GDPR နှင့် big data များသည် သဟဇာတမဖြစ်ဟု မဆိုလိုသော်လည်း အဖွဲ့အစည်းများစွာ ရွှေ့ဆိုင်းထားသော ရွေးချယ်မှုကို အတင်းအကျပ်ပြုလုပ်ကြသည်- ကြီးမားသော dataset တစ်ခုကို သင်စုဆောင်းခြင်း သို့မဟုတ် ပြန်လည်အသုံးပြုခြင်းမပြုမီ၊ ထိုသို့ပြုလုပ်ရန် တရားဝင်အခြေခံကို ဖော်ပြနိုင်ရမည်ဖြစ်ပြီး ထိုရည်ရွယ်ချက်အတွက် လုပ်ဆောင်မှုလိုအပ်ကြောင်း ပြသနိုင်ရမည်။ လက်တွေ့တွင် ၎င်းသည် အထွေထွေဒေတာကာကွယ်ရေးစည်းမျဉ်း၏ အပိုဒ် ၆ အရ အခြေခံအချက်အလက်ကို မှတ်တမ်းတင်ခြင်း၊ algorithm တစ်ခုကို လေ့ကျင့်ရန်အတွက် နောက်ပိုင်းတွင် အသုံးပြုခြင်းသည် ဒေတာကို မူလစုဆောင်းခဲ့သည့် ရည်ရွယ်ချက်နှင့် ကိုက်ညီမှုရှိမရှိ စမ်းသပ်ခြင်းနှင့် ပထမဆုံးမော်ဒယ်ကို မတည်ဆောက်မီ အန္တရာယ်ကို အကဲဖြတ်ခြင်းတို့ကို ဆိုလိုသည်။ ဤဆောင်းပါးသည် ထိုစည်းမျဉ်းများသည် နယ်သာလန်နိုင်ငံရှိ ကြီးမားသော analytics နှင့် AI လေ့ကျင့်ရေးတွင် မည်သို့သက်ဆိုင်ကြောင်းနှင့် Autoriteit Persoonsgegevens သည် မည်သည့်နေရာတွင် ကန့်သတ်ချက်ချမှတ်သည်ကို ဖော်ပြထားသည်။
ကြီးမားသောဒေတာအစုအဝေးတွင် ကိုယ်ရေးကိုယ်တာဒေတာအဖြစ် အဘယ်အရာကို ရေတွက်သနည်း။
GDPR သည် ဖော်ထုတ်ထားသော သို့မဟုတ် ဖော်ထုတ်နိုင်သော သဘာဝပုဂ္ဂိုလ်နှင့် သက်ဆိုင်သည့် အချက်အလက်များအတွက် အကျုံးဝင်ပါသည်။ Big Data ရှုထောင့်တွင် ထိုကန့်သတ်ချက်ကို အဖွဲ့အစည်းများ မျှော်လင့်ထားသည်ထက် များစွာပိုမိုမကြာခဏ ဖြတ်ကျော်လေ့ရှိသည်၊ အဘယ်ကြောင့်ဆိုသော် ထိန်းချုပ်သူ သို့မဟုတ် အခြားမည်သူမဆို တစ်စုံတစ်ယောက်ကို ရွေးချယ်ရန် အသုံးပြုနိုင်သည့် ကျိုးကြောင်းဆီလျော်သော နည်းလမ်းအားလုံးကို ရည်ညွှန်း၍ ဖော်ထုတ်နိုင်မှုကို အကဲဖြတ်သောကြောင့်ဖြစ်သည်။ ထို့ကြောင့် စက်ပစ္စည်း ဖော်ထုတ်သူများ၊ တည်နေရာခြေရာခံမှုများ၊ ငွေပေးငွေယူမှတ်တမ်းများ သို့မဟုတ် clickstreams များ၏ dataset သည် တစ်ခုတည်းသောကော်လံတွင် အမည်မပေါ်သည့်တိုင် ကိုယ်ရေးကိုယ်တာအချက်အလက်များ ဖြစ်လေ့ရှိသည်။
အယူအဆနှစ်ခုကို ပုံမှန်ရှုပ်ထွေးလေ့ရှိပြီး ကွာခြားချက်က စည်းမျဉ်းသည် သက်ရောက်မှုရှိမရှိကို ဆုံးဖြတ်ပေးသည်။ ခွဲခြားသတ်မှတ်သည့်ဒေတာများကို အစားထိုးထားသော်လည်း သော့သည် တစ်နေရာရာတွင် ရှိနေသည့် အမည်ဝှက်ဒေတာသည် ကိုယ်ရေးကိုယ်တာဒေတာအဖြစ် ဆက်လက်တည်ရှိနေပြီး GDPR နှင့် အပြည့်အဝ သက်ဆိုင်နေဆဲဖြစ်သည်။ ပြန်လည်ခွဲခြားသတ်မှတ်ခြင်းသည် မည်သူမျှ ကျိုးကြောင်းဆီလျော်စွာ မဖြစ်နိုင်တော့သည့် အမည်ဝှက်ဒေတာသည် ၎င်းပြင်ပတွင် ရှိနေသည်။ စစ်မှန်သော အမည်ဝှက်ခြင်းအတွက် စံနှုန်းမှာ မြင့်မားသည်- စုစည်းခြင်း၊ hashing သို့မဟုတ် တိုက်ရိုက်ခွဲခြားသတ်မှတ်သည့်ဒေတာများကို ဖယ်ရှားခြင်းသည် အထူးသဖြင့် dataset ကြွယ်ဝပြီး ရှည်လျားသောကာလကို လွှမ်းခြုံထားသည့်အခါ အထူးသဖြင့် လူပုဂ္ဂိုလ်များကို ပြန်လည်ခွဲခြားသတ်မှတ်ရန် စိတ်ပိုင်းဖြတ်ထားသောပါတီအတွက် လက်ဗွေရာလုံလောက်စွာ ချန်ထားလေ့ရှိသည်။
ဒါက အရေးကြီးပါတယ်၊ ဘာလို့လဲဆိုတော့ dataset တစ်ခုဟာ အမည်မဖော်လိုဘူးဆိုတဲ့ ပြောဆိုချက်ဟာ AI ပရိုဂရမ်တစ်ခုလုံးမှာ ဝန်ထုပ်ဝန်ပိုးဖြစ်စေတဲ့ ယူဆချက်ဖြစ်လေ့ရှိလို့ပါ။ အကယ်၍ ၎င်း မအောင်မြင်ပါက၊ လေ့ကျင့်မှုစတင်ချိန်မှ ထိန်းသိမ်းမှုအချိန်ဇယားအထိ downstream အဆင့်တိုင်းကို တရားဝင်အခြေခံမရှိဘဲ လုပ်ဆောင်ခဲ့ခြင်းဖြစ်သည်။ မှတ်တမ်းတင်ထားသော ပြန်လည်ခွဲခြားသတ်မှတ်ခြင်း ခွဲခြမ်းစိတ်ဖြာမှုတွင် အခြားနည်းဖြင့် မဆိုထားလျှင် dataset ကို ကိုယ်ရေးကိုယ်တာဒေတာအဖြစ် သဘောထားပြီး dataset ကို အခြားရင်းမြစ်နှင့် ကြွယ်ဝစေသည့်အခါ သို့မဟုတ် ပေါင်းစပ်သည့်အခါ ထိုခွဲခြမ်းစိတ်ဖြာမှုကို ပြန်လည်သုံးသပ်ရန်မှာ ပိုလုံခြုံသောနည်းလမ်းဖြစ်သည်။ ဥရောပဒေတာကာကွယ်ရေးဘုတ်အဖွဲ့သည် AI မော်ဒယ်တစ်ခုကိုယ်တိုင်ကို အမည်မဖော်လိုဟု သတ်မှတ်နိုင်သည့်အချိန်ကိုလည်း ကိုင်တွယ်ဖြေရှင်းခဲ့ပြီး ၎င်း၏အဖြေမှာ ၎င်းကို ယူဆ၍မရပါ- ကိုယ်ရေးကိုယ်တာဒေတာဖြင့် လေ့ကျင့်ထားသော မော်ဒယ်တွင် ထိုဒေတာကို ထုတ်ယူနိုင်သောပုံစံဖြင့် ပါဝင်နေနိုင်ပြီး တစ်ခုချင်းစီကို အကဲဖြတ်ရမည်ဖြစ်သည်။
Big Data နှင့် AI လေ့ကျင့်ရေးအတွက် တရားဝင်အခြေခံကို ရွေးချယ်ခြင်း
လုပ်ဆောင်မှုတိုင်းတွင် ပုဒ်မ ၆ ပါ အကြောင်းပြချက်ခြောက်ခုအနက်မှ တစ်ခုကို လိုအပ်ပြီး လုပ်ဆောင်မှုမစတင်မီ အကြောင်းပြချက်ကို ရွေးချယ်ရမည်ဖြစ်ပြီး နောက်ပိုင်းတွင် ပြန်လည်တည်ဆောက်ခြင်းမပြုမီ အကြောင်းပြချက်ကို ရွေးချယ်ရမည်ဖြစ်သည်။ ကြီးမားသော ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် သုံးခုသာ လက်တွေ့ကျသော ကိုယ်စားလှယ်လောင်းများဖြစ်သည်။
