KVKK, ప్రైవసీ అండ్ రెస్పాన్సిబుల్ పబ్లిక్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ గవర్నెన్స్

లాభాలు:

• AI సాధనాల్లో పౌరుల వ్యక్తిగత డేటాను ప్రాసెస్ చేస్తున్నప్పుడు ఇది KVKK సూత్రాలు మరియు డేటా కనిష్టీకరణను వర్తిస్తుంది.
• ఇది AI వినియోగ విధానం, ఆడిట్ ట్రయల్ మరియు బాధ్యతల గొలుసును కలిగి ఉన్న సంస్థ కోసం పాలనా ఫ్రేమ్‌వర్క్‌ను ఏర్పాటు చేస్తుంది.
• బాధ్యతాయుతమైన పబ్లిక్ AI అనేది మానవ పర్యవేక్షణ, పారదర్శకత మరియు జవాబుదారీతనంపై నిర్మించబడిందని ఇది సమగ్రంగా వాదిస్తుంది.

ఈ మాడ్యూల్ అంతటా, పౌరుల ప్రశ్నలకు ప్రతిస్పందన, పిటిషన్‌లు మరియు ఉత్తర ప్రత్యుత్తరాలు, శాసన పరిశోధన, విధాన విశ్లేషణ, రిపోర్టింగ్, డేటా ఆధారిత నిర్ణయం తీసుకోవడం, ఇ-ప్రభుత్వం మరియు పారదర్శకత: AI పబ్లిక్‌గా ఎలా శక్తివంతమైన యాక్సిలరేటర్‌గా ఉందో మేము చూశాము. ఇప్పుడు మేము అన్నింటినీ కలిపి ఉంచే ఫ్రేమ్‌వర్క్‌కి వచ్చాము: వ్యక్తిగత డేటా రక్షణ మరియు బాధ్యతాయుతమైన పాలన. పబ్లిక్, దాని స్వభావం ప్రకారం, పౌరుడి యొక్క అత్యంత సున్నితమైన డేటాను ప్రాసెస్ చేస్తుంది: గుర్తింపు, చిరునామా, ఆదాయం, ఆరోగ్యం, నేర చరిత్ర, కుటుంబ పరిస్థితి. AI సాధనాలతో ఈ డేటాను ప్రాసెస్ చేయడం KVKK (వ్యక్తిగత డేటా రక్షణ చట్టం నం. 6698; వ్యక్తిగత డేటా యొక్క చట్టబద్ధమైన, పరిమిత మరియు సురక్షిత ప్రాసెసింగ్‌ను నియంత్రించే చట్టం) ఫ్రేమ్‌వర్క్‌కు పూర్తిగా కట్టుబడి ఉండాలి. ఈ చివరి యూనిట్‌లో, మేము పబ్లిక్ AI వినియోగానికి గోప్యత మరియు పరిపాలన వెన్నెముకను ఏర్పరుస్తాము — ఏ డేటాను ఏ సాధనానికి అందించవచ్చు, ఏ విధానాలు వర్తిస్తాయి, ఎవరు బాధ్యత వహిస్తారు, సంస్థ AIని సురక్షితంగా ఎలా నిర్వహిస్తుంది. ఈ యూనిట్ మునుపటి పది యూనిట్లపై ఉంచిన పైకప్పు.

KVKK యొక్క ప్రాథమిక సూత్రాలు పబ్లిక్ AIని తాకడం

KVKK అనేక ప్రాథమిక సూత్రాలను నిర్దేశిస్తుంది, వీటిలో ప్రతి ఒక్కటి AI వినియోగాన్ని నేరుగా పరిమితం చేస్తుంది:

• చట్టంతో వర్తింపు మరియు ప్రయోజనానికి కట్టుబడి ఉండటం: వ్యక్తిగత డేటా నిర్దిష్ట, చట్టబద్ధమైన ప్రయోజనం కోసం మాత్రమే ప్రాసెస్ చేయబడుతుంది. ఒక ప్రయోజనం కోసం సేకరించిన డేటా (ఉదాహరణకు, సహాయం కోసం దరఖాస్తు చేయడం) అనుమతి లేకుండా మరొక ప్రయోజనం కోసం (ఉదాహరణకు, మోడల్ శిక్షణ) ఉపయోగించబడదు.
• డేటా కనిష్టీకరణ: ప్రయోజనం కోసం అవసరమైన దానికంటే ఎక్కువ డేటా ప్రాసెస్ చేయబడదు. వర్గ విశ్లేషణకు పేరు అవసరం లేకపోతే, పేరు ఇవ్వబడదు.
• భద్రత: అనధికారిక యాక్సెస్ నుండి డేటా రక్షించబడింది. పౌరుల డేటాను పబ్లిక్ AI సాధనంలో అతికించడం వలన ఆ డేటాను సంస్థ వెలుపలికి తీసుకెళ్తున్నారు - ఇది భద్రతా విధానాన్ని ఉల్లంఘించడమే.
• నిల్వ వ్యవధి: ప్రయోజనం ముగిసినప్పుడు డేటా తొలగించబడుతుంది; ఇది నిరవధికంగా ఉంచబడదు.
• సమాచారం మరియు హక్కులు: పౌరులకు వారి డేటా ఎలా ప్రాసెస్ చేయబడుతుందో, సరిదిద్దబడింది, తొలగించబడుతుంది మరియు స్వయంచాలక నిర్ణయాలను వ్యతిరేకించే హక్కు ఉంటుంది.

