收益：
- 在将客户的敏感数据和财务数据提供给人工智能工具之前进行匿名化和评估必要性
- 能够区分企业和公共人工智能工具在隐私、数据保留和教育使用方面的差异
- 能够在 KVKK 框架内管理数据泄露、保留期限和第三方分担风险
保险业是处理最敏感数据的行业之一。保险档案；它可能包括身份信息、地址、收入、银行账户、健康史、损坏记录、车牌、地契，甚至家庭信息。其中一些数据作为 KVKK（个人数据保护法）中的“特殊性质的个人数据”受到最高保护；健康、生物识别和类似数据就是典型的例子。使用人工智能工具（尤其是基于云的工具）时，不受控制地共享这些数据会带来严重的违规和失去信任的风险。一旦泄露，数据将无法检索。在本单元中，您将学习如何在将客户数据提供给人工智能之前对其进行匿名化（删除个人身份信息）、企业和公共工具之间的隐私差异，以及如何在 KVKK 框架内管理数据泄露、存储和第三方共享的风险。本单元不是法律咨询；解释一般原则，具体情况请咨询合规/法律部门。
为什么隐私至关重要：数据类型
在保险中，需要根据保障级别来分离数据：
- 身份数据：姓名、TR ID 号、出生日期、联系方式。它直接识别该人。
- 财务数据：收入、银行账户、付款历史记录。个性化且敏感。
- 特殊质量数据：健康、生物识别数据。最高的保护；处理需要更严格的条件（明确同意或法定例外）。
- 文件数据：保单号、车牌、地契、损坏详细信息。当与其他东西结合时，它可以揭示身份。
最大的危险是将这些数据放在一起时出现的可识别性。虽然“45岁女性”是匿名的，但“45岁女性+某个车牌+某个地址”可以暴露身份。
注意：向人工智能工具提供数据后说“删除”并不会真正删除它。有些工具存储输入，甚至用它来训练模型。规则：绝不发送敏感数据；在发送之前进行匿名处理。
匿名化：如何做
匿名化是指删除可识别信息并用事实等价物替换；目标是在保持输出质量的同时使该人变得无法识别。良好的匿名化：
- 删除姓名、TR ID、电话、地址、保单号码、车牌和地契信息。
- 他用具有分析意义的等价词替换它们：“45 岁，男性，保险单，安纳托利亚中部，单方面碰撞”。
- 它避免了罕见/独特的组合：一个非常具体的职业+一个非常小的地方，仅此一点就可以打开身份。
- 保留医学/技术含义：例如“补充健康、计划的骨科手术”。
提示：匿名后，问问自己：“如果一个陌生人读了这篇文章，他能找到这个人吗？”如果答案是肯定的，请进一步概括。尤其是罕见的组合（小区域+特定事件）是危险的。
企业工具与公共工具
并非所有人工智能工具都具有相同级别的隐私。它们在三个维度上有所不同：
- 数据保留：是否保留输入以及保留多长时间？
- 训练中的使用：是否使用输入来训练模型？
- 地点和合同：数据在哪里处理，是否有公司数据处理协议？
机构（机构的合同、数据处理保证）工具通常会限制在教育中不使用和存储数据。公共免费工具可以存储输入并在培训中使用它。规则：敏感数据仅以机构批准的合同方式以及尽可能匿名的形式进行处理。将客户数据输入未经批准的工具会使数据处理者无法审计。
一步一步：安全地处理机密数据
- 对数据进行分类。身份/财务/特殊质量/文件数据。
- 必要性测试。该数据对于该任务真的是必要的吗？如果没有，请不要使用它。
- 匿名。删除标识符，替换事实等价物，概括罕见的组合。
- 选择车辆。仅限经机构批准的签约车辆；公共工具没有可用的敏感数据。
- 使用最少的数据。分享任务所需的最少信息。
- 管理存储和共享。您将输出存储在哪里，与谁共享；遵守 KVKK 保留期限和第三方规则。留下你的印记。
三个迷你箱子
案例 1 — 保护敏感数据。一位理赔专家想要向人工智能询问一份复杂的健康保险文件。他没有写下被保险人的姓名、身份证件和诊断结果，而是创建了一个匿名上下文，例如“52岁，女性，补充医疗保险，计划进行心脏瓣膜手术，有争议的金额”。产出的质量没有下降；私有数据没有进入任何云端。健康数据受到最高程度的保护；这个习惯阻止了违规行为。
