ලාභ:
- KVKK රාමුව තුළ බදු ගෙවන්නන්ගේ සහ මූල්ය දත්ත වර්ගීකරණය කිරීමේ හැකියාව සහ බදු ක්රියාපටිපාටිය නීති රහස්යතා වගකීම සහ ආරක්ෂණ මට්ටම තීරණය කිරීම
- කෘතිම බුද්ධියට දත්ත ලබා දීමට පෙර නිර්නාමිකකරණය, ආවරණ සහ ආරක්ෂිත/ආයතනික මෙවලම් තෝරාගැනීමේ පියවර යෙදීමේ හැකියාව
- පුද්ගලිකත්වය උල්ලංඝනය කිරීමේ නීතිමය, සාපරාධී සහ වෘත්තීයමය ප්රතිවිපාක දැන ගැනීමෙන් අධීක්ෂණයකින් තොරව රිය පැදවීම වැළැක්වීමේ පුරුද්ද ලබා ගැනීමේ හැකියාව.
වෘත්තිකයෙකු බදු ගෙවන්නාගේ වඩාත් සමීප තොරතුරු දකියි: පිරිවැටුම, ලාභය, බැංකු චලනයන්, සේවක වැටුප්, TR ID අංක, ගිවිසුම්, හවුල් ව්යුහයන්. මෙම තොරතුරු වෙනම නෛතික ස්ථර දෙකකින් ආරක්ෂා කර ඇත: KVKK (පුද්ගලික දත්ත ආරක්ෂණ නීතිය, පුද්ගලික තොරතුරු අනවසරයෙන් සැකසීම තහනම් කරන නීතිය) සහ බදු පරිපාටි නීතියේ රහස්ය වගකීම (ඔහු/ඇයගේ රාජකාරිය හේතුවෙන් ඔහු/ඇය ඉගෙන ගන්නා තොරතුරු රහසිගතව තබා ගැනීමට වෘත්තිකයාගේ බැඳීම). කෘතිම බුද්ධියේ යුගයේදී, මෙම ආරක්ෂාව නව තර්ජනයකට මුහුණ දෙයි: පාලනය නොකළ මෙවලමක් තුළ සංවේදී දත්ත ඇලවීම. මෙම ඒකකයේ මූලධර්මය තනි ය: AI වෙත ඇතුල් වීමට පෙර දත්ත ආරක්ෂා කර ඇත; අධීක්ෂණය නොකළ වාහනයට සංවේදී දත්ත ඇතුළු නොවේ.
ද්වි-ස්ථර ආරක්ෂාව සහ එය බැරෑරුම් ලෙස සැලකිය යුත්තේ ඇයි
- KVKK ස්ථරය: සැබෑ පුද්ගලයන්ට අයත් සියලුම තොරතුරු (නම, TR ID, වැටුප්, සම්බන්ධතා) පුද්ගලික දත්ත වේ. අනවසර සැකසුම්, ස්ථාන මාරු සහ ප්රමාණවත් ආරක්ෂාවක් පරිපාලන දඩ සහ වන්දි ලබා දෙනු ඇත.
- VUK රහස්යතා ස්තරය: වෘත්තිකයෙකුට බදු ගෙවන්නන්ගේ මූල්ය රහස් තෙවන පාර්ශවයන් සමඟ බෙදා ගත නොහැක. උල්ලංඝනය කිරීම අපරාධ සහ වෘත්තීය (විනය) ප්රතිවිපාක දරයි.
ප්රසිද්ධියේ ලබා ගත හැකි AI මෙවලමකට අලවා ඇති අත්හදා බැලීමේ ශේෂයක් හෝ වැටුප් ලේඛනයක් "තෙවන පාර්ශවයකට මාරු කිරීම" ලෙස සැලකිය හැක. මෙවලම දත්ත ගබඩා කරන්නේ කෙසේද සහ එය පුහුණු කිරීමේදී භාවිතා කරන්නේද යන්න බොහෝ විට අපැහැදිලි වේ. මෙම අවිනිශ්චිතතාවය පමණක් ප්රමාණවත් අවදානමක් ඇත.
අවධානය: "කිසිවෙකු එය කෙසේ හෝ නොදකිනු ඇත" යන අදහස නීතිමය ආරක්ෂාවක් නොවේ. පාලනය නොකළ පද්ධතියකට දත්ත ඇතුළු වූ පසු, එය ඔබගේ පාලනයෙන් තොරය. රහස්යතා කඩකිරීමක් භයානක වන්නේ එය සිදුවීමේ හැකියාව නිසා නොව, එය සිදු වූ පසු ආපසු හැරවිය නොහැකි බැවිනි.
