กำไร:
- ใช้การพิจารณาของ AI ในทุกขั้นตอนของวงจรชีวิตข้อมูล
- กำหนดระยะเวลาการเก็บรักษาและรวมประวัติแชท AI ไว้ในนโยบายการทำลาย
- การใช้ความแตกต่างระหว่างการไม่ระบุชื่อและการใช้นามแฝง
ส่วน “หลัง” ของข้อมูลคือส่วนที่เจ้าหน้าที่คุ้มครองข้อมูลมักมองข้าม เมื่อป้อนข้อความลงใน AI แล้ว ดูเหมือนว่างานจะเสร็จสิ้น อย่างไรก็ตาม ข้อมูลนั้นถูกเก็บไว้ที่ไหนสักแห่ง อาจใช้ในการฝึกโมเดล หรืออาจสะสมอยู่ในประวัติการแชทเป็นเวลาหลายเดือน ในหน่วยนี้ เราจะหารือเกี่ยวกับวงจรชีวิตของข้อมูลส่วนบุคคลทีละขั้นตอน เราจะเรียนรู้เกี่ยวกับระยะเวลาการเก็บรักษา การทำลายประวัติการแชทของ AI และการแยกความแตกต่างระหว่างเทคนิคที่สำคัญสองประการ — การไม่เปิดเผยชื่อและการใช้นามแฝง เป้าหมายคือการจัดการข้อมูลตลอดชีวิต ไม่ใช่แค่เมื่อป้อนข้อมูลเท่านั้น
วงจรชีวิตของข้อมูลและ AI
ข้อมูลส่วนบุคคลต้องผ่านวงจรชีวิต แต่ละด่านมีจุดสนใจเฉพาะของ AI
เวที
เกิดอะไรขึ้น?
จุดสนใจของ AI
คอลเลกชัน
ได้รับข้อมูลแล้ว
วัตถุประสงค์และพื้นฐานชัดเจนหรือไม่? มันถูกย่อให้เล็กสุดหรือไม่?
การใช้งาน/การประมวลผล
เข้าสู่ AI ประมวลผลแล้ว
ได้ทำการมาสก์แล้วหรือยัง? รถได้รับการอนุมัติ?
การจัดเก็บ
ข้อมูลจะถูกเก็บไว้
ประวัติการแชทจะอยู่ได้นานแค่ไหน?
โอน
ไปหาคนอื่น
เซิร์ฟเวอร์ระหว่างประเทศ? มีหลักประกันที่เหมาะสมหรือไม่?
การทำลายล้าง
การลบ/ไม่ระบุชื่อ
มันถูกลบหลังจากวัตถุประสงค์เสร็จสมบูรณ์หรือไม่? รวมอะไหล่ด้วยหรือเปล่า?
สองขั้นตอนที่ถูกละเลยมากที่สุดคือการจัดเก็บและการกำจัด ข้อมูลถูก "ลืม" และยังคงสะสมอยู่ในระบบ ซึ่งละเมิดหลักการของ KVKK และเพิ่มความเสียหายในกรณีที่มีการละเมิด
เวลาในการจัดเก็บ: คุณสามารถเก็บไว้ได้นานแค่ไหน?
หลักการเก็บรักษาของ KVKK นั้นชัดเจน: ข้อมูลส่วนบุคคลไม่สามารถเก็บไว้นานเกินความจำเป็นเพื่อวัตถุประสงค์ในการประมวลผลได้ เมื่อวัตถุประสงค์ไม่สามารถใช้งานได้อีกต่อไป ข้อมูลควรถูกลบ ทำลาย หรือไม่เปิดเผยชื่อ สถาบันจัดทำนโยบายการจัดเก็บและกำจัด กำหนดว่าจะเก็บข้อมูลแต่ละประเภทไว้มากน้อยเพียงใด
จุดวิกฤติเฉพาะสำหรับ AI: ประวัติการแชทของ AI จะถูกเก็บไว้เช่นกัน หากพนักงานป้อนข้อมูลลูกค้าในการแชทเดียวกันเป็นเวลาหลายเดือน ประวัตินั้นจะกลายเป็นที่เก็บข้อมูล สำหรับสิ่งนี้:
- กำหนดการตั้งค่าการเก็บรักษาข้อมูลในเครื่องมือ AI ขององค์กร (ลบประวัติอัตโนมัติหากเป็นไปได้ หรือปิดใช้ในการฝึกโมเดล)
- รวมประวัติการแชทไว้ในกำหนดการทำลายของคุณ
- ตรวจสอบให้แน่ใจว่าตัวเลือก "อย่าใช้ในการฝึกโมเดล" (เลือกไม่ใช้) ในสัญญาขององค์กร
ข้อควรสนใจ: การลบข้อมูลไม่ใช่แค่การลบออกจากหน้าจอเท่านั้น ควรพิจารณาการสำรองข้อมูล บันทึก และสำเนาบนเซิร์ฟเวอร์ของผู้ให้บริการด้วย เมื่อคุณพูดว่า "ลบแล้ว" ตรวจสอบให้แน่ใจว่าสิ่งที่คุณลบไปแล้วนั้นไม่สามารถเรียกคืนได้อย่างแท้จริง
การไม่เปิดเผยชื่อหรือนามแฝง?
