Faragha ya Data, Uteuzi Salama wa Zana na Kutokutambulisha

Faida:

• Kuficha utambulisho na tathmini ya umuhimu kabla ya kutoa data nyeti na ya kifedha ya mteja kwa zana za kijasusi bandia.
• Uwezo wa kutofautisha tofauti kati ya zana za shirika na za umma za AI katika faragha, uhifadhi wa data, na matumizi katika elimu.
• Uwezo wa kudhibiti uvunjaji wa data, muda wa kuhifadhi na hatari za kushiriki mtu wa tatu ndani ya mfumo wa KVKK

Bima ni mojawapo ya taaluma zinazofanya kazi na data nyeti zaidi. Faili ya bima; Inaweza kujumuisha maelezo ya utambulisho, anwani, mapato, akaunti ya benki, historia ya afya, rekodi za uharibifu, nambari ya simu, hati miliki na hata taarifa za familia. Baadhi ya data hii iko chini ya ulinzi wa juu zaidi kama "data ya kibinafsi ya asili maalum" katika KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi); Takwimu za afya, biometriska na sawa ni mifano ya kawaida ya hii. Ushiriki usiodhibitiwa wa data hii unapotumia zana za kijasusi bandia (hasa zile zinazotegemea wingu) ni hatari kubwa ya ukiukaji na kupoteza uaminifu. Baada ya kuvuja, data haiwezi kurejeshwa. Katika kitengo hiki, utajifunza jinsi ya kuficha utambulisho wa data ya mteja (kuondoa taarifa zinazoweza kumtambulisha mtu binafsi) kabla ya kuipa akili bandia, tofauti za faragha kati ya zana za shirika na za umma, na jinsi ya kudhibiti hatari za uvunjaji wa data, kuhifadhi na kushiriki na wengine ndani ya mfumo wa KVKK. Kitengo hiki si ushauri wa kisheria; Inafafanua kanuni za jumla, shauriana na idara ya kufuata/kisheria katika kesi mahususi.

Kwa nini faragha ni muhimu: aina za data

Katika bima, inahitajika kutenganisha data kulingana na kiwango cha ulinzi:

• Data ya kitambulisho: Jina, jina la ukoo, nambari ya kitambulisho cha TR, tarehe ya kuzaliwa, anwani. Inamtambulisha mtu huyo moja kwa moja.
• Data ya fedha: Mapato, akaunti ya benki, historia ya malipo. Binafsi na nyeti.
• Data ya ubora maalum: Afya, data ya kibayometriki. Ulinzi wa juu; Masharti magumu zaidi (ridhaa ya wazi au ubaguzi wa kisheria) inahitajika kwa usindikaji.
• Data ya faili: Nambari ya sera, sahani ya leseni, hati miliki, maelezo ya uharibifu. Inapounganishwa na wengine, inaweza kufichua utambulisho.

Hatari kubwa ni utambulisho unaotokea unapoleta data hii pamoja. Ingawa "mwanamke mwenye umri wa miaka 45" hajajulikana, "mwanamke mwenye umri wa miaka 45 + sahani fulani ya leseni + anwani fulani" inaweza kufichua utambulisho.

Makini: Kusema "futa" baada ya kutoa data kwa zana ya kijasusi bandia hakuifuti. Baadhi ya zana huhifadhi ingizo na hata kuzitumia kufunza modeli. Sheria: usitume data nyeti kamwe; Kuficha utambulisho huja kabla ya kutuma.

Anonymization: jinsi ya kufanya hivyo

Kuficha utambulisho ni kuondolewa kwa maelezo yanayotambulika na kubadilishwa na yale yanayolingana na ukweli; Lengo ni kumfanya mtu asitambulike huku akidumisha ubora wa pato. Utambulisho mzuri:

• Huondoa jina, kitambulisho cha TR, simu, anwani, nambari ya sera, nambari ya simu ya leseni na maelezo ya hati miliki.
• Anazibadilisha na neno lenye maana la kiuchambuzi: "umri wa miaka 45, mwanamume, sera ya bima, Anatolia ya Kati, mgongano wa upande mmoja".
• Inaepuka mchanganyiko wa nadra / tofauti: taaluma maalum sana + mahali padogo sana, ambayo peke yake inaweza kufungua utambulisho.
• Huhifadhi maana ya kimatibabu/kiufundi: kama vile "afya ya ziada, upasuaji wa mifupa uliopangwa".

Kidokezo: Baada ya kutokutaja, jiulize: "Ikiwa mgeni anasoma maandishi haya, anaweza kumpata mtu huyo?" Ikiwa jibu ni ndiyo, fanya jumla zaidi. Hasa mchanganyiko wa nadra (wilaya ndogo + tukio maalum) ni hatari.