AI වෙත දත්ත ලබා දීමට පෙර: ආරක්ෂණ පියවර
- වර්ගීකරණය කරන්න. ඔබ සතුව ඇති දත්ත පුද්ගලික, මූල්ය රහස් හෝ පොදුද? ඒ අනුව ආරක්ෂණ මට්ටම තීරණය කරන්න.
- අවශ්යතාවය ප්රශ්න කරන්න. මෙම දත්ත ආකෘතියට ලබා දීම සැබවින්ම අවශ්යද, නැතහොත් නිර්නාමික/සාරාංශ දත්ත සමඟ කාර්යය කළ හැකිද?
- නිර්නාමික / වෙස් මුහුණ. ඔවුන්ගේ නම් K1, K2; සමාගම් Ş1, Ş2; TR ID සහ ගිණුම් අංක ආවරණයකින් ප්රතිස්ථාපනය කරන්න. වක්ර රෝග විනිශ්චය සපයන අද්විතීය තොරතුරු සාමාන්යකරණය කරන්න.
- ආරක්ෂිත වාහනයක් තෝරන්න. හැකි නම්, දත්ත රඳවා තබා ගැනීම සහතික කරන ආයතනික/අනුමත මෙවලමක් භාවිතා කරන්න.
- මාර්ගය තබා ගන්න. ඔබ කුමන මෙවලමට ලබා දුන්නේ කුමන දත්තද සහ කුමන ආරක්ෂාවකින්ද යන්න සටහන් කරන්න.
දත්ත වර්ගය
උදාහරණයක්
සංරක්ෂණ ප්රවේශය
අනන්යතා දත්ත
නම, TR ID
වෙස් මුහුණ/නිර්නාමිකකරණය; කවදාවත් අමු දෙන්න එපා
මූල්ය රහස
පිරිවැටුම, ලාභය, බැංකුව
සාරාංශ කිරීම / නිර්නාමික කිරීම; ව්යවසාය වාහනය
සම්බන්ධතා දත්ත
හවුල්කරු, සැපයුම්කරු
සාමාන්යකරණය කරන්න; අද්විතීය විස්තර ඉවත් කරන්න
පොදු
ප්රකාශිත ශේෂ පත්රය
සාමාන්යයෙන් සැකසිය හැක
ප්රායෝගිකව නිර්නාමිකකරණය සිදු කරන්නේ කෙසේද?
නිර්නාමිකකරණය යනු දත්ත ප්රයෝජනවත් ලෙස තබා ගනිමින් අනන්යතාවය වෙන්කර හඳුනාගත නොහැකි වීමයි. උදාහරණයක් ලෙස, ඔබට වැටුප් ලේඛනයක් විශ්ලේෂණය කරනු ඇත: ඔබ නම සහ TR ID වෙනුවට අනුක්රමික අංකයක් තැබුවා, වැටුප් බෙදා හැරීමේ විශ්ලේෂණය කඩාකප්පල් නොවනු ඇත, නමුත් කිසිවෙකු හඳුනා ගත නොහැක. තීරණාත්මක කරුණ වන්නේ වක්ර රෝග විනිශ්චයයි: "එකම කාන්තා සාමාන්යාධිකාරීවරිය" හෝ "35 දෙනෙකුගෙන් යුත් සමාගමක එකම 92 හැවිරිදි" වැනි ප්රකාශන ඔබ නම මකා දැමුවත් පුද්ගලයාට ලබා දෙයි; මේවා ද සාමාන්යකරණය වී ඇත.
කුඩා නඩු තුනක්
නඩුව 1 - වැටුප් කාන්දු වීම. සීමාවාසිකයෙකු 3,500 දෙනෙකුගේ වැටුප් ලේඛනයක් (නම, හැඳුනුම්පත, වැටුප) නොමිලේ වෙබ් මෙවලමකට උඩුගත කර "සාරාංශ කරන්න" කියයි. වාහනයේ ගබඩාවට දත්ත මිශ්ර වීමේ අවදානමක් ඇත; KVKK සහ VUK යන දෙකම රහස්ය භාවය උල්ලංඝනය කිරීම් සිදුවේ. පාරිභෝගිකයා දැනගත්තොත් ඉවරයි. නිවැරදි ක්රමය වූයේ ආයතනික අනුමැතිය ලත් වාහනයක් භාවිතා කිරීම හෝ ඔබේ නම/TR ID වසං කර වැටුප් බෙදා හැරීම පමණක් ලබා දීමයි.