သဘောတူညီချက်သည် သီအိုရီအရ အသန့်ရှင်းဆုံးဖြစ်ပြီး လက်တွေ့တွင် အထိခိုက်လွယ်ဆုံးဖြစ်သည်။ ၎င်းကို လွတ်လပ်စွာပေးအပ်ရမည်ဖြစ်ပြီး၊ တိကျမှုရှိရမည်ဖြစ်ပြီး၊ သတင်းအချက်အလက်အပြည့်အစုံရှိရမည်ဖြစ်ပြီး၊ ယခင်ကကဲ့သို့ ရုပ်သိမ်းရန်လွယ်ကူရမည်။ ယေဘုယျအသုံးအနှုန်းများအဖြစ် စုစည်းထားသော၊ ဒေတာမလိုအပ်သော ဝန်ဆောင်မှုတစ်ခု၏ အခြေအနေအဖြစ် ရရှိသော သို့မဟုတ် လူတစ်ဦးချင်းစီသည် သဘောတူညီထားသည့်အရာကို မမြင်နိုင်လောက်အောင် ကျယ်ပြန့်စွာ ဘောင်ခတ်ထားသော သဘောတူညီချက်သည် အကျုံးမဝင်ပါ။ သဘောတူညီချက်ကို ရုပ်သိမ်းသည့်အခါ၊ လေ့ကျင့်ပြီးသား မော်ဒယ်တစ်ခုတွင် ဘာဖြစ်သွားသည်ဆိုသည့် မေးခွန်းအတွက် နည်းပညာဆိုင်ရာ အဖြေတစ်ခု လိုအပ်ပါသည်။
စာချုပ်တစ်ခု၏ လုပ်ဆောင်ချက်အတွက် လိုအပ်ချက်သည် မြင်ရသည်ထက် ပိုမိုကျဉ်းမြောင်းပါသည်။ စမ်းသပ်မှုသည် လူတစ်ဦးချင်းစီ အမှန်တကယ်တောင်းဆိုသော ဝန်ဆောင်မှုအတွက် መልእክትလိုအပ်ချက်ဖြစ်ပြီး စီးပွားရေးအရ အသုံးဝင်မှုမဟုတ်ပါ။ အကြံပြုချက်အင်ဂျင်ကို တိုးတက်စေရန်အတွက် ဖောက်သည်တစ်ဦး၏ ပရိုဖိုင်ကို စစ်ဆေးခြင်းသည် ၎င်းတို့ဝယ်ယူခဲ့သော ထုတ်ကုန်ပေးပို့မှုအတွက် ယေဘုယျအားဖြင့် မလိုအပ်ပါ။ ထို့အပြင် တရားရုံးသည် အပြုအမူဆိုင်ရာ ကြော်ငြာနှင့် စိတ်ကြိုက်ပြုလုပ်ခြင်းကို လွှမ်းခြုံရန် ဤအခြေခံကို တိုးချဲ့ရန် ကြိုးပမ်းမှုများကို အကြိမ်ကြိမ် ငြင်းပယ်ခဲ့သည်။
၎င်းက တရားဝင်အကျိုးစီးပွားများကို ချန်ထားခဲ့ပြီး ၎င်းသည် အကြီးစားလုပ်ဆောင်မှုအများစု မှီခိုအားထားရသည့် အခြေခံအုတ်မြစ်ဖြစ်သည်။ ၎င်းတွင် အဆင့်သုံးဆင့် လိုအပ်သည်- အမှန်တကယ်နှင့် တရားဝင်အကျိုးစီးပွားကို ဖော်ထုတ်ခြင်း၊ ၎င်းကိုရရှိရန် ပိုမိုဝင်ရောက်စွက်ဖက်သည့်နည်းလမ်းမရှိသောကြောင့် လုပ်ငန်းစဉ်သည် လိုအပ်ကြောင်းပြသခြင်းနှင့် သက်ဆိုင်ရာလူများ၏ အခွင့်အရေးများနှင့် ကျိုးကြောင်းဆီလျော်သော မျှော်လင့်ချက်များနှင့် အကျိုးစီးပွားကို ဟန်ချက်ညီစေခြင်း။ အမျိုးသားတင်းနစ်အသင်းနှင့်ပတ်သက်သည့် ဒတ်ခ်ျတရားရုံးမှ ကိုးကားချက်တစ်ခုတွင် တရားရေးတရားရုံးက ၂၀၂၄ ခုနှစ်တွင် စီးပွားဖြစ်အကျိုးစီးပွားသက်သက်သည် တရားဝင်အကျိုးစီးပွားအဖြစ် အရည်အချင်းပြည့်မီနိုင်သော်လည်း လိုအပ်ချက်နှင့် ဟန်ချက်ညီမှုစမ်းသပ်မှုများကို အမှန်တကယ်ဖြည့်ဆည်းပေးမှသာဖြစ်ကြောင်း အတည်ပြုခဲ့သည်။ ထို့ကြောင့် စီးပွားဖြစ်တန်ဖိုးသည် လိုင်စင်မဟုတ်ဘဲ ခွင့်ပြုနိုင်သော အကျိုးစီးပွားတစ်ခုဖြစ်သည်။
အထူးအမျိုးအစားများနှင့် ကောက်ချက်ချထားသော ဝိသေသလက္ခဏာများ
လူမျိုးရေး သို့မဟုတ် လူမျိုးစုဇာစ်မြစ်၊ နိုင်ငံရေးအမြင်များ၊ ဘာသာရေးယုံကြည်ချက်များ၊ အလုပ်သမားသမဂ္ဂဝင်ဖြစ်မှု၊ ကျန်းမာရေး၊ လိင်ဘဝ သို့မဟုတ် လိင်စိတ်တိမ်းညွတ်မှုကို ဖော်ပြသည့် အချက်အလက်များနှင့်အတူ ခွဲခြားသတ်မှတ်ရန်အတွက် အသုံးပြုသည့် မျိုးရိုးဗီဇနှင့် ဇီဝမက်ထရစ်ဆိုင်ရာ အချက်အလက်များကို ပုဒ်မ ၉ တွင်ပါရှိသော ကျဉ်းမြောင်းသောခြွင်းချက်များထဲမှ တစ်ခုခု မသက်ရောက်မချင်း လုံးဝ စီမံဆောင်ရွက်ခြင်းမပြုရပါ။ ရှင်းလင်းစွာ သဘောတူညီချက်သည် ပုံမှန်လမ်းကြောင်းဖြစ်ပြီး အခြားနည်းလမ်းများသည် စီးပွားဖြစ်ဒေတာစုနှင့် ကိုက်ညီခဲသည်။
Big data ရဲ့ ထောင်ချောက်ကတော့ အထူးအမျိုးအစားဒေတာကို တမင်တကာ စုဆောင်းဖို့ မလိုအပ်ပါဘူး။ dataset တစ်ခုဟာ ကာကွယ်ထားတဲ့ ဝိသေသလက္ခဏာတစ်ခုကို ကောက်ချက်ချခွင့်ပြုတဲ့အခါ၊ ဥပမာအားဖြင့် ဝယ်ယူမှုပုံစံများ၊ တည်နေရာမှတ်တမ်း သို့မဟုတ် free-text field တွေရဲ့ အကြောင်းအရာတွေကနေတစ်ဆင့်၊ ဘယ်သူမှ တိုက်ရိုက်မေးခွန်းမမေးခဲ့ပေမယ့် အဲဒီလုပ်ဆောင်မှုအတွက် ပိုမိုတင်းကျပ်တဲ့ စည်းမျဉ်းက သက်ရောက်မှုရှိပါတယ်။ ကာကွယ်ထားတဲ့ ဝိသေသလက္ခဏာအတွက် proxy အဖြစ် လုပ်ဆောင်တဲ့ Model feature တွေကို တိုင်ကြားမှုတစ်ခုပြီးနောက်မှာမဟုတ်ဘဲ ဖွံ့ဖြိုးတိုးတက်မှုကာလအတွင်းမှာ ဖော်ထုတ်သင့်ပါတယ်။
ရည်ရွယ်ချက်ကန့်သတ်ချက်- မော်ဒယ်တစ်ခုကို လေ့ကျင့်ရန် ဒေတာကို ပြန်လည်အသုံးပြုနိုင်ပါသလား။
သင်လုပ်နိုင်ပါတယ်၊ ဒါပေမယ့် အလိုအလျောက်တော့ မဟုတ်ပါဘူး။ GDPR မှာ ကိုယ်ရေးကိုယ်တာဒေတာတွေကို သတ်မှတ်ထားတဲ့၊ ရှင်းလင်းပြတ်သားတဲ့၊ တရားဝင်ရည်ရွယ်ချက်တွေအတွက် စုဆောင်းဖို့ လိုအပ်ပြီး အဲဒီရည်ရွယ်ချက်တွေနဲ့ မကိုက်ညီတဲ့ နည်းလမ်းနဲ့ နောက်ထပ် မလုပ်ဆောင်ဖို့ လိုအပ်ပါတယ်။ မှာယူမှု ဖြည့်ဆည်းပေးခြင်း၊ ဖောက်သည်ပံ့ပိုးမှု ဒါမှမဟုတ် လိမ်လည်မှုကာကွယ်ရေးအတွက် စုဆောင်းထားတဲ့ အချက်အလက်တွေအပေါ် အယ်လဂိုရီသမ်တစ်ခုကို လေ့ကျင့်ပေးတာက နောက်ထပ် လုပ်ဆောင်ခြင်းလုပ်ငန်းတစ်ခုဖြစ်ပြီး စည်းမျဉ်းမှာ ဖော်ပြထားတဲ့ လိုက်ဖက်ညီမှုစမ်းသပ်မှုကို အောင်မြင်မှသာ တရားဝင်ပါတယ်။