Biashara dhidi ya zana za umma

Sio zana zote za AI zilizo na kiwango sawa cha faragha. Wanatofautiana katika vipimo vitatu:

1. Uhifadhi wa data: Je, huhifadhi ingizo na kwa muda gani?
2. Tumia katika mafunzo: Je, hutumia pembejeo kufunza modeli?
3. Mahali na mkataba: Data inachakatwa wapi, kuna makubaliano ya shirika ya kuchakata data?

Zana za taasisi (za kimkataba, uhakikisho wa usindikaji wa data) mara nyingi hutoa vikomo vya kutotumia na kuhifadhi data katika elimu. Zana za umma, zisizolipishwa zinaweza kuhifadhi ingizo na kuzitumia katika mafunzo. Sheria: data nyeti huchakatwa tu katika njia zilizoidhinishwa na taasisi, zilizo na kandarasi na kwa njia isiyojulikana iwezekanavyo. Kuingiza data ya mteja kwenye zana ambayo haijaidhinishwa hufanya kichakataji data kisisikike.

Hatua kwa hatua: Kufanya kazi kwa usalama na data ya siri

1. Kuainisha data. Utambulisho / fedha / ubora maalum / data ya faili.
2. Mtihani wa lazima. Je, data hii ni muhimu kwa kazi hii? Ikiwa sivyo, usitumie.
3. Usijulishe. Ondoa vitambulishi, badilisha sawa na ukweli, fanya michanganyiko adimu kwa jumla.
4. Chagua gari. Magari yaliyoidhinishwa na wakala pekee; Hakuna data nyeti inayopatikana kwa zana ya umma.
5. Fanya kazi na data ya chini. Shiriki maelezo ya chini zaidi yanayohitajika kwa kazi.
6. Dhibiti hifadhi na kushiriki. Unahifadhi wapi pato, unashiriki na nani; Zingatia muda wa kuhifadhi wa KVKK na sheria za wahusika wengine. Acha alama yako.

kesi tatu ndogo

Kesi ya 1 - Kulinda data nyeti. Mtaalamu wa madai alitaka kuuliza AI kuhusu faili tata ya bima ya afya. Badala ya kuandika jina, kitambulisho na utambuzi wa aliyewekewa bima, aliunda muktadha usiojulikana kama "umri wa miaka 52, mwanamke, sera ya afya ya ziada, upasuaji wa vali ya moyo uliopangwa, kiasi kinachobishaniwa". Ubora wa pato haujapungua; Data ya kibinafsi haikuenda kwenye wingu lolote. Data ya afya iko chini ya ulinzi wa juu zaidi; tabia hii ilizuia ukiukwaji.

Kesi ya 2 - Mtego wa mchanganyiko wa nadra. "Umri wa miaka 38, mwanamke, mfamasia pekee katika [kaunti ndogo sana], sera ya dhima ya kitaaluma," mtaalamu mmoja aliandika. Ingawa hii kitaalamu haikuwa na jina, ilifichua utambulisho wake moja kwa moja kwani alikuwa mfamasia pekee katika wilaya hiyo. Mtaalam huyo aligundua hili na akalitaja kwa ujumla kama "makazi madogo, taaluma ya afya". Kuficha jina sio tu kufuta jina, ni kuharibu utambuzi.

Kesi ya 3 - Uchaguzi wa zana usio sahihi. Kwa kasi, mfanyakazi angepakia uchanganuzi wa madai ya mteja kwenye zana isiyolipishwa ya umma. Sera ya timu inaanza kutumika: data ya mteja inachakatwa tu katika zana iliyoidhinishwa na taasisi, iliyo na kandarasi. Mfanyikazi kwanza alificha data hiyo na kisha kuiendesha kwenye zana iliyoidhinishwa. Iwapo chombo ambacho hakijaidhinishwa kingetumiwa, hatari ya kuhifadhi na matumizi ya data katika elimu haiwezi kudhibitiwa.

Vidokezo vinne vinavyoweza kunakiliwa

1) Msaidizi wa kutokutambulisha:

Ondoa data yote ya kibinafsi na ya utambuzi kutoka kwa maandishi yafuatayo: jina, jina la ukoo, kitambulisho, tarehe ya kuzaliwa, simu, anwani, nambari ya sera, nambari ya leseni, hati miliki, IBAN. Zibadilishe kwa kutumia neno linalolingana na ukweli lenye maana ya uchanganuzi (k.m. "umri wa miaka 45, mwanamume, sera ya bima, mgongano wa upande mmoja"). Kujumlisha michanganyiko adimu/tofauti (mahali padogo + kazi maalum). Dumisha maana ya kimatibabu/kiufundi. Maandishi: [bandika]

2) Uchunguzi wa utambuzi:

Angalia maandishi yafuatayo bila utambulisho ili kutambuliwa: [maandishi]Uliza: Je, mgeni anaweza kumpata mtu aliye na maandishi haya? Je, kuna mchanganyiko wa nadra (makazi madogo + taaluma/tukio maalum), tarehe au kiasi cha kipekee? Angazia kila nukta hatari na upendekeze jinsi ya kujumlisha kwa usalama zaidi.