శ్రద్ధ: సంస్థ ఆమోదించని పబ్లిక్ AI సాధనానికి పౌరుడి డేటాను అప్‌లోడ్ చేయడం, డేటా ఎక్కడ నిల్వ చేయబడిందో మరియు ఎవరికి యాక్సెస్ ఉందో అస్పష్టంగా ఉంది, చాలా సందర్భాలలో KVKK ఉల్లంఘన మరియు సంస్థను ఆంక్షలకు తెరతీస్తుంది. "ఉద్యోగాన్ని సులభతరం చేయడానికి" నియమాలు ఎప్పుడూ వంగవు.

ఏ డేటా, ఏ వాహనానికి? మూడు-జోన్ మోడల్

నియమం ప్రకారం, డేటాను మూడు ప్రాంతాలుగా విభజించండి:

1. ఎరుపు (ప్రజా వాహనంలోకి ఎప్పుడూ ప్రవేశించదు): ID నంబర్, ఆరోగ్యం, నేరం, మతం, జాతి, బయోమెట్రిక్స్, పూర్తి చిరునామా, వ్యక్తిని గుర్తించే ఏదైనా. ఇవి సంస్థ ఆమోదించిన కాంట్రాక్ట్/ఇన్-హౌస్ మరియు KVKK కంప్లైంట్ వాతావరణంలో మాత్రమే ప్రాసెస్ చేయబడతాయి.
2. పసుపు (జాగ్రత్తగా, మాస్కింగ్ ద్వారా): వ్యక్తికి పరోక్షంగా లింక్ చేయగల డేటా. ముందుగా అనామకీకరించండి/మొత్తం చేసి, ఆపై ప్రాసెస్ చేయండి.
3. ఆకుపచ్చ (ఉచితం): వ్యక్తిత్వం లేని, పబ్లిక్, సాధారణ సమాచారం (శాసన వచనం, పబ్లిక్ గణాంకాలు, సాధారణ విధానం). మీరు వీటిని AIతో సులభంగా ప్రాసెస్ చేయవచ్చు.

చిట్కా: AIకి వచనం ఇచ్చే ముందు, 5-సెకన్ల పరీక్ష చేయండి: “ఈ కంటెంట్‌లో ఒక వ్యక్తిని గుర్తించగలిగే ఏదైనా ఉందా?” సమాధానం “అవును/బహుశా” అయితే, మాస్క్ అప్ చేయండి లేదా ఆమోదించబడిన వాహనాన్ని నడపండి. అనుమానం ఉంటే, ఎరుపు రంగును పరిగణించండి.

కార్పొరేట్ పాలన: వ్యక్తి నుండి వ్యవస్థకు

బాధ్యతాయుతమైన పబ్లిక్ AI వ్యక్తిగత పౌర సేవకుల మంచి సంకల్పానికి వదిలివేయబడదు; సంస్థాగత ఫ్రేమ్‌వర్క్ అవసరం:

• విధానం: సంస్థ తప్పనిసరిగా AI వినియోగ విధానాన్ని కలిగి ఉండాలి: ఏ సాధనాలు ఆమోదించబడ్డాయి, ఏ డేటాను నమోదు చేయవచ్చు, ఎవరు బాధ్యత వహిస్తారు.
• ఆమోదించబడిన సాధనాల జాబితా: సిబ్బంది యాదృచ్ఛికంగా కాకుండా సంస్థ మూల్యాంకనం చేసి ఆమోదించిన సాధనాలను ఉపయోగించాలి.
• శిక్షణ: సిబ్బంది తప్పనిసరిగా ధృవీకరణ క్రమశిక్షణ మరియు డేటా ప్రాంతాలు (ఈ మాడ్యూల్ వంటివి) తెలుసుకోవాలి.
• రికార్డింగ్ మరియు ఆడిటింగ్: AIతో రూపొందించబడిన నిర్ణయాల యొక్క ఆడిట్ ట్రయిల్ ఉంచబడాలి.
• జవాబుదారీతనం: ప్రతి AI-ఆధారిత అవుట్‌పుట్‌కు తప్పనిసరిగా మానవ యజమాని మరియు ఆమోదం ఉండాలి. బాధ్యత సంస్థ మరియు అధికారిపై ఉంది, వాహనం కాదు.
• మానవ-కేంద్రీకృత సూత్రం: మానవ సమ్మతి లేకుండా తుది హక్కులను సృష్టించే/నియంత్రించే నిర్ణయం తీసుకోబడదు.

