Dobički:
- Sposobnost razvrščanja davčnih in finančnih podatkov v okviru obveznosti zaupnosti KVKK in Zakona o davčnem postopku ter določanje stopnje varovanja
- Sposobnost uporabe anonimizacije, maskiranja in korakov izbire varnega/institucionalnega orodja, preden posredujete podatke umetni inteligenci
- Sposobnost pridobivanja navade izogibanja nenadzorovani vožnji s poznavanjem pravnih, kazenskih in poklicnih posledic kršitev zasebnosti.
Strokovnjak vidi najbolj intimne podatke zavezanca: promet, dobiček, bančna gibanja, plače zaposlenih, TR ID številke, pogodbe, partnerske strukture. Ti podatki so zaščiteni z dvema ločenima pravnima slojema: KVKK (zakon o varstvu osebnih podatkov, zakon o prepovedi nepooblaščene obdelave osebnih podatkov) in obveznost zaupnosti po zakonu o davčnem postopku (obveznost strokovnjaka, da varuje zaupne podatke, ki jih izve zaradi svoje dolžnosti). V dobi umetne inteligence se ta zaščita sooča z novo grožnjo: vstavljanjem občutljivih podatkov v nenadzorovano orodje. Načelo te enote je eno samo: podatki so zaščiteni pred vstopom v AI; V nenadzorovano vozilo ne pridejo nobeni občutljivi podatki.
Dvoslojna zaščita in zakaj jo je treba jemati resno
- Sloj KVKK: Vsi podatki (ime, TR ID, plača, kontakt), ki pripadajo pravim osebam, so osebni podatki. Nepooblaščena obdelava, prenos in neustrezna zaščita bodo povzročili upravno globo in odškodnino.
- Plast zaupnosti VUK: Strokovnjak ne more posredovati finančnih skrivnosti davkoplačevalca tretjim osebam. Kršitev ima tako kazenske kot strokovne (disciplinske) posledice.
Poskusno stanje ali plačilni list, prilepljen v javno dostopno orodje AI, se lahko šteje za "preneseno na tretjo osebo". Pogosto ni jasno, kako orodje shranjuje podatke in ali se uporablja pri usposabljanju. Že ta negotovost je dovolj tvegana.
Pozor: Zamisel, da "sicer nihče tega ne bo videl", ni pravna obramba. Ko podatki enkrat vstopijo v nenadzorovan sistem, so izven vašega nadzora. Kršitev zasebnosti ni nevarna zaradi možnosti, da se zgodi, ampak zato, ker je nepopravljiva, ko se zgodi.
Pred posredovanjem podatkov AI: zaščitni koraki
- Razvrsti. Ali so podatki, ki jih imate, osebna, finančna skrivnost ali javni? Ustrezno določite stopnjo zaščite.
- Nujnost vprašanja. Ali je res potrebno dati te podatke modelu ali se lahko naloga opravi z anonimnimi/zbirnimi podatki?
- Anonimiziraj/maskiraj. Njihova imena so K1, K2; podjetja Ş1, Ş2; Zamenjajte TR ID in številke računa z masko. Posplošite edinstvene podrobnosti, ki zagotavljajo posredno diagnozo.
- Izberite varno vozilo. Če je mogoče, uporabite korporativno/odobreno orodje, ki zagotavlja hrambo podatkov.
- Drži sled. Zapišite, katere podatke ste dali kateremu orodju in s kakšno zaščito.
Vrsta podatkov
primer
konservatorski pristop
podatke o identiteti
Ime, TR ID
maska/anonimizacija; nikoli ne dajajte surovega
finančna skrivnost
Promet, dobiček, banka
Povzeti/anonimizirati; poslovno vozilo
podatke o razmerju
partner, dobavitelj
Posplošiti; odstranite edinstvene podrobnosti
javnosti
prijavljena bilanca stanja
se lahko normalno obdela
Kako poteka anonimizacija v praksi?
Anonimizacija naredi identiteto nerazločljivo, hkrati pa ohrani uporabnost podatkov. Imeli boste na primer analizo plačilne liste: namesto imena in TR ID vnesete zaporedno številko, analiza razdelitve plače ne bo motena, vendar nikogar ni mogoče identificirati. Kritična točka je posredna diagnoza: izrazi, kot so "edina generalna direktorica" ali "edina 92-letnica v podjetju s 35 ljudmi", izdajo osebo, tudi če izbrišete ime; Te so tudi posplošene.
trije mini kovčki
Primer 1 – Uhajanje iz plačilne liste. Pripravnik naloži plačilno listo 3500 ljudi (ime, osebna izkaznica, plača) na brezplačno spletno orodje in reče "povzemi". Obstaja tveganje, da se podatki pomešajo v skladišče vozila; Prihaja do kršitev zaupnosti tako KVKK kot VUK. Če stranka to izve, je konec. Pravi način je bil, da uporabite vozilo, ki ga odobri podjetje, ali da razdelite plačo le tako, da zakrijete svoje ime/TR ID.