3) Mahitaji ya data na uainishaji:

Ainisha na jaribu mahitaji ya data inayohitajika kwa kazi ifuatayo:Kazi: [maelezo] Data niliyo nayo: [orodha]Kwa kila data: aina (kitambulisho/fedha/maalum/faili), je inahitajika kwa kazi hii (ndiyo/hapana), ikihitajika, jinsi ya kuitumia bila kujulikana.Weka data isiyo ya lazima kama "usitumie".

4) Orodha ya uteuzi wa gari:

Unda orodha kabla ya kutumia zana ya AI iliyo na data ya bima. Jumuisha maswali: Je, gari limeidhinishwa na taasisi? Je, kuna makubaliano ya usindikaji wa data? Je, inahifadhi/inatumia pembejeo katika mafunzo? Data inachakatwa wapi? Je, ni aina gani ya data inafaa/haifai? Je, kutokujulikana kunatosha?

Mwongozo dhaifu / Mwongozo thabiti

Dhaifu: "Tathmini faili ya mteja Ahmet Yılmaz (TC 123..., ripoti ya matibabu imeambatishwa)."

Tatizo: Utambulisho na data nyeti (ya afya) hushirikiwa moja kwa moja; hatari kubwa ya ukiukaji wa KVKK.

Imara: "Zingatia muktadha ufuatao usiojulikana: umri wa miaka 52, mwanamke, sera ya afya ya ziada, upasuaji uliopangwa, kiasi ambacho kimepingwa. Hakuna maelezo ya kutambua."

Kwa nini ni nzuri: Maana ya uchanganuzi huhifadhiwa, utambulisho na data nyeti hazijafichuliwa.

chati ya kulinganisha

Aina ya data

Kiwango cha ulinzi

Tumia katika akili ya bandia

Jina/TC/mawasiliano

juu

Ondoa, weka sawa

Fedha (mapato/IBAN)

juu

Ondoa/jumlisha

Sifa za kiafya/maalum

ya juu zaidi

Kamwe mbichi; gari lisilojulikana + lililoidhinishwa

Nambari ya sera/sahani/hati miliki

kati-juu

Ondoa; peke yake ni hatari

Jumla/takwimu

chini

Inapatikana (ikiwa hakuna mawasiliano)

Makosa ya kawaida

• Inabandika data mbichi ya kibinafsi/afya. Ukiukaji wa mara kwa mara na mkali zaidi.
• Kufikiri kwamba kufuta jina tu inatosha. Mchanganyiko adimu bado unaweza kufichua utambulisho.
• Kutegemea kusema "futa baadaye." Chombo kinaweza kuwa kinahifadhi/kutumia data katika mafunzo.
• Uendeshaji usioidhinishwa / wa umma. Usindikaji wa data usiodhibitiwa.
• Haidhibiti uhifadhi na kushiriki. Hifadhi isiyo na kikomo ya pato, kushiriki bila kudhibitiwa na wahusika wengine.

Kwa muhtasari

Data ya bima ni nyeti sana; Data maalum kama vile afya iko chini ya ulinzi wa juu zaidi chini ya KVKK. Kuainisha, kupinga na kutokutambulisha data kabla ya kuipa AI: ondoa vitambulishi, anzisha visawashi vya ukweli, fanya michanganyiko adimu kwa jumla. Kuchakata data nyeti katika zana zilizoidhinishwa na taasisi, zilizo na kandarasi pekee na kwa kiwango cha chini zaidi. Dhibiti muda wa kuhifadhi na ushiriki wa wahusika wengine ndani ya mfumo wa KVKK na uache kufuatilia. Kushauriana na kufuata / kisheria katika kesi maalum; Data iliyovuja haiwezi kurejeshwa.

Jukumu la maombi

Pata maandishi ya uharibifu/rejeleo halisi (kwa madhumuni ya majaribio). Ondoa jina kwa kidokezo #1, kisha uangalie utambuzi kwa kidokezo #2: bado kuna michanganyiko adimu katika maandishi ambayo inaweza kumdhihirisha mtu huyo? Jaza kila hatari unayopata. Pia tathmini zana ya AI unayotumia na orodha ya 4: inafaa kwa data nyeti?

orodha ya ukaguzi

• [ ] Niliainisha data kulingana na aina zao.
• [ ] nilitumia jaribio la ulazima; Sikutumia data isiyo ya lazima.
• [ ] Niliondoa vitambulishi na kuiweka sawa na ukweli.
• [ ] Nilijumlisha michanganyiko adimu/tofauti.
• [ ] Nilifanya ukaguzi wa utambuzi.
• [ ] Nilitumia tu magari yaliyoidhinishwa na kampuni, na ya kandarasi.
• [ ] Nilisimamia hifadhi na kushiriki na wengine kwa mujibu wa KVKK; Niliacha alama.