Usindikaji wa Data, Uhifadhi, Upunguzaji na Utambulisho

Faida:

• Tumia mambo ya AI katika kila hatua ya mzunguko wa maisha wa data
• Weka muda wa kubaki na ujumuishe historia za gumzo za AI katika sera ya uharibifu
• Kuweka tofauti kati ya kutokutambulisha na kuweka utambulisho bandia

Sehemu ya "baada ya" ya data ni pale afisa wa ulinzi wa data mara nyingi hupuuza. Mara maandishi yanapoingizwa kwenye AI, inaonekana kama kazi imekamilika; Walakini, data hiyo huhifadhiwa mahali pengine, labda inatumiwa katika mafunzo ya mfano, labda hujilimbikiza kwenye historia ya gumzo kwa miezi. Katika kitengo hiki, tutajadili mzunguko wa maisha wa data ya kibinafsi hatua kwa hatua; Tutajifunza kuhusu muda wa kuhifadhi, uharibifu wa historia za gumzo za AI, na kutofautisha kati ya mbinu mbili muhimu - kutokutambulisha na kuweka utambulisho. Lengo ni kudhibiti data katika maisha yake yote, sio tu inapoingizwa.

Mzunguko wa maisha wa data na AI

Data ya kibinafsi hupitia mzunguko wa maisha; Kila hatua ina vidokezo maalum vya AI.

Jukwaa

Nini kinatokea?

Sehemu ya umakini ya AI

mkusanyiko

Data hupatikana

Je, madhumuni na msingi uko wazi? Je, imepunguzwa?

Tumia/usindikaji

Imeingia kwenye AI, imechakatwa

Je, masking imefanywa? Gari iliyoidhinishwa?

hifadhi

Data imehifadhiwa

Je, historia ya soga huchukua muda gani?

uhamisho

huenda kwa mtu mwingine

Seva ya kimataifa? Je, kuna uhakikisho unaofaa?

Uharibifu

Kufuta/kutokutambulisha

Je, ilifutwa baada ya kusudi kukamilika? Je, vipuri vimejumuishwa?

Hatua mbili zilizopuuzwa zaidi ni uhifadhi na utupaji. Data "imesahauliwa" na inaendelea kujilimbikiza katika mfumo - ambayo inakiuka kanuni ya KVKK na huongeza uharibifu katika tukio la uvunjaji.

Wakati wa kuhifadhi: unaweza kuiweka kwa muda gani?

Kanuni ya uhifadhi wa KVKK ni wazi: data ya kibinafsi haiwezi kuwekwa kwa muda mrefu kuliko muhimu kwa madhumuni ambayo inachakatwa. Wakati madhumuni hayapatikani tena, data inapaswa kufutwa, kuharibiwa au kufichuliwa. Taasisi huandaa sera ya uhifadhi na utupaji; huamua ni kiasi gani cha kuhifadhi kwa kila aina ya data.

Jambo muhimu mahususi kwa AI: Historia ya gumzo ya AI pia ni data iliyohifadhiwa. Ikiwa mfanyakazi ameingiza data ya mteja kwenye gumzo sawa kwa miezi, historia hiyo inakuwa hifadhi ya data. Kwa hili:

• Sanidi mipangilio ya kuhifadhi data katika zana za AI za biashara (futa historia kiotomatiki ikiwezekana au zima matumizi katika mafunzo ya kielelezo).
• Jumuisha historia ya gumzo katika ratiba yako ya uharibifu.
• Hakikisha chaguo la "Usitumie katika mafunzo ya kielelezo" (chagua kutoka) katika mkataba wa shirika.

Tahadhari: Kufuta data sio tu kuiondoa kwenye skrini. Hifadhi rudufu, kumbukumbu, na nakala kwenye seva ya mtoa huduma zinapaswa pia kuzingatiwa. Unaposema "imefutwa", hakikisha kuwa ulichofuta hakiwezi kurejeshwa.

Kuficha utambulisho au uwongo?

Maneno haya mawili mara nyingi huchanganyikiwa, lakini matokeo yao ya kisheria yanapingwa kikamilifu.

• Kuficha utambulisho: Kutengeneza data ili isiweze kuhusishwa na mtu kwa njia yoyote. Ikiwa imefanywa kwa usahihi, matokeo sio data ya kibinafsi tena na iko nje ya upeo wa KVKK. Mfano: Kufuta safu mlalo mahususi katika seti ya data ya watu 10,000 na kuacha tu takwimu za jumla kama vile "Wastani wa matumizi katika kikundi cha umri wa miaka 25-34 huko Istanbul".
• Utambulisho wa Utambulisho: Taarifa ya utambulisho inabadilishwa na msimbo/lebo, lakini inaweza kurejeshwa kwa mtu kwa "ufunguo". Mfano: Kuandika "Customer-4471" badala ya "Ahmet Yılmaz", lakini kuweka jedwali linaloonyesha ni msimbo gani ni wa nani. Hii bado ni data ya kibinafsi na iko ndani ya wigo wa KVKK.

kipengele

Kutokutambulisha

Utambulisho wa majina bandia

Je, mtu huyo anaweza kurejeshwa?

