Mga nadagdag:
- Pagsusuri ng impormasyon ayon sa pagiging sensitibo nito at pagkilala sa pagitan ng bukas na sasakyan at ng secure na sistema gamit ang reflex na 'magtanong sa klase, tumugma sa sasakyan'
- Ang pag-unawa sa minimum na data, seguridad at mga prinsipyo ng responsibilidad ng KVKK at makitang hindi sapat ang pagtanggal ng pangalan at ang konteksto ay pagkakakilanlan.
- Kakayahang magpatibay ng disiplina sa pagpili ng pinakaligtas na landas sa kaso ng pagdududa, pagprotekta sa sensitibong data sa pinakamataas na antas at malinaw na pag-uulat ng paglabag.
Ang sinasabi sa iyo ng isang kliyente—karahasan, karamdaman, kahirapan, pagkagumon, mga sikreto ng pamilya—ay ang pinakamarupok, pribadong impormasyon ng kanyang buhay. Ibinibigay niya ang impormasyong ito sa iyo bilang pagtitiwala sa pagiging kumpidensyal ng propesyonal. Ang tiwala na ito ay ang pundasyon na ginagawang posible para sa gawaing panlipunan na gumana; Kapag ito ay inalog, ang kliyente ay hindi magbubukas muli at ang serbisyo ay mawawala ang paggana nito. Ang pagpapanatili ng tiwala na ito sa edad ng artificial intelligence ay nagkaroon ng bagong dimensyon: ang pagpasok ng impormasyon ng isang kliyente sa maling tool ay hindi lang ngayon isang paglabag sa privacy, ngunit isa ring legal na pananagutan sa ilalim ng KVKK (Personal Data Protection Law) at maaaring humantong sa hindi maibabalik na pagtagas ng impormasyon. Sa unit na ito, matututunan mo kung paano protektahan ang data ng kliyente sa edad ng AI, ang pangunahing lohika ng KVKK, ang pagkakaiba sa pagitan ng mga bukas na sasakyan at ligtas na sasakyan, at isang praktikal na disiplina sa "data hygiene".
Ang pinakapangunahing tuntunin sa simula ay ang inuulit namin sa buong module na ito: Walang personal na data na nagpapakilala sa kliyente ang ilalagay sa isang pampublikong AI tool na hindi inaprubahan ng iyong institusyon. Ang isang pangungusap na ito ay ang kakanyahan ng lahat ng mga detalye sa ibaba.
Pagbubuod ng KVKK para sa social worker
Kinokontrol ng KVKK kung paano mapoproseso ang personal na data (anumang impormasyon na ginagawang partikular o nakikilala ang isang tao - pangalan, ID, address, telepono, ngunit pati na rin ang impormasyon tulad ng kalusugan, katayuan ng pamilya, rekord ng kriminal). Karamihan sa mga data na pinoproseso mo sa gawaing panlipunan ay sensitibong personal na data (data na ang pagtagas ay partikular na nakakapinsala, tulad ng kalusugan, sekswal na buhay, relihiyon, etnisidad, kriminal na paniniwala) at nangangailangan ng pinakamataas na proteksyon. Ang praktikal na kahulugan ng KVKK para sa iyo ay bumaba sa ilang mga prinsipyo:
- Limitasyon ng layunin at pinakamababang data: Tanging kasing dami ng data kung kinakailangan ang pinoproseso. Kapag nagpoproseso ng text sa AI, huwag maglagay ng anumang personal na detalye na hindi kinakailangan para sa trabaho.
- Seguridad: Ang data ay protektado laban sa hindi awtorisadong pag-access. Ang isang pampublikong AI tool ay hindi nagbibigay ng seguridad na ito.
- Pahintulot at transparency: Pagpapaalam sa kliyente tungkol sa kung paano pinoproseso ang data. Ang pagbibigay ng data ng isang kliyente sa isang hindi nakokontrol na panlabas na tool ay wala sa saklaw ng anumang pahintulot.
