දත්ත රහස්‍යතාව, ආරක්‍ෂිත මෙවලම් තේරීම සහ නිර්නාමිකකරණය

ලාභ:

• කෘත්‍රිම බුද්ධි මෙවලම් වෙත පාරිභෝගිකයාගේ සංවේදී සහ මූල්‍ය දත්ත ලබා දීමට පෙර නිර්නාමිකකරණය සහ අවශ්‍යතාවය තක්සේරු කිරීම
• පුද්ගලිකත්වය, දත්ත රඳවා තබා ගැනීම සහ අධ්‍යාපනයේ භාවිතය සම්බන්ධයෙන් ආයතනික සහ පොදු AI මෙවලම් අතර වෙනස්කම් හඳුනා ගැනීමේ හැකියාව
• KVKK රාමුව තුළ දත්ත කඩකිරීම්, රඳවා ගැනීමේ කාලය සහ තෙවන පාර්ශවීය බෙදාගැනීමේ අවදානම් කළමනාකරණය කිරීමේ හැකියාව

රක්ෂණය යනු වඩාත් සංවේදී දත්ත සමඟ වැඩ කරන වෘත්තීන්ගෙන් එකකි. රක්ෂණ ගොනුවක්; එයට අනන්‍යතා තොරතුරු, ලිපිනය, ආදායම, බැංකු ගිණුම, සෞඛ්‍ය ඉතිහාසය, හානි වාර්තා, බලපත්‍ර තහඩුව, හිමිකම් ඔප්පුව, සහ පවුලේ තොරතුරු පවා ඇතුළත් විය හැකිය. මෙම දත්ත සමහරක් KVKK (පුද්ගලික දත්ත ආරක්ෂණ නීතිය) හි "විශේෂ ස්වභාවයේ පුද්ගලික දත්ත" ලෙස ඉහළම ආරක්ෂාවට යටත් වේ; සෞඛ්‍යය, ජෛවමිතික සහ ඒ හා සමාන දත්ත මේ සඳහා සාමාන්‍ය උදාහරණ වේ. කෘත්‍රිම බුද්ධි මෙවලම් (විශේෂයෙන් වලාකුළු මත පදනම් වූ) භාවිතා කරන විට මෙම දත්ත පාලනයකින් තොරව බෙදා ගැනීම විශ්වාසය කඩ කිරීමේ සහ නැතිවීමේ බරපතල අවදානමකි. කාන්දු වූ පසු, දත්ත නැවත ලබා ගත නොහැක. මෙම ඒකකය තුළ, ඔබ කෘත්‍රිම බුද්ධියට ලබා දීමට පෙර පාරිභෝගික දත්ත නිර්නාමික කරන්නේ කෙසේද (පුද්ගලිකව හඳුනාගත හැකි තොරතුරු ඉවත් කිරීම), ආයතනික සහ පොදු මෙවලම් අතර රහස්‍යතා වෙනස්කම් සහ KVKK රාමුව තුළ දත්ත කඩකිරීම, ගබඩා කිරීම සහ තෙවන පාර්ශව බෙදාගැනීමේ අවදානම් කළමනාකරණය කරන්නේ කෙසේද යන්න ඉගෙන ගනු ඇත. මෙම ඒකකය නීති උපදෙස් නොවේ; පොදු මූලධර්ම පැහැදිලි කරයි, විශේෂිත අවස්ථාවක අනුකූලතා/නීති දෙපාර්තමේන්තුවෙන් උපදෙස් ලබා ගන්න.

