Lợi nhuận:
- Áp dụng các cân nhắc về AI ở mọi giai đoạn của vòng đời dữ liệu
- Đặt khoảng thời gian lưu giữ và đưa lịch sử trò chuyện AI vào chính sách hủy
- Áp dụng sự khác biệt giữa ẩn danh và bút danh
Phần “sau” của dữ liệu là nơi nhân viên bảo vệ dữ liệu thường bỏ qua. Khi văn bản được nhập vào AI, có vẻ như công việc đã hoàn thành; Tuy nhiên, dữ liệu đó được lưu trữ ở đâu đó, có thể được sử dụng trong đào tạo mô hình, có thể nó tích lũy trong lịch sử trò chuyện hàng tháng trời. Trong phần này, chúng ta sẽ thảo luận từng bước về vòng đời của dữ liệu cá nhân; Chúng ta sẽ tìm hiểu về khoảng thời gian lưu giữ, hủy lịch sử trò chuyện AI và phân biệt giữa hai kỹ thuật quan trọng — ẩn danh và bút danh. Mục tiêu là quản lý dữ liệu trong suốt vòng đời của nó chứ không chỉ khi dữ liệu được nhập vào.
Vòng đời dữ liệu và AI
Dữ liệu cá nhân trải qua một vòng đời; Mỗi giai đoạn đều có các điểm chú ý dành riêng cho AI.
Sân khấu
Điều gì xảy ra?
Điểm chú ý của AI
bộ sưu tập
Dữ liệu thu được
Mục đích và cơ sở có rõ ràng không? Nó đã được giảm thiểu chưa?
Sử dụng/xử lý
Nhập vào AI, xử lý
Việc che đậy đã được thực hiện chưa? Xe được phê duyệt?
lưu trữ
Dữ liệu được giữ lại
Lịch sử trò chuyện kéo dài bao lâu?
chuyển nhượng
đi đến người khác
Máy chủ quốc tế? Có sự đảm bảo phù hợp không?
Sự hủy diệt
Xóa/ẩn danh
Nó có bị xóa sau khi mục đích đã hoàn thành không? Có kèm theo phụ tùng không?
Hai giai đoạn bị bỏ quên nhiều nhất là lưu trữ và xử lý. Dữ liệu bị "quên" và tiếp tục tích lũy trong hệ thống - điều này vừa vi phạm nguyên tắc KVKK vừa làm tăng thêm thiệt hại trong trường hợp vi phạm.
Thời gian lưu trữ: bạn có thể giữ nó trong bao lâu?
Nguyên tắc lưu giữ của KVKK rất rõ ràng: dữ liệu cá nhân không thể được lưu giữ lâu hơn mức cần thiết cho mục đích xử lý dữ liệu đó. Khi mục đích không còn nữa, dữ liệu sẽ bị xóa, hủy hoặc ẩn danh. Tổ chức chuẩn bị chính sách lưu trữ và xử lý; xác định số lượng cần giữ cho mỗi loại dữ liệu.
Điểm quan trọng dành riêng cho AI: Lịch sử trò chuyện của AI cũng là dữ liệu được lưu trữ. Nếu một nhân viên đã nhập dữ liệu khách hàng vào cùng một cuộc trò chuyện trong nhiều tháng, lịch sử đó sẽ trở thành kho lưu trữ dữ liệu. Đối với điều này:
- Định cấu hình cài đặt lưu giữ dữ liệu trong các công cụ AI dành cho doanh nghiệp (tự động xóa lịch sử nếu có thể hoặc tắt sử dụng trong đào tạo mô hình).
- Bao gồm lịch sử trò chuyện trong lịch trình tiêu hủy của bạn.
- Đảm bảo tùy chọn "Không sử dụng trong đào tạo mô hình" (chọn không tham gia) trong hợp đồng công ty.
Lưu ý: Xóa dữ liệu không chỉ là xóa khỏi màn hình. Các bản sao lưu, nhật ký và bản sao trên máy chủ của nhà cung cấp cũng cần được xem xét. Khi bạn nói "đã xóa", hãy đảm bảo rằng những gì bạn đã xóa thực sự không thể khôi phục được.
Ẩn danh hay bút danh?
Hai thuật ngữ này thường bị nhầm lẫn nhưng hậu quả pháp lý của chúng hoàn toàn trái ngược nhau.
- Ẩn danh: Tạo dữ liệu để nó không thể liên kết với một người dưới bất kỳ hình thức nào. Nếu thực hiện đúng, kết quả sẽ không còn là dữ liệu cá nhân và nằm ngoài phạm vi của KVKK. Ví dụ: Xóa các hàng riêng lẻ trong tập dữ liệu 10.000 người và chỉ để lại số liệu thống kê tổng hợp, chẳng hạn như "Chi tiêu trung bình ở nhóm tuổi 25-34 ở Istanbul".