- Pananagutan: Kung may maganap na paglabag, ang responsibilidad ay nakasalalay sa organisasyong nagpoproseso ng data at ang taong nagpapasok ng data na iyon — "Gusto ito ng AI sa ganoong paraan" ay hindi isang depensa.
Babala: Ang pagtanggal ng mga pangalan ay kadalasang HINDI sapat na proteksyon. Kahit na ang isang pangalan ay hindi binanggit sa isang text, ang konteksto (kapitbahayan + edad + kaganapan + petsa + istraktura ng pamilya) ay maaaring gumawa ng isang tao na makikilala. Ang tunay na proteksyon ay ibinibigay hindi sa pamamagitan ng masking, ngunit sa pamamagitan ng pagpili ng tamang tool at kapaligiran.
Dalawang mundo: bukas na sasakyan kumpara sa secure na sistema
Paghiwalayin ang iyong paggamit ng AI sa dalawang malinaw na mundo:
1. Pampubliko/bukas na tool mundo. Maaari itong magamit para sa mga gawain na hindi nagpapakilala sa kliyente: pangkalahatang impormasyon na mga katanungan ("Paano magsulat ng isang SMART na layunin?"), pagsasanay na may kathang-isip/hindi kilalang mga halimbawa, pangkalahatang paliwanag ng batas, mga teksto ng programa na hindi tumuturo sa sinuman. Ang totoong data ng kliyente ay hindi kailanman ipinasok dito.
2. Ang mundo ng data ng kliyente. Anumang gawain na nagsasangkot ng impormasyon ng tunay na kliyente — pagtatala, ulat, tala sa panganib, referral — ay ginagawa lamang sa mga secure na system na inaprubahan ng iyong institusyon, kung saan ang data ay hindi tumagas. Kung walang ganoong sistema, ang gawaing iyon ay ginagawa nang walang AI, na may tradisyonal na ligtas na pamamaraan.
Ang nakakalito sa dalawa — pagbibigay ng totoong data ng kliyente sa bukas na tool — ay ang pinaka-mapanganib at karaniwang pagkakamali ng modyul na ito.
Hakbang-hakbang: disiplina sa kalinisan ng data
- Magtanong tungkol sa klase. Magtanong bago ang bawat trabaho: "Inilalarawan ba ng tekstong ito ang kliyente?" Kung oo, secure na sistema; Kung hindi, maaaring gamitin ang bukas na sasakyan.
- I-minimize. Limitahan ang data na ipinasok sa minimum na kinakailangan ng trabaho, kahit na talagang kailangan ito ng trabaho.
- Disidentify (at alamin ang iyong mga limitasyon). Alisin ang mga identifier kung kinakailangan; ngunit tandaan na ang konteksto ay maaari ring magbigay ng pagkakakilanlan.
- Gumamit ng aprubadong tool. Alamin kung aling sasakyan ang inaprubahan ng institusyon para sa kung aling data at hindi lumihis dito.
- Kung hindi ka sigurado, kumilos bilang isang upperclassman. Kung hindi ka sigurado kung sensitibo ang isang data o hindi, piliin ang pinakaprotektadong landas.
- Iulat ang paglabag. Kung may leak o error, itago ito; Mag-ulat ayon sa pamamaraan ng institusyon. Ang maagang interbensyon ay binabawasan ang pinsala.
tatlong mini case
Case 1 — Ang konteksto ay nagbigay ng pagkakakilanlan. Nagsumite ang isang eksperto ng buod ng kaso sa bukas na tool, na nagsasabing "Binura ko ang mga pangalan, ligtas na ito ngayon." Walang pangalan sa text, ngunit mayroong pariralang "Isang babaeng may kapansanan sa paningin sa X neighborhood, na may 3 anak, na ang asawa ay nasa kulungan." Mayroon lamang isang tao sa kapitbahayan na iyon na akma sa paglalarawang iyon - ang pagkakakilanlan ay halos malinaw. Napansin ito ng senior expert; Ang trabaho ay inilipat sa secure na sistema. Aralin: ang konteksto ay personal na data din.
