فائدہ:
- KVKK اور خصوصی ذاتی ڈیٹا تصورات کے فریم ورک کے اندر طلباء کے ڈیٹا کی درجہ بندی اور گمنام کرنے کی صلاحیت اور گاڑیوں کے محفوظ انتخاب کا اطلاق
- مصنوعی ذہانت کے استعمال کے لیے PDR پیشہ ورانہ اخلاقیات کے اصولوں (رازداری، فائدہ، عدم نقصان، خود مختاری) کو ڈھالنے کی صلاحیت
- مصنوعی ذہانت کی پیداوار میں تعصب، ثقافتی بے حسی اور فریب کو پہچاننے اور اخلاقی استعمال کی پالیسی بنانے کی صلاحیت
اعتماد PDR پیشے کا مرکز ہے۔ اگر کوئی طالب علم اپنے انتہائی قریبی احساسات، خاندان، اور خوف کسی ماہر کو بتا سکتا ہے، تو یہ صرف اس لیے ہے کہ اسے یقین ہے کہ معلومات کی حفاظت کی جائے گی۔ مصنوعی ذہانت کے اوزار اس اعتماد کے لیے ایک سنگین نیا امتحان پیش کرتے ہیں: انتہائی حساس ڈیٹا ایک جملے میں قابو سے باہر ہو سکتا ہے۔ اس یونٹ میں، ہم پرائیویسی، KVKK، PDR پیشہ ورانہ اخلاقیات اور مصنوعی ذہانت کے استعمال پر کیسے لاگو ہوتے ہیں اس پر منظم طریقے سے بحث کرتے ہیں۔ ہم نے ان اصولوں کو پچھلی اکائیوں میں ٹکڑے ٹکڑے کر کے لاگو کیا ہے۔ یہاں ہم اسے مجموعی طور پر یکجا کریں گے اور اسے ایک مستقل پالیسی میں بدل دیں گے۔
KVKK اور ڈیٹا کی اقسام: کیا زیادہ محفوظ ہے۔
KVKK (پرسنل ڈیٹا پروٹیکشن قانون) وہ قانون ہے جو لوگوں کے ڈیٹا کی قانونی کارروائی کو منظم کرتا ہے۔ دو تصورات خاص طور پر اہم ہیں۔ ذاتی ڈیٹا وہ معلومات ہے جو کسی شخص کی شناخت یا شناخت کرتی ہے: نام، کنیت، اسکول نمبر، کلاس، پتہ، تصویر۔ خصوصی ذاتی ڈیٹا ایک قسم کا حساس ڈیٹا ہے جس کے لیے اعلیٰ تحفظ کی ضرورت ہوتی ہے: صحت، ذہنی حالت، تشخیص، جنسی زندگی، مذہب، نسل، مجرمانہ حیثیت۔ PDR ریکارڈز کی اکثریت اس دوسرے، حساس زمرے میں آتی ہے۔ کیونکہ ذہنی حیثیت، خاندانی مسائل اور معاونت کی تاریخ براہ راست نجی ڈیٹا ہیں۔ اس کا مطلب یہ ہے کہ PDR ڈیٹا کو کبھی بھی اپنی خام شکل میں عوامی ٹولز میں داخل نہیں کیا جانا چاہیے۔
عملی طور پر، اس کا ترجمہ تین اصولوں میں ہوتا ہے: (1) ڈیٹا کو کم سے کم کرنا — کسی کام کے لیے درکار ڈیٹا کی کم سے کم مقدار کے ساتھ کام کریں۔ (2) گمنامی — ذاتی طور پر قابل شناخت معلومات کو ہٹا کر ڈیٹا کو فرد سے غیر منسلک بنائیں۔ (3) محفوظ ذرائع اور مقصد کی حد — جہاں ممکن ہو ڈیٹا سے محفوظ انٹرپرائز ٹولز کا استعمال کریں اور صرف اس مقصد کے لیے ڈیٹا پر کارروائی کریں جس کے لیے اسے جمع کیا گیا تھا۔
توجہ: یہ کہنا کافی نہیں ہے کہ "میں نے اسے کسی طرح گمنام کر دیا"۔ یہاں تک کہ اگر کسی متن میں سے کوئی نام حذف کر دیا جائے تو، صورت حال کی ایک منفرد وضاحت (چھوٹے اسکول میں ایک طالب علم کی انتہائی مخصوص صورت حال) اس شخص کو قابل شناخت بنا سکتی ہے۔ گمنامی میں، نہ صرف نام بلکہ ان تفصیلات کو بھی عام کریں جو ایک ساتھ اس شخص کی نشاندہی کرتی ہیں۔
گمنامی کی مشق: ایک کنٹرول طریقہ کار