නඩුව 2 - වක්ර රෝග විනිශ්චය. උපදේශකයෙකු ඔහු නම් මකා දැමූ ලැයිස්තුවක් ආකෘතියට ලබා දෙයි, නමුත් "සමාගමේ එකම විදේශීය ජාතික කළමනාකරු" යන වාක්ය ඛණ්ඩය තබයි. මෙම ප්රකාශය පුද්ගලයා ලබා දෙයි; නිර්නාමිකකරණය අතුරුදහන්. පාඩම: වක්ර රෝග විනිශ්චය සපයන අද්විතීය තොරතුරු ද සාමාන්යකරණය කළ යුතුය.
නඩුව 3 - හොඳ හැසිරවීම. ආකෘතියට සංවේදී දත්ත පෝෂණය කිරීමට පෙර, කාර්යාලයක් සම්මත නිර්නාමික පියවරක් හරහා ගමන් කරයි: අච්චුවක් භාවිතා කරමින්, එය නම්, හැඳුනුම්පත් සහ වෙළඳ නාම කේත බවට පරිවර්තනය කරයි, පසුව එය විශ්ලේෂණය කර ඇත. විශ්ලේෂණයේ ගුණාත්මක භාවය අඩු නොවේ, අනන්යතාව කාන්දු නොවේ. පෞද්ගලිකත්වය සහ කාර්යක්ෂමතාව එකට ආරක්ෂා වේ.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
පහත වැටුප් ලේඛනය සාරාංශ කරන්න: [Ahmet Yılmaz, TC 123..., වැටුප 45,000; ...]
අමු පුද්ගලික දත්ත පාලනයකින් තොරව වාහනයට ඇතුල් වේ; එය සෘජුවම උල්ලංඝනය කිරීමකි.
බලවත් විමසුම:
මම ඔබට දත්ත කට්ටලයක් දෙන්නම්. සැකසීමට පෙර, පහත සඳහන් නිර්නාමිකකරණය යොදන්න සහ මට නිර්නාමික අනුවාදයද පෙන්වන්න:- පුද්ගලයාගේ නම් K1, K2 සාදන්න... - TR ID සහ ගිණුම් අංක සම්පූර්ණයෙන්ම ඉවත් කරන්න.- සමාගම/වෙළඳනාම T1, K2 සාදන්න.... පුද්ගලයා වක්රව හඳුනාගත හැකි අද්විතීය තොරතුරු සාමාන්යකරණය කරන්න. ඉන්පසු නිර්නාමික අනුවාදය මත පමණක් වැඩ කරන්න.[DATA (හැකිතාක් ආවරණය කර ඇත): ...]
සටහන: අමු පුද්ගලික දත්ත කිසිසේත් ඇතුළත් නොකිරීම ආරක්ෂිතයි; ඔබ ඇතුළු වන්නේ නම්, ඔබ වෙස්මුහුණු සහ ආරක්ෂිත වාහනයක සිටිය යුතුය.
දත්ත වර්ගීකරණ උදවු සඳහා:
පහත එක් එක් ක්ෂේත්ර වර්ග කරන්න: එය පුද්ගලික දත්තද, එය මූල්ය රහසක්ද, එය පොදුද? එක් එක් සඳහා නිර්දේශිත ආරක්ෂණ මට්ටම ලියන්න. ක්ෂේත්ර: [ක්ෂේත්ර නාම, නියැදිය ආපසු]
නිර්නාමිකකරණ අච්චුවක් උත්පාදනය කිරීමට:
වැටුප් ගෙවීමේ/අත්හදා බැලීමේ ශේෂ විශ්ලේෂණයකදී මා භාවිතා කරන සම්මත නිර්නාමික පිරික්සුම් ලැයිස්තුවක් නිෂ්පාදනය කරන්න: කවර ක්ෂේත්ර ආවරණය කළ යුතුද, කුමන මඟ හැරිය යුතුද, වක්ර රෝග විනිශ්චය සඳහා මා සෙවිය යුත්තේ කුමක්ද?
වාහන ආරක්ෂාව තක්සේරු කිරීම සඳහා:
සංවේදී බදු ගෙවන්නන්ගේ දත්ත (දත්ත රඳවා තබා ගැනීම, අධ්යාපනයේ භාවිතය, ආයතනික කොන්ත්රාත්තුව, ස්ථානය) සඳහා AI මෙවලමක් සුදුසු දැයි ඇගයීමේදී මා ඇසිය යුතු ප්රශ්න මොනවාද? පිරික්සුම් ලැයිස්තුවක් සාදන්න.
