Lợi nhuận:
- Khả năng phân loại người nộp thuế và dữ liệu tài chính trong khuôn khổ KVKK và nghĩa vụ bảo mật của Luật Thủ tục Thuế và xác định mức độ bảo vệ
- Khả năng áp dụng các bước ẩn danh, che giấu và lựa chọn công cụ an toàn/tổ chức trước khi cung cấp dữ liệu cho trí tuệ nhân tạo
- Khả năng hình thành thói quen tránh lái xe không có giám sát bằng cách biết các hậu quả pháp lý, hình sự và nghề nghiệp của hành vi vi phạm quyền riêng tư.
Một chuyên gia nhìn thấy thông tin thân mật nhất của người nộp thuế: doanh thu, lợi nhuận, chuyển động ngân hàng, lương nhân viên, số ID TR, hợp đồng, cơ cấu hợp tác. Thông tin này được bảo vệ bởi hai lớp pháp lý riêng biệt: KVKK (Luật bảo vệ dữ liệu cá nhân, luật cấm xử lý trái phép thông tin cá nhân) và nghĩa vụ bảo mật của Luật thủ tục thuế (nghĩa vụ của chuyên gia là giữ bí mật thông tin mà mình biết được do nghĩa vụ của mình). Trong thời đại trí tuệ nhân tạo, biện pháp bảo vệ này phải đối mặt với một mối đe dọa mới: đưa dữ liệu nhạy cảm vào một công cụ không được kiểm soát. Nguyên tắc của đơn vị này là duy nhất: dữ liệu được bảo vệ trước khi đưa vào AI; Không có dữ liệu nhạy cảm nào được đưa vào phương tiện không được giám sát.
Bảo vệ hai lớp và lý do cần được thực hiện nghiêm túc
- Lớp KVKK: Tất cả thông tin (tên, TR ID, mức lương, thông tin liên hệ) thuộc về người thật là dữ liệu cá nhân. Việc xử lý, chuyển giao trái phép và bảo vệ không đầy đủ sẽ dẫn đến phạt hành chính và bồi thường.
- Lớp bảo mật VUK: Chuyên gia không thể chia sẻ bí mật tài chính của người nộp thuế với bên thứ ba. Hành vi vi phạm mang lại cả hậu quả hình sự và nghề nghiệp (kỷ luật).
Số dư dùng thử hoặc bảng lương được dán vào công cụ AI có sẵn công khai có thể được coi là “chuyển cho bên thứ ba”. Người ta thường không rõ cách công cụ lưu trữ dữ liệu và liệu nó có được sử dụng trong đào tạo hay không. Chỉ riêng sự không chắc chắn này thôi đã đủ rủi ro rồi.
Lưu ý: Ý kiến cho rằng "dù sao cũng sẽ không có ai nhìn thấy nó" không phải là một biện pháp bào chữa hợp pháp. Khi dữ liệu đi vào một hệ thống không được kiểm soát, nó sẽ nằm ngoài tầm kiểm soát của bạn. Vi phạm quyền riêng tư nguy hiểm không phải vì khả năng xảy ra mà vì nó không thể thay đổi được một khi nó xảy ra.
Trước khi cung cấp dữ liệu cho AI: các bước bảo vệ
- Phân loại. Dữ liệu bạn có là bí mật cá nhân, tài chính hay công khai? Xác định mức độ bảo vệ phù hợp.
- Câu hỏi cần thiết. Có thực sự cần thiết phải cung cấp dữ liệu này cho mô hình hay nhiệm vụ có thể được thực hiện với dữ liệu ẩn danh/tóm tắt?
- Ẩn danh/che giấu. Tên của họ là K1, K2; công ty Ş1, Ş2; Thay thế TR ID và số tài khoản bằng mặt nạ. Tổng quát hóa các chi tiết độc đáo cung cấp chẩn đoán gián tiếp.
- Chọn phương tiện an toàn. Nếu có thể, hãy sử dụng công cụ được công ty/được phê duyệt để đảm bảo lưu giữ dữ liệu.
- Giữ dấu vết. Ghi lại dữ liệu bạn đã cung cấp cho công cụ nào và với biện pháp bảo vệ nào.