మూడు చిన్న కేసులు

కేస్ 1 — రెడ్ డేటా లీక్ నిరోధించబడింది. ఒక సిబ్బంది 1,200 మంది వ్యక్తుల కోసం ఆరోగ్య ప్రయోజనాల జాబితా యొక్క సారాంశాన్ని పబ్లిక్ టూల్‌కు అప్‌లోడ్ చేయబోతున్నారు. ఏజెన్సీ ఆమోదించిన వాహన విధానం మరియు "రెడ్ డేటా" శిక్షణకు ధన్యవాదాలు, అది ఆగిపోయింది; డేటా అంతర్గతంగా ఆమోదించబడిన వాతావరణంలో మరియు గుర్తింపు ఫీల్డ్‌లు ముసుగుతో ప్రాసెస్ చేయబడింది. KVKK ఉల్లంఘన మరియు పదివేల మందికి విశ్వాసం కోల్పోవడం నిరోధించబడింది.

కేసు 2 - దుర్వినియోగం. ఒక యూనిట్ ముందస్తు ఎన్నికల కమ్యూనికేషన్ ప్లాన్ కోసం ఔట్ రీచ్ కోసం సేకరించిన డేటాను ఉపయోగించాలనుకుంది. డేటా రక్షణ అధికారి ఉద్దేశ్యానికి కట్టుబడి ఉండే సూత్రాన్ని గుర్తుచేసుకున్నారు: ఇది డేటాను సేకరించిన ప్రయోజనానికి వెలుపల ఉపయోగించడం మరియు చట్టవిరుద్ధం. అభ్యర్థన తిరస్కరించబడింది.

కేస్ 3 - పాలన అంతరం మూసివేయబడింది. ఒక మునిసిపాలిటీలో, వివిధ యూనిట్లు నియంత్రణ లేకుండా వివిధ AI సాధనాలను ఉపయోగిస్తున్నాయి; ఏ డేటా ఎక్కడికి వెళ్లిందో ఎవరికీ తెలియదు. ఏజెన్సీ AI వినియోగ విధానాన్ని ప్రవేశపెట్టింది, ఆమోదించబడిన వాహన జాబితా మరియు ఆడిట్ ట్రయల్; 3 నెలల్లో, నమోదుకాని వాహన వినియోగం 90% తగ్గింది మరియు డేటా ఇన్వెంటరీ సృష్టించబడింది.

నాలుగు కాపీ చేయగల టెంప్లేట్‌లు

1) డేటా ప్రాంత వర్గీకరణ (వాహనానికి ఎగుమతి చేయడానికి ముందు):

మీ పాత్ర: డేటా రక్షణ సలహాదారు. AI ఏజెంట్‌కి ఇచ్చే ముందు కింది కంటెంట్‌ను వర్గీకరించండి: RED (వ్యక్తిని గుర్తిస్తుంది, పబ్లిక్ వాహనంలోకి ఎప్పుడూ ప్రవేశించదు), పసుపు (పరోక్షంగా కనెక్ట్ చేయదగినది, ముసుగు), ఆకుపచ్చ (వ్యక్తిగతం కానిది, ఉచితం). ఎరుపు/పసుపు ప్రాంతాలను ఒక్కొక్కటిగా గుర్తించి, ఎలా మాస్క్ చేయాలో చెప్పండి. అనుమానితుడిని ఎరుపుగా లెక్కించండి. కంటెంట్: [టెక్స్ట్]

2) మాస్కింగ్/అనామకీకరణ:

కింది వచనాన్ని ప్రాసెస్ చేయడానికి ముందు మొత్తం వ్యక్తిగత డేటాను అజ్ఞాతీకరించండి: పేరు -> [PERSON-1], ID నంబర్ -> [IDENTITY], చిరునామా ->[ADDRESS], ఆరోగ్యం/పెనాల్టీ -> [సెన్సిటివ్]. అదే వ్యక్తిని ట్యాగ్ చేయండి. అనామక వచనాన్ని విడిగా ఎగుమతి చేయండి. అవుట్‌పుట్‌కు అసలు డేటాను ఎప్పుడూ వ్రాయవద్దు. టెక్స్ట్: [టెక్స్ట్]

3) KVKK సమ్మతి చెక్‌లిస్ట్ (AI ఉపయోగం కోసం):

మీ పాత్ర: KVKK సమ్మతి నిపుణుడు. కింది AI ఉపయోగం కోసం సమ్మతి చెక్‌లిస్ట్‌ను రూపొందించండి: (1) చట్టబద్ధమైన మరియు నిర్దిష్టమైన ప్రాసెసింగ్ యొక్క ఉద్దేశ్యం, (2) ఇది ప్రయోజనంతో అనుసంధానించబడిందా (ఇది మరొక ప్రయోజనానికి మారుతుందా), (3) ఇది ఆప్టిమైజ్ చేయబడిందా, (4) సురక్షితమైనది/ఆమోదించబడిన సాధనం, (5) నిలుపుదల కాలం ఖచ్చితంగా ఉంది, (6) పౌరుల హక్కులు (ఆక్షేపణ, తొలగింపు) రక్షించబడతాయి. తప్పిపోయిన అంశాలను ఎరుపు జెండాతో గుర్తించండి. USAGE: [రెసిపీ]

4) కార్పొరేట్ AI పాలసీ ఫ్రేమ్‌వర్క్:

