Mga nadagdag:
- Kakayahang pag-uri-uriin ang data ng nagbabayad ng buwis at pinansyal sa loob ng balangkas ng KVKK at Tax Procedure Law na obligasyon sa pagiging kumpidensyal at matukoy ang antas ng proteksyon
- Kakayahang maglapat ng anonymization, masking at ligtas/institusyonal na mga hakbang sa pagpili ng tool bago magbigay ng data sa artificial intelligence
- Kakayahang magkaroon ng ugali ng pag-iwas sa pagmamaneho nang hindi pinangangasiwaan sa pamamagitan ng pag-alam sa legal, kriminal at propesyonal na mga kahihinatnan ng mga paglabag sa privacy.
Nakikita ng isang propesyonal ang pinakakilalang impormasyon ng nagbabayad ng buwis: turnover, tubo, mga paggalaw sa bangko, suweldo ng empleyado, mga numero ng TR ID, mga kontrata, mga istruktura ng pakikipagsosyo. Ang impormasyong ito ay protektado ng dalawang magkahiwalay na ligal na layer: KVKK (Personal Data Protection Law, ang batas na nagbabawal sa hindi awtorisadong pagproseso ng personal na impormasyon) at ang pagiging kumpidensyal na obligasyon ng Tax Procedure Law (ang obligasyon ng propesyonal na panatilihing kumpidensyal ang impormasyong natutunan niya dahil sa kanyang tungkulin). Sa panahon ng artificial intelligence, ang proteksyong ito ay nahaharap sa isang bagong banta: paglalagay ng sensitibong data sa isang hindi nakokontrol na tool. Ang prinsipyo ng yunit na ito ay iisa: ang data ay protektado bago pumasok sa AI; Walang pumapasok na sensitibong data sa hindi pinangangasiwaang sasakyan.
Dalawang-layer na proteksyon at kung bakit dapat itong seryosohin
- KVKK layer: Ang lahat ng impormasyon (pangalan, TR ID, suweldo, contact) na pagmamay-ari ng mga totoong tao ay personal na data. Ang hindi awtorisadong pagproseso, paglipat at hindi sapat na proteksyon ay magreresulta sa mga administratibong multa at kabayaran.
- VUK confidentiality layer: Hindi maaaring ibahagi ng isang propesyonal ang mga lihim ng pananalapi ng nagbabayad ng buwis sa mga third party. Ang paglabag ay nagdadala ng parehong kriminal at propesyonal (pandisiplina) na mga kahihinatnan.
Ang isang trial na balanse o payroll na na-paste sa isang pampublikong magagamit na tool ng AI ay maaaring ituring na "inilipat sa isang third party." Kadalasan ay hindi malinaw kung paano iniimbak ng tool ang data at kung ito ay ginagamit sa pagsasanay. Ang kawalan ng katiyakan na ito lamang ay sapat na sa panganib.
Pansin: Ang ideya na "walang makakakita nito pa rin" ay hindi isang legal na depensa. Kapag ang data ay pumasok sa isang hindi nakokontrol na sistema, wala na ito sa iyong kontrol. Ang isang paglabag sa privacy ay mapanganib hindi dahil sa posibilidad na mangyari ito, ngunit dahil hindi na ito mababawi kapag nangyari ito.
Bago magbigay ng data sa AI: mga hakbang sa proteksyon
- Uriin. Ang data ba na mayroon ka ay personal, lihim o pampubliko? Tukuyin ang antas ng proteksyon nang naaayon.
- Tanong pangangailangan. Kailangan ba talagang ibigay ang data na ito sa modelo, o magagawa ba ang gawain gamit ang anonymous/summary data?
- Anonymize/maskara. Ang kanilang mga pangalan ay K1, K2; mga kumpanya Ş1, Ş2; Palitan ang TR ID at mga account number ng maskara. I-generalize ang mga natatanging detalye na nagbibigay ng hindi direktang diagnosis.
- Pumili ng isang ligtas na sasakyan. Kung maaari, gumamit ng corporate/inaprubahang tool na ginagarantiyahan ang pagpapanatili ng data.
