GDPR და დიდი მონაცემები შეუთავსებელი არ არის, მაგრამ ისინი აიძულებენ არჩევანს, რომელსაც ბევრი ორგანიზაცია გადადებს: დიდი მონაცემთა ნაკრების შეგროვებამდე ან ხელახლა გამოყენებამდე, თქვენ უნდა შეძლოთ ამის გაკეთების სამართლებრივი საფუძვლის დასახელება და იმის ჩვენება, რომ დამუშავება აუცილებელია ამ მიზნით. პრაქტიკაში ეს ნიშნავს მონაცემთა დაცვის ზოგადი რეგულაციის მე-6 მუხლის შესაბამისად საფუძვლის დოკუმენტირებას, ალგორითმის ტრენინგისთვის შემდგომი გამოყენების შემოწმებას, თავსებადია თუ არა მონაცემები თავდაპირველად შეგროვებულ მიზანთან და რისკის შეფასებას პირველი მოდელის შექმნამდე. ეს სტატია განსაზღვრავს, თუ როგორ ვრცელდება ეს წესები ნიდერლანდებში მასშტაბური ანალიტიკისა და ხელოვნური ინტელექტის ტრენინგზე და სად ავლებს ზღვარს Autoriteit Persoonsgegevens.
რა ითვლება პერსონალურ მონაცემებად დიდ მონაცემთა ნაკრებში
GDPR ვრცელდება იდენტიფიცირებულ ან იდენტიფიცირებად ფიზიკურ პირთან დაკავშირებულ ინფორმაციაზე. დიდი მონაცემების კონტექსტში ეს ზღვარი გაცილებით ხშირად გადაიკვეთება, ვიდრე ორგანიზაციები ვარაუდობენ, რადგან იდენტიფიცირებადობა ფასდება ყველა იმ საშუალების მიხედვით, რომელიც გონივრულად სავარაუდოა, რომ გამოყენებული იქნება კონტროლერის ან სხვა პირის მიერ ვინმეს გამოსაყოფად. ამიტომ, მოწყობილობის იდენტიფიკატორების, მდებარეობის კვალის, ტრანზაქციის ჩანაწერების ან დაწკაპუნებების მონაცემთა ნაკრები თითქმის ყოველთვის პერსონალური მონაცემებია, მაშინაც კი, როდესაც არცერთ სვეტში სახელი არ ჩანს.
ორი ცნება რეგულარულად ერთმანეთში ირევა და სწორედ ეს განსხვავება განსაზღვრავს, საერთოდ გამოიყენება თუ არა რეგულაცია. ფსევდონიმიზებული მონაცემები, სადაც იდენტიფიკატორები შეიცვალა, მაგრამ გასაღები სადღაც მაინც არსებობს, პერსონალურ მონაცემებად რჩება და სრულად ექვემდებარება GDPR-ს. ანონიმიზებული მონაცემები, სადაც ხელახალი იდენტიფიკაცია აღარ არის შესაძლებელი ვინმესთვის, ამ რეგულაციის მიღმა რჩება. ნამდვილი ანონიმიზაციის ზღვარი მაღალია: აგრეგაცია, ჰეშირება ან პირდაპირი იდენტიფიკატორების წაშლა, როგორც წესი, საკმარის ანაბეჭდს ტოვებს განსაზღვრული მხარისთვის პირების ხელახალი იდენტიფიკაციაში, განსაკუთრებით მაშინ, როდესაც მონაცემთა ნაკრები მდიდარია და მოიცავს ხანგრძლივ პერიოდს.
ეს მნიშვნელოვანია, რადგან მონაცემთა ნაკრების ანონიმურობის მტკიცება ხშირად მთელი ხელოვნური ინტელექტის პროგრამის დატვირთვის მატარებელ ვარაუდს წარმოადგენს. თუ ის ვერ მოხერხდა, ყოველი შემდგომი ნაბიჯი, ტრენინგიდან შენახვის გრაფიკამდე, კანონიერი საფუძვლის გარეშე განხორციელდა. უფრო უსაფრთხო მიდგომაა მონაცემთა ნაკრების პერსონალურ მონაცემებად განხილვა, თუ დოკუმენტირებული ხელახალი იდენტიფიკაციის ანალიზი სხვაგვარად არ მიუთითებს და ამ ანალიზის ხელახლა განხილვა, როდესაც მონაცემთა ნაკრები გამდიდრდება ან სხვა წყაროსთან იქნება შერწყმული. ევროპის მონაცემთა დაცვის საბჭომ ასევე განიხილა, თუ როდის შეიძლება ხელოვნური ინტელექტის მოდელი თავად ჩაითვალოს ანონიმურად და მისი პასუხია, რომ ამის ვარაუდი არ შეიძლება: პერსონალურ მონაცემებზე გაწვრთნილი მოდელი შეიძლება კვლავ შეიცავდეს ამ მონაცემებს ამოსაღებ ფორმაში და უნდა შეფასდეს თითოეულ შემთხვევაში.