మీ పాత్ర: పబ్లిక్ IT గవర్నెన్స్ నిపుణుడు. మా సంస్థ కోసం AI వినియోగ విధానం ఫ్రేమ్‌వర్క్‌ను రూపొందించండి: స్కోప్, ఆమోదించబడిన సాధనాలు, డేటా జోన్‌లు (ఎరుపు/పసుపు/ఆకుపచ్చ), నిషేధిత ఉపయోగాలు, మానవ ఆమోదం పాయింట్లు, ఆడిట్ ట్రయల్, బాధ్యతలు, శిక్షణ మరియు ఉల్లంఘన నోటిఫికేషన్. ప్రతి శీర్షికను 1-2 వాక్యాలతో పూరించండి. సంస్థ: [యూనిట్ మరియు సాధారణ ఉద్యోగాలు]

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనమైనది: "ఈ సూచనల జాబితాను సంగ్రహించండి."

బలమైనది: "మీ పాత్ర డేటా రక్షణ కన్సల్టెంట్. ముందుగా, ఈ జాబితాను డేటా ప్రాంతం (ఎరుపు/పసుపు/ఆకుపచ్చ) వారీగా వర్గీకరించండి మరియు వ్యక్తిని గుర్తించే అన్ని ఫీల్డ్‌లను గుర్తించండి. ఎరుపు/పసుపు ఫీల్డ్‌లను [PERSON]/[IDENTITY]/[SENSITIVE]తో మాస్క్ చేయండి, అదే వ్యక్తిని ఒకే లేబుల్‌తో ఉంచండి. అనామక డేటాతో కేటగిరీ సారాంశాన్ని మాత్రమే రూపొందించండి. ముగింపు, KVKK (ప్రయోజనం, నిల్వ, వాహన భద్రత) యాడ్ పరంగా ఈ ప్రక్రియకు ఎక్కడ శ్రద్ధ అవసరమో గమనించండి."

తేడా: శక్తివంతమైన ప్రాంప్ట్ డేటాను ప్రాసెస్ చేయడానికి ముందు KVKK సూత్రాలను వర్గీకరిస్తుంది, ముసుగులు, కనిష్టీకరించడం మరియు ఏకీకృతం చేస్తుంది.

డేటా ప్రాంతాలు మరియు నియమం

ప్రాంతం

ఉదాహరణ

పాలన

ఎరుపు

TR ID నంబర్, ఆరోగ్యం, జరిమానా, పూర్తి చిరునామా

పబ్లిక్ వాహనంలోకి ఎప్పుడూ ప్రవేశించవద్దు; ఆమోదించబడిన పర్యావరణం

పసుపు

వయస్సు+పరిసరం+వృత్తి, పరోక్ష గుర్తింపు

ముసుగు/మొత్తం, ఆపై ప్రాసెస్ చేయండి

ఆకుపచ్చ

శాసనం, ప్రజా గణాంకాలు, సాధారణ ప్రక్రియ

ఫ్రీలాన్స్ పని

సాధారణ తప్పులు

• పబ్లిక్ టూల్‌కి రెడ్ డేటాను ఎగుమతి చేస్తోంది. అత్యంత తీవ్రమైన ఉల్లంఘన; ID/ఆరోగ్యం/పెనాల్టీ డేటా ఆమోదించబడిన వాతావరణాన్ని వదిలివేయదు.
• దుర్వినియోగం. It is against the law to use data collected for one purpose for another purpose (model training, communication) without permission.
• చాలా ఎక్కువ డేటాను ప్రాసెస్ చేస్తోంది. ప్రయోజనం కోసం అనవసరమైన ఫీల్డ్‌లను (పేరు, చిరునామా) తరలించవద్దు; కనిష్టీకరించు.
• అనుమతి లేకుండా డ్రైవింగ్. సంస్థ మూల్యాంకనం చేయని వాహనాలలో డేటా ఎక్కడికి వెళుతుందో అస్పష్టంగా ఉంది.
• నిలుపుదల వ్యవధిని నిర్ణయించడం లేదు. Data should be deleted when the purpose is completed; నిరవధికంగా ఉంచకూడదు.
• వాహనంపై బాధ్యతను ఉంచడం. అవుట్‌పుట్ మానవుని స్వంతం మరియు ఆమోదించబడింది; "AI అది చేసింది" అనేది రక్షణ కాదు.

సారాంశంలో

బాధ్యతాయుతమైన పబ్లిక్ AI యొక్క ఫ్రేమ్‌వర్క్ వ్యక్తిగత డేటా రక్షణ మరియు కార్పొరేట్ పాలన. KVKK సూత్రాలు — ఉద్దేశ్యపూర్వకత, కనిష్టీకరణ, భద్రత, నిలుపుదల పరిమితి, పౌరుల హక్కులు — AI యొక్క ఏదైనా వినియోగాన్ని పరిమితం చేస్తాయి. డేటాను ఎరుపు/పసుపు/ఆకుపచ్చ జోన్‌లుగా విభజించండి, పబ్లిక్ టూల్‌కు ఎరుపు రంగును ఎప్పటికీ ఇవ్వకండి, వ్యక్తిగత డేటాను మాస్క్ చేయండి, ఆమోదించబడిన సాధనాలను మాత్రమే ఉపయోగించండి మరియు ప్రతి నిర్ణయానికి మానవ యజమానిని కనెక్ట్ చేయండి. సంస్థాగత స్థాయి విధానం, ఆమోదించబడిన వాహన జాబితా, శిక్షణ మరియు తనిఖీ రికార్డు; వ్యక్తి స్థాయిలో ధృవీకరణ యొక్క క్రమశిక్షణ. అందువలన, AI పౌరుల హక్కులను పరిరక్షించడం ద్వారా ప్రజలకు సేవ చేస్తుంది.