Hapana (ikiwa imefanywa kwa usahihi)

Ndio, na ufunguo

Je, bado ni data ya kibinafsi?

hapana

Ndiyo

Upeo wa KVKK

nje

katika

Ili kuingia kwenye AI

Njia salama zaidi

Tena, msingi/sheria inahitajika

Kidokezo: "Je, inaweza kutenduliwa?" kabla ya kuingiza data kwenye AI. uliza. Ikiwa kuna ufunguo / mechi ndani yake, ni jina bandia na bado ni data ya kibinafsi. Kutokutambulisha kwa kweli ni kushiriki matokeo yaliyojumlishwa, si safu mlalo mahususi.

kesi tatu ndogo

Kesi ya 1 - kutokujulikana kwa uwongo. Kampuni ya huduma ya afya inatoa AI seti ya data ambayo inasema "haijajulikana" kwa uchambuzi. Lakini kuweka ni pamoja na tarehe ya kuzaliwa, kata, na utambuzi nadra; watatu hawa wanaweza kuonyesha mtu mmoja katika kaunti ndogo. Hii sio kutokujulikana; data bado ni ya kibinafsi. Njia sahihi: kubadilisha tarehe ya kuzaliwa kwa anuwai ya umri, kujumuisha kwa kaunti, kupanga utambuzi nadra - ambayo ni, mkusanyiko wa kweli.

Kesi ya 2 - Mazungumzo yanaongezeka. Katika kituo cha simu, maajenti 6 huingiza data ya mteja kwenye akaunti ile ile ya shirika ya AI kwa miezi 4. Hakuna anayefuta yaliyopita; hatimaye zaidi ya mwingiliano wa wateja 12,000 ulikusanyika katika sehemu moja. Katika ukaguzi, mkusanyiko huu unawekwa alama kama hatari kubwa. Suluhisho: kuweka kufuta historia kiotomatiki kila baada ya siku 30, sheria ya kuondoka kazi itakapokamilika, na kifungu kilichofunguliwa kwa sera ya kuhifadhi.

Kesi ya 3 - Utambulisho sahihi wa jina bandia. Wakati wa kuchanganua utendakazi wa mfanyakazi kwa kutumia AI, timu ya HR huweka misimbo ya majina kama vile "Mfanyakazi-001" na huweka jedwali linalolingana katika faili tofauti, yenye vikwazo vya ufikiaji. Huu ni utambulisho bandia; Data bado ni ya kibinafsi, lakini hatari imepunguzwa. Timu inafahamu kuwa huku si kuficha utambulisho wake na huamua msingi wake wa kisheria na muda wa kubaki ipasavyo.

Violezo vinavyoweza kunakiliwa

KIOESHO CHA 1 — Mstari wa sera ya uhifadhi na uharibifu: "Pendekeza mstari wa sera ya uhifadhi-uharibifu kwa aina ya data ifuatayo: [kitengo]. Nyuga: muda wa kuhifadhi (uliohalalishwa na kusudi), njia ya uharibifu (kufuta/uharibifu/kutokutambulisha), iwe historia ya gumzo la AI imejumuishwa, jukumu la kuwajibika. Kumbusha ikiwa kuna dhima ya kisheria ya kuhifadhi."

KIOLEZO CHA 2 — Angalia kama mkusanyiko wa data ufuatao haujulikani kwa hakika: [sehemu za orodha]. Ni michanganyiko gani ya sehemu zinazoweza kumfanya mtu atambulike upya (k.m. tarehe ya kuzaliwa + msimbo wa posta + kipengele adimu)? Pendekeza ujanibishaji wa kila sehemu ya hatari (kama vile safu ya umri, kiwango cha mkoa) ili kuimarisha kutokujulikana."

KIOLEZO CHA 3 — Kufunika + utenganisho wa ufunguo wa kurejesha: "Jina la uwongo la maandishi yafuatayo: simba data ya kibinafsi (kama [JINA] -> K001), lakini nipe jedwali linalolingana TOFAUTI. Usiache utambulisho halisi katika maandishi yenyewe. Kumbuka kuwa jedwali linalolingana ni 'data ya kibinafsi' na inapaswa kuhifadhiwa kando."