დიდი მონაცემებისა და ხელოვნური ინტელექტის ტრენინგისთვის კანონიერი საფუძვლის არჩევა
დამუშავების ყველა ოპერაციას სჭირდება მე-6 მუხლით გათვალისწინებული ექვსი საფუძვლიდან ერთ-ერთი და ეს საფუძველი უნდა შეირჩეს დამუშავების დაწყებამდე და არა შემდგომში ხელახლა შემუშავდეს. ფართომასშტაბიანი ანალიტიკისთვის მხოლოდ სამია რეალისტური კანდიდატი.
თანხმობა თეორიულად ყველაზე სუფთა და პრაქტიკაში ყველაზე მყიფეა. ის თავისუფლად უნდა იყოს მოცემული, კონკრეტული, ინფორმირებული და ცალსახა და მისი გაუქმება ისეთივე მარტივი უნდა იყოს, როგორც მიცემა იყო. თანხმობა, რომელიც ზოგად პირობებშია შეკრული, მიღებულია ისეთი მომსახურების პირობის სახით, რომელსაც მონაცემები არ სჭირდება, ან იმდენად ფართოდ არის ჩამოყალიბებული, რომ ინდივიდს არ შეუძლია დაინახოს, რაზეა შეთანხმებული, არ იქნება ძალაში. თანხმობის გაუქმების შემთხვევაში, თქვენ გჭირდებათ ტექნიკური პასუხი კითხვაზე, თუ რა ხდება უკვე გაწვრთნილ მოდელთან.
კონტრაქტის შესრულების აუცილებლობა უფრო ვიწროა, ვიდრე ერთი შეხედვით ჩანს. ტესტი ეხება ობიექტურ აუცილებლობას იმ მომსახურებისთვის, რომელიც ინდივიდმა რეალურად მოითხოვა და არა კომერციულ სარგებლიანობას. მომხმარებლის პროფილის შექმნა რეკომენდაციების სისტემის გასაუმჯობესებლად, როგორც წესი, არ არის აუცილებელი მათ მიერ შეძენილი პროდუქტის მიწოდებისთვის და მართლმსაჯულების სასამართლომ არაერთხელ უარყო ამ საფუძვლის ქცევითი რეკლამირებისა და პერსონალიზაციის მოცვის მცდელობები.
რჩება ლეგიტიმური ინტერესები, რაც წარმოადგენს საფუძველს, რომელზეც ფართომასშტაბიანი დამუშავება უნდა იყოს დაფუძნებული. ეს მოითხოვს სამ ეტაპს, რომლებიც ამ თანმიმდევრობით არის დოკუმენტირებული: რეალური და კანონიერი ინტერესის იდენტიფიცირება, იმის ჩვენება, რომ დამუშავება აუცილებელია, რადგან მისი მიღწევის არანაკლებ ინტრუზიული გზა არ არსებობს და ინტერესის დაბალანსება დაინტერესებული პირების უფლებებთან და გონივრულ მოლოდინებთან. ნიდერლანდების სასამართლოს მიერ ეროვნული ჩოგბურთის ასოციაციის შესახებ წარდგენილ რეკომენდაციაში, 2024 წელს მართლმსაჯულების სასამართლომ დაადასტურა, რომ წმინდა კომერციული ინტერესი შეიძლება ჩაითვალოს ლეგიტიმურ ინტერესად, მაგრამ მხოლოდ იმ შემთხვევაში, თუ აუცილებლობისა და დაბალანსების კრიტერიუმები ნამდვილად დაკმაყოფილებულია. შესაბამისად, კომერციული ღირებულება არის დასაშვები ინტერესი და არა ლიცენზია.