පොදු වැරදි
- අමු පුද්ගලික දත්ත ඇතුලත් කිරීම. නම/TR ID සත්යාපනය නොමැතිව කිසිවිටෙක වාහනය ඇතුළු නොකරන්න.
- වක්ර රෝග විනිශ්චය මඟ හැරීම. නම මකා දැමුවත් අනන්ය විස්තරය අනන්යතාවය ලබා දෙයි.
- වාහන ආරක්ෂාව ගැන අහන්නේ නැහැ. මෙවලම දත්ත ගබඩා කරන්නේ කෙසේදැයි නොදැන සංවේදී දත්ත ලබා නොදේ.
- අවශ්යතාවය ප්රශ්න කරන්නේ නැහැ. කාර්යය නිර්නාමික/සාරාංශ දත්ත වලින් කළ හැකි නම්, අමු දත්ත කිසිසේත් ලබා නොදේ.
- නිරීක්ෂණය නොකිරීම. කුමන දත්ත ලබා දුන්නේ කොතැනකද යන්න සටහන් කර නොමැති නම්, කඩ කිරීම සොයාගත නොහැක.
සාරාංශයකින්
බදු ගෙවන්නන්ගේ දත්ත KVKK සහ VUK යන දෙඅංශයෙන්ම රහස්ය වගකීම් මගින් ස්ථර දෙකකින් ආරක්ෂා කර ඇති අතර, කෘතිම බුද්ධියේ යුගයේ විශාලතම නව අවදානම වන්නේ සංවේදී දත්ත පාලනය නොකළ මෙවලමකට ඇලවීමයි. දත්ත ආකෘතියට ඇතුළත් කිරීමට පෙර, එය වර්ගීකරණය කර, එහි අවශ්යතාවය ප්රශ්න කරනු ලැබේ, නම/TR හැඳුනුම්පත වැනි හඳුනාගැනීම් ආවරණය කර වක්ර රෝග විනිශ්චය සපයන විස්තර සාමාන්යකරණය කරනු ලැබේ; හැකි නම්, ආරක්ෂිත, දත්ත රඳවා තබා ගැනීම සහතික කළ ආයතනික මෙවලමක් පමණක් භාවිතා වේ. පෞද්ගලිකත්වය උල්ලංඝනය කිරීම ආපසු හැරවිය නොහැකි හානියකි; වඩාත්ම ආරක්ෂිත දත්ත වන්නේ කිසිදා ඇතුළත් නොකළ දත්ත ය.
යෙදුම් කාර්යය
සාමාන්ය සංවේදී ගොනුවක් (උදා: වැටුප් ගෙවීම හෝ අත්හදා බැලීමේ ශේෂය) ඔබේ අතේ ගන්න. පළමුව ඔවුන්ගේ ක්ෂේත්ර වර්ග කරන්න (පුද්ගලික/මූල්ය රහස්/ප්රසිද්ධ). ඉන්පසු නිර්නාමිකකරණ අච්චුවක් යොදන්න: ඔබ වසන් කරන ප්රදේශ මොනවාද, ඔබ ඉවත් කරන්නේ කුමක්ද සහ වක්ර හඳුනාගැනීම සඳහා ඔබ සොයන දේ ලැයිස්තුගත කරන්න. අවසාන වශයෙන්, පිරික්සුම් ලැයිස්තුවක් සමඟ ඔබ භාවිතා කරන/භාවිතා කරන කෘතිම බුද්ධි මෙවලමෙහි ආරක්ෂක යෝග්යතාවය තක්සේරු කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම දත්ත පුද්ගලික/මූල්ය රහස්/ප්රසිද්ධ ලෙස වර්ග කර ඇත.
- [ ] අමු දත්ත සැපයීම සැබවින්ම අවශ්යද යන්න මම ප්රශ්න කළෙමි.
- [ ] මම නම, TR ID සහ ගිණුම් අංක ආවරණය/ඉවත් කළා.
- [ ] මම වක්ර රෝග විනිශ්චය සපයන අද්විතීය විස්තර සාමාන්යකරණය කර ඇත.
- [ ] මම දත්ත රඳවා ගැනීමේ සහතික සහිත ආරක්ෂිත/ව්යවසාය මෙවලම් පමණක් භාවිතා කර ඇත.
- [ ] මම මෙවලමෙහි දත්ත ප්රතිපත්තිය (ගබඩාව, පුහුණුව) ඇගයීමට ලක් කළෙමි.
- [ ] මම සටහන් කළේ කුමන දත්තද යන්න හෝඩුවාවක් ලෙස කොතැනද යන්නයි.