Mga nadagdag:
- Kakayahang i-anonymize ang data ng customer at pampinansyal sa loob ng saklaw ng KVKK, sikreto ng customer at mga panuntunan sa pagiging kumpidensyal ng bangko at maglapat ng ligtas na sasakyan at mga panuntunan sa pagproseso ng data
- Upang maunawaan ang mga obligasyong ipinataw ng batas sa pagbabangko (BRSA, MASAK, KVKK) sa paggamit ng artificial intelligence at ang pangangailangan para sa auditability
- Kakayahang maunawaan kung bakit ipinag-uutos ang pagpapaliwanag ng modelo, pag-iingat ng rekord at trail ng pag-audit at pinapanatili ang chain of responsibility
Sa pagbabangko, ang data ay ginto — ngunit responsibilidad din ito. Ang suweldo ng isang customer, mga gawi sa paggastos, kasaysayan ng kredito at mga transaksyon sa account ay parehong napakasensitibong personal na impormasyon at legal na protektado. Ang AI ay gumagawa ng makapangyarihang mga resulta kapag nagtatrabaho sa data na ito; ngunit ang parehong kapangyarihan ay maaaring lumikha ng isang malubhang paglabag sa pagpindot ng isang pindutan. Sa unit na ito, makikita natin kung paano protektahan ang data ng customer at pampinansyal sa loob ng saklaw ng KVKK, sikreto ng customer at mga panuntunan sa pagiging kumpidensyal ng bangko, ang mga obligasyong ipinataw ng batas sa pagbabangko (BRSA, MASAK, KVKK) sa paggamit ng artificial intelligence, at kung bakit ipinag-uutos ang pagpapaliwanag ng modelo at ang audit trail. Pangunahing prinsipyo: ang data ay pag-aari ng may-ari nito; Ang pagprotekta dito ay hindi isang teknikal na pagpipilian, ngunit isang legal at etikal na obligasyon.
Dalawang-layer na proteksyon: KVKK at lihim ng customer
Ang data ng customer ay protektado ng dalawang magkahiwalay na framework:
- KVKK (Personal Data Protection Law): Ang anumang data na ginagawang tukoy/makikilala ang isang tao ay personal na data. Ang isang legal na batayan (tahasang pahintulot o lehitimong dahilan) ay kinakailangan para sa pagproseso; Dapat itong limitado sa layunin, proporsyonal at ligtas. Ang data sa pananalapi ay partikular na kahalagahan.
- Sikreto ng customer (Batas sa Pagbabangko): Ang anumang impormasyong nalaman ng bangko tungkol sa customer nito ay isang lihim at hindi maaaring ibahagi nang walang pahintulot. Ang obligasyong ito ay nagbubuklod din sa empleyado ng bangko.
Ang pag-upload ng data ng customer sa isang hindi naaprubahang AI tool ay maaaring lumabag sa parehong mga framework nang sabay-sabay.
Uri ng data
proteksyon
mapanganib na pag-uugali
Pangalan, TR, IBAN
Personal na data + lihim
Pagpasok sa sasakyan nang walang anonymization
pahayag ng account
Personal na data + lihim
Gumagana sa isang hindi awtorisadong sasakyan
Credit score/kasaysayan
Personal na data + lihim
pagbabahagi ng walang layunin
Anonymous na data ng segment
mababang panganib
(panganib kung mabawi ang pagkakakilanlan)
Tip: Hindi sapat na sabihin ang "I anonymized"; Ang data ay dapat na tunay na de-identify. Kahit na ang isang maliit na bilang ng mga katangian (edad + kapitbahayan + trabaho) ay maaaring makilala ang isang tao. Sa anonymization, "maaari bang ibalik ang data na ito sa tao?" Itanong ang tanong.
Mga hakbang sa pagpoproseso ng secure na data
- Anonymize/maskara. Alisin ang pagkilala sa mga lugar; Gumamit ng alias value kung kinakailangan.