სპეციალური კატეგორიები და დასკვნითი მახასიათებლები
მონაცემები, რომლებიც ავლენს რასობრივ ან ეთნიკურ წარმომავლობას, პოლიტიკურ შეხედულებებს, რელიგიურ შეხედულებებს, პროფკავშირის წევრობას, ჯანმრთელობას, სქესობრივ ცხოვრებას ან სექსუალურ ორიენტაციას, იდენტიფიკაციისთვის გამოყენებულ გენეტიკურ და ბიომეტრიულ მონაცემებთან ერთად, საერთოდ არ შეიძლება დამუშავდეს, თუ არ გამოიყენება მე-9 მუხლით გათვალისწინებული ერთ-ერთი ვიწრო გამონაკლისი. ჩვეულებრივი გზა არის აშკარა თანხმობა; დანარჩენი იშვიათად ჯდება კომერციულ მონაცემთა ნაკრებში.
დიდი მონაცემების ხაფანგი ის არის, რომ სპეციალური კატეგორიის მონაცემების შეგნებულად შეგროვება საჭირო არ არის. იმ შემთხვევაში, თუ მონაცემთა ნაკრები დაცული მახასიათებლის შესახებ დასკვნის გაკეთების საშუალებას იძლევა, მაგალითად, შესყიდვების ნიმუშების, მდებარეობის ისტორიის ან თავისუფალი ტექსტური ველების შინაარსის მეშვეობით, ამ დამუშავებაზე უფრო მკაცრი რეჟიმი ვრცელდება, მიუხედავად იმისა, რომ არავის არასდროს დაუსვამს ეს კითხვა პირდაპირ. მოდელის მახასიათებლები, რომლებიც დაცული მახასიათებლის პროქსის როლს ასრულებენ, უნდა გამოვლინდეს შემუშავების დროს და არა საჩივრის შემდეგ.
მიზნის შეზღუდვა: შეგიძლიათ თუ არა მონაცემების ხელახლა გამოყენება მოდელის გასაწვრთნელად?
შეგიძლიათ, მაგრამ არა ავტომატურად. GDPR მოითხოვს, რომ პერსონალური მონაცემები შეგროვდეს კონკრეტული, მკაფიო და ლეგიტიმური მიზნებისთვის და არ მოხდეს მათი შემდგომი დამუშავება ისე, რომ ეს არ შეესაბამებოდეს ამ მიზნებს. ალგორითმის სწავლება მონაცემებზე, რომლებიც შეგროვდა შეკვეთის შესრულების, მომხმარებელთა მხარდაჭერის ან თაღლითობის პრევენციის მიზნით, წარმოადგენს დამატებით დამუშავების ოპერაციას და ის კანონიერია მხოლოდ იმ შემთხვევაში, თუ ის გაივლის რეგულაციით დადგენილ თავსებადობის ტესტს.
ეს ტესტი ფორმალობას არ წარმოადგენს. ის ითხოვს კავშირს თავდაპირველ და ახალ მიზანს შორის, კონტექსტს, რომელშიც მონაცემები შეგროვდა და რას შეიძლება ინდივიდს ამის საფუძველზე გონივრულად მოელოდეს, მონაცემთა ბუნებას და იმას, ჩართულია თუ არა სპეციალური კატეგორიები, ახალი დამუშავების შესაძლო შედეგებს და ისეთი დამცავი ზომების არსებობას, როგორიცაა ფსევდონიმიზაცია ან დაშიფვრა. სამედიცინო ან ფინანსური ჩანაწერების მონაცემთა ნაკრები ვერ გაივლის ტესტს, მაშინ როდესაც ანონიმიზებული ოპერაციული ჟურნალების მონაცემთა ნაკრები გაივლის მას.
არსებობს ერთი მოკლე გზა და ის უფრო ვიწროა, ვიდრე ჩვეულებრივ მიიჩნევა. საზოგადოებრივი ინტერესებიდან გამომდინარე არქივირების, სამეცნიერო ან ისტორიული კვლევის ან სტატისტიკური მიზნებისთვის შემდგომი დამუშავება თავსებადად ითვლება, იმ პირობით, რომ კვლევის დამუშავების გარანტიები არსებობს. კომერციული მოდელის შემუშავება, რომელიც კვლევად არის შენიღბული, არ აკმაყოფილებს კრიტერიუმებს; გამონაკლისი მიზნად ისახავს ნამდვილ კვლევას, რომელიც ექვემდებარება მეთოდოლოგიურ და ეთიკურ სტანდარტებს და არა პროდუქტის გაუმჯობესებას. იმ შემთხვევაში, თუ თავსებადობის ტესტი არ დაკმაყოფილებულია, საჭიროა ახალი სამართლებრივი საფუძველი და, უმეტეს შემთხვევაში, ახალი ინფორმაცია დაინტერესებული პირებისთვის.