အဲဒီစစ်ဆေးမှုက တရားဝင်စစ်ဆေးမှုမဟုတ်ပါဘူး။ မူလရည်ရွယ်ချက်နဲ့ ရည်ရွယ်ချက်အသစ်ကြားက ဆက်စပ်မှု၊ ဒေတာစုဆောင်းခဲ့တဲ့ အခြေအနေနဲ့ အဲဒီအခြေခံပေါ်မှာ လူတစ်ဦးချင်းစီက ဘာတွေကို ကျိုးကြောင်းဆီလျော်စွာ မျှော်လင့်နိုင်သလဲ၊ ဒေတာရဲ့ သဘောသဘာဝနဲ့ အထူးအမျိုးအစားတွေ ပါဝင်ပတ်သက်မှု ရှိမရှိ၊ လုပ်ငန်းစဉ်အသစ်ရဲ့ ဖြစ်နိုင်ချေရှိတဲ့ အကျိုးဆက်တွေနဲ့ ကလောင်အမည်ဝှက်ခြင်း ဒါမှမဟုတ် ကုဒ်ဝှက်ခြင်းလိုမျိုး ကာကွယ်မှုတွေ ရှိနေခြင်းအကြောင်း မေးမြန်းပါတယ်။ ဆေးဘက်ဆိုင်ရာ ဒါမှမဟုတ် ငွေကြေးမှတ်တမ်းတွေရဲ့ အချက်အလက်အစုတစ်ခုဟာ စမ်းသပ်မှုကို ကျရှုံးမှာဖြစ်ပြီး အမည်မဖော်လိုတဲ့ လုပ်ငန်းလည်ပတ်မှုမှတ်တမ်းတွေရဲ့ အချက်အလက်အစုတစ်ခုက အောင်မြင်မှာ ဖြစ်ပါတယ်။
ဖြတ်လမ်းတစ်ခုရှိပြီး ၎င်းသည် ပုံမှန်ယူဆထားသည်ထက် ပိုမိုကျဉ်းမြောင်းသည်။ သုတေသနလုပ်ငန်းစဉ်အတွက် ကာကွယ်မှုများရှိနေပါက အများပြည်သူအကျိုးစီးပွားအတွက်၊ သိပ္ပံနည်းကျ သို့မဟုတ် သမိုင်းဝင်သုတေသန သို့မဟုတ် စာရင်းအင်းရည်ရွယ်ချက်များအတွက် မော်ကွန်းတင်ခြင်းအတွက် နောက်ထပ်လုပ်ဆောင်မှုကို လိုက်ဖက်ညီသည်ဟု ယူဆသည်။ သုတေသနအဖြစ် ဟန်ဆောင်ထားသော စီးပွားဖြစ်မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုသည် အရည်အချင်းမပြည့်မီပါ။ ခြွင်းချက်မှာ ထုတ်ကုန်တိုးတက်မှုအတွက်မဟုတ်ဘဲ နည်းစနစ်နှင့် ကျင့်ဝတ်စံနှုန်းများနှင့်အညီ စစ်မှန်သောသုတေသနကို ရည်ရွယ်သည်။ လိုက်ဖက်ညီမှုစမ်းသပ်မှုကို မပြည့်မီပါက၊ သင်သည် လတ်ဆတ်သောဥပဒေအခြေခံနှင့် အများစုတွင် သက်ဆိုင်ရာလူများထံ လတ်ဆတ်သောသတင်းအချက်အလက်များ လိုအပ်ပါသည်။
လက်တွေ့အကျိုးဆက်မှာ ရည်ရွယ်ချက်ကန့်သတ်ချက်ကို စုဆောင်းသည့်အချိန်တွင် ကိုင်တွယ်ရမည်ဖြစ်သည်။ ရည်ရွယ်ချက်များကို အဓိပ္ပာယ်မရှိလောက်အောင် ကျယ်ပြန့်သောအသုံးအနှုန်းများဖြင့် ဖော်ပြသော ကိုယ်ရေးကိုယ်တာဆိုင်ရာထုတ်ပြန်ချက်များသည် နောက်ပိုင်းလေ့ကျင့်မှုကို မကယ်တင်နိုင်ပါ၊ အဘယ်ကြောင့်ဆိုသော် စမ်းသပ်မှုသည် ရေးဆွဲခြင်းနည်းပညာအရ ခွင့်ပြုထားသည့်အရာကိုမဟုတ်ဘဲ လူတစ်ဦးချင်းစီ ကျိုးကြောင်းဆီလျော်စွာ မျှော်လင့်နိုင်သည့်အရာကို ကြည့်ရှုသောကြောင့်ဖြစ်သည်။ နယ်သာလန်နိုင်ငံတွင် ကိုယ်ရေးကိုယ်တာမူဝါဒ ရေးသားခြင်းဆိုင်ရာ ကျွန်ုပ်တို့၏လမ်းညွှန်တွင် ရည်ရွယ်ချက်များကို ရိုးသားပြီး အသုံးဝင်သောနည်းလမ်းဖြင့် မည်သို့ဖော်ပြရမည်ကို ဖော်ပြထားသည်။
မော်ဒယ်က အရာအားလုံးကို လိုချင်တဲ့အခါ လျှော့ချခြင်း၊ ထိန်းသိမ်းခြင်းနှင့် တိကျမှု
ဒေတာ အနည်းဆုံးဖြစ်အောင်လုပ်ဆောင်ခြင်းအတွက် ကိုယ်ရေးကိုယ်တာဒေတာများသည် လုံလောက်မှု၊ သက်ဆိုင်ရာနှင့် လိုအပ်သည့်အရာအတွက်သာ ကန့်သတ်ထားရန် လိုအပ်ပါသည်။ ထိုမူသည် ဒေတာပိုများများက ပိုမိုကောင်းမွန်သော မော်ဒယ်ကို ထုတ်လုပ်ပေးပြီး တင်းမာမှုကို လျစ်လျူရှုခြင်းဖြင့် ဖြေရှင်း၍မရဟူသော ယုတ္တိဗေဒရှိသည့် ဖွံ့ဖြိုးတိုးတက်မှုနည်းလမ်းနှင့် အမှန်တကယ် တင်းမာမှုရှိနေသည်။ ၎င်းကို ဖြေရှင်းနိုင်သည်မှာ မှတ်တမ်းတင်ထားသော အငြင်းအခုံတစ်ခုဖြစ်သည်- ဖော်ပြထားသော ရည်ရွယ်ချက်အတွက် မည်သည့်အကွက်များ လိုအပ်သည်၊ ၎င်းတို့မပါဘဲ မည်သည့်အရာကို စမ်းသပ်ခဲ့သည်နှင့် ကျန်ရှိသောအပိုင်းကို အဘယ်ကြောင့် စွန့်ပစ်ခဲ့သည်တို့ဖြစ်သည်။ ဒေတာစုများ ကြီးမားသည့်တိုင် ခွဲခြမ်းစိတ်ဖြာမှုတွင် ခုခံကာကွယ်နိုင်သော အနေအထားရှိကြောင်း ပြသနိုင်သော ထိန်းချုပ်ကိရိယာတစ်ခုရှိသည်။ သိုလှောင်မှုစျေးသက်သာသောကြောင့် အရာအားလုံးကို သိမ်းဆည်းထားသော ထိန်းချုပ်ကိရိယာတစ်ခုတွင်မူ မရှိပါ။
သိုလှောင်မှုကန့်သတ်ချက်သည် အချိန်နှင့်အမျှ အလားတူမေးခွန်းကို ပေါ်ပေါက်စေသည်။ လေ့ကျင့်ရေးဒေတာ၊ အင်္ဂါရပ်သိုလှောင်မှုများ၊ မော်ဒယ်စစ်ဆေးရေးဂိတ်များနှင့် ကောက်ချက်မှတ်တမ်းများအားလုံးသည် ထိန်းသိမ်းခြင်းတာဝန်တွင် ပါဝင်ပြီး တစ်ခုချင်းစီတွင် ရည်ရွယ်ချက်နှင့် ချိတ်ဆက်ထားသော ၎င်း၏ကိုယ်ပိုင်ကာလတစ်ခု လိုအပ်ပါသည်။ ကောက်ချက်မှတ်တမ်းများကို မကြာခဏမေ့လျော့လေ့ရှိပြီး လေ့ကျင့်ရေးအစုံထက် ကိုယ်ရေးကိုယ်တာဒေတာများ ပိုမိုပါဝင်လေ့ရှိသည်။