คำสองคำนี้มักจะสับสน แต่ผลทางกฎหมายกลับขัดแย้งกัน
- การไม่เปิดเผยชื่อ: การสร้างข้อมูลเพื่อไม่ให้เชื่อมโยงกับบุคคลในทางใดทางหนึ่ง หากทำอย่างถูกต้อง ผลลัพธ์จะไม่เป็นข้อมูลส่วนบุคคลอีกต่อไปและอยู่นอกขอบเขตของ KVKK ตัวอย่าง: การลบแต่ละแถวในชุดข้อมูล 10,000 คน และเหลือเพียงสถิติรวม เช่น "การใช้จ่ายเฉลี่ยในกลุ่มอายุ 25-34 ปีในอิสตันบูล"
- การใช้นามแฝง: ข้อมูลประจำตัวจะถูกแทนที่ด้วยรหัส/แท็ก แต่สามารถส่งคืนให้กับบุคคลที่มี "กุญแจ" ได้ ตัวอย่าง: การเขียน "Customer-4471" แทน "Ahmet Yılmaz" แต่เก็บตารางไว้แสดงว่ารหัสใดเป็นของใคร นี่ยังคงเป็นข้อมูลส่วนบุคคลและอยู่ภายใต้ขอบเขตของ KVKK
คุณสมบัติ
การไม่เปิดเผยตัวตน
การใช้นามแฝง
บุคคลนั้นสามารถส่งคืนได้หรือไม่?
ไม่ใช่ (ถ้าทำอย่างถูกต้อง)
ใช่ด้วยกุญแจ
ยังคงเป็นข้อมูลส่วนบุคคลหรือไม่?
ไม่
ใช่
ขอบเขต KVKK
ภายนอก
ใน
เพื่อเข้าสู่ AI
วิธีที่ปลอดภัยที่สุด
จำเป็นต้องมีพื้นฐาน/กฎอีกครั้ง
เคล็ดลับ: "สามารถพลิกกลับได้หรือไม่" ก่อนที่จะป้อนข้อมูลเข้าสู่ AI ถาม. หากมีคีย์/การจับคู่อยู่ในนั้น ข้อมูลนั้นจะเป็นนามแฝงและยังคงเป็นข้อมูลส่วนบุคคล การลบข้อมูลระบุตัวตนที่แท้จริงคือการแชร์ผลลัพธ์แบบรวม ไม่ใช่แต่ละแถว
มินิเคสสามอัน
กรณีที่ 1 — การไม่เปิดเผยตัวตนปลอม บริษัทด้านการดูแลสุขภาพมอบชุดข้อมูลให้กับ AI โดยระบุว่ามี "ไม่ระบุชื่อ" เพื่อการวิเคราะห์ แต่ในชุดประกอบด้วยวันเดือนปีเกิด เขต และการวินิจฉัยที่หายาก ทั้งสามคนนี้อาจบ่งบอกถึงบุคคลเพียงคนเดียวในเขตเล็กๆ นี่ไม่ใช่การไม่เปิดเผยตัวตน ข้อมูลยังคงเป็นส่วนบุคคล วิธีที่ถูกต้อง: การแปลงวันเกิดเป็นช่วงอายุ สรุปตามเคาน์ตี การจัดกลุ่มการวินิจฉัยที่หายาก ซึ่งก็คือการรวมกลุ่มที่แท้จริง
กรณีที่ 2 — การสนทนากองพะเนินเทินทึก ในศูนย์บริการทางโทรศัพท์ เจ้าหน้าที่ 6 รายป้อนข้อมูลลูกค้าลงในบัญชี AI ขององค์กรเดียวกันเป็นเวลา 4 เดือน ไม่มีใครล้างอดีตได้ ในที่สุดก็มีการโต้ตอบกับลูกค้ามากกว่า 12,000 รายการสะสมไว้ในที่เดียว ในการตรวจสอบ การสะสมนี้ถือเป็นความเสี่ยงที่สำคัญ วิธีแก้ไข: การตั้งค่าให้ลบประวัติโดยอัตโนมัติทุกๆ 30 วัน กฎที่จะออกจากระบบเมื่องานเสร็จสิ้น และส่วนคำสั่งที่เปิดสำหรับนโยบายการเก็บรักษา