అప్లికేషన్ టాస్క్

మీ యూనిట్‌లో మీరు చేసిన (లేదా తయారు చేయాలని ఆలోచిస్తున్న) వాస్తవ AI వినియోగాన్ని ఎంచుకోండి. "డేటా రీజియన్ క్లాసిఫికేషన్" టెంప్లేట్‌తో మీరు ప్రాసెస్ చేసే కంటెంట్‌ను ఎరుపు/పసుపు/ఆకుపచ్చ రంగులోకి వేరు చేయండి. "KVKK సమ్మతి చెక్‌లిస్ట్" టెంప్లేట్‌ని వర్తింపజేయండి మరియు కనీసం ఒక తప్పిపోయిన/ప్రమాదకర పాయింట్‌ని కనుగొనండి. చివరగా, "కార్పొరేట్ AI పాలసీ అస్థిపంజరం"తో మీ యూనిట్‌కు సరిపోయే చిన్న పాలసీని రూపొందించండి.

చెక్లిస్ట్

• [ ] నేను కంటెంట్‌ను ఎరుపు/పసుపు/ఆకుపచ్చ జోన్‌గా విభజించాను; నేను అనుమానితుడిని ఎరుపుగా లెక్కించాను.
• [] నేను పబ్లిక్ టూల్‌కు రెడ్ డేటాను అందించలేదు; నేను ఆమోదించబడిన మీడియాను ఉపయోగించాను.
• [ ] నేను వ్యక్తిగత డేటాను ముసుగు చేసాను మరియు అనవసరమైన ఫీల్డ్‌లను తొలగించాను (కనిష్టీకరణ).
• [ ] నేను ప్రాసెసింగ్ యొక్క ఉద్దేశ్యం, నిల్వ వ్యవధి మరియు వాహన భద్రతను తనిఖీ చేసాను.
• [ ] నేను అభ్యంతరం/తొలగింపు యొక్క పౌరుల హక్కులను గమనించాను.
• [ ] నేను ప్రతి అవుట్‌పుట్‌కు మానవ యజమానిని మరియు ఆమోదాన్ని జోడించాను; నేను ఆడిట్ ట్రయిల్ ఉంచాను.

మాడ్యూల్ పరీక్ష

1. ప్రభుత్వ అధికారిగా, AIకి ఉద్యోగాన్ని అప్పగించే ముందు మీరు అడగవలసిన ఉత్తమ ప్రాధాన్యత ప్రశ్న ఏమిటి?

• ఎ) ఈ అవుట్‌పుట్ తప్పుగా ఉంటే పౌరుడు ఏమి కోల్పోతాడు? ✔
• బి) AI ఈ పనిని ఎంత వేగంగా చేయగలదు?
• సి) ఈ AI సాధనం ఉచితం?
• డి) మరో యూనిట్ కూడా ఈ అవుట్‌పుట్‌ని ఉపయోగిస్తుందా?

వివరణ: అవుట్‌పుట్ తప్పుగా ఉంటే పౌరుడికి కలిగే నష్టం ఆధారంగా బదిలీ నిర్ణయం తీసుకోబడుతుంది. కేవలం కొన్ని నిమిషాలు తిరిగి వ్రాయడం వలన నష్టం సులభంగా బదిలీ చేయబడుతుంది; ఇది అన్యాయమైన తిరస్కరణ, తప్పు పెనాల్టీ లేదా హక్కులను కోల్పోయినట్లయితే, AI మాత్రమే డ్రాఫ్ట్‌ను రూపొందిస్తుంది, నిర్ణయం మరియు ధృవీకరణ అధికారికి చెందినది.

2. AI ఉనికిలో లేని చట్టాన్ని లేదా కల్పిత కోర్టు నిర్ణయాన్ని వాస్తవమైనదిగా సమర్పించినప్పుడు దానిని ఏమంటారు?

• ఎ) కాషింగ్
• బి) ట్రయాజ్
• సి) అనామకీకరణ
• D) భ్రాంతి ✔

వివరణ: AI నమ్మకంగా ఉనికిలో లేని సమాచారాన్ని (కల్పిత పదార్థం, రద్దు చేయబడిన నియంత్రణ, తప్పు సంఖ్య) ఉత్పత్తి చేయడాన్ని భ్రాంతి అంటారు. శాసన రంగంలో, ఇది అత్యంత ప్రమాదకరమైన ప్రమాదాలలో ఒకటి, ఎందుకంటే ఇది హక్కులను కోల్పోవటానికి మరియు పరిపాలనా చర్య యొక్క రద్దుకు దారి తీస్తుంది.