တိကျမှုသည် ဤအခြေအနေတွင် အများဆုံး လျစ်လျူရှုခံရသော မူဖြစ်ပြီး အလွယ်တကူ လွတ်သွားနိုင်သော ဥပဒေရေးရာ အားသာချက်တစ်ခုလည်း ရှိသည်။ ကိုယ်ရေးကိုယ်တာ အချက်အလက်များသည် တိကျမှန်ကန်ရမည်ဖြစ်ပြီး လိုအပ်သည့်နေရာတွင် နောက်ဆုံးပေါ်အခြေအနေတွင် ရှိနေရမည်ဖြစ်ပြီး လူပုဂ္ဂိုလ်များသည် ပြင်ဆင်ခွင့်ရှိသည်။ မော်ဒယ်တစ်ခုသည် ခွဲခြားသိရှိနိုင်သော ပုဂ္ဂိုလ်တစ်ဦးအကြောင်း အထွက်ကို ထုတ်ပေးသည့်အခါ ထိုအထွက်သည် ကိုယ်ရေးကိုယ်တာ အချက်အလက်ဖြစ်သည်။ တစ်စုံတစ်ယောက်သည် ခရက်ဒစ်အန္တရာယ် ညံ့ဖျင်းသူ၊ လိမ်လည်သူ သို့မဟုတ် မသင့်လျော်သော ကိုယ်စားလှယ်လောင်းတစ်ဦးဖြစ်သည်ဟု ကောက်ချက်ချခြင်းသည် မမှန်ကန်နိုင်ဘဲ စိန်ခေါ်ခံရနိုင်သည်။ ထိုကဲ့သို့သော အထွက်များကို ပြင်ဆင်၍မရသော စနစ်တစ်ခု တည်ဆောက်ခြင်းသည် လိုက်နာမှုပြဿနာတစ်ခုကို ဖန်တီးပေးပြီး စာရွက်စာတမ်းမည်မျှပင်ရှိစေကာမူ နောက်ပိုင်းတွင် ဖြေရှင်းနိုင်မည်မဟုတ်ပါ။
ဒေတာကာကွယ်ရေး သက်ရောက်မှု အကဲဖြတ်ခြင်းကို မဖြစ်မနေ ပြုလုပ်ရသည့်အခါ
ဒေတာကာကွယ်ရေးသက်ရောက်မှုအကဲဖြတ်ခြင်းသည် လုပ်ဆောင်မှုအမျိုးအစားတစ်ခုသည် လူပုဂ္ဂိုလ်များ၏ အခွင့်အရေးနှင့် လွတ်လပ်ခွင့်များအပေါ် မြင့်မားသောအန္တရာယ်ဖြစ်စေနိုင်သည့်အခါတွင် မဖြစ်မနေလုပ်ဆောင်ရမည်ဖြစ်ပြီး စည်းမျဉ်းတွင် အထူးသဖြင့် ကိစ္စရပ်သုံးခုကို ဖော်ပြထားသည်- ပရိုဖိုင်ပြုလုပ်ခြင်းအပါအဝင် အလိုအလျောက်လုပ်ဆောင်မှုအပေါ်အခြေခံ၍ ကိုယ်ရေးကိုယ်တာရှုထောင့်များကို စနစ်တကျနှင့် ကျယ်ကျယ်ပြန့်ပြန့် အကဲဖြတ်ခြင်း၊ အထူးဒေတာအမျိုးအစားများ သို့မဟုတ် ရာဇဝတ်မှုပြစ်ဒဏ်ချမှတ်ခြင်းဒေတာကို ကြီးမားသောအတိုင်းအတာဖြင့် လုပ်ဆောင်မှု၊ နှင့် အများပြည်သူဝင်ရောက်နိုင်သောနေရာကို ကြီးမားသောအတိုင်းအတာဖြင့် စနစ်တကျစောင့်ကြည့်ခြင်း။ ကြီးမားသောဒေတာစီမံကိန်းအများစုသည် ပထမ သို့မဟုတ် ဒုတိယတွင် ပါဝင်သည်။
Autoriteit Persoonsgegevens သည် နယ်သာလန်တွင် အကဲဖြတ်မှု အမြဲလိုအပ်သည့် လုပ်ငန်းစဉ်များစာရင်းကိုလည်း ထုတ်ပြန်ထားပြီး၊ ၎င်းတွင် အကြီးစားပရိုဖိုင်ပြုလုပ်ခြင်း၊ ဝန်ထမ်းများကို စနစ်တကျ အကဲဖြတ်ခြင်း၊ ကျန်းမာရေးဒေတာပလက်ဖောင်းများနှင့် ကင်မရာစနစ်များအသုံးပြုမှုကဲ့သို့သော နယ်ပယ်များ ပါဝင်သည်။ ထိုစာရင်းသည် စီမံကိန်းတစ်ခုစတင်ချိန်တွင် တိုင်ပင်ဆွေးနွေးသည့် ပထမဆုံးစာရွက်စာတမ်းဖြစ်သင့်သည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် အကဲဖြတ်မှုတစ်ခု လိုအပ်ခြင်းရှိမရှိဆိုင်ရာ အငြင်းအခုံကို ဖယ်ရှားပေးသောကြောင့်ဖြစ်သည်။
အချိန်ကိုက်ခြင်းနဲ့ ပတ်သက်တဲ့ အချက်နှစ်ချက်က အဆုံးအဖြတ်ပေးပါတယ်။ လုပ်ငန်းစဉ်မစတင်ခင်မှာ အကဲဖြတ်မှုကို လုပ်ဆောင်ရမှာဖြစ်ပြီး AI ပရောဂျက်မှာ လေ့ကျင့်ရေးဒေတာကို စုစည်းခြင်းမပြုမီ၊ ဖြန့်ကျက်ခြင်းမပြုမီလို့ မဆိုလိုပါဘူး။ ပြီးတော့ အကဲဖြတ်ချက်မှာ သင်လျှော့ချလို့မရတဲ့ မြင့်မားတဲ့ ကျန်ရှိနေတဲ့အန္တရာယ်ကို ပြသနေတယ်ဆိုရင် ဆက်လက်လုပ်ဆောင်ခြင်းမပြုမီ ကြီးကြပ်ရေးအာဏာပိုင်နဲ့ တိုင်ပင်ရပါမယ်။ အဲဒီတိုင်ပင်ဆွေးနွေးမှုကို ပျက်ကွက်တာက လုပ်ငန်းစဉ်က တရားဝင်ဖြစ်မဖြစ် မခွဲခြားဘဲ ချိုးဖောက်မှုတစ်ခုပါပဲ။
အယ်လဂိုရီသမ်စနစ်အတွက် အသုံးဝင်သော အကဲဖြတ်ချက်တစ်ခုသည် စံပုံစံထက် ကျော်လွန်ပါသည်။ ၎င်းသည် မော်ဒယ်ကို မည်သည့်ဒေတာရင်းမြစ်များက ထောက်ပံ့ပေးသည်၊ မည်သည့်အခြေခံဖြင့် မော်ဒယ်ကိုယ်တိုင် မည်သည့်အရာကို ဆုံးဖြတ်ခွင့်ပြုထားသည်နှင့် လူသားတစ်ဦးမှ မည်သည့်အရာကို ဆုံးဖြတ်သည်၊ အထွက်ကို ထိခိုက်ခံရသူအား မည်သို့ရှင်းပြသည်၊ ကာကွယ်ထားသောအုပ်စုများအပေါ် ဘက်လိုက်မှုရှိမရှိ လေ့ကျင့်ရေးဒေတာကို မည်သို့စမ်းသပ်ခဲ့သည်နှင့် မော်ဒယ်မှားယွင်းပါက မည်သို့ဖြစ်မည်ကို မှတ်တမ်းတင်ထားသည်။ ၎င်းတို့သည် စည်းမျဉ်းထိန်းသိမ်းရေးအဖွဲ့မှ ဦးစွာမေးသော မေးခွန်းများဖြစ်သည်။
Autoriteit Persoonsgegevens က ဒါကို ဘယ်လို ပြဋ္ဌာန်းထားလဲ။
ဒတ်ချ်ကြီးကြပ်ရေးအာဏာပိုင်မှာ Autoriteit Persoonsgegevens ဖြစ်ပြီး ဒတ်ချ်အကောင်အထည်ဖော်ရေးဥပဒေ Uitvoeringswet AVG နှင့်အတူ GDPR ကို ပြဋ္ဌာန်းသည်။ ၎င်း၏အာဏာများသည် သတိပေးခြင်းနှင့် ဆုံးမခြင်းမှသည် ဒဏ်ကြေးပေးဆောင်ရမည့် အမိန့်၊ လုပ်ဆောင်မှုကို ယာယီ သို့မဟုတ် အပြီးသတ်ပိတ်ပင်ခြင်းနှင့် အုပ်ချုပ်ရေးဆိုင်ရာဒဏ်ကြေးအထိ အကျုံးဝင်သည်။ စည်းမျဉ်းတွင် အမြင့်ဆုံးပမာဏကို သတ်မှတ်ထားသည်- အောက်တန်းစားအတွက် ကမ္ဘာတစ်ဝှမ်းရှိ နှစ်စဉ်ဝင်ငွေ၏ စုစုပေါင်း ယူရိုဆယ်သန်း သို့မဟုတ် နှစ်ရာခိုင်နှုန်းအထိနှင့် အခြေခံမူများ၊ တရားဝင်အခြေခံများ၊ ဒေတာပိုင်ရှင်များ၏ အခွင့်အရေးများနှင့် နိုင်ငံတကာလွှဲပြောင်းမှုများဆိုင်ရာ စည်းမျဉ်းများကို ချိုးဖောက်ပါက ယူရိုသန်းနှစ်ဆယ် သို့မဟုတ် လေးရာခိုင်နှုန်းအထိ (မည်သည့်ပမာဏမဆို ပိုများသည်)။