- Minimum na data (pagliit ng data). Iproseso ang minimum na data na kinakailangan para sa gawain; Huwag magdala ng masyadong maraming data kung sakaling kailanganin mo ito.
- Limitahan ito nang may layunin. Gumamit lamang ng data para sa layunin kung saan ito nakolekta; Huwag ilipat ang data na natanggap para sa kredito sa marketing.
- Inaprubahan at ligtas na sasakyan. Gamitin ang contractual data processing assurance tool ng bangko; Huwag ipasok ang data ng customer sa mga pampublikong tool kung saan hindi malinaw kung saan pupunta ang data.
- Audit trail. Itala kung aling data, para sa anong layunin, at aling tool ang ginamit.
- Imbakan at pagtatapon. Huwag panatilihin ang data nang mas mahaba kaysa sa kinakailangan; Itapon ang nag-expire ayon sa patakaran.
Mga obligasyong ipinataw ng batas sa artificial intelligence
- Kakayahang maipaliwanag: Ang mga kinokontrol na desisyon (tulad ng mga pautang) ay dapat na makatwiran; Ang "black box" na desisyon ay hindi ma-audit.
- Audit trail: Dapat na itala ang output ng modelo, data na ginamit at panghuling desisyon; Ang tanong na "bakit ginawa ang desisyong ito?" dapat sagutin mamaya.
- Pangangasiwa ng tao: Ang mga tao ay dapat na kasangkot sa mahahalagang desisyon; Ang ganap na awtomatiko, hindi pinangangasiwaan na mga mekanismo sa paggawa ng desisyon ay maaaring sumalungat sa regulasyon.
- Karapatan sa pagtutol at pagwawasto: Ang karapatan ng customer na tumutol sa desisyon at humiling ng pagwawasto ng kanyang data ay dapat protektahan.
- Chain of responsibility: Ang taong responsable para sa desisyon ay palaging malinaw — hindi ang modelo, ngunit ang karampatang tao at institusyon.
Pansin: Ang isang paglabag sa pagiging kumpidensyal o paglabag sa batas ay maaaring ibunyag sa isang pag-audit na buwan o kahit na mga taon mamaya at maaaring magresulta sa mabibigat na administratibong multa, pagkawala ng reputasyon at legal na pananagutan. "Hindi napansin" ay hindi isang kasiguruhan; Ang pagpaparehistro at pagsunod ay itinatag mula sa simula.
Apat na maaaring kopyahin na mga template
1) Kontrol ng anonymization:
Suriin ang sumusunod na text bago ito ibigay sa isang artificial intelligence tool: anong impormasyon ang nilalaman nito na ginagawang makikilala ang tao (pangalan, TR ID, IBAN, telepono, address, bihirang kumbinasyon ng tampok)? Ilista silang lahat at imungkahi kung paano i-mask ang mga ito. Teksto: [data]
2) Layunin at minimum na kontrol ng data:
Ano ang pinakamababang dataset na talagang kinakailangan para sa gawaing ito? Alin sa mga sumusunod na field ang hindi kailangan para sa gawain at dapat alisin? Markahan ang mga lugar na nasa panganib ng maling paggamit. Gawain: [paglalarawan] Mga Patlang: [listahan]
3) draft ng talaan ng audit trail:
Ang iyong tungkulin: katulong na naghahanda ng talaan ng audit trail. Gumawa ng maayos na talaan ng transaksyon na may sumusunod na impormasyon: aling data (anonymous), aling layunin, aling medium, aling petsa, sino ang may pananagutan. Iwanan ang mga nawawalang field bilang "[mapupunan]". Input: [impormasyon]
4) Tugon sa kahilingan sa data ng customer (mga karapatan sa KVKK):
Ang isang customer ay humiling ng access/pagwawasto ng kanyang data sa loob ng saklaw ng KVKK. Bumuo ng isang tugon na magalang, malinaw at nagpapaalala sa iyo ng iyong mga karapatan (pag-access, pagwawasto, pagtutol). Pagdaragdag ng bagong personal na data; Ipaliwanag ang mga hakbang sa proseso. Susuriin ng opisyal.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ang buong pangalan ng sumusunod na customer, TR ID number at account statement para sa huling 6 na buwan ay nakalakip; Suriin ito at bigyan ako ng profile. Bilisan mo.