პრაქტიკული შედეგი ის არის, რომ მიზნის შეზღუდვის საკითხი შეგროვების ეტაპზევე უნდა განიხილებოდეს. კონფიდენციალურობის შესახებ განცხადებები, რომლებიც მიზნებს საკმარისად ფართო ტერმინებით აღწერს, რომ უაზრო იყოს, არ დაზოგავს შემდგომ ტრენინგს, რადგან ტესტი განიხილავს იმას, თუ რას შეიძლება ინდივიდმა გონივრულად მოელოდეს და არა იმას, თუ რას იძლევა ტექნიკური თვალსაზრისით რედაქტირების საშუალება. ჩვენი სახელმძღვანელო ნიდერლანდებში კონფიდენციალურობის პოლიტიკის შედგენის შესახებ განმარტავს, თუ როგორ უნდა აღწეროთ მიზნები ისე, რომ იყოს როგორც გულწრფელი, ასევე გამოსაყენებელი.
მინიმიზაცია, შენარჩუნება და სიზუსტე, როდესაც მოდელს ყველაფერი სჭირდება
მონაცემთა მინიმიზაცია მოითხოვს, რომ პერსონალური მონაცემები იყოს ადეკვატური, რელევანტური და შეზღუდული მხოლოდ საჭიროებით. ეს პრინციპი ნამდვილად ეწინააღმდეგება შემუშავების მეთოდს, რომლის ლოგიკაც იმაში მდგომარეობს, რომ მეტი მონაცემი უკეთეს მოდელს ქმნის და დაძაბულობის მოგვარება მისი იგნორირებით შეუძლებელია. მისი მოგვარება შესაძლებელია დოკუმენტირებული არგუმენტით: რომელი ველებია საჭირო მითითებული მიზნისთვის, რა იქნა გამოცდილი მათ გარეშე და რატომ იქნა დარჩენილი ნაწილი უარყოფილი. კონტროლიორს, რომელსაც შეუძლია აჩვენოს, რომ ანალიზის პოზიცია აქვს მაშინაც კი, როდესაც მონაცემთა ნაკრები დიდია. კონტროლიორს, რომელმაც ყველაფერი შეინარჩუნა, რადგან შენახვა იაფია, არ აქვს ამის უფლება.
დროთა განმავლობაში შენახვის შეზღუდვა იგივე კითხვას ბადებს. სასწავლო მონაცემები, ფუნქციების საცავები, მოდელის საკონტროლო წერტილები და დასკვნის ჟურნალები შენახვის ვალდებულების ფარგლებში ხვდება და თითოეულ მათგანს სჭირდება საკუთარი პერიოდი, რომელიც მიზანთანაა დაკავშირებული. დასკვნის ჟურნალები ხშირად დავიწყებას ეძლევა და ხშირად უფრო მეტ პერსონალურ მონაცემს შეიცავს, ვიდრე სასწავლო ნაკრებში ოდესმე იყო.
ამ კონტექსტში ყველაზე ხშირად უგულებელყოფილი პრინციპია სიზუსტე და მას აქვს იურიდიული უპირატესობა, რომლის გამოტოვებაც ადვილია. პერსონალური მონაცემები უნდა იყოს ზუსტი და, საჭიროების შემთხვევაში, განახლებული, ხოლო პირებს აქვთ უფლება მოითხოვონ მათი გასწორება. როდესაც მოდელი იძლევა მონაცემებს იდენტიფიცირებადი პირის შესახებ, ეს მონაცემები თავად პერსონალური მონაცემებია. დასკვნა იმის შესახებ, რომ ვინმე დაბალი საკრედიტო რისკის მქონეა, სავარაუდო თაღლითი ან შეუფერებელი კანდიდატია, მათ შესახებ მონაცემებია, ის შეიძლება იყოს არაზუსტი და შეიძლება გასაჩივრდეს. სისტემის შექმნა, რომელშიც ასეთი მონაცემების გასწორება შეუძლებელია, ქმნის შესაბამისობის პრობლემას, რომელსაც შემდგომში ვერანაირი დოკუმენტაცია ვერ გამოასწორებს.
