Lợi nhuận:
- Khả năng phân loại dữ liệu tài chính theo độ nhạy cảm của nó và chọn các công cụ và giao dịch phù hợp
- Khả năng tiến hành phân tích một cách an toàn bằng cách ẩn danh dữ liệu cá nhân và bí mật
- Có thể thiết lập một khuôn khổ hài hòa, minh bạch và đạo đức, biết rằng trách nhiệm vẫn thuộc về mọi người
Quyền riêng tư, tuân thủ và đạo đức: Giới hạn đối với dữ liệu tài chính
Cho đến nay chúng ta đã thấy AI là trợ lý đắc lực trong lĩnh vực tài chính và kế toán. Trong phần này, chúng ta nhìn vào mặt khác của đồng tiền: ranh giới. Dữ liệu tài chính là một trong những loại dữ liệu nhạy cảm nhất. Báo cáo tài chính dán nhầm xe, kết quả không công bố, thông tin tài khoản của khách hàng; Nó có thể dẫn đến thảm họa cả về pháp lý, đạo đức và thương mại. Đơn vị này dạy các biện pháp bảo vệ không thể thương lượng khi sử dụng AI trong tài chính. Biết các quy tắc này là điều kiện tiên quyết để sử dụng các kỹ năng trong tất cả các đơn vị khác một cách an toàn.
Tại sao dữ liệu tài chính lại nhạy cảm đến vậy?
Ba lý do: Quyền riêng tư (dữ liệu khách hàng, nhân viên, nhà cung cấp nằm trong phạm vi dữ liệu cá nhân và được bảo vệ bởi các quy định như KVKK), thông tin nội bộ (kết quả tài chính không được tiết lộ rất quan trọng đối với thị trường chứng khoán và cạnh tranh) và niềm tin (niềm tin của khách hàng và đối tác kinh doanh không thể khôi phục nếu dữ liệu tài chính của bạn bị rò rỉ). Dữ liệu bạn dán vào công cụ AI công khai sẽ được xử lý trên máy chủ của công cụ đó; Dữ liệu này có thể được sử dụng hoặc có thể truy cập được trong đào tạo mô hình bằng các công cụ không đảm bảo việc lưu giữ dữ liệu của công ty.
KVKK (Luật bảo vệ dữ liệu cá nhân) là luật quy định việc xử lý dữ liệu cá nhân ở Türkiye; Nó hạn chế việc truyền dữ liệu như tên cá nhân, ID TR, tài khoản và thông tin liên hệ cho các bên thứ ba trái phép.
Mẹo: Trước khi dán dữ liệu vào AI, hãy tự hỏi: “Tôi có gửi email này cho người lạ qua email không?” Nếu câu trả lời là không, trước tiên hãy ẩn danh hoặc chỉ sử dụng các công cụ doanh nghiệp đã được phê duyệt.
Từng bước: Trước khi gửi dữ liệu
- Phân loại. Dữ liệu được công khai, sử dụng nội bộ, bí mật hay cá nhân?
- Xác minh công cụ. Nó có phải là công ty/được phê duyệt không? Chính sách lưu giữ và đào tạo dữ liệu là gì?
- Giảm thiểu. Cung cấp dữ liệu tối thiểu cần thiết cho công việc của bạn; cắt bỏ phần thừa.
- Ẩn danh. Che dấu hoặc xóa các thông tin nhận dạng như tên, số CMND, số tài khoản.
- Bảo toàn đầu ra quá. Báo cáo được tạo ra cũng có thể nhạy cảm; Hãy cẩn thận nơi bạn lưu nó.
Cách tiếp cận yếu / Cách tiếp cận mạnh mẽ
Cách tiếp cận kém: Dán kết quả hàng quý chưa được báo cáo cùng với tên khách hàng và số tài khoản vào một công cụ web miễn phí.
Đây vừa là vi phạm KVKK, vừa là rò rỉ thông tin nội bộ, vừa là rủi ro thương mại.
Cách tiếp cận mạnh mẽ:1) Sử dụng công cụ AI dành cho doanh nghiệp đã được chứng nhận (đảm bảo lưu giữ dữ liệu).2) Ẩn danh dữ liệu: “Khách hàng A”, “Khách hàng B”; 4 chữ số cuối bị che hoặc xóa thay vì số tài khoản.3) Chỉ gửi các trường bắt buộc để phân tích (bỏ qua nếu tên/địa chỉ không cần thiết).4) Không tiết lộ các kết quả chưa được tiết lộ cho các công cụ bên ngoài cho đến khi chúng được công khai.5) Lưu kết quả đầu ra vào khu vực an toàn tại chỗ, không lưu vào đĩa cá nhân.
Trước/Sau khi ẩn danh
khu vực
Nguyên (rủi ro)
Ẩn danh (an toàn)
Tên khách hàng
Ahmet Yılmaz İnşaat A.Ş.