3. YZ ద్వారా సూచించబడిన నియంత్రణ కథనం ఆధారంగా ఒక అధికారి దరఖాస్తును తిరస్కరించబోతున్నారు. అత్యంత సరైన ప్రవర్తన ఏది?

• ఎ) AI నేరుగా తిరస్కరణను వ్రాస్తుంది ఎందుకంటే ఇది నమ్మకంగా ఉంది
• బి) అదే ప్రశ్నను మరొక AI వాహనాన్ని అడగండి మరియు నిర్ధారణ పొందండి
• సి) Çözüm.gov.tr ✔లో ప్రస్తుత ఏకీకృత వచనం నుండి కథనాన్ని నిర్ధారిస్తుంది
• డి) మౌఖికంగా నిర్ణయాన్ని ఉన్నతాధికారిని అడుగుతాడు

వివరణ: AI యొక్క శిక్షణ డేటా నిర్దిష్ట తేదీలో స్తంభింపజేయబడుతుంది; ఇది చూపే కథనం రద్దు చేయబడి ఉండవచ్చు లేదా మార్చబడి ఉండవచ్చు. నిర్ణయానికి ముందు Çözüm.gov.trలో ప్రస్తుత కన్సాలిడేటెడ్ టెక్స్ట్ నుండి కథనం అమలులో ఉందని మరియు దాని తుది సంస్కరణను నిర్ధారిస్తే అన్యాయమైన తిరస్కరణ మరియు సాధ్యమయ్యే రద్దు దావాను నిరోధించవచ్చు.

4. పౌరుడు చాట్‌బాట్ 'నాకు తెలియదు, నేను మిమ్మల్ని ఒక అధికారికి బదిలీ చేస్తున్నాను' అని చెప్పగలగడానికి నాణ్యత హామీ ఎందుకు?

• ఎ) టర్నోవర్ రేటును పెంచడం ద్వారా గణాంకాలను మెరుగుపరుస్తుంది
• B) ఖచ్చితంగా తెలియనప్పుడు మానవులకు సమాచారాన్ని అప్పగించడం ద్వారా తప్పుడు సమాచారాన్ని నిరోధిస్తుంది ✔
• సి) పౌరుల దృష్టి మరల్చడం ద్వారా కాల్ సమయాన్ని పొడిగిస్తుంది
• D) తక్కువ ప్రశ్నలను స్వీకరించడానికి చాట్‌బాట్‌ను అనుమతిస్తుంది

వివరణ: బహిరంగంగా, నిజాయితీగా తీసుకోవడం కంటే నమ్మకంగా తప్పు సమాధానం చాలా ఖరీదైనది; ఇది హక్కులను కోల్పోతుంది మరియు సంస్థపై అపనమ్మకానికి దారితీస్తుంది. ఖచ్చితంగా తెలియనప్పుడు మానవునికి అప్పగించే చాట్‌బాట్ సామర్థ్యం భ్రాంతి కలిగించే తప్పుడు సమాచారాన్ని నిరోధించే భద్రతా విధానం.

5. AIతో అధికారిక కరస్పాండెన్స్‌ను 'సులభతరం చేసేటప్పుడు' పరిగణించవలసిన ముఖ్యమైన ప్రమాదం ఏమిటి?

• ఎ) వచనం చాలా చిన్నది
• బి) ఫాంట్ మార్చడం
• సి) షరతు లేదా మినహాయింపు ✔
• D) చిరునామాదారు పేరు యొక్క తప్పు స్పెల్లింగ్

వివరణ: శైలీకృత అనుసరణ కంటెంట్‌ను మార్చకూడదు. When simplifying, AI sometimes drops an exception, condition, or duration. అందువల్ల, సరళీకృత వచనాన్ని ఎల్లప్పుడూ అసలు నిర్ణయం లేదా చట్టంతో పోల్చాలి.

6. పేరు మరియు T.R. డేటా సెట్‌లో. ID నంబర్ తొలగించబడినప్పటికీ, 'ఇరుగుపొరుగు + పుట్టిన సంవత్సరం + వైకల్యం రకం' కలయిక ఒక వ్యక్తిని బహిర్గతం చేయగలిగినప్పుడు మీరు దానిని ఏమని పిలుస్తారు?

• ఎ) పునర్నిర్వచనం ✔
• బి) డేటా కనిష్టీకరణ
• సి) కవరేజ్ రేటు
• డి) ఏకీకరణ

వివరణ: అనామకంగా భావించే డేటా నుండి పరోక్ష ఐడెంటిఫైయర్‌ల కలయిక ద్వారా ఒక వ్యక్తిని గుర్తించడం అనేది మళ్లీ గుర్తింపు. If a rare category is found in a single person, deleting the name will not be enough; Additional measures are required, such as converting age to range and combining rare categories.

