Faida:
- Uwezo wa kuainisha na kutokutambulisha data ya mwanafunzi ndani ya mfumo wa KVKK na dhana maalum za data ya kibinafsi na kutumia uteuzi salama wa gari.
- Uwezo wa kurekebisha kanuni za maadili za kitaaluma za PDR (usiri, ukarimu, kutokuwa na wanaume, uhuru) kwa matumizi ya akili ya bandia.
- Uwezo wa kutambua upendeleo, kutojali kwa kitamaduni na udanganyifu katika pato la akili bandia na kuunda sera ya matumizi ya kimaadili.
Uaminifu ndio kiini cha taaluma ya PDR. Ikiwa mwanafunzi anaweza kumwambia mtaalamu hisia zake za ndani zaidi, familia na hofu, ni kwa sababu tu anaamini kwamba habari hiyo italindwa. Zana za kijasusi Bandia huleta jaribio jipya kubwa kwa uaminifu huu: data nyeti zaidi inaweza kwenda nje ya udhibiti katika sentensi. Katika kitengo hiki, tunajadili kwa utaratibu faragha, KVKK, maadili ya kitaaluma ya PDR na jinsi yanavyotumika kwa matumizi ya akili bandia. Tumetumia kanuni hizi kipande kwa kipande katika vitengo vilivyotangulia; Hapa tutaichanganya kwa ujumla na kuigeuza kuwa sera ya kudumu.
KVKK na aina za data: ni nini kinacholindwa zaidi
KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi) ni sheria inayodhibiti uchakataji halali wa data za watu. Dhana mbili ni muhimu hasa. Data ya kibinafsi ni habari yoyote inayomtambulisha au kumtambulisha mtu: jina, jina, nambari ya shule, darasa, anwani, picha. Data maalum ya kibinafsi ni aina ya data nyeti inayohitaji ulinzi wa juu zaidi: afya, hali ya akili, utambuzi, maisha ya ngono, dini, kabila, hali ya uhalifu. Rekodi nyingi za PDR zinaangukia katika kategoria hii ya pili, nyeti; kwa sababu hali ya akili, masuala ya familia na historia ya usaidizi ni data ya faragha moja kwa moja. Hii inamaanisha kuwa data ya PDR haipaswi kamwe kuingizwa katika hali yake mbichi kwenye zana za umma.
Kwa mazoezi, hii inatafsiriwa katika sheria tatu: (1) Kupunguza data - fanya kazi na kiwango kidogo zaidi cha data kinachohitajika kufanya kazi. (2) Kuficha utambulisho — hufanya data isiunganishwe na mtu binafsi kwa kuondoa taarifa zinazoweza kumtambulisha mtu binafsi. (3) Njia salama na mpaka wa madhumuni — tumia zana za biashara zinazolindwa na data inapowezekana na uchakata data kwa madhumuni ambayo ilikusanywa tu.
Angalizo: Haitoshi kusema "nilificha jina kwa njia fulani". Hata kama jina limeondolewa kwenye maandishi, maelezo ya kipekee ya hali (hali mahususi katika mwanafunzi mmoja katika shule ndogo) yanaweza kumfanya mtu huyo atambulike. Kwa kutokujulikana, fanya jumla sio jina tu bali pia maelezo ambayo kwa pamoja yanaonyesha mtu huyo.
Mazoezi ya kutotambulisha majina: utaratibu wa kudhibiti
Kabla ya kutuma maandishi kwa zana, fuata utaratibu huu: (a) Ondoa vitambulishi vya moja kwa moja kama vile jina, jina la ukoo, nambari, tawi la darasa, jina la mzazi, anwani, simu, jina la shule. (b) Jaza maelezo yasiyo ya moja kwa moja: "mwanafunzi wa shule ya kati" badala ya "mwanafunzi pekee aliye na matatizo ya kuona katika 12-B." (c) Tia ukungu tarehe na maelezo ya tukio inapohitajika. (d) Baada ya kusoma: "Je, yeyote anayesoma kifungu hiki anaweza kujua ni nani anayetajwa?" Ikiwa jibu ni wazi, fanya jumla zaidi. Rekodi iliyoidhinishwa imeandikwa tu kwa mfumo uliofungwa na salama wa taasisi; Zana ya AI iko nje ya mfumo huu.
Maadili ya kitaaluma ya PDR na AI
Maadili ya kitaaluma ya PDR yanatokana na kanuni nne za kimsingi, ambazo kila moja inatumika moja kwa moja kwa matumizi ya AI:
- Usiri (kutunza siri): Taarifa za wanafunzi zinalindwa. Kutoingiza data mbichi kwenye AI, kutoitambulisha na kuchagua zana salama ni hitaji la kanuni hii.
- Faida: Kila kitu kinachofanywa kinapaswa kuhudumia ustawi wa mwanafunzi. AI inatumika kwa urahisi, si kwa njia ambayo inaweza kuhatarisha manufaa ya mwanafunzi.
