Vitengo
1. Kuandika Tangazo la Kazi na Maelezo ya Nafasi 2. Uchunguzi wa CV, Muhtasari na Hatari ya Upendeleo 3. Maswali ya Mahojiano na Tathmini Muundo 4. Uzoefu wa Mgombea na Mawasiliano ya Kuajiri 5. Mwelekeo na Maudhui ya Kuingia 6. Mafunzo na Maendeleo (L&D) Uzalishaji Nyenzo 7. Maoni ya Utendaji na Rasimu za Tathmini 8. Sera ya Utumishi na Maandishi ya Mawasiliano ya Ndani 9. Tafiti za Wafanyakazi na Uchambuzi wa Maandishi Huru 10. KVKK, Faragha ya Data na Matumizi Salama ya AI 11. Utawala wa AI katika HR: Maadili, Mipaka na Uthibitishaji
Kitengo 10 / 11

KVKK, Faragha ya Data na Matumizi Salama ya AI

Faida:

  • Uwezo wa kutumia data ya mgombea na mfanyakazi kwa mujibu wa kanuni za KVKK (kikomo cha madhumuni, kupunguza data)
  • Uwezo wa kulinda data ya kibinafsi kupitia kuficha/kuficha utambulisho na uteuzi wa zana salama
  • Uwezo wa kusaidia ufichuzi, ridhaa na michakato ya kubakiza na AI kwa usindikaji wa data katika HR

CV za watahiniwa, alama za utendakazi, maelezo ya mishahara, maoni ya marejeleo, ripoti za matibabu, rekodi za nidhamu... HR ndiye mlinzi wa data nyeti zaidi ya kibinafsi katika kampuni. Kutumia zana za akili bandia (AI) na data hii hutoa ufanisi mkubwa; lakini pia inajenga wajibu mkubwa wa kisheria na kimaadili. Kubandika kwa urahisi CV zote za kundi la mgombea kwenye zana ya kubahatisha kunaweza kugeuka kuwa ukiukaji wa data ndani ya dakika. Katika kitengo hiki, tutajifunza jinsi ya kufanya matumizi ya AI katika utiifu wa HR, salama na yanayoweza kulindwa kwa mujibu wa KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi).

Masharti machache: Data ya kibinafsi ni taarifa yoyote kuhusu mtu wa asili anayetambuliwa au anayeweza kutambulika (jina, kitambulisho, barua pepe, hata maandishi ya kipekee ya CV). Data ya ubora maalum (nyeti) ni data iliyolindwa zaidi kama vile afya, dini, maisha ya ngono, hatia ya uhalifu, uanachama wa muungano. Kidhibiti cha data ni taasisi (kampuni yako) ambayo huamua madhumuni ya kuchakata data. Kuficha utambulisho kunamaanisha kutengeneza data ili isiweze kuunganishwa tena na mtu kwa njia yoyote ile. Kuficha (kujitambulisha) ni kubadilisha vitambulisho na majina bandia (Mgombea 1, Mgombea 2); Ni dhaifu kuliko kutokutambulisha lakini inatosha kwa uchanganuzi mwingi.

Kanuni za Msingi za KVKK na Sawa yake katika HR

Kanuni za jumla za KVKK pia hufunga matumizi yako ya AI. Ili muamala uwe wa kisheria, lazima uzingatie kanuni hizi:

kanuni

Maana katika HR

Uhalali na uaminifu

Iwapo kuna msingi wa kisheria wa kuchakata (mkataba, maslahi halali, kibali cha wazi)

Ukomo wa kusudi

Tumia tu data kwa madhumuni ambayo ilikusanywa (usitumie data ya kuajiri katika uuzaji)

Kupunguza data

Data nyingi kadri kazi inavyohitaji; usitoe sana kwa mfano

usahihi

Hakikisha kuwa data ni ya kisasa na sahihi

kikomo cha kuhifadhi

Uhifadhi usio na kipimo; Kuharibu data haihitajiki tena

Usalama

Kuchakata data kwa kutumia ulinzi ufaao wa kiufundi na kiutawala

Tahadhari: Kubandika CV zote za kundi la mgombea kwenye zana ya jumla ya AI bila hakikisho la kuhifadhi data ya shirika ni hatari kubwa kwa KVKK. Data hiyo inaweza kuhifadhiwa na mtoaji wa mfano na hata kutumika katika mafunzo katika hali fulani za huduma. Zana za shirika/zilizoidhinishwa, makubaliano ya usindikaji wa data (DPA) na kutokutambulisha/kuficha inapowezekana ni muhimu unapofanya kazi na data ya kibinafsi.