Khách hàng A
Số tài khoản
TR12 0006...4501
***4501 hoặc đã bị xóa
chứng minh nhân dân TR
12345678901
Đã xóa
Trường số lượng/phân tích
1.240.000
1.240.000 (được bảo vệ)
Lưu ý: dữ liệu số cần thiết để phân tích được giữ nguyên; Các khu vực nhận dạng người được che dấu. Như vậy, cả hai công việc đều được thực hiện và tính bảo mật được bảo vệ.
Khung tuân thủ và trách nhiệm giải trình
Việc sử dụng AI trong kinh doanh tài chính là vấn đề quản trị. Ai có thể sử dụng công cụ nào, lớp dữ liệu nào có thể vào công cụ nào, đầu ra được xác thực và ghi lại như thế nào? Những điều này nên được xác định trong một chính sách bằng văn bản.
Tạo bản dự thảo "Chính sách sử dụng AI trong dữ liệu tài chính" cho công ty chúng tôi. Bao gồm các tiêu đề sau:- Phân loại dữ liệu (công khai/nội bộ/bí mật/cá nhân)- Các công cụ và quy trình được phép cho từng loại- Các tình huống bị cấm (kết quả không được tiết lộ, dữ liệu cá nhân, v.v.)- Các bước xác minh và kiểm tra bắt buộc- Quy trình trong trường hợp vi phạm Viết phần này dưới dạng phác thảo chính sách; Lưu ý rằng phải có phê duyệt cuối cùng từ đơn vị pháp lý và tuân thủ.
Lưu ý: Không thể chuyển trách nhiệm pháp lý cho nhà cung cấp công cụ AI. Nếu một con số không chính xác do mô hình tạo ra được đưa vào báo cáo và làm sai lệch quyết định, trách nhiệm thuộc về chuyên gia đã sử dụng và phê duyệt nó. “AI đã làm được điều đó” không phải là lời bào chữa.
Xác minh: Tại sao mọi bản in đều bị coi là đáng ngờ?
Nguyên tắc vàng của việc sử dụng AI một cách an toàn trong kinh doanh tài chính là xem xét kết quả đầu ra “nghi ngờ cho đến khi được chứng minh ngược lại”. Đây không phải là hoang tưởng mà là kỷ luật nghề nghiệp; giống như kiểm toán viên sẽ không phê duyệt bất kỳ hồ sơ nào nếu không xem nó. Người mẫu nói trôi chảy và tự tin như thế nào không phải là bằng chứng về tính chính xác của nó; Ngược lại, những lỗi nguy hiểm nhất là những lỗi được trình bày một cách thuyết phục nhất.
Trong thực tế, hãy thiết lập xác minh ba lớp: (1) Lớp số học - tính toán lại tổng và tỷ lệ phần trăm hoặc yêu cầu mô hình tính toán lại và so sánh. (2) Lớp nguồn - khớp từng số với bảng mà nó xuất phát. (3) Lớp logic - kết quả có hợp lý trong bối cảnh kinh doanh không? Nếu một kết quả như "Ký quỹ hóa ra là 90%" là không thể xảy ra đối với ngành, ngay cả khi nó đúng về mặt số học, thì điều đó cho thấy có lỗi đầu vào.
Kiểm tra phân tích tài chính này theo ba lớp:1) Số học: tính toán lại tất cả các tổng và tỷ lệ phần trăm, đánh dấu những phần không khớp2) Nguồn: ghép từng số liệu với bảng <nguồn>, viết số không khớp là "KHÔNG XÁC MINH"3) Logic: đánh dấu các kết quả không hợp lý trong bối cảnh kinh doanh (cực cao/thấp) là Xác nhận "ĐÁNG NGỜ"; chỉ cần kiểm tra và báo cáo kết quả của ba lớp riêng biệt.
Mặc dù kỷ luật này có vẻ lãng phí động lực nhưng nó thực sự bảo vệ bạn khỏi một sai lầm đắt giá hơn nhiều: một quyết định sai lầm dựa trên những con số sai lầm.
Đạo đức: Minh bạch và thiên vị
Hai vấn đề đạo đức nổi bật. Tính minh bạch: Cần làm rõ với các bên liên quan khi cần thiết rằng phân tích được thực hiện với sự hỗ trợ của AI. Xu hướng: Mô hình dựa trên dữ liệu lịch sử; Ví dụ, nó có thể lặp lại sự bất công trong quá khứ trong việc chấm điểm tín dụng/rủi ro. Điều bắt buộc về mặt đạo đức là phải lọc đầu ra AI thông qua sự đánh giá của con người và sự công bằng trong các quyết định tài chính.
Hộp đựng nhỏ
Trường hợp 1 - Rò rỉ đã dán. Một nhà phân tích dán kết quả hàng quý chưa được công bố vào một công cụ miễn phí và yêu cầu tóm tắt. Dữ liệu này nằm ngoài tầm kiểm soát vì không có chính sách của công ty. Mặc dù kết quả không bị rò rỉ sớm nhưng vụ việc đã làm dấy lên một cuộc điều tra và buộc công ty phải đưa ra chính sách về phương tiện được chứng nhận. Bài học: sự tiện lợi không thể lấn át sự riêng tư.