ဒတ်ချ်အလေ့အကျင့်တွင် ပြဋ္ဌာန်းချက်နှစ်ခုကို မြင်သာထင်ရှားစေပြီး နှစ်ခုစလုံးသည် big data နှင့် တိုက်ရိုက်သက်ဆိုင်သည်။ ပထမတစ်ခုမှာ ပွင့်လင်းမြင်သာမှုဖြစ်သည်- မကြာသေးမီက လုပ်ဆောင်ချက်များ၏ များစွာသောအပိုင်းသည် မည်သည့်ဒေတာကို အသုံးပြုသည်၊ မည်သည့်ရည်ရွယ်ချက်အတွက်နှင့် မည်မျှကြာအောင် အသုံးပြုသည်ကို နားလည်နိုင်သောဘာသာစကားဖြင့် ရှင်းပြခြင်းမရှိသော ကိုယ်ရေးကိုယ်တာထုတ်ပြန်ချက်များနှင့် သက်ဆိုင်သည်။ မရေမရာရည်ရွယ်ချက်ဖော်ပြချက်များကို ရေးဆွဲခြင်း၏ချို့ယွင်းချက်အဖြစ်မဟုတ်ဘဲ ၎င်းတို့၏ကိုယ်ပိုင်အခွင့်အရေးအရ ချိုးဖောက်မှုတစ်ခုအဖြစ် သဘောထားသည်။ ဒုတိယတစ်ခုမှာ အယ်လဂိုရီသမ်ဆိုင်ရာ ကြီးကြပ်မှုဖြစ်သည်။ အာဏာပိုင်သည် အယ်လဂိုရီသမ်များကို ကြီးကြပ်ရန်အတွက် သီးသန့်ယူနစ်တစ်ခုရှိပြီး အယ်လဂိုရီသမ်ဆိုင်ရာအန္တရာယ်များဆိုင်ရာ ပုံမှန်အစီရင်ခံစာများကို ထုတ်ပြန်သည်၊ ၎င်းတို့သည် စုံစမ်းစစ်ဆေးမှု၏ဘာသာရပ်မဖြစ်လာမီ ၎င်းမျှော်လင့်ထားသည့်အရာများ၏ ထုတ်ပြန်ချက်အဖြစ် ဖတ်ရှုထိုက်သည်။
ပြဋ္ဌာန်းချက်နှင့်အတူ ချိုးဖောက်မှုအကြောင်းကြားစာတာဝန်လည်း ရှိပါသည်။ ကိုယ်ရေးကိုယ်တာဒေတာချိုးဖောက်မှုကို အာဏာပိုင်ထံ မလိုအပ်ဘဲ နှောင့်နှေးမှုမရှိဘဲ အစီရင်ခံရမည်ဖြစ်ပြီး၊ ဖြစ်နိုင်ပါက ချိုးဖောက်မှုသည် လူပုဂ္ဂိုလ်များအတွက် အန္တရာယ်မဖြစ်နိုင်ခြင်းမရှိပါက သိရှိပြီး ခုနစ်ဆယ့်နှစ်နာရီအတွင်း အစီရင်ခံရမည်။ လူပုဂ္ဂိုလ်များအတွက် အန္တရာယ်မြင့်မားပါက ၎င်းတို့ကိုလည်း အကြောင်းကြားရမည်။ AI ပတ်ဝန်းကျင်တွင် အကဲဖြတ်ခြင်းသည် ယခင်ကထက် ပိုမိုခက်ခဲသည်၊ အဘယ်ကြောင့်ဆိုသော် အန္တရာယ်ရှိသော လေ့ကျင့်ရေးအစုံ သို့မဟုတ် feature store သည် ၎င်းတွင်ပါဝင်သောဒေတာရှိသူတိုင်းကို ထိခိုက်စေပြီး မော်ဒယ်ပြုလုပ်ခဲ့သော ဆုံးဖြတ်ချက်တိုင်းသို့ အကျိုးဆက်များ ပျံ့နှံ့သွားသောကြောင့်ဖြစ်သည်။ ၎င်းသည် ၂၀၂၆ ခုနှစ် ဩဂုတ်လ ၁၅ ရက်နေ့မှစ၍ အသုံးချခဲ့ပြီး ၎င်း၏အတိုင်းအတာအတွင်းရှိ အဖွဲ့အစည်းများအပေါ် ၂၄ နာရီနှင့် ခုနစ်ဆယ့်နှစ်နာရီ အကြောင်းကြားရမည့်ရက်များ သတ်မှတ်ထားသည့် Cyberbeveiligingswet အရ ဖြစ်ရပ်အစီရင်ခံတာဝန်များနှင့် သီးခြားတာဝန်တစ်ခုဖြစ်ကြောင်း သတိပြုပါ။ NIS2 နှင့် နယ်သာလန်ဆိုက်ဘာလုံခြုံရေးအက်ဥပဒေ အပေါ် ကျွန်ုပ်တို့၏ခြုံငုံသုံးသပ်ချက်သည် စနစ်နှစ်ခု မည်သို့ယှဉ်တွဲတည်ရှိနေသည်ကို ရှင်းပြသည်။
AI အက်ဥပဒေသည် GDPR ကို အစားထိုးခြင်းမဟုတ်ပါ။
EU Artificial Intelligence အက်ဥပဒေသည် AI စနစ်များကို ထုတ်ကုန်များအဖြစ် ထိန်းညှိပေးသည်- ၎င်းသည် ၎င်းတို့ကို အန္တရာယ်အလိုက် အမျိုးအစားခွဲခြားပြီး ပံ့ပိုးပေးသူများနှင့် ဖြန့်ကျက်သူများအပေါ် တာဝန်ဝတ္တရားများ ချမှတ်သည်။ ၎င်းသည် ကိုယ်ရေးကိုယ်တာအချက်အလက်များကို စီမံဆောင်ရွက်ရန်အတွက် တရားဝင်အခြေခံကို မပေးဆောင်ပါ၊ ၎င်းနှင့်ကိုက်ညီမှုသည် GDPR နှင့်ကိုက်ညီမှုအကြောင်း ဘာမှမပြောပါ။ AI စနစ်တစ်ခုသည် ကိုယ်ရေးကိုယ်တာအချက်အလက်များကို စီမံဆောင်ရွက်သည့်အခါ စနစ်နှစ်ခုစလုံးသည် အပြည့်အဝနှင့် တစ်ပြိုင်နက်တည်း သက်ရောက်သည်။
စီမံကိန်းရေးဆွဲရာတွင် အချိန်ဇယားသည် အရေးပါပါသည်။ လက်မခံနိုင်သော အလေ့အကျင့်များအပေါ် တားမြစ်ချက်များ၊ အထွေထွေရည်ရွယ်ချက် AI မော်ဒယ်များအတွက် တာဝန်ဝတ္တရားများနှင့် လူများနှင့် အပြန်အလှန် ဆက်သွယ်သည့် သို့မဟုတ် ပေါင်းစပ်အကြောင်းအရာများကို ထုတ်လုပ်သည့် စနစ်များအတွက် ပွင့်လင်းမြင်သာမှုဆိုင်ရာ တာဝန်ဝတ္တရားများသည် အကျုံးဝင်နေပြီဖြစ်သည်။ မြင့်မားသောအန္တရာယ်ရှိသော စနစ်ကို ဒစ်ဂျစ်တယ် omnibus package မှ ရွှေ့ဆိုင်းထားသည်- Annex III တွင် ဖော်ပြထားသော မြင့်မားသောအန္တရာယ်ရှိသော စနစ်များအတွက် တာဝန်ဝတ္တရားများသည် ၂၀၂၇ ခုနှစ် ဒီဇင်ဘာလ ၂ ရက်နေ့မှစ၍ အကျုံးဝင်ပြီး Annex I အောက်ရှိ ထိန်းညှိထားသော ထုတ်ကုန်များ၏ ဘေးကင်းရေး အစိတ်အပိုင်းများဖြစ်သော စနစ်များအတွက် တာဝန်ဝတ္တရားများသည် ၂၀၂၈ ခုနှစ် ဩဂုတ်လ ၂ ရက်နေ့မှစ၍ အကျုံးဝင်ပါသည်။ AI တာဝန်ယူမှုညွှန်ကြားချက်အတွက် သီးခြားအဆိုပြုချက်ကို ရုပ်သိမ်းလိုက်ပြီဖြစ်သောကြောင့် AI စနစ်ကြောင့် ဖြစ်ပေါ်လာသော ပျက်စီးဆုံးရှုံးမှုအတွက် တာဝန်ယူမှုကို စာချုပ်နှင့် နစ်နာမှုဆိုင်ရာ သာမန်ဒတ်ချ်စည်းမျဉ်းများနှင့် ဥရောပထုတ်ကုန်တာဝန်ယူမှုစနစ်များဖြင့် ဆက်လက်အုပ်ချုပ်နေပါသည်။