กรณีที่ 3 — การใช้นามแฝงที่ถูกต้อง เมื่อวิเคราะห์ประสิทธิภาพของพนักงานด้วย AI ทีมทรัพยากรบุคคลจะตั้งชื่อรหัสเช่น "พนักงาน-001" และเก็บตารางที่ตรงกันไว้ในไฟล์แยกต่างหากที่จำกัดการเข้าถึง นี่คือนามแฝง; ข้อมูลยังคงเป็นส่วนบุคคล แต่ความเสี่ยงลดลง ทีมงานทราบดีว่านี่ไม่ใช่การปิดบังการระบุชื่อ และจะกำหนดพื้นฐานทางกฎหมายและระยะเวลาการเก็บรักษาตามนั้น
เทมเพลตที่คัดลอกได้
เทมเพลต 1 — บรรทัดนโยบายการเก็บรักษาและการทำลาย: "เสนอบรรทัดนโยบายการเก็บรักษา-การทำลายล้างสำหรับหมวดหมู่ข้อมูลต่อไปนี้: [หมวดหมู่] ฟิลด์: ระยะเวลาการเก็บรักษา (เหมาะสมตามวัตถุประสงค์) วิธีการทำลาย (การลบ/การทำลาย/การทำให้ไม่ระบุชื่อ) ไม่ว่าจะรวมประวัติการแชทของ AI หรือไม่ บทบาทที่รับผิดชอบ เตือนหากมีภาระผูกพันในการเก็บรักษาตามกฎหมาย"
เทมเพลต 2 — การตรวจสอบการลบข้อมูลระบุตัวตน: "ประเมินว่าชุดข้อมูลต่อไปนี้ไม่มีการระบุชื่อจริงหรือไม่: [ช่องรายการ] การรวมกันของช่องใดที่สามารถทำให้บุคคลสามารถระบุตัวบุคคลได้ (เช่น วันเกิด + รหัสไปรษณีย์ + คุณลักษณะที่หายาก) แนะนำลักษณะทั่วไปสำหรับช่องความเสี่ยงแต่ละช่อง (เช่น ช่วงอายุ ระดับจังหวัด) เพื่อเสริมสร้างการไม่เปิดเผยตัวตน"
เทมเพลต 3 — การมาสก์ + ส่งคืนการแยกคีย์: "นามแฝงข้อความต่อไปนี้: เข้ารหัสข้อมูลส่วนบุคคล (เช่น [NAME]->K001) แต่ให้ตารางที่ตรงกันกับฉันแยกกัน ไม่ทิ้งตัวตนที่แท้จริงไว้ในข้อความ โปรดทราบว่าตารางที่ตรงกันคือ 'ข้อมูลส่วนบุคคล' และควรเก็บไว้แยกต่างหาก"
เทมเพลต 4 — การตรวจสอบการจัดเก็บข้อมูลเครื่องมือ AI: "เตรียมรายการคำถามเพื่อตรวจสอบพฤติกรรมการจัดเก็บข้อมูลของเครื่องมือ AI ที่เราใช้: ประวัติจะเก็บไว้นานเท่าใด สามารถลบได้หรือไม่ ใช้ในการฝึกอบรมโมเดล มีการเลือกไม่ใช้หรือไม่ ข้อมูลประมวลผลที่ไหน ข้อมูลสำรองคืออะไร เขียนคำตอบที่ 'ปลอดภัย' ที่คาดหวังให้กับคำถามแต่ละข้อ"
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
อ่อนแอ: "ไม่ระบุชื่อข้อมูลนี้" (รหัสและใบชื่อ)->แค่ชื่อเล่น; ความเสี่ยงในการระบุตัวตนซ้ำยังคงอยู่ เช่น วันเกิด ลักษณะที่หายาก มันสร้างภาพลวงตาของ "ผู้ไม่เปิดเผยตัวตน" GÜçLÜ: "ค้นหาชุดค่าผสมของช่องต่างๆ ในชุดนี้ที่สามารถระบุตัวบุคคลได้อีกครั้ง สรุปแต่ละช่อง (ช่วงอายุ ระดับจังหวัด) เป้าหมายของฉันไม่ใช่บันทึกเดียว แต่เป็นสถิติรวม ด้วยเหตุนี้จึงไม่มีใครสามารถแยกแยะเป็นบุคคลเดียวและยืนยันสิ่งนี้ได้" -> โมเดลมีแนวโน้มที่จะทำให้ไม่เปิดเผยตัวตนอย่างแท้จริง ซึ่งช่วยลดความเสี่ยงในการระบุตัวตนอีกครั้ง
ข้อผิดพลาดทั่วไป