案例 2 — 罕见的组合陷阱。 “38岁，女性，[很小的县]唯一的药剂师，职业责任政策，”一位专家写道。虽然严格意义上来说，这并没有包含名字，但却直接暴露了他的身份，因为他是该区唯一的药剂师。专家注意到了这一点，并将其概括为“小聚落，医疗行业”。匿名化不仅仅是删除名字，它还破坏了可识别性。
案例 3 — 工具选择错误。为了提高速度，员工会将客户索赔明细上传到免费的公共工具。团队政策生效：客户数据仅在机构批准的签约工具中进行处理。员工首先对数据进行匿名处理，然后在批准的工具中运行它。如果使用未经批准的工具，教育中数据存储和使用的风险将是不可控的。
四个可复制的提示
1）匿名化助手：
从以下文本中删除所有个人和身份数据：姓名、身份证件、出生日期、电话、地址、保单号、车牌、产权证书、IBAN。将其替换为具有分析意义的事实对等内容（例如“45 岁，男性，保险单，单面碰撞”）。概括罕见/独特的组合（小地方+特殊职业）。保留医学/技术含义。文本：[粘贴]
2）可识别性检查：
检查以下匿名文本是否可以识别：[文本]问：陌生人可以找到带有此文本的人吗？是否有罕见的组合（小额和解+特定职业/事件）、独特的日期或金额？突出显示每个风险点并建议如何更安全地进行概括。
3）数据要求及分类：
对以下任务所需的数据进行分类和需求测试：任务：[描述]我拥有的数据：[列表]对于每个数据：类型（身份/财务/特殊/文件），该任务是否需要（是/否），如果需要，如何匿名使用它。将不需要的数据标记为“不使用”。
4）车辆选择清单：
在使用带有保险数据的人工智能工具之前创建一个清单。包括问题：车辆是否经过机构批准？是否有数据处理协议？它是否存储/使用训练中的输入？数据在哪里处理？它适合/不适合哪种数据类型？匿名化就足够了吗？
弱提示/强提示
弱：“评估客户 Ahmet Yılmaz 的档案（TC 123...，附上医疗报告）。”
问题：身份和敏感（健康）数据直接共享； KVKK 违规的巨大风险。
Strong：“考虑以下匿名背景：52 岁，女性，补充健康政策，计划手术，有争议的金额。没有识别信息。”
优点：保留分析意义，不会泄露身份和敏感数据。
对比图
数据类型
防护等级
在人工智能中的应用
姓名/TC/联系方式
高
删除，放置等价物
金融（收入/IBAN）
高
删除/概括
健康/特殊资格
最高
绝不生食；匿名+批准的车辆
保单号码/车牌/地契
中高
删除；独自一人是有风险的
汇总/统计
低
有空（如果没有联系）
常见错误
- 粘贴原始个人/健康数据。最常见、最严重的违规行为。
- 认为只要删除名字就够了。罕见的组合仍然可能揭示身份。
- 依靠说“稍后删除”。该工具可以在训练中存储/使用数据。
- 未经批准/公共驾驶。不受控制的数据处理。
- 不管理存储和共享。无限存储输出，不受控制地与第三方共享。
综上所述
保险数据非常敏感；健康等特殊数据受到 KVKK 的最高保护。在将数据提供给人工智能之前对数据进行分类、质疑和匿名化：删除标识符、引入事实等价物、概括罕见的组合。仅使用机构批准的签约工具并在最低限度内处理敏感数据。在KVKK框架内管理存储期限和第三方共享并留下痕迹。具体情况请咨询合规/法律；泄露的数据无法检索。
应用任务
获取真实的损坏/参考文本（用于测试目的）。使用提示 #1 进行匿名化，然后使用提示 #2 检查识别情况：文本中是否仍然存在可以揭示此人的罕见组合？概括您发现的每个风险。还要根据清单 4 评估您使用的 AI 工具：它是否适合敏感数据？
清单
- [ ] 我根据数据类型对数据进行了分类。
- [ ] 我应用了必要性测试；我没有使用不必要的数据。
- [ ] 我删除了标识符并将其替换为实际的等效项。
- [ ] 我概括了罕见/独特的组合。
- [ ] 我做了可识别性检查。
- [ ] 我只使用公司批准的签约车辆。
- [ ] 我按照 KVKK 管理存储和第三方共享；我留下了一个记号。