ٹول میں ٹیکسٹ ایکسپورٹ کرنے سے پہلے، اس طریقہ کار پر عمل کریں: (a) براہ راست شناخت کنندگان کو ہٹا دیں جیسے نام، کنیت، نمبر، کلاس برانچ، والدین کا نام، پتہ، ٹیلی فون، اسکول کا نام۔ (b) بالواسطہ وضاحت کنندگان کو عام کریں: "12-B میں واحد نابینا طالب علم" کے بجائے "ایک مڈل اسکول کا طالب علم"۔ (c) ضرورت کے مطابق تاریخ اور ایونٹ کی تفصیلات کو دھندلا کریں۔ (d) پوسٹ ریڈنگ: "کیا اس تحریر کو پڑھنے والا کوئی یہ جان سکتا ہے کہ کس کا ذکر کیا جا رہا ہے؟" اگر جواب مبہم ہے تو مزید عام کریں۔ تصدیق شدہ ریکارڈ صرف ادارے کے بند، محفوظ نظام میں لکھا جاتا ہے۔ اے آئی ٹول اس سسٹم سے باہر ہے۔
PDR پیشہ ورانہ اخلاقیات اور AI
PDR پیشہ ورانہ اخلاقیات چار بنیادی اصولوں پر مبنی ہے، جن میں سے ہر ایک براہ راست AI کے استعمال پر لاگو ہوتا ہے:
- رازداری (راز رکھنا): طلباء کی معلومات محفوظ ہیں۔ خام ڈیٹا کو AI میں داخل نہ کرنا، اس کا نام ظاہر نہ کرنا اور محفوظ ٹول کا انتخاب اس اصول کا تقاضا ہے۔
- فائدہ: ہر چیز کو طالب علم کی فلاح و بہبود کے لیے کیا جانا چاہیے۔ AI سہولت کے لیے استعمال کیا جاتا ہے، نہ کہ اس طریقے سے جس سے طالب علم کے فائدے سے سمجھوتہ ہو۔
- غیر مؤثریت: ترجیح یہ ہے کہ کوئی نقصان نہ ہو۔ غیر تصدیق شدہ آؤٹ پٹ، غلط اعدادوشمار، لیبلنگ، اور بحران میں AI کا استعمال نقصان کے خطرات ہیں۔ لہذا تصدیق اور بحران کی حد ایک اخلاقی ضروری ہے۔
- خود مختاری: طالب علم کا اپنا فیصلہ خود کرنے کا حق محفوظ ہے۔ AI کو طالب علم کو کسی لیبل تک کم نہیں کرنا چاہیے یا اس کی طرف سے فیصلے نہیں کرنا چاہیے۔
جوابدہی اس میں شامل کی گئی ہے: استعمال شدہ ہر پیداوار کی ذمہ داری ماہر پر عائد ہوتی ہے۔ "AI نے اسے تیار کیا" کوئی دفاع نہیں ہے۔
تعصب، ثقافتی حساسیت اور شفافیت
AI تربیتی ڈیٹا میں سماجی نمونوں کی عکاسی کر سکتا ہے۔ PDR میں، یہ انصاف کا مسئلہ ہے: وہ نتائج جو طالب علم کو اس کی صنف، ثقافت، یا سماجی اقتصادی حیثیت کے مطابق دقیانوسی تصور کرتے ہیں مواقع کی مساوات کو نقصان پہنچاتے ہیں۔ ماہر ثقافتی حساسیت اور تعصب کے لیے تیار کردہ مواد کو چیک کرتا ہے۔ نیز شفافیت: جہاں مناسب ہو، اندرونی طور پر یہ واضح کر دیا جائے کہ AI مواد یا مسودے کی تیاری میں استعمال کیا گیا تھا۔ اسے خفیہ "جادو" کے طور پر استعمال نہیں کرنا چاہیے۔ طالب علم کے ساتھ تعلقات میں رازداری ضروری ہے۔ طالب علم جو وضاحت کرتا ہے وہ گاڑی تک نہیں لے جاتا۔
مرحلہ وار: AI کے استعمال کی پالیسی قائم کرنا
- ڈیٹا کی درجہ بندی کریں۔ آپ کے پاس موجود تمام معلومات کو "ذاتی / نجی / عوامی" کے طور پر الگ کریں۔
- گاڑی کا انتخاب کریں۔ حساس ڈیٹا کے لیے واحد محفوظ، انٹرپرائز ٹول؛ عام خاکہ کے لیے گمنام طور پر کام کریں۔
- گمنامی کے طریقہ کار پر عمل کریں۔ ہر اندراج سے پہلے چیک روٹین چلائیں۔
- توثیق اور تعصب کی جانچ۔ حقیقت اور انصاف کے لیے ہر آؤٹ پٹ کا جائزہ لیں۔