- Bí danh: Thông tin nhận dạng được thay thế bằng mã/thẻ, nhưng có thể được trả lại cho người đó bằng "chìa khóa". Ví dụ: Viết "Customer-4471" thay vì "Ahmet Yılmaz", nhưng giữ một bảng hiển thị mã nào thuộc về ai. Đây vẫn là dữ liệu cá nhân và nằm trong phạm vi của KVKK.
tính năng
Ẩn danh
Biệt danh
Người đó có thể được trả lại?
Không (nếu làm đúng)
Có, với chìa khóa
Nó vẫn là dữ liệu cá nhân?
không
Có
phạm vi KVKK
bên ngoài
trong
Để vào AI
Cách an toàn nhất
Một lần nữa, cần phải có cơ sở/quy tắc
Mẹo: "Nó có thể đảo ngược được không?" trước khi nhập dữ liệu vào AI. hỏi. Nếu có khóa/kết quả trùng khớp trong đó, nó sẽ được đặt biệt danh và vẫn là dữ liệu cá nhân. Ẩn danh thực sự là chia sẻ kết quả tổng hợp chứ không phải các hàng riêng lẻ.
ba trường hợp nhỏ
Trường hợp 1 - Ẩn danh giả. Một công ty chăm sóc sức khỏe cung cấp cho AI một bộ dữ liệu mà họ cho biết đã “ẩn danh” để phân tích. Nhưng bộ này bao gồm ngày sinh, quận và chẩn đoán hiếm gặp; bộ ba này có thể chỉ một người ở một quận nhỏ. Đây không phải là ẩn danh; dữ liệu vẫn mang tính cá nhân. Cách đúng đắn: chuyển đổi ngày sinh sang độ tuổi, khái quát hóa theo quận, nhóm các chẩn đoán hiếm gặp—tức là tổng hợp thực sự.
Trường hợp 2 - Cuộc trò chuyện chồng chất. Trong một trung tâm cuộc gọi, 6 nhân viên nhập dữ liệu khách hàng vào cùng một tài khoản AI của công ty trong 4 tháng. Không ai xóa sạch quá khứ; cuối cùng đã có hơn 12.000 lượt tương tác của khách hàng được tích lũy ở một nơi. Trong một cuộc kiểm toán, sự tích lũy này được đánh dấu là một rủi ro lớn. Giải pháp: cài đặt để tự động xóa lịch sử sau mỗi 30 ngày, quy tắc đăng xuất khi công việc kết thúc và một điều khoản mở về chính sách lưu giữ.
Trường hợp 3 - Cách đặt bút danh đúng. Khi phân tích hiệu suất của nhân viên bằng AI, nhóm nhân sự sẽ mã hóa các tên như “Employee-001” và giữ bảng khớp trong một tệp riêng biệt, có giới hạn quyền truy cập. Đây là bút danh; Dữ liệu vẫn mang tính cá nhân nhưng rủi ro đã giảm. Nhóm biết rằng đây không phải là ẩn danh và xác định cơ sở pháp lý cũng như thời gian lưu giữ tương ứng.
Mẫu có thể sao chép
MẪU 1 — Dòng chính sách lưu giữ và hủy bỏ: "Đề xuất dòng chính sách lưu giữ-hủy bỏ cho danh mục dữ liệu sau: [danh mục]. Các trường: thời gian lưu giữ (điều chỉnh theo mục đích), phương pháp hủy bỏ (xóa/hủy/ẩn danh), liệu lịch sử trò chuyện AI có được bao gồm hay không, vai trò chịu trách nhiệm. Nhắc nhở xem có nghĩa vụ lưu giữ hợp pháp hay không."
MẪU 2 — Kiểm tra ẩn danh: "Đánh giá xem tập dữ liệu sau có thực sự ẩn danh hay không: [liệt kê các trường]. Sự kết hợp nào của các trường có thể giúp một người có thể nhận dạng lại được (ví dụ: ngày sinh + mã zip + tính năng hiếm)? Đề xuất khái quát hóa cho từng trường rủi ro (chẳng hạn như độ tuổi, cấp tỉnh) để tăng cường tính ẩn danh. "
MẪU 3 — Che dấu + tách khóa trả về: "Bí danh văn bản sau: mã hóa dữ liệu cá nhân (như [NAME]->K001), nhưng cung cấp cho tôi một bảng khớp RIÊNG.