පුද්ගලිකත්වය තීරණාත්මක වන්නේ ඇයි: දත්ත වර්ග

රක්ෂණයේ දී, ආරක්ෂණ මට්ටම අනුව දත්ත වෙන් කිරීම අවශ්ය වේ:

• අනන්යතා දත්ත: නම, වාසගම, TR ID අංකය, උපන් දිනය, සම්බන්ධතා. එය සෘජුවම පුද්ගලයා හඳුනා ගනී.
• මූල්ය දත්ත: ආදායම, බැංකු ගිණුම, ගෙවීම් ඉතිහාසය. පුද්ගලික සහ සංවේදී.
• විශේෂ තත්ත්ව දත්ත: සෞඛ්‍යය, ජෛවමිතික දත්ත. ඉහළම ආරක්ෂාව; සැකසීම සඳහා දැඩි කොන්දේසි (පැහැදිලි කැමැත්ත හෝ ව්‍යවස්ථාපිත ව්‍යතිරේක) අවශ්‍ය වේ.
• ගොනු දත්ත: ප්‍රතිපත්ති අංකය, බලපත්‍ර තහඩුව, හිමිකම් ඔප්පුව, හානි විස්තර. අන් අය සමඟ ඒකාබද්ධ වූ විට, එය අනන්යතාව හෙළි කළ හැකිය.

ලොකුම අන්තරාය වන්නේ ඔබ මෙම දත්ත එකට ගෙන එන විට ඇතිවන හඳුනාගැනීමයි. "අවුරුදු 45 ක කාන්තාව" නිර්නාමික වන අතර, "අවුරුදු 45 ක කාන්තාවක් + යම් බලපත්‍ර තහඩුවක් + නිශ්චිත ලිපිනයක්" අනන්‍යතාවය හෙළි කළ හැකිය.

අවධානය: කෘත්‍රිම බුද්ධි මෙවලමට දත්ත ලබා දීමෙන් පසු "මකන්න" කීම ඇත්ත වශයෙන්ම එය මැකෙන්නේ නැත. සමහර මෙවලම් ආදානය ගබඩා කර එය ආකෘතිය පුහුණු කිරීමට පවා භාවිතා කරයි. රීතිය: කිසිවිටෙක සංවේදී දත්ත නොයවන්න; යැවීමට පෙර නිර්නාමිකකරණය පැමිණේ.

නිර්නාමිකකරණය: එය කරන්නේ කෙසේද

නිර්නාමිකකරණය යනු හඳුනාගත හැකි තොරතුරු ඉවත් කිරීම සහ සත්‍ය සමානාත්මතාවයකින් ප්‍රතිස්ථාපනය කිරීමයි; ඉලක්කය වන්නේ නිමැවුම් ගුණාත්මක භාවය පවත්වා ගනිමින් පුද්ගලයා හඳුනාගත නොහැකි වීමයි. හොඳ නිර්නාමිකකරණය:

• නම, TR ID, දුරකථන, ලිපිනය, ප්රතිපත්ති අංකය, බලපත්ර තහඩු සහ හිමිකම් ඔප්පු තොරතුරු ඉවත් කරයි.
• ඔහු ඒවා විශ්ලේෂණාත්මක අර්ථාන්විත සමානතාවයකින් ප්‍රතිස්ථාපනය කරයි: "වයස අවුරුදු 45, පිරිමි, රක්ෂණ ඔප්පුව, මධ්‍යම ඇනටෝලියාව, ඒකපාර්ශ්වික ගැටුම".
• එය දුර්ලභ/විශේෂිත සංයෝජන වළක්වයි: ඉතා නිශ්චිත වෘත්තියක් + ඉතා කුඩා ස්ථානයක්, එය පමණක් අනන්‍යතාවය විවෘත කළ හැකිය.
• වෛද්‍ය/තාක්ෂණික අර්ථය රඳවා ගනී: "අනුපූරක සෞඛ්‍යය, සැලසුම්ගත විකලාංග සැත්කම්" වැනි.

ඉඟිය: නිර්නාමික වීමෙන් පසු, ඔබෙන්ම මෙසේ අසන්න: "ආගන්තුකයෙකු මෙම පාඨය කියවා ඇත්නම්, ඔහුට එම පුද්ගලයා සොයා ගත හැකිද?" පිළිතුර ඔව් නම්, තවදුරටත් සාමාන්‍යකරණය කරන්න. විශේෂයෙන් දුර්ලභ සංයෝජන (කුඩා දිස්ත්රික්කය + විශේෂිත සිදුවීමක්) භයානකයි.