Kiểu dữ liệu
ví dụ
phương pháp bảo tồn
dữ liệu nhận dạng
Tên, ID TR
Mặt nạ/ẩn danh; không bao giờ cho thô
bí mật tài chính
Doanh thu, lợi nhuận, ngân hàng
Tóm tắt/ẩn danh; xe doanh nghiệp
dữ liệu mối quan hệ
đối tác, nhà cung cấp
Khái quát hóa; loại bỏ chi tiết độc đáo
công cộng
bảng cân đối kế toán đã công bố
có thể được xử lý bình thường
Việc ẩn danh được thực hiện như thế nào trong thực tế?
Ẩn danh đang làm cho danh tính không thể phân biệt được trong khi vẫn giữ cho dữ liệu hữu ích. Ví dụ: bạn sẽ có một bảng lương được phân tích: bạn đặt số thứ tự thay vì tên và TR ID, việc phân tích phân bổ lương sẽ không bị gián đoạn nhưng không thể xác định được ai. Điểm quan trọng là chẩn đoán gián tiếp: những biểu thức như "nữ tổng giám đốc duy nhất" hay "người 92 tuổi duy nhất trong một công ty gồm 35 người" sẽ cho người đó ngay cả khi bạn xóa tên; Đây cũng là những khái quát.
ba trường hợp nhỏ
Trường hợp 1 - Rò rỉ tiền lương. Một thực tập sinh tải bảng lương của 3.500 người (tên, CMND, lương) lên một công cụ web miễn phí và nói "tóm tắt". Dữ liệu có nguy cơ bị trộn lẫn vào kho lưu trữ của phương tiện; Cả hai vi phạm bảo mật KVKK và VUK đều xảy ra. Nếu khách hàng phát hiện ra thì coi như xong. Cách đúng đắn là sử dụng phương tiện đã được công ty phê duyệt hoặc chỉ phân bổ lương bằng cách che tên/ID TR của bạn.
Trường hợp 2 - Chẩn đoán gián tiếp. Một nhà tư vấn đưa cho người mẫu một danh sách, trong đó anh ta xóa tên nhưng để lại cụm từ "người quản lý người nước ngoài duy nhất của công ty". Câu nói này làm lộ người đó; Thiếu ẩn danh. Bài học: những chi tiết độc đáo cung cấp chẩn đoán gián tiếp cũng cần được khái quát hóa.
Trường hợp 3 - Xử lý tốt. Trước khi cung cấp dữ liệu nhạy cảm cho mô hình, văn phòng sẽ trải qua bước ẩn danh tiêu chuẩn: sử dụng mẫu, chuyển đổi tên, ID và tên thương hiệu thành mã, sau đó phân tích. Chất lượng phân tích không giảm, không có danh tính nào bị rò rỉ. Quyền riêng tư và hiệu quả được bảo vệ cùng nhau.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tóm tắt bảng lương sau: [Ahmet Yılmaz, TC 123..., lương 45.000; ...]
Dữ liệu cá nhân thô được đưa vào xe một cách không kiểm soát; Đó là sự vi phạm trực tiếp.
Lời nhắc mạnh mẽ:
Tôi sẽ cung cấp cho bạn một bộ dữ liệu. TRƯỚC KHI xử lý, hãy áp dụng cách ẩn danh sau và cho tôi xem phiên bản ẩn danh: - Đặt tên người K1, K2... - Xóa hoàn toàn TR ID và số tài khoản. - Đặt tên công ty/thương hiệu T1, K2.... Khái quát hóa các chi tiết duy nhất có thể gián tiếp nhận dạng người đó. Sau đó chỉ hoạt động trên phiên bản ẩn danh.[DATA (được che giấu càng nhiều càng tốt): ...]
Lưu ý: An toàn nhất là không nhập dữ liệu cá nhân thô; Nếu vào, bạn phải đeo khẩu trang và ngồi trên một phương tiện an toàn.