- การใช้นามแฝงในทางที่ผิดสำหรับการไม่เปิดเผยชื่อ; โดยลืมไปว่ามันยังคงเป็นข้อมูลส่วนบุคคล
- การลบชื่อและทิ้งคำอธิบาย เช่น วันเกิด + สถานที่ + ลักษณะที่หายาก
- ไม่กำหนดประวัติการแชทของ AI ตามกฎการเก็บรักษา/การทำลาย สะสมอย่างไม่มีกำหนด
- ไม่รับรองเงื่อนไข "ห้ามใช้ในการฝึกโมเดล" (เลือกไม่รับ) ในสัญญา
- เมื่อฉันพูดว่าการลบ ฉันหมายถึงแค่ล้างหน้าจอและลืมเรื่องการสำรองข้อมูลและบันทึกไปได้เลย
- รักษาระยะเวลาการจัดเก็บให้นานขึ้นเพื่อ "เผื่อไว้" มากกว่าเพื่อจุดประสงค์
- โดยไม่สนใจว่าการถ่ายโอนและการจัดเก็บจะเกิดขึ้นบนเซิร์ฟเวอร์ของผู้ให้บริการด้วย
โดยสรุป
- ข้อมูลส่วนบุคคลต้องผ่านวงจรชีวิต ขั้นตอนที่ถูกละเลยมากที่สุดคือการจัดเก็บและการกำจัด
- ข้อมูลไม่สามารถถูกเก็บไว้นานเกินความจำเป็นเพื่อวัตถุประสงค์; สถาบันควรกำหนดนโยบายการจัดเก็บและทำลาย
- ประวัติการแชทของ AI ก็เป็นข้อมูลที่เก็บไว้เช่นกัน ควรรวมอยู่ในกำหนดการกำจัดและการตั้งค่าการจัดเก็บ
- การไม่ระบุชื่อจะนำข้อมูลออกจาก KVKK; การใช้นามแฝงยังคงทำให้ข้อมูลเป็นส่วนตัว
- การลบชื่อไม่ใช่การลบข้อมูลระบุตัวตน การรวมกันทั้งหมดที่มีความเสี่ยงต่อการระบุตัวตนซ้ำควรมีลักษณะทั่วไป
งานสมัคร
เลือกหมวดหมู่ข้อมูลที่องค์กรของคุณประมวลผลด้วย AI (เช่น บันทึกการสนับสนุนลูกค้า) เขียนบรรทัดนโยบายการเก็บรักษาและการทำลายสำหรับหมวดหมู่นี้: ระยะเวลาการเก็บรักษา (เหมาะสม) วิธีการทำลาย ประวัติการแชทของ AI รวมอยู่หรือไม่ และบทบาทที่รับผิดชอบ จากนั้นนำบันทึกตัวอย่างจากข้อมูลเดียวกันและตั้งชื่อเป็นนามแฝงก่อน (แยกตารางที่ตรงกันออกจากกัน) จากนั้นเขียนว่าฟิลด์ใดที่คุณจะสรุป และวิธีนำบันทึกนี้ไปสู่การเป็นนิรนามอย่างแท้จริง สุดท้าย เตรียมคำถามห้าข้อที่ควบคุมพฤติกรรมการจัดเก็บข้อมูลของเครื่องมือ AI ที่คุณใช้ และเพิ่มคำตอบที่ “ปลอดภัย” ที่คุณคาดหวังให้กับแต่ละคำถาม
รายการตรวจสอบ
- [ ] ฉันได้กำหนดระยะเวลาการเก็บรักษาและวิธีการทำลายสำหรับหมวดหมู่ข้อมูลแล้ว
- [ ] ฉันได้รวมประวัติการแชท AI ไว้ในตารางการทำลายล้างแล้ว
- [ ] ฉันทำเครื่องหมายที่รายการเลือกไม่ใช้ "ห้ามใช้ในการฝึกโมเดล"
- [ ] ฉันใช้ความแตกต่างระหว่างการใช้นามแฝงและการไม่เปิดเผยตัวตน
- [ ] ฉันมีการรวมฟิลด์ทั่วไปที่มีความเสี่ยงต่อการระบุตัวตนอีกครั้ง
- [ ] ฉันยังรวมข้อมูลสำรองและบันทึกไว้ในขอบเขตของการลบด้วย
- [ ] ฉันตรวจสอบพฤติกรรมการจัดเก็บข้อมูลของเครื่องมือ AI