ව්‍යවසාය එදිරිව පොදු මෙවලම්

සියලුම AI මෙවලම් එකම මට්ටමේ පෞද්ගලිකත්වයක් නොමැත. ඒවා මාන තුනකින් වෙනස් වේ:

1. දත්ත රඳවා තබා ගැනීම: එය ආදානය රඳවා තබා ගන්නේ සහ කොපමණ කාලයක් සඳහාද?
2. පුහුණුවේදී භාවිතා කරන්න: එය ආකෘතිය පුහුණු කිරීමට ආදානය භාවිතා කරයිද?
3. ස්ථානය සහ කොන්ත්රාත්තුව: දත්ත සැකසෙන්නේ කොහේද, ආයතනික දත්ත සැකසුම් ගිවිසුමක් තිබේද?

ආයතනික (ආයතනයේ ගිවිසුම්ගත, දත්ත සැකසුම් සහතික) මෙවලම් බොහෝ විට අධ්‍යාපනයේ දත්ත භාවිතා නොකිරීම සහ ගබඩා කිරීම සීමා කරයි. පොදු, නොමිලේ මෙවලම් ආදාන ගබඩා කර පුහුණු කිරීමේදී එය භාවිතා කළ හැක. රීතිය: සංවේදී දත්ත සකසනු ලබන්නේ ආයතනය අනුමත, ගිවිසුම්ගත මාධ්‍යයන් සහ හැකිතාක් නිර්නාමික ආකාරයෙන් පමණි. පාරිභෝගික දත්ත අනුමත නොකළ මෙවලමකට ඇතුළු කිරීම දත්ත සකසනය විගණනය කළ නොහැකි කරයි.

පියවරෙන් පියවර: රහස්‍ය දත්ත සමඟ ආරක්ෂිතව වැඩ කිරීම

1. දත්ත වර්ග කරන්න. අනන්‍යතාවය / මූල්‍ය / විශේෂ තත්ත්ව / ගොනු දත්ත.
2. අවශ්‍යතා පරීක්ෂණය. මෙම කාර්යය සඳහා මෙම දත්ත සැබවින්ම අවශ්‍යද? එසේ නොවේ නම්, එය භාවිතා නොකරන්න.
3. නිර්නාමික කරන්න. හඳුනාගැනීම් ඉවත් කරන්න, සත්‍ය සමානකම් ආදේශ කරන්න, දුර්ලභ සංයෝජන සාමාන්‍යකරණය කරන්න.
4. වාහනය තෝරන්න. නියෝජිතායතන අනුමත, ගිවිසුම්ගත වාහන පමණි; පොදු මෙවලමට සංවේදී දත්ත නොමැත.
5. අවම දත්ත සමඟ වැඩ කරන්න. කාර්යය සඳහා අවශ්ය අවම තොරතුරු බෙදා ගන්න.
6. ගබඩා කිරීම සහ බෙදාගැනීම කළමනාකරණය කරන්න. ඔබ ප්‍රතිදානය ගබඩා කරන්නේ කොහේද, ඔබ එය බෙදාගන්නේ කා සමඟද; KVKK රඳවා ගැනීමේ කාල සීමාව සහ තෙවන පාර්ශවීය නීති වලට අනුකූල වන්න. ඔබේ සලකුණ තබන්න.

කුඩා නඩු තුනක්

1 වන අවස්ථාව - සංවේදී දත්ත ආරක්ෂා කිරීම. හිමිකම් පිළිබඳ විශේෂඥයෙකුට සංකීර්ණ සෞඛ්‍ය රක්‍ෂණ ගොනුවක් ගැන AI වෙතින් විමසීමට අවශ්‍ය විය. රක්ෂිතයාගේ නම, හැඳුනුම්පත සහ රෝග විනිශ්චය ලිවීම වෙනුවට, ඔහු "වයස අවුරුදු 52, ගැහැණු, අනුපූරක සෞඛ්‍ය ප්‍රතිපත්තිය, සැලසුම් කළ හෘද කපාට සැත්කම්, මතභේදාත්මක මුදල" වැනි නිර්නාමික සන්දර්භයක් නිර්මාණය කළේය. නිමැවුමේ ගුණාත්මකභාවය අඩු වී නැත; පුද්ගලික දත්ත කිසිදු වලාකුළකට ගියේ නැත. සෞඛ්‍ය දත්ත ඉහළම ආරක්ෂාවට යටත් වේ; මෙම පුරුද්ද උල්ලංඝනය කිරීම වළක්වා ඇත.