Để được trợ giúp phân loại dữ liệu:
Phân loại từng trường sau: dữ liệu cá nhân, bí mật tài chính, công khai? Viết mức độ bảo vệ được đề xuất cho từng trường. Các trường: [tên trường, TRẢ LẠI mẫu]
Để tạo mẫu ẩn danh:
Tạo một danh sách kiểm tra ẩn danh tiêu chuẩn mà tôi sẽ sử dụng trong phân tích bảng lương/số dư thử nghiệm: trường nào nên được che, trường nào nên bỏ qua, tôi nên tìm kiếm gì để chẩn đoán gián tiếp?
Về đánh giá an toàn phương tiện:
Tôi nên hỏi những câu hỏi nào khi đánh giá liệu một công cụ AI có phù hợp với dữ liệu nhạy cảm của người nộp thuế hay không (lưu giữ dữ liệu, sử dụng trong giáo dục, hợp đồng công ty, địa điểm)? Tạo một danh sách kiểm tra.
Những lỗi thường gặp
- Nhập dữ liệu cá nhân thô. Không bao giờ vào xe mà không xác minh Tên/ID TR.
- Bỏ qua chẩn đoán gián tiếp Chi tiết độc đáo sẽ tiết lộ danh tính ngay cả khi tên bị xóa.
- Không hỏi về độ an toàn của xe. Dữ liệu nhạy cảm không được đưa ra nếu không biết công cụ lưu trữ dữ liệu đó như thế nào.
- Không đặt câu hỏi về sự cần thiết. Nếu tác vụ có thể được thực hiện với dữ liệu ẩn danh/tóm tắt thì dữ liệu thô sẽ không được cung cấp.
- Không theo dõi. Nếu dữ liệu nào được cung cấp ở đâu không được ghi lại thì không thể truy tìm được vi phạm.
Tóm lại
Dữ liệu của người nộp thuế được bảo vệ hai lớp bởi cả nghĩa vụ bảo mật của KVKK và VUK, đồng thời rủi ro mới lớn nhất trong thời đại trí tuệ nhân tạo là việc đưa dữ liệu nhạy cảm vào một công cụ không được kiểm soát. Trước khi dữ liệu được nhập vào mô hình, nó sẽ được phân loại, sự cần thiết của nó được đặt câu hỏi, các mã định danh như tên/ID TR bị che đi và các chi tiết cung cấp chẩn đoán gián tiếp được khái quát hóa; Nếu có thể, chỉ sử dụng công cụ an toàn, đảm bảo lưu giữ dữ liệu của công ty. Vi phạm quyền riêng tư là tác hại không thể khắc phục được; Dữ liệu an toàn nhất là dữ liệu không bao giờ được nhập vào.
Nhiệm vụ ứng dụng
Cầm một tập tin nhạy cảm điển hình (ví dụ: bảng lương hoặc số dư dùng thử) trong tay. Đầu tiên hãy phân loại các lĩnh vực của họ (bí mật cá nhân/bí mật tài chính/công khai). Sau đó, áp dụng mẫu ẩn danh: liệt kê những khu vực bạn sẽ che giấu, những khu vực bạn sẽ xóa và những gì bạn sẽ tìm kiếm để nhận dạng gián tiếp. Cuối cùng, đánh giá mức độ phù hợp về bảo mật của công cụ trí tuệ nhân tạo mà bạn sử dụng/sẽ sử dụng bằng danh sách kiểm tra.
danh sách kiểm tra
- [ ] Tôi đã phân loại dữ liệu là bí mật cá nhân/tài chính/công khai.
- [ ] Tôi thắc mắc liệu việc cung cấp dữ liệu thô có thực sự cần thiết hay không.
- [ ] Tôi đã che/xóa tên, TR ID và số tài khoản.
- [ ] Tôi đã khái quát hóa những chi tiết độc đáo giúp cung cấp chẩn đoán gián tiếp.
- [ ] Tôi chỉ sử dụng các công cụ bảo mật/doanh nghiệp có đảm bảo lưu giữ dữ liệu.
- [ ] Tôi đã đánh giá chính sách dữ liệu (lưu trữ, đào tạo) của công cụ.
- [ ] Tôi đã ghi lại dữ liệu nào tôi đã cung cấp ở đâu làm dấu vết.