Kaso 2 — Ang minimum na patakaran sa data ay gumana. Kailangan lang ng isang eksperto na gawing simple ang isang pangungusap. Sa halip na ibigay ang buong file sa tool, ibinigay lang niya ang isang pangungusap na walang personal na detalye. Tapos na ang trabaho, walang lumabas na sensitibong data. Ang minimum na patakaran sa data ay parehong ligtas at sapat.
Kaso 3 — Ang maagang pag-uulat ay nagbawas ng pinsala. Ang isang bagong hire ay hindi sinasadyang na-paste ang impormasyon ng isang kliyente sa isang bukas na tool at napansin kaagad. Sa halip na mag-panic at magtago, agad niya itong sinumbong sa kanyang supervisor. Sinuri ng institusyon ang insidente ayon sa pamamaraan ng KVKK, kinuha ang mga kinakailangang hakbang at tinuruan ang empleyado kung paano gamitin ito nang tama. Ang transparent at mabilis na abiso ay humadlang sa paglaki ng insidente.
Apat na maaaring kopyahin na mga template
1) Preflight ng klase ng data:
Suriin ang sumusunod na text BAGO ito iproseso sa isang AI tool: Ginagawa ba ng text na ito ang isang tao nang direkta (pangalan, ID, address, telepono) O hindi direkta (konteksto: kapitbahayan, edad, kaganapan, istraktura ng pamilya) na makikilala? Naglalaman ba ito ng sensitibong data (kalusugan, relihiyon, etnisidad, rekord ng kriminal)? Kung gayon, aling mga seksyon? Sabihin sa akin kung ang tekstong ito ay maaaring i-render sa pampublikong tool. Teksto: [idikit ang teksto]
2) Pag-downgrade sa minimum na data:
Tukuyin ang LEAST na impormasyong kailangan para magawa ang sumusunod na trabaho. Alisin ang lahat ng personal na detalye na hindi kinakailangan ng trabaho at iwanan lamang ang hindi nagpapakilalang bahagi na kinakailangan ng trabaho. Ilista kung anong impormasyon ang iyong inalis at bakit. Trabaho: [ilarawan ang gawain]Text: [i-paste ang teksto]
3) Pag-alis ng pagkakakilanlan at kontrol sa konteksto:
I-extract ang mga identifier (pangalan, ID, address, telepono, pangalan ng institusyon) nang direkta mula sa text sa ibaba. Markahan din ang anumang mga elemento ng konteksto na nananatili sa text (isang bihirang kumbinasyon ng mga pangyayari, partikular na lokasyon + kaganapan) na maaaring DI-DIREKTONG magbigay ng pagkakakilanlan. Bago alisin ang mga ito, suriin kung ginagawa pa rin ng text na makikilala ang tao. Text: [paste text]
4) Paglikha ng anonymous/fictional na halimbawa ng pagsasanay:
Gumawa ng isang halimbawang kaso na kahawig ng isang tunay na kaso, ngunit ganap na FICTIONAL at hindi pag-aari ng sinumang tunay na tao; Gagamitin ko ito para sa pagsasanay/pagsasanay. Paggamit ng tunay na pangalan, lugar o pangyayari; Hayaan ang lahat na maging peke. [Paksa: paunang pagtatasa ng pangangalaga sa matatanda]
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Idinidikit ko ang buong file ng kliyenteng ito sa ibaba, magbibigay ito sa akin ng magandang buod. (kabilang ang pangalan, address, impormasyon sa kalusugan)
Nagbibigay ito ng sensitibong personal na data sa isang hindi nakokontrol na panlabas na sistema — isang paglabag sa KVKK at isang hindi maibabalik na panganib sa privacy. Dahil lang sa "maganda" ang buod ay hindi na dahilan ang paglabag na ito.
Napakahusay na prompt:
(Sa isang secure na system na inaprubahan ng institusyon, o may text na walang pagkakakilanlan.) Ibuod ang tekstong DE-IDENTIFIED sa ibaba. Hindi ako nag-iwan ng anumang konteksto sa text na maaaring magbigay ng pangalan, address, ID o pagkakakilanlan. Iproseso lamang ang impormasyong kinakailangan para sa gawain. Teksto: [i-paste ang anonymous na teksto]
Ang pagkakaiba: nagtatrabaho sa tamang tool, na may kaunti at hindi natukoy na data, pinoprotektahan ang privacy at batas habang ginagawa ang trabaho.