7. తనిఖీ మోడల్ గతంలో భారీగా తనిఖీ చేయబడిన పొరుగు ప్రాంతాన్ని 'ప్రమాదకరం'గా గుర్తించి, మరిన్ని తనిఖీలను అక్కడికి పంపినప్పుడు, ఆ పరిసరాలను మరింత ప్రమాదకరమైనదిగా చూడటానికి మోడల్‌ను నెట్టివేసినప్పుడు దాన్ని ఏమంటారు?

• ఎ) డేటా కనిష్టీకరణ
• బి) భ్రాంతి
• సి) అనామకీకరణ
• డి) ఫీడ్‌బ్యాక్ లూప్ ✔

వివరణ: ఫీడ్‌బ్యాక్ లూప్ అంటే మోడల్ అవుట్‌పుట్ తదుపరి శిక్షణ డేటాను ప్రభావితం చేస్తుంది, ఇది ఇప్పటికే ఉన్న పక్షపాతాన్ని బలపరుస్తుంది. వ్యత్యాసం అసలు ప్రమాదంలో కాదు, ఎక్కడ చూసినా పెరుగుతుంది. మిమ్మల్ని మీరు రక్షించుకోవడానికి మార్గం ఏమిటంటే, ప్రభావాన్ని పర్యవేక్షించడం, అవుట్‌పుట్ కాదు మరియు నిర్ణయాల సమూహం-ఆధారిత పంపిణీని నియంత్రించడం.

8. ప్రయోజనాల అప్లికేషన్ పూర్తిగా ఆన్‌లైన్‌లోకి మారిన తర్వాత, మొదటి నెలలో అప్లికేషన్‌ల సంఖ్య 30 శాతం పడిపోయింది. దీనికి అత్యంత సంభావ్య వివరణ ఏమిటి?

• ఎ) పౌరుల వాస్తవ అవసరాలు తగ్గాయి
• B) Citizens without internet and digital literacy were left out ✔
• సి) సహాయం మొత్తం తగ్గినందున వడ్డీ తగ్గింది
• డి) సిస్టమ్ అన్ని అప్లికేషన్‌లను స్వయంచాలకంగా ఆమోదించింది

వివరణ: డిజిటల్ విభజన అనేది ఇంటర్నెట్ సదుపాయం లేదా డిజిటల్ అక్షరాస్యత లేని పౌరులు సేవలను పొందడంలో అసమర్థత. అత్యంత అవసరమైన సమూహం, వృద్ధులు మరియు ఇంటర్నెట్ లేని పౌరులు దరఖాస్తు చేసుకోలేరు కాబట్టి సంఖ్య తగ్గుతుంది. సహాయక రిఫరల్ పాయింట్‌ల వంటి ప్రత్యామ్నాయ ఛానెల్‌లను వదిలివేయడం దీనికి పరిష్కారం.

9. వార్షిక నివేదికలో వాస్తవ విజయం రేటు 63 శాతం అయితే, YZ రూపొందించిన కార్యనిర్వాహక సారాంశం 'అత్యధిక సంఖ్యలో అప్లికేషన్‌లు సానుకూలంగా ఉన్నాయి.' సరైన ప్రవర్తన ఏమిటి?

• ఎ) ఎక్స్‌ప్రెషన్ పాజిటివ్‌గా ఉన్నందున అలాగే వదిలేశారు.
• బి) నిష్పత్తి తొలగించబడింది మరియు గుణాత్మక వ్యక్తీకరణ మాత్రమే ఉపయోగించబడుతుంది
• సి) వ్యక్తీకరణ వాస్తవ సంఖ్య 63 శాతం ✔తో భర్తీ చేయబడింది
• డి) నివేదిక నుండి సారాంశం పూర్తిగా తీసివేయబడింది

వివరణ: పబ్లిక్ రిపోర్ట్‌లోని అతిశయోక్తి సానుకూల అవగాహన, తదుపరి ఆడిట్‌లలో సంస్థను క్లిష్ట పరిస్థితిలో ఉంచుతుంది. కార్యనిర్వాహక సారాంశంలోని ప్రతి దావాను ముడి డేటాతో పోల్చాలి మరియు వాస్తవ సంఖ్య (63 శాతం) వ్రాయబడాలి; AI సారాంశాలు ఆడిట్ చేయబడకుండా నివేదికలో చేర్చబడలేదు.

10. పబ్లిక్ సెక్టార్‌లో డేటా ఆధారిత నిర్ణయాలు తీసుకునేటప్పుడు, 'నెలవారీగా మూసివేయబడిన ఫైల్‌ల సంఖ్య' పెరిగితే, 'ఫస్ట్ కాంటాక్ట్‌లో రిజల్యూషన్ రేటు' తగ్గితే, ఇది మొదట మనకు ఏమి నేర్పుతుంది?

• ఎ) సంఖ్యను గుణించడం కంటే సరైన సూచికను ఎంచుకోవడం చాలా ముఖ్యం ✔
• బి) సిబ్బంది సంఖ్యను పెంచాలి
• సి) గ్రాఫ్‌లు రంగులో ఉండాలి
• D) చాట్‌బాట్ మరిన్ని ప్రశ్నలకు సమాధానం ఇవ్వాలి

వివరణ: తప్పు సూచిక సరైన డేటాతో కూడా తప్పు నిర్ణయానికి దారి తీస్తుంది. ఫైల్‌లు త్వరగా మూసివేయబడవచ్చు మరియు మళ్లీ తెరవబడవచ్చు. సరైన సూచికను ఎంచుకోవడం మరియు సూచికలను కలిసి చదవడం తప్పుదోవ పట్టించే సంఖ్య ఆధారంగా గొప్పగా చెప్పుకోవడాన్ని నిరోధిస్తుంది.