Primer 2 — posredna diagnoza. Svetovalec da modelu seznam, na katerem izbriše imena, vendar pusti besedno zvezo "edini tuji nacionalni menedžer podjetja." Ta izjava izda osebo stran; Anonimizacija manjka. Nauk: posplošiti je treba tudi edinstvene podrobnosti, ki zagotavljajo posredno diagnozo.
Primer 3 – Dobro ravnanje. Preden vnese občutljive podatke v model, gre pisarna skozi standardni korak anonimizacije: z uporabo predloge pretvori imena, ID-je in imena blagovnih znamk v kode, nato pa jih analizira. Kakovost analize se ne zmanjša, identiteta ne uhaja. Zasebnost in učinkovitost sta zaščiteni skupaj.
Šibek poziv/močan poziv
Šibek poziv:
Povzemite naslednje plačilne liste: [Ahmet Yılmaz, TC 123..., plača 45.000; ...]
Neobdelani osebni podatki nenadzorovano vstopajo v vozilo; Gre za neposredno kršitev.
Močan poziv:
Dal vam bom nabor podatkov. PRED obdelavo uporabite naslednjo anonimizacijo in mi pokažite tudi anonimizirano različico:- Naj bodo imena oseb K1, K2... - V celoti odstranite TR ID in številke računa.- Naj bodo imena podjetja/blagovne znamke T1, K2.... Posplošite edinstvene podrobnosti, ki bi lahko posredno identificirale osebo. Nato delajte samo na anonimni različici.[PODATKI (maskirani, kolikor je mogoče): ...]
Opomba: Najbolj varno je, da neobdelanih osebnih podatkov sploh ne vnesete; Če vstopate, morate biti zamaskirani in v varnem vozilu.
Za pomoč pri klasifikaciji podatkov:
Razvrstite vsako od naslednjih polj: ali gre za osebne podatke, ali je finančna skrivnost, ali je javno? Napišite priporočeno raven zaščite za vsako. Polja: [imena polj, vzorec VRNITEV]
Če želite ustvariti predlogo za anonimizacijo:
Izdelajte standardni anonimizacijski kontrolni seznam, ki bi ga uporabil pri analizi plačilne liste/poskusne bilance: katera polja je treba prikriti, katera izpustiti, kaj naj iščem za posredno diagnozo?
Za oceno varnosti vozila:
Katera vprašanja naj si zastavim, ko ocenjujem, ali je orodje AI primerno za občutljive podatke o davkoplačevalcih (hramba podatkov, uporaba v izobraževanju, podjetniška pogodba, lokacija)? Ustvarite kontrolni seznam.
Pogoste napake
- Vnos neobdelanih osebnih podatkov. Nikoli ne vstopajte v vozilo brez potrditve imena/TR ID.
- Preskok posredne diagnoze. Edinstvena podrobnost razkrije identiteto, tudi če je ime izbrisano.
- Ne sprašujem o varnosti vozil. Občutljivi podatki niso podani, ne da bi vedeli, kako jih orodje shranjuje.
- Brez dvoma o nujnosti. Če je nalogo mogoče opraviti z anonimnimi/zbirnimi podatki, neobdelani podatki sploh niso podani.
- Ne spremljanje. Če ni zabeleženo, kateri podatki so bili kje dani, kršitve ni mogoče izslediti.
Če povzamem
Podatki davkoplačevalcev so dvoslojno zaščiteni z obveznostmi zaupnosti KVKK in VUK, največje novo tveganje v dobi umetne inteligence pa je vstavljanje občutljivih podatkov v nenadzorovano orodje. Preden se podatki vnesejo v model, se klasificirajo, podvomi o njihovi nujnosti, identifikatorji, kot je ime/TR ID, se zamaskirajo in podrobnosti, ki zagotavljajo posredno diagnozo, se posplošijo; Če je mogoče, se uporablja samo varno korporativno orodje z zajamčeno hrambo podatkov. Kršitev zasebnosti je nepopravljiva škoda; Najbolj varni podatki so tisti, ki se nikoli ne vnesejo.
Aplikacijska naloga
V roko vzemite običajno občutljivo datoteko (npr. obračun plač ali poskusno stanje). Najprej razvrstite njihova področja (osebno/finančna skrivnost/javno). Nato uporabite predlogo za anonimiziranje: navedite, katera področja boste maskirali, katera boste odstranili in kaj boste iskali za posredno identifikacijo. Nazadnje s kontrolnim seznamom ocenite varnostno ustreznost orodja umetne inteligence, ki ga uporabljate/boste uporabljali.
kontrolni seznam
- [ ] Podatke sem označil kot osebno/finančno skrivnost/javnost.
- [ ] Spraševal sem se, ali je res potrebno zagotoviti neobdelane podatke.
- [ ] Zakril sem/odstranil ime, TR ID in številke računa.
- [ ] Posplošil sem edinstvene podrobnosti, ki zagotavljajo posredno diagnozo.
- [ ] Uporabljal sem samo varna/poslovna orodja z jamstvom za hrambo podatkov.
- [ ] Ocenil sem podatkovno politiko (shranjevanje, usposabljanje) orodja.
- [ ] Zapisal sem, katere podatke sem kam dal kot sled.