නඩුව 2 - දුර්ලභ සංයෝජන උගුලක්. “වයස අවුරුදු 38, ගැහැණු, [ඉතා කුඩා ප්‍රාන්තයේ] එකම ඖෂධවේදියෙක්, වෘත්තීය වගකීම් ප්‍රතිපත්තිය,” එක් විශේෂඥයෙක් ලිවීය. මෙය තාක්ෂණික වශයෙන් නමක් නොතිබුණද, එම දිස්ත්‍රික්කයේ සිටි එකම ඖෂධවේදියා ඔහු බැවින් ඔහුගේ අනන්‍යතාව සෘජුවම හෙළිදරව් විය. විශේෂඥයා මෙය දුටු අතර එය "කුඩා ජනාවාස, සෞඛ්ය සේවා වෘත්තිය" ලෙස සාමාන්යකරණය කළේය. නිර්නාමිකකරණය යනු නම මකා දැමීම පමණක් නොව, එය හඳුනාගැනීමේ හැකියාව විනාශ කිරීමකි.

නඩුව 3 - වැරදි මෙවලම් තේරීම. වේගය සඳහා, සේවකයෙකු පාරිභෝගික හිමිකම් බිඳවැටීම නොමිලේ, පොදු මෙවලමකට උඩුගත කරනු ඇත. කණ්ඩායම් ප්‍රතිපත්තිය ක්‍රියාත්මක වේ: පාරිභෝගික දත්ත සැකසෙන්නේ ආයතනය අනුමත, ගිවිසුම්ගත මෙවලම තුළ පමණි. සේවකයා ප්රථමයෙන් දත්ත නිර්නාමික කර පසුව අනුමත මෙවලම තුළ එය ක්රියාත්මක කළේය. අනුමත නොකළ මෙවලමක් භාවිතා කළේ නම්, දත්ත ගබඩා කිරීමේ සහ අධ්‍යාපනයේ භාවිතයේ අවදානම පාලනය කළ නොහැකි වනු ඇත.

පිටපත් කළ හැකි විමසීම් හතරක්

1) නිර්නාමික සහායක:

පහත පාඨයෙන් සියලුම පුද්ගලික සහ හඳුනාගැනීමේ දත්ත ඉවත් කරන්න: නම, වාසගම, හැඳුනුම්පත, උපන් දිනය, දුරකථන, ලිපිනය, ප්‍රතිපත්ති අංකය, බලපත්‍ර තහඩුව, හිමිකම් ඔප්පුව, IBAN. ඒවා විශ්ලේෂණාත්මක අර්ථයක් සහිත සත්‍ය හා සමානව ප්‍රතිස්ථාපනය කරන්න (උදා: "වයස අවුරුදු 45, පිරිමි, රක්ෂණ ඔප්පුව, ඒකපාර්ශ්වික ගැටුම"). දුර්ලභ/විශේෂිත සංයෝජන (කුඩා ස්ථානය + විශේෂ රැකියාව) සාමාන්‍යකරණය කරන්න. වෛද්‍ය/තාක්ෂණික අර්ථය රඳවා තබා ගන්න. පෙළ: [පේස්ට්]

2) හඳුනාගැනීමේ පරීක්ෂාව:

හඳුනාගැනීම සඳහා පහත නිර්නාමික පෙළ පරීක්ෂා කරන්න: [පෙළ] අසන්න: ආගන්තුකයෙකුට මෙම පෙළ ඇති පුද්ගලයා සොයා ගත හැකිද? දුර්ලභ සංයෝජනයක් (කුඩා බේරුම්කරණය + නිශ්චිත වෘත්තිය/සිදුවීම), අද්විතීය දිනය හෝ මුදල තිබේද? එක් එක් අවදානම් ලක්ෂ්‍යය උද්දීපනය කර වඩාත් ආරක්ෂිතව සාමාන්‍යකරණය කරන්නේ කෙසේදැයි යෝජනා කරන්න.

