فائدہ:
- KVKK اور ٹیکس پروسیجر قانون رازداری کی ذمہ داری کے فریم ورک کے اندر ٹیکس دہندگان اور مالیاتی ڈیٹا کی درجہ بندی کرنے اور تحفظ کی سطح کا تعین کرنے کی اہلیت
- مصنوعی ذہانت کو ڈیٹا دینے سے پہلے گمنامی، ماسکنگ اور محفوظ/ادارتی ٹول کے انتخاب کے مراحل کو لاگو کرنے کی اہلیت
- رازداری کی خلاف ورزیوں کے قانونی، مجرمانہ اور پیشہ ورانہ نتائج کو جان کر بغیر نگرانی کے ڈرائیونگ سے بچنے کی عادت حاصل کرنے کی صلاحیت۔
ایک پیشہ ور ٹیکس دہندگان کی انتہائی قریبی معلومات کو دیکھتا ہے: کاروبار، منافع، بینک کی نقل و حرکت، ملازمین کی تنخواہیں، TR ID نمبر، معاہدے، شراکت داری کے ڈھانچے۔ یہ معلومات دو الگ الگ قانونی پرتوں سے محفوظ ہیں: KVKK (ذاتی ڈیٹا کے تحفظ کا قانون، ذاتی معلومات کی غیر مجاز پروسیسنگ پر پابندی کا قانون) اور ٹیکس کے طریقہ کار کے قانون کی رازداری کی ذمہ داری (پیشہ ور کی ذمہ داری کہ وہ اپنی ڈیوٹی کی وجہ سے جو معلومات سیکھتا ہے اسے خفیہ رکھے)۔ مصنوعی ذہانت کے دور میں، اس تحفظ کو ایک نئے خطرے کا سامنا ہے: حساس ڈیٹا کو بے قابو ٹول میں چپکانا۔ اس یونٹ کا اصول واحد ہے: AI میں داخل ہونے سے پہلے ڈیٹا کو محفوظ کیا جاتا ہے۔ غیر زیر نگرانی گاڑی میں کوئی حساس ڈیٹا داخل نہیں ہوتا ہے۔
دو پرت تحفظ اور اسے سنجیدگی سے کیوں لیا جانا چاہئے۔
- KVKK پرت: حقیقی افراد سے متعلق تمام معلومات (نام، TR ID، تنخواہ، رابطہ) ذاتی ڈیٹا ہے۔ غیر مجاز پروسیسنگ، منتقلی اور ناکافی تحفظ کے نتیجے میں انتظامی جرمانے اور معاوضہ ہوگا۔
- VUK رازداری کی پرت: ایک پیشہ ور ٹیکس دہندگان کے مالی رازوں کو فریق ثالث کے ساتھ شیئر نہیں کر سکتا۔ خلاف ورزی کے مجرمانہ اور پیشہ ورانہ (انضباطی) نتائج دونوں ہوتے ہیں۔
عوامی طور پر دستیاب AI ٹول میں چسپاں کردہ ٹرائل بیلنس یا پے رول کو "تھرڈ پارٹی کو منتقل" سمجھا جا سکتا ہے۔ یہ اکثر واضح نہیں ہوتا ہے کہ ٹول ڈیٹا کو کیسے اسٹور کرتا ہے اور آیا اسے تربیت میں استعمال کیا جاتا ہے۔ یہ غیر یقینی صورتحال ہی کافی خطرہ ہے۔
دھیان دیں: یہ خیال کہ "بہرحال کوئی اسے نہیں دیکھے گا" قانونی دفاع نہیں ہے۔ ایک بار جب ڈیٹا کسی بے قابو نظام میں داخل ہو جاتا ہے، تو یہ آپ کے کنٹرول سے باہر ہو جاتا ہے۔ رازداری کی خلاف ورزی خطرناک ہے اس کے ہونے کے امکان کی وجہ سے نہیں، بلکہ اس لیے کہ یہ ایک بار ہونے کے بعد ناقابل واپسی ہے۔