- بحران کی حد کو برقرار رکھیں۔ بحران اور مشاورت کے تعلق کو گاڑی سے دور رکھیں۔
- ذمہ داری لیں اور شفاف رہیں۔ حتمی منظوری ماہر کی ہے؛ تنظیم کے اندر استعمال کھلا ہے۔
کاپی کرنے کے قابل ٹیمپلیٹس
1) گمنامی کنٹرول:
آپ کا کردار: پرائیویسی آڈٹ اسسٹنٹ۔ نیچے دیے گئے متن میں ہر ایک بیان کی فہرست بنائیں جو براہ راست یا بالواسطہ طور پر شخص کی شناخت کر سکے (نام، نمبر، کلاس، اسکول، صورت حال کی منفرد وضاحت) اور ہر ایک کے لیے ایک عام متبادل تجویز کرے۔ تبصرہ کرنے والا مواد۔ متن: [پیسٹ ٹیکسٹ]
2) تعصب اور ثقافتی حساسیت کا آڈٹ:
تعصب اور ثقافتی حساسیت کے لیے درج ذیل PDR مواد کو چیک کریں: کیا اس میں صنف، ثقافت، سماجی و اقتصادی حیثیت، یا خاندانی ڈھانچے کے بارے میں دقیانوسی تصورات موجود ہیں؟ کون خارج کر سکتا ہے؟ خطرناک بیانات پر جھنڈا لگائیں اور جامع متبادل تجویز کریں۔ مواد: [پیسٹ مواد]
3) کارپوریٹ AI استعمال کی پالیسی کا مسودہ:
آپ کا کردار: PDR تحریری معاون۔ رہنمائی کی خدمت کے لیے، مصنوعی ذہانت کے آلات کے استعمال پر ایک مختصر داخلی پالیسی کا مسودہ تیار کریں۔ عنوانات: کن ملازمتوں میں اسے استعمال کیا جاتا ہے، کن ملازمتوں میں اسے استعمال نہیں کیا جاتا ہے (بحران، تشخیص، مشاورت)، ڈیٹا کی گمنامی کا اصول، تصدیق کی ذمہ داری، ذمہ داری ماہر پر منحصر ہے۔ مختصر اور قابل اطلاق۔
کمزور فوری / مضبوط اشارہ
کمزور:
احمد یلماز 8-C کی صورتحال کا خلاصہ کرنے کے لیے، اسے گھر میں تشدد کا نشانہ بنایا جا رہا تھا۔
یہ گاڑی میں انتہائی حساس ڈیٹا (نام، کلاس، خصوصی حیثیت) کو اپنی خام شکل میں داخل کرتا ہے - KVKK اور اخلاقیات کی سنگین خلاف ورزی؛ مزید یہ کہ یہ ایک اطلاع کی صورت حال ہو سکتی ہے (یونٹ 9)۔
مضبوط:
آپ کا کردار: پرائیویسی کنٹرول اسسٹنٹ۔ نوٹ: میں نے نیچے دیے گئے متن کو ٹول میں جمع کرنے سے پہلے گمنام کر دیا۔ تاہم، دوبارہ چیک کریں: کیا کوئی ایسی تفصیل باقی ہے جو اس شخص کو قابل شناخت بناتی ہے؟ متن: "ایک مڈل اسکول کے طالب علم نے اشارہ کیا کہ وہ گھر میں تناؤ کا سامنا کر رہا ہے۔"
تین چھوٹے مقدمات
کیس 1 - بالواسطہ انکشاف۔ ایک ماہر اس ٹول میں ایک متن داخل کرنے والا تھا جس سے اس نے نام چھوڑ دیا تھا۔ لیکن اس نے محسوس کیا کہ "اسکول کا واحد طالب علم جو وہیل چیئر استعمال کرتا ہے" کا جملہ براہ راست اس شخص کی طرف ہے۔ اس نے اسے عام کیا "ایک طالب علم"۔ صرف نام لینا کافی نہیں تھا۔ انوکھی صورت حال کی تفصیل بھی شناخت کر رہی تھی۔
کیس 2 - تعصب کی اصلاح۔ ایک ماہر جس نے کیریئر کے مواد کا آڈٹ کیا اس نے پایا کہ AI ہمیشہ انجینئرنگ کی مثالوں میں مرد کے نام اور دیکھ بھال کے پیشوں میں خواتین کے نام استعمال کرتا ہے۔ اس نے نمونوں کو متوازن کیا اور سڑنا توڑ دیا۔ اس بظاہر معمولی تصحیح نے طلباء کو بھیجے گئے پیغام کی صداقت کو محفوظ رکھا۔