ဒေတာကို အခြေခံတဲ့ အဖွဲ့အစည်းတစ်ခုအတွက် လက်တွေ့အကျိုးဆက်ကတော့ GDPR ခွဲခြမ်းစိတ်ဖြာမှုဟာ ဒီနေ့ခေတ်မှာ စည်းနှောင်မှုကန့်သတ်ချက်အဖြစ် ရှိနေဦးမှာဖြစ်ပြီး AI အက်ဥပဒေကတော့ ဆယ်စုနှစ်မကုန်ခင်မှာ တူညီတဲ့စနစ်အတွက် ဘယ်လိုစာရွက်စာတမ်း၊ စမ်းသပ်မှုနဲ့ လူသားကြီးကြပ်မှု လိုအပ်မလဲဆိုတာကို ဆုံးဖြတ်ပေးပါတယ်။ လေ့ကျင့်ခန်းနှစ်ခုကို သီးခြားစီတည်ဆောက်ခြင်းက အလုပ်ဖြစ်ပေမယ့် အတူတကွတည်ဆောက်ခြင်းက အလုပ်မဖြစ်ပါဘူး။ EU AI အက်ဥပဒေနဲ့ အန္တရာယ်များတဲ့ AI စနစ်တွေ အတွက် ကျွန်ုပ်တို့ရဲ့လမ်းညွှန်ချက်တွေက အမျိုးအစားခွဲခြားမှုနဲ့ တာဝန်ဝတ္တရားတွေကို အသေးစိတ်ဖော်ပြထားပါတယ်။
အုပ်စုလိုက်တောင်းဆိုမှုများနှင့် ပျက်စီးဆုံးရှုံးမှုများ- အန္တရာယ်၏ အရပ်ဘက်ဘက်
စည်းမျဉ်းစည်းကမ်းဆိုင်ရာ ဒဏ်ကြေးများသည် တစ်ခုတည်းသော ထိတွေ့မှုမဟုတ်ဘဲ နယ်သာလန်တွင် ၎င်းတို့သည် အကြီးမားဆုံးသော ထိတွေ့မှုလည်း မဟုတ်ပါ။ Wet afwikkeling massaschade in collectieve actie (WAMCA) သည် တင်းကျပ်သော အုပ်ချုပ်မှုနှင့် ရန်ပုံငွေလိုအပ်ချက်များနှင့် ကိုက်ညီသော ဖောင်ဒေးရှင်း သို့မဟုတ် အသင်းအဖွဲ့တစ်ခုအား နယ်သာလန်တွင် နေထိုင်သူများအတွက် opt-out စနစ်ဖြင့် သတ်မှတ်ထားသော အုပ်စုတစ်ခုကိုယ်စား ပျက်စီးဆုံးရှုံးမှုများအတွက် စုပေါင်းအရေးယူမှုတစ်ခု ပြုလုပ်ခွင့်ပြုသည်။ အချက်အလက်အခြေပြု လုပ်ဆောင်မှုမှာ ထင်ရှားသော ပစ်မှတ်တစ်ခုဖြစ်သည်- ဒီဇိုင်းဆုံးဖြတ်ချက်တစ်ခုတည်းသည် အသုံးပြုသူတိုင်းကို တူညီသောနည်းလမ်းဖြင့် သက်ရောက်မှုရှိပြီး ၎င်းသည် စုပေါင်းလုပ်ဆောင်မှုတစ်ခု လိုအပ်သော တူညီမှုပင်ဖြစ်သည်။
GDPR သည် ၎င်း၏ကိုယ်ပိုင်ဘက်မှ ဤအချက်ကို အားဖြည့်ပေးပါသည်။ ချိုးဖောက်မှုကြောင့် ပစ္စည်း သို့မဟုတ် ပစ္စည်းမဟုတ်သော ပျက်စီးဆုံးရှုံးမှုများ ခံစားခဲ့ရသူတိုင်းအား ထိန်းချုပ်သူ သို့မဟုတ် ပရိုဆက်ဆာထံမှ လျော်ကြေးရရှိရန် အခွင့်အရေးပေးပြီး၊ ဒေတာကာကွယ်ရေးနယ်ပယ်တွင် တက်ကြွစွာလှုပ်ရှားနေသော အကျိုးအမြတ်မယူသော အဖွဲ့အစည်းတစ်ခုအား ဒေတာပိုင်ရှင်များကိုယ်စား အချို့ကိစ္စများတွင် ၎င်းတို့ထံမှ အမိန့်မပါဘဲ တရားစွဲဆိုမှုများ ပြုလုပ်ခွင့်ပြုသည်။ တရားရုံးက စားသုံးသူကာကွယ်ရေးအသင်းအဖွဲ့တစ်ခုသည် ထိုအခြေခံဖြင့် လုပ်ဆောင်နိုင်ကြောင်း အတည်ပြုခဲ့သည်။
ကန့်သတ်ချက်တစ်ခုရှိပြီး တရားခံများအတွက် အသုံးဝင်ပါသည်။ GDPR ကို ချိုးဖောက်ခြင်းသည် လျော်ကြေးရပိုင်ခွင့်ကို ၎င်းကိုယ်တိုင် မဖြစ်ပေါ်စေဟု တရားရုံးက ဆုံးဖြတ်ခဲ့သည်- တောင်းဆိုသူသည် အမှန်တကယ်ပျက်စီးဆုံးရှုံးမှုနှင့် ဆက်စပ်မှုကို ပြသရမည်၊ သို့သော် ඒ වෙනුවට ...�රිට වතරිට වතරිට වතරිට වතරිට වතරිට වතරිට වතරිට වතරිට වතරිට වත්නිට වත්නිට වත්නිට වත්නිට වත්නිට වත්�
ဒေတာတွေ နေရာတိုင်းကနေ လာတဲ့အခါ ဘယ်သူက ထိန်းချုပ်သူလဲ
Big data ပရောဂျက်များသည် အဖွဲ့အစည်းတစ်ခုတည်းအတွင်း၌သာ ရှိနေခဲသည်။ ဒေတာကို ပွဲစားတစ်ဦးမှ ကြွယ်ဝစေပြီး cloud provider မှ လက်ခံထားရှိကာ analytics agency မှ သန့်စင်ပြီး ရောင်းချသူမှ ထောက်ပံ့ပေးသော မော်ဒယ်တစ်ခုထဲသို့ ထည့်သွင်းကာ ထိုဆက်ဆံရေးတစ်ခုစီကို မှန်ကန်စွာ ဖော်ပြရမည်ဖြစ်ပြီး၊ အခန်းကဏ္ဍများ ခွဲဝေချထားပေးခြင်းသည် မည်သူက မည်သည့်တာဝန်ကို ထမ်းဆောင်ပြီး မည်သူက စည်းမျဉ်းထိန်းသိမ်းရေးအဖွဲ့ထံ ဖြေကြားရမည်ကို ဆုံးဖြတ်ပေးသောကြောင့်ဖြစ်သည်။
ထိန်းချုပ်သူတစ်ဦးသည် လုပ်ဆောင်ခြင်း၏ ရည်ရွယ်ချက်များနှင့် နည်းလမ်းများကို ဆုံးဖြတ်သည်။ ပရိုဆက်ဆာသည် ထိန်းချုပ်သူ၏ မှတ်တမ်းတင်ထားသော ညွှန်ကြားချက်များအပေါ်တွင်သာ လုပ်ဆောင်သည်။ နှစ်ဦး သို့မဟုတ် နှစ်ဦးထက်ပိုသော ပါတီများသည် ရည်ရွယ်ချက်များနှင့် နည်းလမ်းများကို ပူးတွဲဆုံးဖြတ်သည့်အခါ ၎င်းတို့သည် ပူးတွဲထိန်းချုပ်သူများဖြစ်ပြီး ၎င်းတို့၏ သက်ဆိုင်ရာတာဝန်ဝတ္တရားများကို အစီအစဉ်တစ်ခုတွင် ဖော်ပြရမည်၊ အထူးသဖြင့် အချက်အလက်များ ပေးအပ်ခြင်းနှင့် မည်သည့်အခြေအနေတွင်မဆို ၎င်းတို့နှစ်ဦးစလုံးအပေါ် ၎င်းတို့၏အခွင့်အရေးများကို ကျင့်သုံးနိုင်သည့် လူပုဂ္ဂိုလ်များထံမှ တောင်းဆိုမှုများကို ကိုင်တွယ်ခြင်းအတွက်ဖြစ်သည်။ စာချုပ်တွင် အသုံးပြုထားသော အညွှန်းသည် အဆုံးအဖြတ်မပေးပါ။ အရေးကြီးသည်မှာ ဒေတာကို အဘယ်ကြောင့်နှင့် မည်သို့လုပ်ဆောင်သည်ကို မည်သူက အမှန်တကယ်ဆုံးဖြတ်သည်ဆိုသည့်အချက်ဖြစ်သည်။ ၎င်းတို့၏ကိုယ်ပိုင်ထုတ်ကုန်ကို တိုးတက်ကောင်းမွန်စေရန် သင့်ဒေတာကို အသုံးပြုခွင့်ကို သိမ်းဆည်းထားသော ပေးသွင်းသူသည် ထိုအတိုင်းအတာအထိ သဘောတူညီချက်က မည်သို့ခေါ်ဝေါ်သည်ဖြစ်စေ ၎င်း၏ကိုယ်ပိုင်ရည်ရွယ်ချက်များအတွက် ထိန်းချုပ်သူတစ်ဦး ဖြစ်လာသည်။