11. చార్ట్‌లో, నిలువు అక్షం సున్నాకి బదులుగా 40తో మొదలవుతుంది మరియు 2 శాతం పెరుగుదల నాటకీయ జంప్ లాగా కనిపించడం ఏ సమస్యకు ఉదాహరణ?

• ఎ) భ్రాంతి
• బి) డేటా కనిష్టీకరణ
• సి) డిజిటల్ విభజన
• D) తప్పుదారి పట్టించే విజువలైజేషన్ ✔

వివరణ: తప్పుదారి పట్టించే విజువలైజేషన్ అనేది అక్షం సున్నా నుండి ప్రారంభం కాకపోవడం, అసమాన ప్రమాణం లేదా ఎంచుకున్న సమయ వ్యవధి వంటి పద్ధతుల ద్వారా అవగాహనను వక్రీకరించడం. ఇది పబ్లిక్ డేటాలో నిజాయితీగల దృశ్య పాలనలో భాగం; అక్షాన్ని సున్నాకి లాగడం ద్వారా నిజమైన పట్టిక చూపబడాలి.

12. పరిపాలనా చర్యకు సమర్థనగా 'AI రాసింది' అని చెప్పడం ఎందుకు ఆమోదయోగ్యం కాదు?

• ఎ) ఎందుకంటే AI సాధనాలు చాలా ఖరీదైనవి
• బి) అడ్మినిస్ట్రేటివ్ చర్య సమర్థించబడాలి మరియు బాధ్యత అధికారిపై ఉంటుంది ✔
• సి) ఎందుకంటే AIకి టర్కిష్ తెలియదు
• D) ఎందుకంటే పౌరులు AIని ఇష్టపడరు

వివరణ: అడ్మినిస్ట్రేటివ్ చర్య తప్పనిసరిగా హేతుబద్ధంగా మరియు ఆడిట్ చేయబడాలి; బాధ్యత AIకి కాదు, అవుట్‌పుట్‌ను ధృవీకరించకుండా ఉపయోగించే ప్రభుత్వ అధికారి మరియు సంస్థపై ఉంది. 'AI అలా చెప్పింది' అనేది సమర్థన కాదు మరియు పరిపాలనా చర్యను కొనసాగించదు.

13. ప్రైవేట్ రంగం నుండి ప్రభుత్వ రంగంలో AI వినియోగాన్ని వేరు చేసే నాలుగు సూత్రాలు ఏమిటి మరియు అదనంగా గమనించాలి?

• ఎ) వేగం, చౌక, లాభదాయకత, పోటీ
• బి) ఆటోమేషన్, స్కేల్, మార్కెటింగ్, బ్రాండ్
• సి) సమానత్వం, పారదర్శకత, జవాబుదారీతనం, వ్యక్తిగత డేటా రక్షణ ✔
• డి) గోప్యత, గోప్యత, గోప్యత మరియు గోప్యత

వివరణ: పబ్లిక్ పవర్ ఉపయోగించబడే పనులలో, AI సమానత్వం (ఇలాంటి పరిస్థితికి సమానమైన చికిత్స), పారదర్శకత (నిర్ణయం యొక్క సమర్థన యొక్క వివరణ), జవాబుదారీతనం (ప్రతి లావాదేవీ మరియు ఆడిట్ ట్రయిల్‌కు బాధ్యత వహించాలి) మరియు వ్యక్తిగత డేటా (KVKK) యొక్క రక్షణ సూత్రాల ద్వారా రూపొందించబడింది.

14. అరుదైన పత్రం రకం గురించి ఖచ్చితంగా తెలియనప్పుడు ఆటోమేటెడ్ ప్రీఫ్లైట్ సిస్టమ్ ఏమి చేయాలి?

• ఎ) దరఖాస్తును నిశ్శబ్దంగా తిరస్కరించడం
• బి) అప్లికేషన్‌ను మానవ సమీక్షకు ఫార్వార్డ్ చేయడం ✔
• సి) అప్లికేషన్‌ను స్వయంచాలకంగా ఆమోదించండి
• డి) అప్లికేషన్‌ను తొలగించండి

వివరణ: మంచి ఆటోమేషన్ మోడల్‌ను నిశబ్దంగా తిరస్కరించే బదులు ఖచ్చితంగా తెలియనప్పుడు దానిని అధికారికి నిర్దేశిస్తుంది. లేకపోతే, చట్టబద్ధమైన దరఖాస్తులు బ్లైండ్ స్పాట్‌లో పడతాయి మరియు బాధితులు అవుతారు. నిర్ణయాత్మక పాయింట్‌లో వ్యక్తులను ఉంచడం మినహాయింపు నిర్వహణ యొక్క ఆధారం.