3) දත්ත අවශ්‍යතා සහ වර්ගීකරණය:

පහත කාර්යය සඳහා අවශ්‍ය දත්ත වර්ගීකරණය සහ අවශ්‍යතාවය පරීක්ෂා කරන්න: කාර්යය: [විස්තරය] මා සතුව ඇති දත්ත: [ලැයිස්තුව]එක් එක් දත්ත සඳහා: වර්ගය (අනන්‍යතාවය/මූල්‍ය/විශේෂ/ගොනුව), එය මෙම කාර්යය සඳහා අවශ්‍යද (ඔව්/නැත), අවශ්‍ය නම්, එය නිර්නාමිකව භාවිත කරන්නේ කෙසේද. අනවශ්‍ය දත්ත "භාවිතා නොකරන්න" ලෙස සලකුණු කරන්න.

4) වාහන තේරීම් පිරික්සුම් ලැයිස්තුව:

රක්ෂණ දත්ත සමඟ AI මෙවලමක් භාවිතා කිරීමට පෙර පිරික්සුම් ලැයිස්තුවක් සාදන්න. ප්‍රශ්න ඇතුළත් කරන්න: වාහනය ආයතනය විසින් අනුමත කර තිබේද? දත්ත සැකසුම් ගිවිසුමක් තිබේද? එය පුහුණුවේදී ආදානය ගබඩා කරන්නේ/භාවිතා කරන්නේද? දත්ත සැකසෙන්නේ කොහේද? එය සුදුසු/නොගැලපෙන කුමන දත්ත වර්ගය සඳහාද? නිර්නාමිකකරණය ප්‍රමාණවත්ද?

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල: "සේවාදායක අහමට් යල්මාස්ගේ ගොනුව ඇගයීම (TC 123..., වෛද්‍ය වාර්තාව අමුණා ඇත)."

ගැටළුව: අනන්‍යතාවය සහ සංවේදී (සෞඛ්‍ය) දත්ත සෘජුවම බෙදාගනු ලැබේ; KVKK උල්ලංඝනය කිරීමේ විශාල අවදානමක්.

ශක්තිමත්: "පහත නිර්නාමික සන්දර්භය සලකා බලන්න: වයස අවුරුදු 52, ගැහැණු, පරිපූරක සෞඛ්‍ය ප්‍රතිපත්තිය, සැලසුම් කළ ශල්‍යකර්ම, ප්‍රමාණය ආරවුල්. හඳුනාගැනීමේ තොරතුරු නොමැත."

එය හොඳ ඇයි: විශ්ලේෂණාත්මක අර්ථය සංරක්ෂණය කර ඇත, අනන්යතාව සහ සංවේදී දත්ත අනාවරණය නොවේ.

සංසන්දනාත්මක සටහන

දත්ත වර්ගය

ආරක්ෂණ මට්ටම

කෘතිම බුද්ධියේ භාවිතා කරන්න

නම/TC/සම්බන්ධතාව

ඉහළ

ඉවත් කරන්න, සමාන කරන්න

මූල්ය (ආදායම/IBAN)

ඉහළ

ඉවත් කරන්න / සාමාන්‍යකරණය කරන්න

සෞඛ්‍ය/විශේෂ සුදුසුකම්

ඉහළම

කිසි විටෙකත් අමු නොවේ; නිර්නාමික + අනුමත වාහනය

ප්‍රතිපත්ති අංකය/තහඩු/හිමිකම් ඔප්පුව

මධ්යම-ඉහළ

ඉවත් කරන්න; තනියම අවදානම් සහිතයි

සමස්ථ/සංඛ්‍යාලේඛන

අඩු

තිබේ (සම්බන්ධතා නොමැති නම්)