AI ရှုထောင့်တွင် ပေးသွင်းသူစာချုပ်များရှိ စာပိုဒ်နှစ်ပိုဒ်ကို အထူးအာရုံစိုက်သင့်သည်။ ပထမတစ်ခုမှာ ပံ့ပိုးပေးသူအား လေ့ကျင့်ရေး သို့မဟုတ် ဝန်ဆောင်မှုတိုးတက်မှုအတွက် ဖောက်သည်အကြောင်းအရာများကို အသုံးပြုရန် ခွင့်ပြုသည့် စာပိုဒ်ဖြစ်သည်။ ၎င်းရှိနေပါက သင်သည် ကိုယ်ရေးကိုယ်တာအချက်အလက်များကို အခြားထိန်းချုပ်သူထံ ထုတ်ဖော်နေခြင်းဖြစ်ပြီး ထိုထုတ်ဖော်မှုအတွက် အခြေခံနှင့် အသိပေးချက်တစ်ခု လိုအပ်ပါသည်။ ဒုတိယတစ်ခုမှာ လက်အောက်ခံပရိုဆက်ဆာစာပိုဒ်ဖြစ်ပြီး၊ မော်ဒယ်ပံ့ပိုးပေးသူများသည် ဥရောပစီးပွားရေးဇုန်ပြင်ပရှိ နောက်ထပ်ပေးသွင်းသူများနှင့် အခြေခံအဆောက်အအုံများကို မကြာခဏ အားကိုးနေရသောကြောင့် လွှဲပြောင်းမှုစည်းမျဉ်းများကို ထည့်သွင်းစဉ်းစားပါသည်။ လိုအပ်သောဘာသာရပ်ကို လွှမ်းခြုံထားသော်လည်း ဒေတာတွင် အမှန်တကယ်ဖြစ်ပျက်သောအရာကို မဖော်ပြသော စီမံဆောင်ရွက်မှုသဘောတူညီချက်သည် စုံစမ်းစစ်ဆေးမှုတွင် အသုံးမဝင်ပါ။
နောက်ဆုံးအနေနဲ့ တာဝန်ခံမှုမူက သက်သေပြရမယ့် ဝန်ထုပ်ဝန်ပိုးကို ထိန်းချုပ်သူအပေါ် ထားရှိတယ်ဆိုတာ မမေ့ပါနဲ့။ လိုက်နာရုံနဲ့ မလုံလောက်ပါဘူး။ စနစ်တွေကို တကယ်တည်ဆောက်ထားတဲ့အချိန်မှာ ကိုက်ညီတဲ့ မှတ်တမ်းတွေ၊ အကဲဖြတ်ချက်တွေနဲ့ သဘောတူညီချက်တွေနဲ့ ပြသနိုင်ရပါမယ်။
နောက်ထပ် ပရောဂျက်မစတင်ခင် ဘာတွေပြင်ဆင်ထားရမလဲ
စည်းမျဉ်းတွင် ဒီဇိုင်းနှင့် မူရင်းအတိုင်း ဒေတာကာကွယ်မှု လိုအပ်သောကြောင့် big data အတွက် လိုက်နာမှုကို ဒီဇိုင်းအဆင့်တွင် တည်ဆောက်ထားသည်- သင့်လျော်သော နည်းပညာနှင့် အဖွဲ့အစည်းဆိုင်ရာ အစီအမံများကို လုပ်ဆောင်မှုတွင် ၎င်းကိုယ်တိုင် ပေါင်းစပ်ရမည်ဖြစ်ပြီး သီးခြားရည်ရွယ်ချက်တစ်ခုစီအတွက် လိုအပ်သော ကိုယ်ရေးကိုယ်တာဒေတာကိုသာ မူရင်းအတိုင်း စီမံဆောင်ရွက်နိုင်သည်။ ပြန်လည်ပြုပြင်မွမ်းမံခြင်းသည် စျေးကြီးပြီး များသောအားဖြင့် မပြည့်စုံပါ။
လက်တွေ့တွင် ကွာခြားချက်ငါးခုရှိသည်။ မော်ဒယ်တစ်ခုစီ၏နောက်ကွယ်ရှိဒေတာစီးဆင်းမှုများကို အမှန်တကယ်ဖော်ပြသည့် လုပ်ဆောင်မှုလုပ်ဆောင်ချက်များကို မှတ်တမ်းတင်ထားပါ။ လေ့ကျင့်ရေးတွင်ပါဝင်သော နောက်ထပ်လုပ်ဆောင်မှုများအပါအဝင် လုပ်ဆောင်မှုလုပ်ဆောင်ချက်တစ်ခုစီအတွက် တရားဝင်အခြေခံကို ဆုံးဖြတ်ပြီး ရေးမှတ်ထားပြီး တရားဝင်အကျိုးစီးပွားအကဲဖြတ်ချက်ကို ၎င်းနှင့်အတူထားပါ။ ဒေတာကိုစုစည်းခြင်းမပြုမီ သက်ရောက်မှုအကဲဖြတ်ခြင်းကို ပြုလုပ်ပြီး ကျန်ရှိနေသောအန္တရာယ်မြင့်မားနေပါက ကြီးကြပ်ရေးအာဏာပိုင်နှင့် တိုင်ပင်ပါ။ မော်ဒယ် သို့မဟုတ် ပလက်ဖောင်း၏ပံ့ပိုးပေးသူများအပါအဝင် ဒေတာကိုထိတွေ့သော ပေးသွင်းသူတိုင်းနှင့် ဒေတာစီမံဆောင်ရွက်မှုသဘောတူညီချက်တစ်ခု ထားရှိပါ၊ ၎င်းတို့၏ကိုယ်ပိုင်ရည်ရွယ်ချက်များအတွက် သင့်ဒေတာကို ဘာလုပ်ခွင့်ပြုထားသည်ကို စစ်ဆေးပါ။ လိုအပ်ချက်များကို ဒေတာစီမံဆောင်ရွက်မှုသဘောတူညီချက် လမ်းညွှန်တွင် ဖော်ပြထားပါသည် ။ ဒေတာဘယ်ကိုသွားသည်ကို စစ်ဆေးပါ- ဥရောပစီးပွားရေးဇုန်ပြင်ပသို့ လွှဲပြောင်းမှုများသည် စည်းမျဉ်း၏ အခန်း ၅ အရ လွှဲပြောင်းမှုယန္တရားနှင့် လွှဲပြောင်းမှုသက်ရောက်မှုအကဲဖြတ်ခြင်း လိုအပ်ပြီး သီးခြားတတိယနိုင်ငံများ၏ ရပ်တည်ချက်သည် ပြောင်းလဲနိုင်သည်။
အဓိကအားဖြင့်၊ မော်ဒယ်များတည်ဆောက်သူများနှင့် အန္တရာယ်အကဲဖြတ်သူများအားလုံးကို တူညီသောစာရွက်စာတမ်းတွင် လုပ်ဆောင်စေပါ။ စည်းမျဉ်း၏ အခြေခံများကို ကျွန်ုပ်တို့၏ အထွေထွေဒေတာကာကွယ်ရေးစည်းမျဉ်း ခြုံငုံသုံးသပ်ချက်တွင် အကျဉ်းချုပ်ဖော်ပြထားပြီး အလိုအလျောက်ဆုံးဖြတ်ချက်ချခြင်းမှသည် ထိခိုက်ခံရသူများ၏ အခွင့်အရေးများအထိ AI စနစ်ထဲသို့ ကိုယ်ရေးကိုယ်တာဒေတာထည့်သွင်းခြင်းဖြင့် ပေါ်ပေါက်လာသော သီးခြားမေးခွန်းများကို နယ်သာလန်နိုင်ငံရှိ GDPR နှင့် AI အကြောင်း ကျွန်ုပ်တို့၏ ပူးတွဲဆောင်းပါးတွင် ကိုင်တွယ်ဖြေရှင်းထားပါသည် ။
အဖြစ်များသော မေးခွန်းအနည်းငယ်
AI မော်ဒယ်တစ်ခုကို လေ့ကျင့်ပေးရန်အတွက် မည်သည့်ဥပဒေဆိုင်ရာအခြေခံကို အသုံးပြုသင့်သနည်း