Hatua za Matumizi Salama

  1. Chagua chombo. Chagua zana ambazo ni za shirika, uwe na makubaliano ya kuchakata data, na utoe chaguo la "kutumia data yangu katika elimu".
  2. Punguza data. Toa data ya chini inayohitajika kwa uchambuzi; ondoa ziada.
  3. Kinyago/ficha utambulisho. Badilisha jina, kitambulisho, anwani, tarehe kamili ya kuzaliwa kwa thamani ya jina la utani au safu.
  4. Punguza kusudi. Mchakato wa data kwa madhumuni ambayo ilikusanywa tu.
  5. Weka njia. Rekodi ni data gani ilichakatwa, kwa madhumuni gani, na kwa zana gani.
  6. Weka kibali cha kibinadamu. Acha mtu afanye uamuzi unaomuathiri mtu.

Funga data ya kibinafsi kabla ya kutathmini CV ifuatayo:- Tengeneza "Mtahiniwa" badala ya jina, tengeneza maelezo ya mawasiliano [REDACTED]- Tumia kiwango cha umri (k.m. 30-35) badala ya tarehe ya kuzaliwa- Jaza ikiwa jina la shule/kampuni linaweza kusababisha ubaguziKisha fanya muhtasari uliopangwa kulingana na vigezo vinavyohusiana na kazi pekee.

Mazoezi ya Kuficha Utambulisho na Mazoezi ya Kufunika

Uchambuzi mwingi wa HR unaweza kufanywa bila kutambua mtu binafsi. Mantiki ya uchambuzi haibadiliki, data ya kibinafsi haijafichuliwa:

Dhaifu (hatari): Kubandika data yenye jina halisi, kitambulisho, kitengo na mshahara kamili. Imara (salama): Watu wa nambari kama "Mtu 1/2/3", hutumia kiwango cha umri badala ya tarehe ya kuzaliwa, bendi (k.m. 40-50k) badala ya mshahara kamili. Tumia eneo badala ya eneo, mwezi/mwaka badala ya tarehe halisi.

AI pia husaidia katika uandishi wa hati za KVKK, kama vile maandishi ya ufafanuzi na muda wa kubaki - lakini tena, rasimu tu:

Jukumu lako: msaidizi wa faragha wa data. Kazi: Andika RASIMU ya maandishi ya habari ya mgombea kwa mchakato wa kuajiri. Maudhui: ni data gani itachakatwa, kwa madhumuni gani, kwa misingi gani ya kisheria, itahifadhiwa kwa muda gani, haki za mgombea ni zipi. Kanuni: Weka alama kwenye taarifa za kisheria kwa lebo ya [THIBITISHA KWA MTAALAM WA KVKK]; kipindi/kitu fulani DO NOT FEKI. Hii ni rasimu, sio maandishi ya mwisho.

Kesi Tatu Ndogo

Kesi ya 1 - Ukiukaji ulioepukwa kidogo. Msajili alikuwa karibu kubandika CV 60 kwenye akaunti yake ya gari la kibinafsi mara moja. Kiongozi wa timu akaingilia kati; Mchakato ulihamishwa hadi kwa zana ya shirika, iliyowezeshwa na DPA na CV zilifunikwa na kuchakatwa. Kwa hivyo, ufanisi wote ulihifadhiwa na hatari ya ukiukaji iwezekanavyo na faini ya utawala iliondolewa.

Kesi ya 2 - Ukiukaji wa kikomo cha kusudi. Kampuni moja baadaye ilitumia barua pepe za wagombea zilizokusanywa kwa ajili ya kuajiri katika kampeni ya uuzaji. Hii ilikuwa ni ukiukaji wa kanuni ya "kikomo cha kusudi" na ilikuwa mada ya malalamiko. Baada ya tukio hilo, HR alitekeleza sheria inayoweka bayana madhumuni ya kila seti ya data na kuzuia matumizi mabaya.

Kesi ya 3 - Kikomo cha kuhifadhi. Shirika lilihifadhi CV za wagombea ambao hawakuajiriwa kwa miaka. Data inayolingana, madhumuni na muda wa kuhifadhi na orodha inayoendeshwa na AI; Data iliyoisha muda wake ilijumuishwa katika mpango wa uharibifu. Kwa hivyo, kikomo cha hifadhi halali kilizingatiwa na hatari isiyo ya lazima ilipunguzwa.

Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu

Agizo dhaifu: Tathmini maelezo ya watahiniwa hawa. [jina halisi, Kitambulisho cha Kituruki, mshahara, CV kamili]

Matokeo: data nyeti ya kibinafsi inachakatwa kwa njia isiyo salama; Hatari ya ukiukaji wa KVKK na uvujaji wa data.

Kidokezo chenye nguvu: [data iliyofichwa (Mtahiniwa 1/2, kiwango cha umri, safu ya mshahara) + kikomo cha lengo + "vigezo vinavyohusiana na kazi pekee" + zana ya shirika/iliyoidhinishwa + ukadiriaji wa idhini ya binadamu]

Matokeo: nguvu sawa ya uchambuzi, bila kufunua data ya kibinafsi; mchakato unaoweza kutetewa na wa kisheria.

Kidokezo: Kabla ya kutoa data kwa AI, jaribu hili: "Je, faragha ya mtu inaweza kudhuriwa ikiwa picha hii ya skrini ingevuja?" Ikiwa jibu ni "ndiyo", ama hufunika data hiyo au usiipe kabisa. Ikiwa una shaka, amua kupunguza data.

Makosa ya kawaida

  • Kutoa data ghafi ya kibinafsi kwa zana isiyolindwa. Magari yanayotumiwa katika mafunzo bila DPA ni hatari.
  • Kuruka masking. Jina/TC/tarehe kamili haihitajiki katika uchanganuzi mwingi; ondoa.
  • Matumizi mabaya. Usitumie data ya kuajiri kwa madhumuni mengine yoyote, kama vile uuzaji.
  • Hifadhi isiyo na kikomo. Weka data ambayo madhumuni yake hayako tena kwenye mpango wa uharibifu.
  • Kupunguza data nyeti. Data ya afya/adhabu/dini inalindwa zaidi; Epuka kujihusisha na AI.
  • Usiache kufuatilia. Ikiwa hutarekodi unachofanya na data gani, huwezi kukaguliwa.

Kwa muhtasari

  • Data ya kibinafsi katika HR (CV, utendaji, mshahara, afya) iko ndani ya upeo wa KVKK; Matumizi ya AI pia yanategemea kanuni hizi.
  • Chagua zana za shirika/zilizoidhinishwa ambazo zina DPA na hazitumii data yako katika mafunzo; Usibandike data mbichi kwenye zana za jumla.
  • Ukomo wa madhumuni na kupunguza data: kuchakata data muhimu tu kwa madhumuni ambayo ilikusanywa.
  • Kuficha uso na kutokutambulisha hufanya uchanganuzi mwingi kuwa salama; Tumia lakabu na safu badala ya jina/TC/tarehe kamili.
  • AI hutoa rasimu katika ufichuzi, ridhaa na hati za kuhifadhi; Kuwa na maelezo ya kisheria kuthibitishwa na mtaalam wa KVKK na kuacha uamuzi unaoathiri mtu kwa mtu.

Jukumu la maombi

Chukua CV au rekodi ya mfanyakazi unayo (au ya kubuni). Kwanza orodhesha sehemu za data za kibinafsi ndani yake na uulize "hii inahitajika kwa uchambuzi?" kwa kila mmoja. Jibu swali. Unda toleo salama kwa kuondoa zisizo za lazima na kuficha muhimu (Mgombea, anuwai ya umri, bendi ya mshahara). Acha AI itoe muhtasari unaohusiana na kazi na data hii iliyofichwa pekee. Pia uwe na prospectus fupi ya mgombea iliyoandikwa na uweke alama kwenye taarifa za kisheria kama "zinazopaswa kuthibitishwa."

orodha ya ukaguzi

  • [ ] Je, zana inayotumika ni ya shirika/imeidhinishwa na imeidhinishwa na DPA?
  • [ ] Je, data imepunguzwa (sehemu zinazohitajika pekee)?
  • [ ] Je, vitambulishi kama vile jina/kitambulisho/tarehe kamili vimefunikwa?
  • [ ] Je, data ya ubora maalum (afya, jinai, kidini) haijajumuishwa kwenye mchakato?
  • [ ] Je, data inatumika kwa madhumuni ambayo ilikusanywa pekee?
  • [ ] Je, muda wa kuhifadhi na mpango wa uharibifu umeamuliwa?
  • [ ] Je, uamuzi wa mwisho unaathiri mtu ndani ya mtu?
Iliyotangulia Inayofuata