- Panatilihin ang tugaygayan. Itala kung aling data ang ibinigay mo sa aling tool at kung anong proteksyon.
Uri ng data
halimbawa
diskarte sa konserbasyon
data ng pagkakakilanlan
Pangalan, TR ID
Mask/anonymize; huwag kailanman magbigay ng hilaw
lihim sa pananalapi
Turnover, tubo, bangko
Summarize/anonymize; sasakyan ng negosyo
data ng relasyon
kasosyo, tagapagtustos
Generalize; alisin ang natatanging detalye
pampubliko
ipinahayag na balanse
maaaring iproseso nang normal
Paano ginagawa ang anonymization sa pagsasanay?
Ginagawa ng anonymization na hindi makilala ang pagkakakilanlan habang pinananatiling kapaki-pakinabang ang data. Halimbawa, magkakaroon ka ng isang payroll na nasuri: naglagay ka ng sequence number sa halip na pangalan at TR ID, hindi maaabala ang pagsusuri sa pamamahagi ng suweldo, ngunit walang makikilala. Ang kritikal na punto ay ang hindi direktang pagsusuri: ang mga ekspresyong gaya ng "ang nag-iisang babaeng pangkalahatang tagapamahala" o "ang tanging 92 taong gulang sa isang kumpanya ng 35 katao" ay nagbibigay sa tao kahit na tanggalin mo ang pangalan; Ang mga ito ay pangkalahatan din.
tatlong mini case
Case 1 — Payroll leakage. Ang isang intern ay nag-upload ng payroll ng 3,500 tao (pangalan, ID card, suweldo) sa isang libreng tool sa web at nagsasabing "ibuod". Ang data ay nagpapatakbo ng panganib na maihalo sa imbakan ng sasakyan; Parehong nangyayari ang mga paglabag sa pagiging kumpidensyal ng KVKK at VUK. Kapag nalaman ng customer, tapos na. Ang tamang paraan ay ang paggamit ng sasakyang inaprubahan ng kumpanya o ang pagbibigay lamang ng pamamahagi ng suweldo sa pamamagitan ng pagtatakip sa iyong pangalan/TR ID.
Kaso 2 — Hindi direktang pagsusuri. Ang isang consultant ay nagbibigay sa modelo ng isang listahan kung saan tinanggal niya ang mga pangalan, ngunit iniiwan ang pariralang "ang tanging dayuhang tagapamahala ng kumpanya." Ang pahayag na ito ay nagbibigay sa tao; Nawawala ang anonymization. Aralin: ang mga natatanging detalye na nagbibigay ng hindi direktang pagsusuri ay dapat ding gawing pangkalahatan.
Kaso 3 — Magandang paghawak. Bago mag-feed ng sensitibong data sa modelo, dumaan ang isang opisina sa isang karaniwang hakbang sa pag-anonymize: gamit ang isang template, kino-convert nito ang mga pangalan, ID, at pangalan ng brand sa mga code, pagkatapos ay sinuri ito. Ang kalidad ng pagsusuri ay hindi bumababa, walang pagkakakilanlan ang na-leak. Ang privacy at kahusayan ay pinoprotektahan nang magkasama.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ibuod ang sumusunod na payroll: [Ahmet Yılmaz, TC 123..., suweldo 45,000; ...]
Ang raw na personal na data ay pumapasok sa sasakyan nang hindi nakokontrol; Ito ay isang direktang paglabag.
Napakahusay na prompt:
Bibigyan kita ng data set. BAGO iproseso, ilapat ang sumusunod na anonymization at ipakita din sa akin ang hindi nakikilalang bersyon:- Gawin ang pangalan ng tao na K1, K2... - Alisin nang buo ang TR ID at mga numero ng account.- Gawing T1, K2 ang mga pangalan ng kumpanya/brand.... I-generalize ang mga natatanging detalye na maaaring hindi direktang makilala ang tao. Pagkatapos ay gumana lamang sa anonymous na bersyon.[DATA (nakamaskara hangga't maaari): ...]
Tandaan: Pinakaligtas na huwag maglagay ng hilaw na personal na data; Kung papasok ka, dapat nakamaskara ka at nasa ligtas na sasakyan.