کیس 3 - پالیسی قائم کرنا۔ ایک رہنمائی کی خدمت نے اس حقیقت سے پیدا ہونے والی الجھن کو ختم کرنے کے لیے ایک مشترکہ داخلی پالیسی کا متن بنایا کہ ہر کوئی AI کو مختلف طریقے سے استعمال کرتا ہے: یہ کن کاموں میں استعمال ہوتا ہے، بحران اور تشخیص میں نہیں، ڈیٹا کو گمنام کیا جاتا ہے، آؤٹ پٹ کی تصدیق ہوتی ہے، ذمہ داری ماہر کی ہوتی ہے۔ AI نے مسودہ دیا؛ ٹیم نے اپنی اپنی اقدار کے ساتھ مواد کو حتمی شکل دی۔ غیر یقینی صورتحال نے ایک واضح فریم ورک کو راستہ دیا۔
عام غلطیاں
- خام ڈیٹا درج کرنا۔ نام/اسٹیٹس کے ساتھ گاڑی پر لکھنا۔ حل: گمنامی کا طریقہ کار، محفوظ ٹول۔
- صرف نام ہٹانا۔ بالواسطہ شناخت کنندگان کو بھولنا۔ حل: منفرد تفصیلات کو بھی عام کریں۔
- تعصب کو نظر انداز کرنا۔ دقیانوسی پیداوار کو اپنانا۔ حل: تعصب اور ثقافتی آڈٹ۔
- گاڑی پر ذمہ داری ڈالنا۔ اس کا مطلب ہے "AI نے اسے تیار کیا"۔ حل: جوابدہی ماہر کے ساتھ ہے۔
- غلط استعمال۔ ایک مقصد کے لیے جمع کردہ ڈیٹا کو دوسرے مقصد کے لیے پروسیس کرنا۔ حل: مقصد کی حد کا احترام کریں۔
ٹیبل: ڈیٹا کی قسم اور AI اصول
ڈیٹا کی قسم
مثال
AI اصول
عوامی
عام پیشہ کا تعارف
آزادانہ طور پر دستیاب ہے
ذاتی ڈیٹا
نام، نمبر، کلاس
نام ظاہر کیے بغیر داخل نہیں کیا جا سکتا
خصوصی کوالٹی ڈیٹا
ذہنی حیثیت، خاندان، تشخیص
یہ کبھی بھی اپنی خام شکل میں داخل نہیں ہو سکتا۔
بحران کے اعداد و شمار
خطرہ، زیادتی، خودکشی۔
گاڑی میں کبھی داخل نہ ہوں (یونٹ 9)
خلاصہ میں
PDR میں، رازداری پیشہ میں اعتماد کی بنیاد ہے اور AI دور میں سب سے زیادہ آزمائشی اصول ہے۔ KVKK ڈیٹا کو ذاتی اور نجی ڈیٹا میں الگ کرتا ہے۔ زیادہ تر PDR ڈیٹا حساس ہوتا ہے اور اس کی خام شکل میں ٹول میں داخل نہیں ہوتا ہے۔ ڈیٹا کو کم سے کم کرنا، گمنامی (براہ راست اور بالواسطہ شناخت کنندگان کے ساتھ) اور محفوظ ٹول کا انتخاب بنیادی اصول ہیں۔ پیشہ ورانہ اخلاقیات کے چار اصول — رازداری، فائدہ، غیر مؤثریت، خود مختاری — AI کے استعمال پر پابند ہیں۔ تعصب کو کنٹرول کیا جاتا ہے، ذمہ داری ماہر کے پاس رہتی ہے، اور تنظیم کے اندر استعمال شفاف ہوتا ہے۔
درخواست کا کام
اپنی رہنمائی کی خدمت کے لیے ایک مختصر "AI استعمال کی پالیسی" تیار کریں۔ "انٹرپرائز AI کے استعمال کی پالیسی کے مسودے" ٹیمپلیٹ کے ساتھ ایک اہم آغاز کریں؛ پھر اسے اپنے ادارے کی حقیقت کے مطابق ایڈجسٹ کریں۔ نیز ایک (افسانہ) متن کو "گمنام چیک" ٹیمپلیٹ کے ذریعے پاس کریں اور کم از کم ایک بالواسطہ شناخت کنندہ کو پکڑیں اور عام کریں۔
چیک لسٹ
- میں نے اپنے پاس موجود ڈیٹا کو ذاتی/نجی/عوامی کے طور پر درجہ بندی کر دیا ہے۔
- [ ] میں نے گمنامی میں براہ راست اور بالواسطہ شناخت کنندگان کو عام کیا ہے۔
- میں نے حساس ڈیٹا کے لیے محفوظ/انٹرپرائز ٹول استعمال کیا۔
- [ ] میں نے تعصب اور ثقافتی حساسیت کے لیے آؤٹ پٹ کو چیک کیا۔
- میں نے ذمہ داری قبول کی اور استعمال کو شفاف رکھا۔