TEMPLATE 4 — Ukaguzi wa uhifadhi wa data wa zana ya AI: "Andaa orodha ya maswali ya kukagua tabia ya uhifadhi wa data ya chombo cha AI tunachotumia: historia inahifadhiwa kwa muda gani, inaweza kufutwa, inatumika katika mafunzo ya kielelezo, kuna kuchagua kutoka, data inachakatwa wapi, chelezo ni nini? Andika jibu 'salama' linalotarajiwa kwa kila swali."

Agizo dhaifu / Ukumbusho thabiti

DHAIFU: "Ondoa utambulisho wa data hii." (anatoa misimbo na kuacha majina)-> Majina ya utani tu; Hatari za utambuzi upya zinabaki, kama vile tarehe ya kuzaliwa, sifa adimu; Inajenga udanganyifu wa "bila majina". GÜÇLÜ: "Tafuta michanganyiko ya sehemu katika seti hii zinazoweza kumtambulisha mtu tena; fanya kila moja yao kwa ujumla (tofauti ya umri, kiwango cha mkoa). Lengo langu si rekodi moja, bali takwimu zilizojumlishwa. Kwa hivyo, hakuna mtu anayeweza kutofautishwa kama mtu mmoja na kuthibitisha hili." -> Muundo huo unaelekea kutokujulikana kwa kweli, na hivyo kupunguza hatari ya utambulisho upya.

Makosa ya kawaida

• Kukosea kwa utambulisho wa utambulisho; kusahau kuwa inabaki data ya kibinafsi.
• Inafuta majina na kuacha michanganyiko ya maelezo kama vile tarehe ya kuzaliwa + eneo + sifa adimu.
• Sio chini ya historia ya gumzo ya AI kwa sheria ya kuhifadhi/kuharibu; kujilimbikiza kwa muda usiojulikana.
• Kutokuhakikisha kifungu cha "Usitumie katika mafunzo ya kielelezo" (chagua kutoka) katika mkataba.
• Ninaposema kufuta, ninamaanisha kufuta skrini tu na usahau kuhusu chelezo na kumbukumbu.
• Kuweka muda wa kuhifadhi kwa muda mrefu kwa "ikiwa tu" badala ya kusudi.
• Kupuuza kwamba uhamisho na hifadhi pia hufanyika kwenye seva ya mtoa huduma.

Kwa muhtasari

• Data ya kibinafsi hupitia mzunguko wa maisha; Hatua zilizopuuzwa zaidi ni uhifadhi na utupaji.
• Data haiwezi kuhifadhiwa kwa muda mrefu kuliko inavyohitajika kwa madhumuni hayo; Taasisi inapaswa kuanzisha sera ya uhifadhi na uharibifu.
• Historia ya mazungumzo ya AI pia ni data iliyohifadhiwa; inapaswa kujumuishwa katika ratiba ya utupaji na mipangilio ya uhifadhi.
• Kutokutambulisha kunaondoa data kutoka kwa KVKK; Utambulisho wa utambulisho bado huacha data ya kibinafsi.
• Kufuta jina sio kutokujulikana; Michanganyiko yote iliyo katika hatari ya kutambuliwa upya inapaswa kuwa ya jumla.

Jukumu la maombi

Chagua aina ya data inayochakata shirika lako kwa kutumia AI (kwa mfano, rekodi za usaidizi kwa wateja). Andika mstari wa sera ya kuhifadhi na uharibifu wa aina hii: muda wa kubaki (uliohalalishwa), njia ya uharibifu, ikiwa historia ya gumzo ya AI imejumuishwa, na jukumu la kuwajibika. Kisha chukua sampuli ya rekodi kutoka kwa data sawa na kwanza uifanye bandia (weka jedwali linalolingana tofauti), kisha uandike ni sehemu zipi utakazofanya kwa ujumla na jinsi ya kuleta rekodi hii kwa kutokujulikana kwa kweli. Hatimaye, tayarisha maswali matano yanayodhibiti tabia ya kuhifadhi data ya zana ya AI unayotumia na uongeze jibu la "salama" unalotarajia kwa kila moja.

orodha ya ukaguzi

• [ ] Nimebainisha kipindi cha kubaki na mbinu ya uharibifu kwa kategoria ya data.
• [ ] Nimejumuisha historia ya gumzo ya AI kwenye ratiba ya uharibifu.
• [ ] Niliangalia kipengee cha kuchagua kutoka "Usitumie katika mafunzo ya mfano".
• [ ] Nilitekeleza tofauti kati ya utambulisho bandia na kutokutambulisha.
• [ ] Nina michanganyiko ya uga ya jumla ambayo iko katika hatari ya kutambuliwa upya.
• [ ] Pia nilijumuisha chelezo na kumbukumbu katika wigo wa kufuta.
• [ ] Nilikagua tabia ya kuhifadhi data ya zana ya AI.