MẪU 4 — Kiểm tra lưu trữ dữ liệu của công cụ AI: "Chuẩn bị danh sách các câu hỏi để kiểm tra hành vi lưu trữ dữ liệu của công cụ AI mà chúng tôi sử dụng: lịch sử được lưu giữ trong bao lâu, nó có thể bị xóa không, nó có được sử dụng trong đào tạo mô hình không, có chọn không tham gia không, dữ liệu được xử lý ở đâu, các bản sao lưu là gì? Hãy viết câu trả lời 'an toàn' dự kiến cho mỗi câu hỏi."
Dấu nhắc yếu / Dấu nhắc mạnh
YẾU: "Ẩn danh dữ liệu này." (mã và để lại tên)-> Chỉ là biệt hiệu; Rủi ro tái nhận dạng vẫn còn, chẳng hạn như ngày sinh, đặc điểm hiếm gặp; Nó tạo ra ảo tưởng về "ẩn danh". GÜÇLÜ: "Tìm sự kết hợp của các trường trong bộ này để có thể nhận dạng lại một người; khái quát hóa từng trường trong số đó (độ tuổi, cấp tỉnh). Mục tiêu của tôi không phải là một bản ghi đơn lẻ mà là số liệu thống kê tổng hợp. Kết quả là, không ai có thể được phân biệt thành một người duy nhất và xác minh điều này." -> Mô hình có xu hướng ẩn danh thực sự, giảm nguy cơ tái nhận dạng.
Những lỗi thường gặp
- Nhầm bút danh với ẩn danh; quên rằng nó vẫn là dữ liệu cá nhân.
- Xóa tên và để lại các tổ hợp mô tả như ngày sinh + vị trí + đặc điểm hiếm.
- Không tuân theo quy tắc lưu giữ/hủy bỏ lịch sử trò chuyện AI; tích lũy vô thời hạn.
- Không đảm bảo điều khoản "Không sử dụng trong đào tạo mô hình" (chọn không tham gia) trong hợp đồng.
- Khi tôi nói xóa, ý tôi là chỉ xóa màn hình và quên đi các bản sao lưu và nhật ký.
- Giữ thời gian lưu trữ lâu hơn để "chỉ trong trường hợp" hơn là vì mục đích.
- Bỏ qua việc chuyển giao và lưu trữ cũng diễn ra trên máy chủ của nhà cung cấp.
Tóm lại
- Dữ liệu cá nhân trải qua một vòng đời; Các giai đoạn bị bỏ quên nhất là lưu trữ và xử lý.
- Dữ liệu có thể không được lưu giữ lâu hơn mức cần thiết cho mục đích này; Tổ chức nên thiết lập chính sách lưu trữ và tiêu hủy.
- Lịch sử trò chuyện AI cũng là dữ liệu được lưu trữ; nên được đưa vào lịch xử lý và cài đặt lưu trữ.
- Tính năng ẩn danh sẽ lấy dữ liệu ra khỏi KVKK; Việc ẩn danh vẫn để lại dữ liệu cá nhân.
- Xóa tên không phải là ẩn danh; Tất cả các kết hợp có nguy cơ tái nhận dạng nên được khái quát hóa.
Nhiệm vụ ứng dụng
Chọn danh mục dữ liệu mà tổ chức của bạn xử lý bằng AI (ví dụ: hồ sơ hỗ trợ khách hàng). Viết dòng chính sách lưu giữ và hủy bỏ cho danh mục này: thời gian lưu giữ (hợp lý), phương pháp hủy bỏ, liệu lịch sử trò chuyện AI có được bao gồm hay không và vai trò chịu trách nhiệm. Sau đó, lấy một bản ghi mẫu từ cùng một dữ liệu và đặt biệt danh cho nó trước tiên (giữ riêng bảng khớp), sau đó viết những trường bạn sẽ khái quát hóa và cách đưa bản ghi này về trạng thái ẩn danh thực sự. Cuối cùng, hãy chuẩn bị năm câu hỏi kiểm soát hành vi lưu trữ dữ liệu của công cụ AI mà bạn sử dụng và thêm câu trả lời “an toàn” mà bạn mong đợi cho mỗi câu hỏi.
danh sách kiểm tra
- [ ] Tôi đã xác định thời gian lưu giữ và phương pháp hủy cho danh mục dữ liệu.
- [ ] Tôi đã đưa lịch sử trò chuyện AI vào lịch trình tiêu hủy.
- [ ] Tôi đã chọn mục chọn không tham gia "Không sử dụng trong đào tạo người mẫu".
- [ ] Tôi đã thực hiện sự khác biệt giữa bút danh và ẩn danh.
- [ ] Tôi có các kết hợp trường tổng quát có nguy cơ bị nhận dạng lại.
- [ ] Tôi cũng đưa các bản sao lưu và nhật ký vào phạm vi xóa.
- [ ] Tôi đã kiểm tra hành vi lưu trữ dữ liệu của công cụ AI.