Vinster:
- Möjlighet att klassificera skattebetalare och finansiella uppgifter inom ramen för KVKK och skatteförfarandelags sekretessplikt och bestämma skyddsnivån
- Möjlighet att tillämpa anonymisering, maskering och säkra/institutionella verktygsvalssteg innan data ges till artificiell intelligens
- Förmåga att få för vana att undvika oövervakad körning genom att känna till de juridiska, kriminella och professionella konsekvenserna av integritetskränkningar.
En professionell ser skattebetalarens mest intima information: omsättning, vinst, bankrörelser, anställdas löner, TR ID-nummer, kontrakt, partnerskapsstrukturer. Denna information skyddas av två separata juridiska skikt: KVKK (lagen om skydd av personuppgifter, lagen som förbjuder otillåten behandling av personuppgifter) och sekretessskyldigheten enligt skatteförfarandelagen (skyldigheten för yrkesutövaren att hålla den information som han/hon får ta del av på grund av sin plikt konfidentiell). I en tid av artificiell intelligens står detta skydd inför ett nytt hot: att sätta känsliga data i ett okontrollerat verktyg. Principen för denna enhet är singel: data skyddas innan den går in i AI; Inga känsliga uppgifter kommer in i det oövervakade fordonet.
Tvåskiktsskydd och varför det ska tas på allvar
- KVKK-lager: All information (namn, TR-ID, lön, kontakt) som tillhör verkliga personer är personuppgifter. Otillåten behandling, överföring och otillräckligt skydd kommer att resultera i administrativa böter och ersättning.
- VUK:s konfidentialitetslager: En professionell kan inte dela skattebetalarens ekonomiska hemligheter med tredje part. Kränkning medför både straffrättsliga och professionella (disciplinära) konsekvenser.
En provbalans eller lönelista som klistrats in i ett allmänt tillgängligt AI-verktyg kan betraktas som "överfört till en tredje part." Det är ofta oklart hur verktyget lagrar data och om det används i träning. Bara denna osäkerhet är risk nog.
Uppmärksamhet: Tanken att "ingen kommer att se det ändå" är inget juridiskt försvar. När data väl kommer in i ett okontrollerat system är det utom din kontroll. Ett integritetsintrång är farligt inte på grund av möjligheten att det inträffar, utan för att det är oåterkalleligt när det väl inträffar.
Innan du lämnar data till AI: skyddssteg
- Klassificera. Är uppgifterna du har personlig, ekonomisk hemlig eller offentlig? Bestäm skyddsnivån i enlighet med detta.
- Fråga nödvändigheten. Är det verkligen nödvändigt att ge denna data till modellen, eller kan uppgiften göras med anonyma/sammanfattande data?
- Anonymisera/maska. De heter K1, K2; företag Ş1, Ş2; Byt ut TR ID och kontonummer med en mask. Generalisera unika detaljer som ger indirekt diagnos.
- Välj ett säkert fordon. Om möjligt, använd ett företags/godkänt verktyg som garanterar datalagring.
- Håll spåret. Anteckna vilka uppgifter du gav till vilket verktyg och med vilket skydd.
Datatyp
exempel
bevarande tillvägagångssätt
identitetsuppgifter
Namn, TR ID
Maskera/anonymisera; ge aldrig rå
ekonomisk hemlighet
Omsättning, vinst, bank
Sammanfatta/anonymisera; företagsfordon
relationsdata
partner, leverantör
Generalisera; ta bort unika detaljer
offentliga
deklarerad balansräkning
kan behandlas normalt
Hur går anonymisering till i praktiken?
Anonymisering gör identiteten omöjlig att särskilja samtidigt som informationen är användbar. Till exempel kommer du att få en löneanalys analyserad: du sätter ett sekvensnummer istället för namn och TR-ID, analysen av lönefördelningen kommer inte att störas, men ingen kan identifieras. Den kritiska punkten är den indirekta diagnosen: uttryck som "den enda kvinnliga generaldirektören" eller "den enda 92-åringen i ett sällskap på 35 personer" ger bort personen även om man raderar namnet; Dessa är också generaliserade.
tre minifodral
Fall 1 — Löneläckage. En praktikant laddar upp en lönelista på 3 500 personer (namn, ID-kort, lön) till ett gratis webbverktyg och säger "sammanfatta". Data riskerar att blandas in i fordonets förråd; Både KVKK och VUK sekretessbrott förekommer. Får kunden reda på det är det över. Rätt sätt var att använda ett företagsgodkänt fordon eller att bara ge lönefördelningen genom att maskera ditt namn/TR-ID.