Para sa tulong sa pag-uuri ng data:
Pag-uri-uriin ang bawat isa sa mga sumusunod na field: ito ba ay personal na data, ito ba ay isang lihim sa pananalapi, ito ba ay pampubliko? Isulat ang inirerekomendang antas ng proteksyon para sa bawat isa. Mga Field: [fieldname, sample RETURN]
Upang bumuo ng template ng anonymization:
Gumawa ng isang karaniwang checklist ng anonymization na gagamitin ko sa isang pagsusuri sa balanse ng suweldo/pagsubok: aling mga field ang dapat i-mask, na dapat alisin, ano ang dapat kong hanapin para sa hindi direktang pagsusuri?
Para sa pagtatasa ng kaligtasan ng sasakyan:
Anong mga tanong ang dapat kong itanong kapag sinusuri kung ang isang tool ng AI ay angkop para sa sensitibong data ng nagbabayad ng buwis (pagpapanatili ng data, paggamit sa edukasyon, kontrata ng korporasyon, lokasyon)? Gumawa ng checklist.
Mga karaniwang pagkakamali
- Paglalagay ng hilaw na personal na data. Huwag pumasok sa sasakyan nang walang pag-verify ng Pangalan/TR ID.
- Nilaktawan ang hindi direktang diagnosis. Ang natatanging detalye ay nagbibigay ng pagkakakilanlan kahit na ang pangalan ay tinanggal.
- Hindi nagtatanong tungkol sa kaligtasan ng sasakyan. Ang sensitibong data ay hindi ibinibigay nang hindi nalalaman kung paano iniimbak ng tool ang data.
- Hindi nagtatanong sa pangangailangan. Kung ang gawain ay maaaring gawin gamit ang anonymous/summary data, ang raw data ay hindi ibinibigay sa lahat.
- Hindi sinusubaybayan. Kung hindi naitala kung aling data ang ibinigay kung saan, hindi masusubaybayan ang paglabag.
Sa buod
Ang data ng nagbabayad ng buwis ay pinoprotektahan sa dalawang layer ng parehong KVKK at VUK na mga obligasyon sa pagiging kumpidensyal, at ang pinakamalaking bagong panganib sa edad ng artificial intelligence ay ang paglalagay ng sensitibong data sa isang hindi nakokontrol na tool. Bago ipasok ang data sa modelo, inuri ito, kinuwestiyon ang pangangailangan nito, tinatakpan ang mga identifier tulad ng pangalan/TR ID at ang mga detalyeng nagbibigay ng hindi direktang diagnosis ay pangkalahatan; Kung maaari, tanging isang secure, data retention-guaranteed corporate tool ang ginagamit. Ang paglabag sa privacy ay isang hindi maibabalik na pinsala; Ang pinakasecure na data ay ang data na hindi kailanman ipinasok.
Gawain ng aplikasyon
Kumuha ng tipikal na sensitibong file (hal. payroll o trial balance) sa iyong kamay. Unahin ang kanilang mga larangan (personal/financial secret/public). Pagkatapos ay maglapat ng template ng anonymization: ilista kung aling mga lugar ang iyong imamamaskara, na aalisin mo, at kung ano ang hahanapin mo para sa hindi direktang pagkakakilanlan. Panghuli, suriin ang pagiging angkop sa seguridad ng artificial intelligence tool na iyong ginagamit/gagamitin kasama ng checklist.
checklist
- [ ] Inuri ko ang data bilang personal/financial secret/publiko.
- [ ] Tinanong ko kung talagang kailangan na ibigay ang raw data.
- [ ] Nimaskara/tinanggal ko ang pangalan, TR ID at mga account number.
- [ ] Mayroon akong pangkalahatang mga natatanging detalye na nagbibigay ng hindi direktang pagsusuri.
- [ ] Gumamit lang ako ng mga secure/enterprise na tool na may mga garantiya sa pagpapanatili ng data.
- [ ] Sinuri ko ang patakaran ng data (imbakan, pagsasanay) ng tool.
- [ ] Itinala ko kung aling data ang ibinigay ko kung saan bilang isang bakas.