- Kutokuwa na ulemavu: Kipaumbele ni kutofanya madhara. Pato ambalo halijathibitishwa, takwimu zisizo sahihi, kuweka lebo, na matumizi ya AI katika shida ni hatari za madhara; kwa hivyo uthibitishaji na mpaka wa mgogoro ni sharti la kimaadili.
- Kujitegemea: Haki ya mwanafunzi kufanya uamuzi wake inalindwa. AI haipaswi kupunguza mwanafunzi kwa lebo au kufanya maamuzi kwa niaba yake.
Uwajibikaji unaongezwa kwa hili: Wajibu wa kila pato linalotumiwa ni la mtaalam; "AI iliizalisha" sio utetezi.
Upendeleo, usikivu wa kitamaduni na uwazi
AI inaweza kuonyesha mifumo ya kijamii katika data ya mafunzo. Katika PDR, hili ni suala la haki: matokeo ambayo yana fikra potofu kwa mwanafunzi kulingana na jinsia yao, tamaduni, au hali ya kijamii na kiuchumi hudhoofisha usawa wa fursa. Mtaalam hukagua yaliyomo kwa hisia za kitamaduni na upendeleo. Pia uwazi: inapofaa, inapaswa kuwekwa wazi ndani kwamba AI ilitumika katika utayarishaji wa nyenzo au rasimu; Haipaswi kutumiwa kama "uchawi" wa siri. Usiri ni muhimu katika uhusiano na mwanafunzi; Kile mwanafunzi anachoeleza hakibebi hadi kwenye gari.
Hatua kwa hatua: kuanzisha sera ya matumizi ya AI
- Kuainisha data. Tenganisha maelezo yote uliyo nayo kama "ya kibinafsi / ya faragha / ya umma".
- Chagua gari. Zana pekee iliyo salama, ya biashara kwa data nyeti; Fanya kazi bila kujulikana kwa muhtasari wa jumla.
- Fuata utaratibu wa kutokutambulisha. Endesha utaratibu wa kuangalia kabla ya kila ingizo.
- Uthibitishaji na ukaguzi wa upendeleo. Chunguza kila pato kwa ukweli na haki.
- Dumisha kikomo cha mgogoro. Weka mgogoro na uhusiano wa mashauriano nje ya gari.
- Chukua jukumu na uwe wazi. Idhini ya mwisho ni ya mtaalam; Matumizi yamefunguliwa ndani ya shirika.
Violezo vinavyoweza kunakiliwa
1) Udhibiti wa kutokutambulisha:
Jukumu lako: msaidizi wa ukaguzi wa faragha. Orodhesha kila kauli katika maandishi hapa chini ambayo inaweza kutambua moja kwa moja au MOJA KWA MOJA mtu (jina, nambari, darasa, shule, maelezo ya kipekee ya hali) na kupendekeza mbadala wa jumla zaidi kwa kila moja. Maudhui ya kutoa maoni.Nakala: [bandika maandishi]
2) Ukaguzi wa upendeleo na unyeti wa kitamaduni:
Angalia nyenzo zifuatazo za PDR kwa upendeleo na unyeti wa kitamaduni: Je, ina dhana potofu kuhusu jinsia, utamaduni, hali ya kijamii na kiuchumi, au muundo wa familia? Nani anaweza kuwatenga? Ripoti taarifa hatari na kupendekeza njia mbadala zinazojumuisha. Nyenzo: [bandika nyenzo]
3) Rasimu ya sera ya matumizi ya AI ya shirika:
Jukumu lako: Msaidizi wa uandishi wa PDR. Kwa huduma ya mwongozo, andika sera fupi ya ndani kuhusu matumizi ya zana za kijasusi bandia. Vichwa: ambayo kazi hutumiwa, ambayo kazi haitumiwi (mgogoro, utambuzi, mashauriano), sheria ya kutokujulikana kwa data, jukumu la uthibitishaji, jukumu linakaa na mtaalam. Mfupi na inatumika.
Mwongozo dhaifu / Mwongozo thabiti
Dhaifu:
Kwa muhtasari wa hali ya Ahmet Yılmaz 8-C, alikuwa akifanyiwa vurugu nyumbani.
Inaingia data nyeti zaidi (jina, darasa, hali maalum) ndani ya gari katika fomu yake ghafi - ukiukwaji mkubwa wa KVKK na maadili; Zaidi ya hayo, hii inaweza kuwa hali ya arifa (kitengo cha 9).