Fall 2 — Indirekt diagnos. En konsult ger modellen en lista där han raderar namnen, men lämnar frasen "företagets enda utlandschef". Detta uttalande ger bort personen; Anonymisering saknas. Lektion: unika detaljer som ger indirekt diagnos bör också generaliseras.
Fall 3 — Bra hantering. Innan känsliga data matas in till modellen går ett kontor igenom ett standardsteg för anonymisering: med hjälp av en mall konverterar det namn, ID och varumärken till koder och analyseras sedan. Kvaliteten på analysen minskar inte, ingen identitet läcker. Integritet och effektivitet skyddas tillsammans.
Svag prompt / Stark prompt
Svag uppmaning:
Sammanfatta följande lönelista: [Ahmet Yılmaz, TC 123..., lön 45 000; ...]
Råa personuppgifter kommer in i fordonet okontrollerat; Det är en direkt kränkning.
Kraftfull uppmaning:
Jag ska ge dig en datamängd. INNAN bearbetning, tillämpa följande anonymisering och visa mig den anonymiserade versionen också:- Gör personnamnen K1, K2... - Ta bort TR-ID och kontonummer helt.- Gör företaget/varumärkena T1, K2.... Generalisera de unika detaljerna som indirekt kan identifiera personen. Arbeta sedan endast på den anonyma versionen.[DATA (maskerade så mycket som möjligt): ...]
Obs: Det är säkrast att inte ange rå personlig data alls; Om du kommer in måste du vara maskerad och i ett säkert fordon.
För hjälp med dataklassificering:
Klassificera vart och ett av följande fält: är det personuppgifter, är det en ekonomisk hemlighet, är det offentligt? Skriv den rekommenderade skyddsnivån för varje. Fält: [fältnamn, exempel RETURN]
Så här genererar du en anonymiseringsmall:
Ta fram en standardchecklista för anonymisering som jag skulle använda i en löne-/provbalansanalys: vilka fält ska maskeras, vilka ska utelämnas, vad ska jag leta efter för indirekt diagnos?
För fordonssäkerhetsbedömning:
Vilka frågor ska jag ställa när jag utvärderar om ett AI-verktyg är lämpligt för känslig skattebetalardata (datalagring, användning inom utbildning, företagskontrakt, plats)? Skapa en checklista.
Vanliga misstag
- Mata in råa personuppgifter. Gå aldrig in i fordonet utan verifiering av namn/TR ID.
- Hoppa över indirekt diagnos. Den unika detaljen ger bort identiteten även om namnet raderas.
- Frågar inte om fordonssäkerhet. Känsliga data ges inte utan att veta hur verktyget lagrar data.
- Ifrågasätter inte nödvändigheten. Om uppgiften kan utföras med anonym/sammanfattande data ges inte rådata alls.
- Håller inte koll. Om det inte registreras vilka uppgifter som lämnats var kan överträdelsen inte spåras.
Sammanfattningsvis
Skattebetalarnas data skyddas i två lager av både KVKK och VUKs konfidentialitetskrav, och den största nya risken i artificiell intelligenss tidsålder är att fästa känsliga uppgifter i ett okontrollerat verktyg. Innan data läggs in i modellen klassificeras den, dess nödvändighet ifrågasätts, identifierare som namn/TR-ID maskeras och detaljer som ger indirekt diagnos generaliseras; Om möjligt används endast ett säkert, datalagringsgaranterat företagsverktyg. Ett integritetsintrång är en oåterkallelig skada; Den säkraste datan är data som aldrig matas in.
Applikationsuppgift
Ta en typisk känslig fil (t.ex. löne- eller provbalans) i din hand. Klassificera först deras områden (personlig/ekonomisk hemlighet/offentlig). Använd sedan en anonymiseringsmall: lista vilka områden du ska maskera, vilka du kommer att ta bort och vad du ska leta efter för indirekt identifiering. Slutligen, utvärdera säkerhetslämpligheten för det artificiella intelligensverktyg du använder/kommer att använda med en checklista.
checklista
- [ ] Jag har klassificerat uppgifterna som personlig/ekonomisk hemlighet/offentlig.
- [ ] Jag ifrågasatte om det verkligen var nödvändigt att tillhandahålla rådata.
- [ ] Jag maskerade/tog bort namn, TR ID och kontonummer.
- [ ] Jag har generaliserat unika detaljer som ger indirekt diagnos.
- [ ] Jag har bara använt säkra/företagsverktyg med datalagringsgarantier.
- [ ] Jag utvärderade datapolicyn (lagring, utbildning) för verktyget.
- [ ] Jag registrerade vilken data jag gav var som ett spår.