ставите вместо имени и TR ID порядковый номер, анализ распределения зарплаты не будет нарушен, но никого не удастся идентифицировать. Критическим моментом является косвенный диагноз: такие выражения, как «единственная женщина-генеральный менеджер» или «единственная 92-летняя женщина в компании из 35 человек» выдают человека, даже если вы удалите имя; Они также являются обобщенными.
три мини-кейса
Случай 1 — Утечка заработной платы. Стажер загружает данные о заработной плате 3500 человек (имя, удостоверение личности, зарплата) в бесплатный веб-инструмент и говорит: «Подведите итоги». Данные рискуют попасть в хранилище автомобиля; Нарушения конфиденциальности встречаются как КВКК, так и ВУК. Если клиент узнает, все кончено. Правильным способом было использовать одобренный корпорацией автомобиль или распределять зарплату только путем маскировки своего имени/TR ID.
Случай 2 — Косвенный диагноз. Консультант дает модели список, из которого удаляет имена, но оставляет фразу «единственный иностранный национальный менеджер компании». Это заявление выдает человека; Анонимизация отсутствует. Урок: уникальные детали, обеспечивающие косвенную диагностику, также следует обобщать.
Случай 3 — Хорошая управляемость. Прежде чем передать конфиденциальные данные в модель, офис проходит стандартный этап анонимизации: с помощью шаблона имена, идентификаторы и названия брендов преобразуются в коды, а затем анализируются. Качество анализа не снижается, личность не утекает. Конфиденциальность и эффективность защищены вместе.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Подведите итоги следующей ведомости заработной платы: [Ахмет Йылмаз, TC 123..., зарплата 45 000; ...]
Необработанные персональные данные бесконтрольно попадают в автомобиль; Это прямое нарушение.
Мощная подсказка:
Я дам вам набор данных. ПЕРЕД обработкой примените следующую анонимизацию и покажите мне также анонимную версию: - Назовите человека K1, K2... - Полностью удалите TR ID и номера счетов. - Создайте названия компаний/брендов T1, K2.... Обобщите уникальные детали, которые могут косвенно идентифицировать человека. Тогда работайте только над анонимной версией. [ДАННЫЕ (максимально замаскированы): ...]
Примечание. Безопаснее всего вообще не вводить необработанные персональные данные; Если вы входите, вы должны быть в маске и в безопасном транспортном средстве.
Для помощи в классификации данных:
Классифицируйте каждое из следующих полей: являются ли это персональными данными, являются ли они финансовой тайной, являются ли они общедоступными? Напишите рекомендуемый уровень защиты для каждого. Поля: [имена полей, образец RETURN]
Чтобы создать шаблон анонимизации:
Составьте стандартный контрольный список анонимизации, который я буду использовать при анализе заработной платы/пробного баланса: какие поля следует замаскировать, какие следует опустить, на что следует обратить внимание для косвенной диагностики?
Для оценки безопасности транспортного средства:
Какие вопросы мне следует задать при оценке того, подходит ли инструмент ИИ для конфиденциальных данных налогоплательщиков (хранение данных, использование в образовании, корпоративный контракт, местоположение)? Создайте контрольный список.
Распространенные ошибки
- Ввод необработанных личных данных. Никогда не садитесь в автомобиль без подтверждения имени/TR ID.
- Пропуск косвенной диагностики. Уникальная деталь выдает личность, даже если имя будет удалено.
- Не спрашивайте о безопасности автомобиля. Конфиденциальные данные не передаются без знания того, как инструмент хранит данные.
- Не ставя под сомнение необходимость. Если задачу можно выполнить с использованием анонимных/сводных данных, необработанные данные вообще не предоставляются.
- Не отслеживая. Если не зафиксировано, какие данные и где были предоставлены, нарушение невозможно отследить.
В итоге
Данные налогоплательщиков защищены в два уровня обязательствами конфиденциальности KVKK и VUK, и самым большим новым риском в эпоху искусственного интеллекта является сохранение конфиденциальных данных в неконтролируемом инструменте. Прежде чем данные вводятся в модель, они классифицируются, их необходимость подвергается сомнению, такие идентификаторы, как имя/TR ID, маскируются, а детали, обеспечивающие косвенный диагноз, обобщаются; По возможности используется только безопасный корпоративный инструмент с гарантированным сохранением данных. Нарушение конфиденциальности наносит необратимый вред; Наиболее безопасные данные — это данные, которые никогда не вводятся.
Задача приложения
Возьмите в руки типичный конфиденциальный файл (например, расчет заработной платы или пробный баланс). Сначала классифицируйте их поля (личная/финансовая тайна/публичная). Затем примените шаблон анонимизации: перечислите, какие области вы будете маскировать, какие удалять и что вы будете искать для косвенной идентификации. Наконец, оцените безопасность инструмента искусственного интеллекта, который вы используете/будете использовать, с помощью контрольного списка.
контрольный список
- [ ] Я классифицировал данные как личную/финансовую тайну/публичную.
- [ ] Я задался вопросом, действительно ли было необходимо предоставлять необработанные данные.
- [ ] Я замаскировал/удалил имя, TR ID и номера счетов.
- [ ] Я обобщил уникальные детали, которые обеспечивают косвенный диагноз.
- [ ] Я использовал только безопасные/корпоративные инструменты с гарантиями сохранения данных.
- [ ] Я оценил политику данных (хранение, обучение) инструмента.
- [ ] Я записал, какие данные я где дал в качестве следа.