AI کو ڈیٹا دینے سے پہلے: تحفظ کے اقدامات
- درجہ بندی کریں۔ کیا آپ کے پاس جو ڈیٹا ہے وہ ذاتی، مالی خفیہ یا عوامی ہے؟ اس کے مطابق تحفظ کی سطح کا تعین کریں۔
- سوال کی ضرورت۔ کیا ماڈل کو یہ ڈیٹا دینا واقعی ضروری ہے، یا یہ کام گمنام/ خلاصہ ڈیٹا کے ساتھ کیا جا سکتا ہے؟
- گمنام/ماسک۔ ان کے نام K1, K2 ہیں۔ کمپنیاں Ş1, Ş2; ٹی آر آئی ڈی اور اکاؤنٹ نمبرز کو ماسک سے تبدیل کریں۔ بالواسطہ تشخیص فراہم کرنے والی منفرد تفصیلات کو عام کریں۔
- ایک محفوظ گاڑی کا انتخاب کریں۔ اگر ممکن ہو تو، ایک کارپوریٹ/منظور شدہ ٹول استعمال کریں جو ڈیٹا کو برقرار رکھنے کی ضمانت دیتا ہو۔
- پگڈنڈی رکھیں۔ ریکارڈ کریں کہ آپ نے کون سا ڈیٹا کس ٹول کو دیا اور کس تحفظ کے ساتھ۔
ڈیٹا کی قسم
مثال
تحفظ کے نقطہ نظر
شناختی ڈیٹا
نام، TR ID
ماسک/گمنام؛ کبھی کچا نہ دیں۔
مالی راز
کاروبار، منافع، بینک
خلاصہ/گمنام؛ انٹرپرائز گاڑی
تعلقات کے اعداد و شمار
ساتھی، فراہم کنندہ
عام کرنا منفرد تفصیلات کو ہٹا دیں
عوامی
بیلنس شیٹ کا اعلان کیا۔
عام طور پر عملدرآمد کیا جا سکتا ہے
عملی طور پر گمنامی کیسے کی جاتی ہے؟
ڈیٹا کو کارآمد رکھتے ہوئے گمنامی شناخت کو ناقابل شناخت بنا رہی ہے۔ مثال کے طور پر، آپ کو پے رول کا تجزیہ کرنا پڑے گا: آپ نام اور TR ID کے بجائے ایک ترتیب نمبر ڈالیں گے، تنخواہ کی تقسیم کے تجزیہ میں خلل نہیں پڑے گا، لیکن کسی کی شناخت نہیں ہو سکتی۔ اہم نکتہ بالواسطہ تشخیص ہے: "واحد خاتون جنرل منیجر" یا "35 افراد کی کمپنی میں واحد 92 سالہ" جیسے تاثرات اس شخص کو چھوڑ دیتے ہیں چاہے آپ نام حذف کر دیں۔ یہ بھی عام ہیں۔
تین چھوٹے مقدمات
کیس 1 - پے رول کا رساو۔ ایک انٹرن ایک مفت ویب ٹول پر 3,500 لوگوں کا پے رول (نام، شناختی کارڈ، تنخواہ) اپ لوڈ کرتا ہے اور کہتا ہے "خلاصہ"۔ ڈیٹا گاڑی کے ذخیرے میں گھل مل جانے کا خطرہ ہے۔ KVKK اور VUK دونوں رازداری کی خلاف ورزیاں ہوتی ہیں۔ اگر گاہک کو پتہ چل جائے تو بات ختم ہو گئی۔ صحیح طریقہ یہ تھا کہ کارپوریٹ سے منظور شدہ گاڑی استعمال کی جائے یا صرف اپنا نام/TR ID چھپا کر تنخواہ کی تقسیم دی جائے۔