පොදු වැරදි

• අමු පුද්ගලික/සෞඛ්‍ය දත්ත ඇලවීම. වඩාත්ම නිරන්තර හා දරුණු උල්ලංඝනය.
• නම මකා දැමීම පමණක් ප්‍රමාණවත් යැයි සිතීම. දුර්ලභ සංයෝජන තවමත් අනන්‍යතාවය හෙළිදරව් කළ හැක.
• "පසුව මකන්න" යැයි පැවසීම මත විශ්වාසය තැබීම මෙවලම පුහුණු කිරීමේදී දත්ත ගබඩා කිරීම/භාවිතා කිරීම විය හැකිය.
• අනුමත නොකළ/පොදු රිය පැදවීම. පාලනය නොකළ දත්ත සැකසීම.
• ගබඩා කිරීම සහ බෙදාගැනීම කළමනාකරණය නොකරයි. නිමැවුම් අසීමිත ගබඩා කිරීම, තෙවන පාර්ශවයන් සමඟ පාලනයකින් තොරව බෙදාගැනීම.

සාරාංශයක් ලෙස

රක්ෂණ දත්ත ඉතා සංවේදී ය; සෞඛ්යය වැනි විශේෂ දත්ත KVKK යටතේ ඉහළම ආරක්ෂාවට යටත් වේ. AI වෙත දත්ත ලබා දීමට පෙර ඒවා වර්ග කිරීම, අභියෝග කිරීම සහ නිර්නාමික කිරීම: හඳුනාගැනීම් ඉවත් කිරීම, සත්‍ය සමානකම් හඳුන්වා දීම, දුර්ලභ සංයෝජන සාමාන්‍යකරණය කිරීම. ආයතනික අනුමත, ගිවිසුම්ගත මෙවලම්වල සහ අවම ප්‍රමාණයකට පමණක් සංවේදී දත්ත සකසන්න. KVKK රාමුව තුළ ගබඩා කාලය සහ තෙවන පාර්ශව බෙදාගැනීම කළමනාකරණය කර හෝඩුවාවක් තබන්න. නිශ්චිත අවස්ථාවක අනුකූලතා/නීතිමය උපදෙස් ලබා ගන්න; කාන්දු වූ දත්ත නැවත ලබා ගත නොහැක.

යෙදුම් කාර්යය

සැබෑ හානිය/යොමු පෙළක් ලබා ගන්න (පරීක්ෂණ අරමුණු සඳහා). ප්‍රේරක #1 සමඟ නිර්නාමික කරන්න, අනතුරුව #2 ප්‍රේරකය සමඟ හඳුනාගැනීම පරීක්ෂා කරන්න: පුද්ගලයා හෙළිදරව් කළ හැකි දුර්ලභ සංයෝජන තවමත් පෙළෙහි තිබේද? ඔබ සොයා ගන්නා සෑම අවදානමක්ම සාමාන්ය කරන්න. පිරික්සුම් ලැයිස්තු අංක 4 සමඟින් ඔබ භාවිතා කරන AI මෙවලමද ඇගයීමට ලක් කරන්න: එය සංවේදී දත්ත සඳහා සුදුසුද?

පිරික්සුම් ලැයිස්තුව

• [ ] මම දත්ත ඒවායේ වර්ග අනුව වර්ග කළෙමි.
• [ ] මම අවශ්‍යතා පරීක්ෂණය යෙදුවෙමි; මම අනවශ්‍ය දත්ත භාවිත කළේ නැහැ.
• [ ] මම හඳුනාගැනීම් ඉවත් කර එය සත්‍යයට සමාන එකක් සමඟ ප්‍රතිස්ථාපනය කළෙමි.
• [ ] මම දුර්ලභ/විශේෂිත සංයෝජන සාමාන්‍යකරණය කළෙමි.
• [ ] මම හඳුනාගැනීමේ පරීක්ෂාවක් කළා.
• [ ] මම පාවිච්චි කළේ සමාගම් අනුමත, ගිවිසුම්ගත වාහන පමණයි.
• [ ] මම KVKK ට අනුකූලව ගබඩා කිරීම සහ තෙවන පාර්ශ්ව බෙදාගැනීම කළමනාකරණය කළෙමි; මම ලකුණක් තැබුවෙමි.