Nguvu:
Jukumu lako: msaidizi wa udhibiti wa faragha. Kumbuka: Nilificha maandishi yaliyo hapa chini kabla ya kuyawasilisha kwa zana. Walakini, angalia tena: kuna maelezo yoyote yaliyosalia ambayo humfanya mtu huyo atambulike? Maandishi: "Mwanafunzi wa shule ya sekondari alidokeza kwamba alikuwa akikabiliwa na mvutano nyumbani."
kesi tatu ndogo
Kesi 1 - Ufichuzi usio wa moja kwa moja. Mtaalamu alikuwa karibu kuingiza maandishi kwenye chombo ambacho alikuwa ameondoa jina; lakini alitambua kwamba maneno “mwanafunzi pekee wa shule anayetumia kiti cha magurudumu” yalimrejelea mtu huyo moja kwa moja. Aliyajumlisha haya kwa "mwanafunzi". Utengenezaji wa majina pekee haukutosha; Maelezo ya hali ya kipekee pia yalikuwa yanabainisha.
Kesi 2 - Marekebisho ya upendeleo. Mtaalam ambaye alikagua nyenzo za taaluma aligundua kuwa AI ilitumia kila wakati majina ya kiume katika mifano ya uhandisi na majina ya kike katika taaluma za utunzaji. Ilisawazisha sampuli na kuvunja ukungu. Sahihisho hili lililoonekana kuwa dogo lilihifadhi haki ya ujumbe uliotumwa kwa wanafunzi.
Kesi ya 3 - Kuanzisha sera. Huduma ya mwongozo iliunda maandishi ya kawaida ya sera ya ndani ili kuondoa mkanganyiko unaotokana na ukweli kwamba kila mtu anatumia AI kwa njia tofauti: ambayo kazi inatumiwa, sio wakati wa shida na utambuzi, data haijatambulishwa, matokeo yanathibitishwa, jukumu ni la mtaalam. AI ilitoa rasimu; Timu ilikamilisha maudhui kwa maadili yao wenyewe. Kutokuwa na uhakika kulitoa njia kwa mfumo wazi.
Makosa ya kawaida
- Inaingiza data ghafi. Kuandikia gari lenye jina/hali. Suluhisho: utaratibu wa kutokujulikana, zana salama.
- Kuondoa tu jina. Kusahau vitambulisho visivyo vya moja kwa moja. Suluhisho: fanya maelezo ya kipekee pia.
- Kupuuza upendeleo. Kupitisha matokeo yaliyozoeleka. Suluhisho: ukaguzi wa upendeleo na utamaduni.
- Kuweka jukumu kwenye gari. Ina maana "AI iliizalisha". Suluhisho: uwajibikaji uko kwa mtaalamu.
- Matumizi mabaya. Inachakata data iliyokusanywa kwa madhumuni moja kwa madhumuni mengine. Suluhisho: heshimu kikomo cha kusudi.
Jedwali: Aina ya data na sheria ya AI
Aina ya data
mfano
Utawala wa AI
umma
Utangulizi wa taaluma ya jumla
inapatikana bure
data ya kibinafsi
Jina, nambari, darasa
Haiwezi kuingizwa bila kutokujulikana
Data ya ubora maalum
Hali ya akili, familia, utambuzi
Kamwe haiwezi kuingizwa katika hali yake mbichi.
data ya mgogoro
Hatari, unyanyasaji, kujiua
Usiingie gari kamwe (kitengo cha 9)
Kwa muhtasari
Katika PDR, usiri ndio msingi wa uaminifu katika taaluma na kanuni iliyojaribiwa zaidi katika enzi ya AI. KVKK hutenganisha data katika data ya kibinafsi na ya kibinafsi; Data nyingi za PDR ni nyeti na hazijaingizwa kwenye zana katika hali yake mbichi. Kupunguza data, kutokutambulisha (kwa kutumia vitambulishi vya moja kwa moja na visivyo vya moja kwa moja) na uteuzi wa zana salama ndizo kanuni za msingi. Kanuni nne za maadili ya kitaaluma—usiri, ukarimu, kutokuwa na hatia, uhuru—zinalazimisha matumizi ya AI; Upendeleo unadhibitiwa, jukumu linabaki kwa mtaalamu, na matumizi ni wazi ndani ya shirika.
Jukumu la maombi
Rasimu "Sera ya Matumizi ya AI" kwa ajili ya huduma yako ya mwongozo. Pata mwanzo kwa kutumia kiolezo cha "rasimu ya sera ya matumizi ya Enterprise AI"; Kisha urekebishe kulingana na hali halisi ya taasisi yako mwenyewe. Pia pitisha maandishi (ya kubuni) kupitia kiolezo cha "kagua ya kutokutambulisha" na unase na ujumlishe angalau kitambulisho kimoja kisicho cha moja kwa moja.
orodha ya ukaguzi
- [ ] Nimeainisha data niliyo nayo kama ya kibinafsi / ya faragha / ya umma.
- [ ] Nina vitambulishi vya jumla vya moja kwa moja na visivyo vya moja kwa moja katika kutokutambulisha.
- [ ] Nilitumia zana salama/biashara kwa data nyeti.
- [ ] Niliangalia matokeo kwa upendeleo na unyeti wa kitamaduni.
- [ ] Nilikubali jukumu na kuweka matumizi kwa uwazi.