کیس 2 - بالواسطہ تشخیص۔ ایک کنسلٹنٹ ماڈل کو ایک فہرست دیتا ہے جس میں وہ نام حذف کر دیتا ہے، لیکن جملہ چھوڑ دیتا ہے "کمپنی کا واحد غیر ملکی قومی مینیجر۔" یہ بیان شخص کو دور کرتا ہے؛ گمنامی غائب ہے۔ سبق: بالواسطہ تشخیص فراہم کرنے والی منفرد تفصیلات کو بھی عام کیا جانا چاہیے۔
کیس 3 - اچھی ہینڈلنگ۔ ماڈل کو حساس ڈیٹا فراہم کرنے سے پہلے، دفتر ایک معیاری گمنامی کے مرحلے سے گزرتا ہے: ٹیمپلیٹ کا استعمال کرتے ہوئے، یہ ناموں، IDs اور برانڈ کے ناموں کو کوڈز میں تبدیل کرتا ہے، پھر اس کا تجزیہ کیا جاتا ہے۔ تجزیہ کا معیار کم نہیں ہوتا، کوئی شناخت لیک نہیں ہوتی۔ رازداری اور کارکردگی ایک ساتھ محفوظ ہیں۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
درج ذیل پے رول کا خلاصہ کریں: [احمد یلماز، ٹی سی 123...، تنخواہ 45,000؛ ...]
خام ذاتی ڈیٹا گاڑی میں بے قابو ہو جاتا ہے۔ یہ براہ راست خلاف ورزی ہے۔
طاقتور اشارہ:
میں آپ کو ایک ڈیٹا سیٹ دوں گا۔ پروسیسنگ سے پہلے، درج ذیل گمنامی کا اطلاق کریں اور مجھے گمنام ورژن بھی دکھائیں:- شخص کے نام K1, K2... - TR ID اور اکاؤنٹ نمبرز کو مکمل طور پر ہٹا دیں۔- کمپنی/برانڈ کے نام T1, K2 بنائیں.... منفرد تفصیلات کو عام کریں جو بالواسطہ طور پر اس شخص کی شناخت کر سکیں۔ پھر صرف گمنام ورژن پر کام کریں۔
نوٹ: خام ذاتی ڈیٹا کو داخل نہ کرنا سب سے محفوظ ہے۔ اگر آپ داخل ہوتے ہیں تو آپ کو نقاب پوش اور محفوظ گاڑی میں ہونا چاہیے۔
ڈیٹا کی درجہ بندی میں مدد کے لیے:
درج ذیل شعبوں میں سے ہر ایک کی درجہ بندی کریں: کیا یہ ذاتی ڈیٹا ہے، کیا یہ مالی راز ہے، کیا یہ عوامی ہے؟ ہر ایک کے لیے تجویز کردہ تحفظ کی سطح لکھیں۔ فیلڈز: [فیلڈ کے نام، نمونہ واپسی]
ایک گمنام ٹیمپلیٹ بنانے کے لیے:
ایک معیاری گمنامی چیک لسٹ تیار کریں جسے میں پے رول/ٹرائل بیلنس کے تجزیہ میں استعمال کروں گا: کن فیلڈز کو ماسک کیا جانا چاہیے، کن کو چھوڑ دیا جانا چاہیے، مجھے بالواسطہ تشخیص کے لیے کیا تلاش کرنا چاہیے؟
گاڑی کی حفاظت کی تشخیص کے لیے:
یہ جانچتے وقت مجھے کون سے سوالات پوچھنے چاہئیں کہ آیا کوئی AI ٹول ٹیکس دہندگان کے حساس ڈیٹا (ڈیٹا برقرار رکھنے، تعلیم میں استعمال، کارپوریٹ معاہدہ، مقام) کے لیے موزوں ہے؟ ایک چیک لسٹ بنائیں۔
عام غلطیاں
- خام ذاتی ڈیٹا درج کرنا۔ نام/TR ID کی تصدیق کے بغیر گاڑی میں داخل نہ ہوں۔