Nagbabahagi ito ng data ng pagkakakilanlan nang walang pag-apruba, lumalabag sa pagliit ng data, at lumalabag sa mga lihim ng customer.
Napakahusay na prompt:
Ang iyong tungkulin: katulong sa pagsusuri na nagtatrabaho sa hindi kilalang data. Ibinibigay ko lang sa iyo ang de-identified, minimal na data: 42 taong gulang, X segment, average na buwanang saklaw ng paggasta [range]. Paghiling ng personal na data o paghihinuha ng pagkakakilanlan. Gagamitin at i-save ko ang output sa naaprubahang proseso.
Gumagana ang malakas na prompt nang hindi nagpapakilala at may kaunting data, ipinagbabawal ang pagkuha ng pagkakakilanlan at nagbibigay ng isang audit trail.
tatlong mini case
Kaso 1 — Tamang pagproseso. Ang isang analyst ay nagsasagawa ng pagsusuri sa pag-uugali ng 5,000 mga customer na may lamang anonymous, pinagsama-samang data; Walang patlang ng pagkakakilanlan ang pumapasok sa sasakyan, ang sasakyang ginamit at ang layunin ay naitala. Ang resulta ay gumagawa ng halaga ng negosyo at walang mga linya ng pagiging kumpidensyal ang natawid.
Kaso 2 — Panganib ng muling pagkakakilanlan. Natuklasan ng isang team na ang ilang mga customer ay maaaring matukoy nang paisa-isa sa pamamagitan ng kumbinasyon ng edad, kapitbahayan at bihirang trabaho sa kung ano ang inakala nilang isang "anonymous" na set ng data. Ang data ay muling na-anonymis sa pamamagitan ng pag-generalize sa mga field na ito (hanay ng edad, malaking rehiyon). Ang "Anonymous" na tag ay hindi itinuturing na ligtas nang hindi sinusuri.
Kaso 3 — Nabawi ang audit trail. Maaaring hamunin ang isang desisyon sa pautang pagkaraan ng ilang taon. Ang bangko ay nagpapakita mula sa audit trail kung saan ang na-verify na data ay batay sa desisyon, sa kung anong mga batayan ito ginawa at kung sino ang nag-apruba nito. Salamat sa rekord, ang desisyon ay maaaring ipagtanggol; Kung walang bakas, ang bangko ay nasa isang mahirap na sitwasyon.
Cloud, third party at data residency
Karamihan sa mga tool ng AI ay tumatakbo sa cloud at nagpoproseso ng data sa kanilang sariling mga server. Nagbubukas ito ng karagdagang layer ng mga tanong sa pagbabangko: saan napupunta ang data at sino ang makaka-access dito? Ang pagpapadala ng data ng customer sa isang tool ay kadalasang nangangahulugan ng pagkuha ng data na iyon sa labas ng mga pader ng bangko. Samakatuwid, ang pagpili ng isang tool ay hindi isang teknikal na desisyon, ngunit isang desisyon sa pagsunod.
Mga dapat isaalang-alang:
- Kontrata sa pagpoproseso ng data: Mayroon bang kontrata sa tool provider na tumutukoy kung paano ipoproseso, iimbak, at tatanggalin ang data? Ang mga tool na "Libre" at walang kontrata ay hindi kwalipikado para sa data ng pagbabangko.
- Gamitin sa pagsasanay: Alamin kung ang data na iyong inilagay ay ginagamit sa pagsasanay ng modelo; Kung ginamit, ang mga lihim ng customer ay maaaring tumagas sa ibang mga lugar.