အများစုသော စီးပွားဖြစ်ပတ်ဝန်းကျင်များတွင် အဖြေမှာ တရားဝင်အကျိုးစီးပွားများဖြစ်ပြီး အကျိုးစီးပွား၊ လိုအပ်ချက်နှင့် ဟန်ချက်ညီမှုလေ့ကျင့်ခန်းများကို လွှမ်းခြုံထားသော ရေးသားထားသော အကဲဖြတ်ချက်ဖြင့် ထောက်ခံထားသည်။ ဒေတာသည် ထိလွယ်ရှလွယ်ဖြစ်သည့်အခါ သို့မဟုတ် အသုံးပြုမှုသည် သက်ဆိုင်ရာလူများကို အံ့အားသင့်စေသည့်အခါတွင် သဘောတူညီချက်သည် ပိုကောင်းသော်လည်း ၎င်းသည် အမှန်တကယ်လွတ်လပ်ပြီး ပြန်လည်ရုပ်သိမ်းနိုင်ရမည်၊ ၎င်းသည် လေ့ကျင့်ရေးအစုံအတွက် စီစဉ်ရန်ခက်ခဲသည်။ စာချုပ်တစ်ခုအတွက် လိုအပ်ချက်သည် မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုကို လွှမ်းခြုံထားခြင်း မရှိသလောက်ဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် လေ့ကျင့်မှုသည် ဖောက်သည်တောင်းဆိုသည့်အရာ မဟုတ်သောကြောင့်ဖြစ်သည်။ မည်သည့်အခြေခံကို ရွေးချယ်ပါစေ၊ လုပ်ငန်းစဉ်မစတင်မီ မှတ်တမ်းတင်ပါ- အခြေခံတစ်ခုကို နောက်ကြောင်းပြန်ရွေးချယ်ခြင်းကို အခြေခံမရှိဟု ယူဆပါသည်။
ဒေတာကို ဦးစွာ အမည်မဖော်ဘဲ ပြုလုပ်ပါက GDPR သည် အကျုံးဝင်သေးပါသလား။
အမည်မဖော်လိုခြင်းသည် အမှန်တကယ်အလုပ်လုပ်မှသာ။ ပြန်လည်ခွဲခြားသတ်မှတ်ခြင်းသည် မည်သူမဆို ကျိုးကြောင်းဆီလျော်စွာ မဖြစ်နိုင်တော့သည့်အခါတွင် ဒေတာသည် အမည်မဖော်လိုပါ။ အသုံးပြုနိုင်ခြေရှိသော နည်းလမ်းအားလုံးနှင့် ၎င်းနှင့်ပေါင်းစပ်နိုင်သော အခြားဒေတာစုများကို ထည့်သွင်းစဉ်းစားသည်။ အမည်များကိုဖယ်ရှားခြင်း၊ အမှတ်အသားများကို hash များဖြင့် အစားထိုးခြင်း သို့မဟုတ် အုပ်စုငယ်များအဖြစ် စုစည်းခြင်းသည် များသောအားဖြင့် ထိုစံနှုန်းနှင့် မကိုက်ညီဘဲ ရလဒ်အနေဖြင့် အမည်ဝှက်ဒေတာကို ရရှိပြီး ၎င်းသည် စည်းမျဉ်းစည်းကမ်းအတိုင်း အပြည့်အဝလိုက်နာရမည်ဖြစ်သည်။ အမည်မဖော်လိုခြင်းသည် ပရောဂျက်တစ်ခုကို အတိုင်းအတာပြင်ပတွင်ရှိသည်ဟု ယူဆရန် အခြေခံဖြစ်ပါက ထိုနိဂုံးချုပ်ချက်ကို စမ်းသပ်ပြီး မှတ်တမ်းတင်ရန် လိုအပ်ပြီး ဒေတာစုပြောင်းလဲသည့်အခါတိုင်း ပြန်လည်သုံးသပ်ရန် လိုအပ်ပါသည်။
ဖောက်သည်ဒေတာကို ပြန်လည်အသုံးပြုရန် သုတေသနခြွင်းချက်ကို အားကိုးနိုင်ပါသလား။
ရှားရှားပါးပါးသာ။ သိပ္ပံနည်းကျ သို့မဟုတ် စာရင်းအင်းရည်ရွယ်ချက်များအတွက် နောက်ထပ်လုပ်ဆောင်ခြင်းကို မူလရည်ရွယ်ချက်နှင့် ကိုက်ညီသည်ဟု ယူဆသော်လည်း၊ ခြွင်းချက်မှာ အသိအမှတ်ပြုထားသော ዘዴပိုင်းဆိုင်ရာစံနှုန်းများအတိုင်း လုပ်ဆောင်သော သုတေသနကို ရည်ရွယ်ပြီး ကလောင်အမည်ဝှက်ခြင်းနှင့် ဝင်ရောက်ခွင့်ကန့်သတ်ချက်များကဲ့သို့သော ကာကွယ်မှုများနှင့် ကိုက်ညီပါသည်။ စီးပွားဖြစ်ပါတီတစ်ခုမှ ၎င်း၏ကိုယ်ပိုင်အကျိုးအတွက် လုပ်ဆောင်သော ထုတ်ကုန်ဖွံ့ဖြိုးတိုးတက်မှု သို့မဟုတ် မော်ဒယ်တိုးတက်မှုသည် ဒေတာသိပ္ပံပါဝင်သောကြောင့် သုတေသနဖြစ်လာမည်မဟုတ်ပါ။ လိုက်ဖက်ညီမှုစမ်းသပ်မှုသည် ၎င်း၏ကိုယ်ပိုင်အားသာချက်များဖြင့် မပြည့်မီပါက၊ သင်သည် ဥပဒေနှင့်အညီ အခြေခံအသစ်နှင့် အများစုတွင် သက်ဆိုင်ရာပုဂ္ဂိုလ်များထံ အချက်အလက်အသစ်များ လိုအပ်ပါသည်။
မော်ဒယ်တစ်ဦးကို လေ့ကျင့်ပေးပြီးနောက် တစ်စုံတစ်ယောက်က သဘောတူညီချက်ကို ရုပ်သိမ်းလိုက်ရင် ဘာဖြစ်မလဲ။
ရုပ်သိမ်းခြင်းသည် အနာဂတ်အတွက် အကျိုးသက်ရောက်မှုရှိပြီး နောက်ကြောင်းပြန်လှည့်၍ အစောပိုင်းလုပ်ဆောင်မှုကို တရားမဝင်ဖြစ်စေခြင်းမရှိသော်လည်း၊ ၎င်းသည် ဒေတာကို ထိုအခြေခံဖြင့် အသုံးမပြုနိုင်တော့ဟု ဆိုလိုသည်။ လက်တွေ့တွင်၊ ၎င်းသည် လေ့ကျင့်ရေးအစုံနှင့် အင်္ဂါရပ်စတိုးဆိုင်များနှင့် မှတ်တမ်းများမှ လူပုဂ္ဂိုလ်ကို ဖယ်ရှားနိုင်စွမ်း၊ မော်ဒယ်သည် ထိုလူ၏ဒေတာကို ပြန်လည်လေ့ကျင့်ပေးခြင်း သို့မဟုတ် ပြသနိုင်သည့်နေရာတွင် ထင်ဟပ်မှုမရှိတော့ကြောင်း သေချာစေရန် စွမ်းရည်လိုအပ်သည်။ ၎င်းသည် မော်ဒယ်လေ့ကျင့်ရေးအတွက် သဘောတူညီချက်သည် ခက်ခဲသောအခြေခံအကြောင်းရင်းများထဲမှ တစ်ခုဖြစ်ပြီး ပထမဆုံးတောင်းဆိုမှုရောက်ရှိလာပြီးနောက်ထက် ဒီဇိုင်းအဆင့်တွင် ဖြေဆိုသင့်သော မေးခွန်းတစ်ခုဖြစ်သည်။
ဘယ်လိုလဲ Law and More ကူညီပေးနိုင်ပါသည်
Law and More ခွဲခြမ်းစိတ်ဖြာမှုနှင့် AI ၏ အချက်အလက်ကာကွယ်ရေးဘက်တွင် ဒတ်ချ်နှင့် နိုင်ငံတကာအဖွဲ့အစည်းများအား အကြံပေးသည်- တရားဝင်အခြေခံကို ရွေးချယ်ခြင်းနှင့် မှတ်တမ်းတင်ခြင်း၊ တရားဝင်အကျိုးစီးပွားအကဲဖြတ်မှုများနှင့် သက်ရောက်မှုအကဲဖြတ်မှုများကို ဆောင်ရွက်ခြင်း၊ လျှို့ဝှက်ရေးထုတ်ပြန်ချက်များ ရေးဆွဲခြင်းနှင့် စစ်ဆေးမှုကို ကျော်လွှားနိုင်သော သဘောတူညီချက်များကို လုပ်ဆောင်ခြင်း၊ Autoriteit Persoonsgegevens ကို တုံ့ပြန်ခြင်းနှင့် လူပုဂ္ဂိုလ်များ သို့မဟုတ် ကိုယ်စားလှယ်အဖွဲ့အစည်းများမှ တင်သွင်းသော တောင်းဆိုမှုများကို ခုခံကာကွယ်ခြင်း။ သင်သည် အချက်အလက်အခြေပြု ပရောဂျက်တစ်ခုကို စီစဉ်နေပါက သို့မဟုတ် စည်းမျဉ်းထိန်းသိမ်းရေးအဖွဲ့မှ ဆက်သွယ်ပြီးပါက၊ ကျွန်ုပ်တို့သည် သင့်နှင့်အတူ ဖိုင်ကို ကြည့်ရှုရန် ဝမ်းမြောက်မိပါသည်။