- بالواسطہ تشخیص کو چھوڑنا۔ انوکھی تفصیل شناخت کو دور کرتی ہے چاہے نام حذف کر دیا جائے۔
- گاڑی کی حفاظت کے بارے میں نہیں پوچھنا۔ یہ جانے بغیر حساس ڈیٹا نہیں دیا جاتا کہ ٹول ڈیٹا کو کیسے اسٹور کرتا ہے۔
- ضرورت پر سوال نہیں کرنا۔ اگر یہ کام گمنام/ خلاصہ ڈیٹا کے ساتھ کیا جا سکتا ہے، تو خام ڈیٹا بالکل نہیں دیا جاتا ہے۔
- ٹریک نہیں رکھنا۔ اگر یہ ریکارڈ نہیں ہے کہ کون سا ڈیٹا کہاں دیا گیا تھا، تو خلاف ورزی کا سراغ نہیں لگایا جا سکتا۔
خلاصہ میں
ٹیکس دہندگان کے ڈیٹا کو KVKK اور VUK دونوں رازداری کی ذمہ داریوں کے ذریعے دو تہوں میں محفوظ کیا جاتا ہے، اور مصنوعی ذہانت کے دور میں سب سے بڑا نیا خطرہ حساس ڈیٹا کو ایک بے قابو ٹول پر چسپاں کرنا ہے۔ ماڈل میں ڈیٹا داخل کرنے سے پہلے، اس کی درجہ بندی کی جاتی ہے، اس کی ضرورت پر سوال کیا جاتا ہے، شناخت کنندگان جیسے کہ نام/TR ID کو نقاب پوش کیا جاتا ہے اور بالواسطہ تشخیص فراہم کرنے والی تفصیلات کو عام کیا جاتا ہے۔ اگر ممکن ہو تو، صرف ایک محفوظ، ڈیٹا برقرار رکھنے کی گارنٹی والا کارپوریٹ ٹول استعمال کیا جاتا ہے۔ رازداری کی خلاف ورزی ایک ناقابل واپسی نقصان ہے۔ سب سے محفوظ ڈیٹا وہ ڈیٹا ہے جو کبھی داخل نہیں ہوتا ہے۔
درخواست کا کام
اپنے ہاتھ میں ایک عام حساس فائل (مثلاً پے رول یا ٹرائل بیلنس) لیں۔ پہلے ان کے شعبوں کی درجہ بندی کریں (ذاتی/مالی راز/عوامی)۔ پھر ایک گمنامی ٹیمپلیٹ کا اطلاق کریں: فہرست بنائیں کہ آپ کن علاقوں کو ماسک کریں گے، جنہیں آپ ہٹائیں گے، اور آپ بالواسطہ شناخت کے لیے کیا تلاش کریں گے۔ آخر میں، آپ چیک لسٹ کے ساتھ مصنوعی ذہانت کے جو ٹول استعمال کرتے ہیں/استعمال کریں گے اس کی حفاظتی مناسبیت کا جائزہ لیں۔
چیک لسٹ
- میں نے ڈیٹا کو ذاتی/مالی راز/عوامی کے طور پر درجہ بندی کر دیا ہے۔
- میں نے سوال کیا کہ کیا واقعی خام ڈیٹا فراہم کرنا ضروری تھا؟
- میں نے نام، ٹی آر آئی ڈی اور اکاؤنٹ نمبرز کو نقاب پوش/ہٹا دیا ہے۔
- [ ] میں نے انوکھی تفصیلات کو عام کیا ہے جو بالواسطہ تشخیص فراہم کرتے ہیں۔
- میں نے ڈیٹا برقرار رکھنے کی ضمانتوں کے ساتھ صرف محفوظ/انٹرپرائز ٹولز استعمال کیے ہیں۔
- میں نے ٹول کی ڈیٹا پالیسی (اسٹوریج، ٹریننگ) کا جائزہ لیا۔
- میں نے ریکارڈ کیا کہ میں نے کون سا ڈیٹا دیا جہاں بطور ٹریس۔