Uri ng data at tamang landas
Uri ng data
halimbawa
ang tamang kasangkapan
Pangkalahatang impormasyon
"Ano ang isang SMART na layunin?"
bukas na sasakyan
kathang-isip na halimbawa
Nilikhang kaso ng pagsasanay
bukas na sasakyan
Walang pagkakakilanlan + walang konteksto
Pagpapasimple ng isang pangkalahatang pangungusap
Buksan ang sasakyan (maingat)
Data ng kliyente
aktwal na tala, ulat
Secure system lang
Espesyal na kalidad ng data
Kalusugan, parusa, etnisidad
Pinakamataas na proteksyon / secure na sistema
Tala sa panganib/kaligtasan
Karahasan, impormasyon sa proteksyon
Pinakamataas na proteksyon / secure na sistema
Mga karaniwang pagkakamali
- Pagbibigay ng totoong data ng kliyente sa bukas na tool. Ang pinaka-mapanganib at karaniwang pagkakamali; Paglabag sa KVKK at hindi maibabalik na pagtagos.
- "Binura ko ang mga pangalan" sa pag-aakalang ito ay seguridad. Ang konteksto ay maaaring magbigay ng pagkakakilanlan; Ang masking ay hindi proteksyon.
- Pagpasok ng higit pang data kaysa sa kinakailangan. Ilapat ang minimum na patakaran sa data; Magbigay hangga't kailangan ng trabaho.
- Nakipagsapalaran kapag hindi ka sigurado. Kapag may pag-aalinlangan, piliin ang pinakaligtas na landas, kumilos bilang isang mataas na uri.
- Itinatago ang paglabag. Ang maaga at malinaw na pag-uulat ay binabawasan ang pinsala; Ang pagtatago ay nagpapalaki nito.
Sa buod
Ang privacy ng kliyente ay ang pundasyon ng pagtitiwala sa gawaing panlipunan, at sa edad ng AI, ito rin ay nagiging legal na obligasyon sa KVKK. Malinaw ang pangunahing panuntunan: walang personal na data na nagpapakilala sa kliyente ang pumapasok sa isang hindi naaprubahang pampublikong tool. Panatilihing hiwalay ang dalawang mundo (open tool vs. secure system), ilapat ang minimum na prinsipyo ng data, alamin na hindi sapat ang pagtanggal ng mga pangalan at ang konteksto ay pagkakakilanlan, kung sakaling may pagdududa, piliin ang pinakaligtas na landas at malinaw na iulat ang paglabag. Ang privacy ay hindi isang panukalang idinagdag sa ibang pagkakataon, ngunit isang prinsipyong sinusunod mula pa sa simula.
Gawain ng aplikasyon
Sumulat ng fictional case text at tingnan kung aling mga item ang minarkahan ng AI bilang personal/pribadong data gamit ang template na “data class preflight”. Pagkatapos ay subukan gamit ang pattern na "de-identification at context check" upang makita kung ang konteksto ay nagbibigay pa rin ng pagkakakilanlan kahit na pagkatapos tanggalin ang mga pangalan. Panghuli, gumawa ng halimbawa na ligtas mong magagamit sa bukas na tool gamit ang template na "anonymous/fictional na halimbawa ng pagsasanay."
checklist
- [ ] Bago ang bawat trabaho, "Inilalarawan ba ng tekstong ito ang kliyente?" tanong ko.
- [ ] Pinoproseso ko lang ang data ng kliyente sa mga aprubado at secure na system.
- [ ] Inilapat ko ang minimum na patakaran sa data; Hindi na ako nagdetalye.
- [ ] Dahil alam kong hindi sapat ang pagtanggal ng pangalan, sinuri ko rin ang konteksto.
- [ ] Sa kaso ng pagdududa, pinili ko ang pinakaligtas na landas at alam ko ang paraan upang mag-ulat kung sakaling may paglabag.