Trường hợp 2 - Làm việc với tính năng ẩn danh. Một nhóm kế toán muốn thực hiện phân tích thu thập thông tin khách hàng nhưng tên tuổi được giữ bí mật. Họ che giấu khách hàng là "A, B, C" và chỉ làm việc với dữ liệu về số lượng và ngày. Quá trình phân tích hoàn toàn hiệu quả, không có dữ liệu cá nhân nào bị rò rỉ. Quyền riêng tư và tiện ích đạt được cùng nhau.
Trường hợp 3 - Trách nhiệm không thể chuyển nhượng. Tỷ lệ không chính xác trong báo cáo xuất phát từ đầu ra AI và được trình lên ban quản lý mà không xác minh. Khi quyết định sai thì lời bào chữa “xe tính như vậy” không được chấp nhận; Trách nhiệm thuộc về người quản lý tài chính đã phê duyệt báo cáo. Bài học: sự xác minh và trách nhiệm thuộc về con người.
Trường hợp 4 - Được xác thực ba lớp. Trong báo cáo của một nhà phân tích, AI đã tính toán “tỷ suất lợi nhuận gộp là 91%” cho một ngành kinh doanh. Lớp số học đúng, lớp nguồn khớp; nhưng khi lớp logic phát huy tác dụng, rõ ràng là ngành này không thể có lợi nhuận biên. Nguyên nhân cốt lõi: một phần cột chi phí bị chuyển nhầm sang ngành nghề kinh doanh khác. Nếu chỉ xét đến số học thì lỗi sẽ không còn nữa. Bài học: kiểm tra tính hợp lý là lớp chính xác thứ ba và thường là quan trọng nhất.
Những lỗi thường gặp
- Dán dữ liệu nhạy cảm vào một công cụ không được phê duyệt. Cách phổ biến nhất để vi phạm quyền riêng tư và tuân thủ.
- Đưa các kết quả chưa được tiết lộ vào một công cụ bên ngoài. Nó có nguy cơ rò rỉ thông tin nội bộ.
- Bỏ qua ẩn danh. Nếu những khu vực nhận dạng người đó là không cần thiết thì họ nên bịt mặt.
- Đổ trách nhiệm cho phương tiện. “AI đã làm được” không phải là lời bào chữa; Người phê duyệt chịu trách nhiệm.
- Làm việc mà không có chính sách bằng văn bản. Nếu không rõ ai có thể đưa dữ liệu nào vào công cụ nào thì không thể quản lý được rủi ro.
Tóm lại
- Dữ liệu tài chính rất nhạy cảm; Không phải tất cả dữ liệu đều được đưa vào mọi công cụ do quyền riêng tư, thông tin nội bộ và rủi ro về lòng tin.
- Phân loại dữ liệu, xác minh phương tiện, giảm thiểu và ẩn danh thông tin nhận dạng cá nhân trước khi gửi.
- Dữ liệu số cần thiết để phân tích được bảo toàn; khu vực nhận dạng người đó bị che; kinh doanh và bảo mật đi cùng nhau.
- Việc sử dụng AI là vấn đề quản trị; chính sách bằng văn bản, bắt buộc phải xác minh và theo dõi kiểm toán.
- Trách nhiệm không thể được chuyển giao cho chiếc xe; Sự minh bạch và sự phán xét của con người chống lại sự thiên vị là một mệnh lệnh đạo đức.
Nhiệm vụ ứng dụng
Lấy ví dụ về dữ liệu tài chính thực tế mà bạn có (liên quan đến khách hàng/nhà cung cấp). Trước tiên, hãy thực hiện "phân loại dữ liệu", sau đó che dấu các trường cá nhân bằng cách sử dụng logic trong bảng ẩn danh, chỉ để lại những gì cần thiết để phân tích. Sau đó, với lời nhắc dự thảo chính sách, hãy tạo một chính sách sử dụng AI ngắn gọn cho nhóm của bạn và điều chỉnh ít nhất ba mục cho phù hợp với tổ chức của bạn.
danh sách kiểm tra
- [ ] Tôi đã phân loại dữ liệu (công khai / nội bộ / bí mật / cá nhân).
- [ ] Tôi chỉ sử dụng công cụ được tổ chức/phê duyệt và đã kiểm tra chính sách của nó.
- [ ] Tôi đã thu nhỏ dữ liệu tôi đã gửi; Tôi đã loại bỏ các trường không cần thiết.
- [ ] Tôi đã ẩn danh các trường nhận dạng người đó.
- [ ] Tôi không đưa các kết quả chưa được tiết lộ vào công cụ bên ngoài.
- [ ] Tôi chấp nhận và xác nhận rằng tôi chịu trách nhiệm về kết quả đầu ra.