- Data residency: Ang bansa kung saan pinapanatili ang data ay mahalaga sa mga tuntunin ng parehong KVKK at internasyonal na mga panuntunan sa paglilipat.
- Pag-access at pag-log: Naitala ba kung sino ang nag-access dito?
Babala: "Mukhang ligtas ang sasakyan" ay hindi isang kasiguruhan. Bago magamit ang isang tool sa bangko, dapat itong pumasa sa seguridad ng impormasyon at pag-apruba sa pagsunod. Ang paglalagay ng data ng customer sa isang hindi naaprubahang tool ay nangangahulugan ng pagbibigay ng data nang hindi alam kung saan ito pupunta.
Mga karaniwang pagkakamali
- Pagbabahagi ng data ng pagkakakilanlan nang walang pag-apruba. Pagpasok sa sasakyan nang hindi pinapakilala ang iyong pangalan, TR ID at IBAN.
- Ipagpalagay na "anonymous". Isinasaalang-alang ang data na ligtas nang hindi nagsasagawa ng pagsubok sa muling pagkakakilanlan.
- Pag-anod ng layunin. Paggamit ng data na nakolekta para sa isang layunin para sa isa pang layunin.
- Pag-bypass sa audit trail. Hindi pagtatala ng data, layunin at paraan; hindi mapapanagot mamaya.
- Desisyon ng black box. Isinasaalang-alang ang isang awtomatikong desisyon na hindi mabibigyang katwiran bilang lehitimo.
Tip: Ang pagiging kumpidensyal at pagsunod ay hindi isang "hadlang" ngunit ang pundasyon ng pagtitiwala. Ang customer ay nagtitiwala sa bangko dahil alam niya na ang kanyang data ay protektado. Ang pagtataya sa tiwala na ito para sa isang shortcut ay ang pinakamahal na pagkakamali.
Sa buod
Ang data ng customer ay parehong personal na data sa loob ng saklaw ng KVKK at lihim ng customer sa loob ng saklaw ng Batas sa Pagbabangko; Ito ay dobleng protektado. Mag-anonymize (at subukan laban sa muling pagkakakilanlan), gumana nang may kaunting data at layunin, gumamit lamang ng mga aprubadong secure na tool, mag-iwan ng audit trail. Ang batas ay nangangailangan ng kakayahang ipaliwanag, pangangasiwa ng tao, karapatang tumutol at malinaw na hanay ng responsibilidad. Sa isang pangungusap: Ang data ay ang tiwala ng may-ari; Responsibilidad ng isang karampatang tao na protektahan, itala at isasagot ito.
Gawain ng aplikasyon
Sumulat ng sample na text ng data ng customer (na may mga ID field) at magsagawa ng pagsusuri sa anonymization gamit ang template 1; Tukuyin kung aling mga lugar ang itatakip. Pagkatapos ay tukuyin ang isang gawain at i-extract ang minimum na dataset gamit ang 2nd template at alisin ang mga hindi kinakailangang field. Panghuli, gumawa ng draft na audit trail record na may 3rd template, na naglilista kung anong impormasyon ang dapat itago para sa bawat transaksyon.
checklist
- [ ] Hindi ko pinakilala ang mga field ng ID at sinubukan ang mga ito laban sa muling pagkakakilanlan.
- [ ] Pinoproseso ko lamang ang pinakamababang data na kinakailangan para sa gawain.
- [ ] Ginamit ko ang data na limitado sa layunin nito; Hindi ko hinayaang madulas ang layunin.
- [ ] Nagmaneho lang ako ng mga aprubado at ligtas na sasakyan.
- [ ] Naitala ko ang data, layunin, paraan at punong-guro sa audit trail.
- [ ] Isinasaalang-alang ko ang pagpapaliwanag ng desisyon at ang karapatan ng customer na tumutol.