როდესაც მონაცემთა დაცვაზე ზემოქმედების შეფასება სავალდებულოა
მონაცემთა დაცვაზე ზემოქმედების შეფასება სავალდებულოა იმ შემთხვევაში, თუ დამუშავების რომელიმე სახეობა, სავარაუდოდ, მაღალ რისკს შეუქმნის ინდივიდების უფლებებსა და თავისუფლებებს და რეგულაცია კონკრეტულად სამ შემთხვევას ასახელებს: პერსონალური ასპექტების სისტემატური და ვრცელი შეფასება ავტომატიზირებული დამუშავების საფუძველზე, მათ შორის პროფილირების საფუძველზე, რომელზეც დაფუძნებულია სამართლებრივი ან მსგავსი მნიშვნელოვანი შედეგების მქონე გადაწყვეტილებები; მონაცემთა სპეციალური კატეგორიების ან სისხლის სამართლის ნასამართლეობის მონაცემების ფართომასშტაბიანი დამუშავება; და საჯაროდ ხელმისაწვდომი სივრცის სისტემატური მონიტორინგი ფართო მასშტაბით. დიდი მონაცემების პროექტების უმეტესობა პირველ ან მეორე კატეგორიას მიეკუთვნება.
პერსონალის მართვის სააგენტომ (Autoriteit Persoonsgegevens) ასევე გამოაქვეყნა დამუშავების ოპერაციების სია, რომელთათვისაც ნიდერლანდებში შეფასება ყოველთვის არის საჭირო, რომელიც მოიცავს ისეთ სფეროებს, როგორიცაა ფართომასშტაბიანი პროფილირება, თანამშრომლების სისტემატური შეფასება, ჯანმრთელობის მონაცემთა პლატფორმები და კამერის სისტემების გამოყენება. ეს სია უნდა იყოს პირველი დოკუმენტი, რომელსაც განიხილავენ პროექტის დასაწყისში, რადგან ის გამორიცხავს არგუმენტს შეფასების საჭიროების შესახებ.
ვადების შესახებ ორი საკითხი გადამწყვეტია. შეფასება უნდა ჩატარდეს დამუშავების დაწყებამდე, რაც ხელოვნური ინტელექტის პროექტში ნიშნავს ტრენინგის მონაცემების შეგროვებას და არა განლაგებას. ხოლო იმ შემთხვევაში, თუ შეფასება აჩვენებს მაღალ ნარჩენ რისკს, რომლის შემცირებაც თქვენ არ შეგიძლიათ, გაგრძელებამდე უნდა გაიაროთ კონსულტაცია საზედამხედველო ორგანოსთან. ამ კონსულტაციის გამოტოვება თავისთავად დარღვევაა, მიუხედავად იმისა, აღმოჩნდება თუ არა დამუშავება კანონიერი.
ალგორითმული სისტემის სასარგებლო შეფასება სტანდარტულ შაბლონს სცილდება. ის აღრიცხავს, თუ რომელი მონაცემთა წყაროები კვებავს მოდელს და რის საფუძველზე, რა გადაწყვეტილების მიღების უფლება აქვს მოდელს დამოუკიდებლად და რას იღებს ადამიანი, როგორ აუხსნიან გამომავალ ინფორმაციას დაზარალებულ პირს, როგორ შემოწმდა ტრენინგის მონაცემები დაცული ჯგუფების მიმართ მიკერძოებაზე და რა მოხდება, თუ მოდელი არასწორია. ეს არის კითხვები, რომლებსაც მარეგულირებელი ორგანო პირველ რიგში სვამს.
როგორ ახორციელებს ამას Autoriteit Persoonsgegevens
ნიდერლანდების საზედამხედველო ორგანოა Autoriteit Persoonsgegevens, რომელიც ახორციელებს GDPR-ის აღსრულებას ნიდერლანდების სააპლიკაციო აქტთან, Uitvoeringswet AVG-თან ერთად. მისი უფლებამოსილებები მოიცავს გაფრთხილებასა და საყვედურს, ბრძანების გაცემამდე, რომელიც ითვალისწინებს ჯარიმის გადახდას, დამუშავების დროებით ან საბოლოო აკრძალვას და ადმინისტრაციულ ჯარიმას. რეგულაცია ადგენს ზღვრულ ზღვრებს: ქვედა დონისთვის ათ მილიონ ევრომდე ან მსოფლიო მასშტაბით წლიური ბრუნვის ორ პროცენტამდე და ოც მილიონ ევრომდე ან ოთხ პროცენტამდე ძირითადი პრინციპების, სამართლებრივი საფუძვლების, მონაცემთა სუბიექტების უფლებებისა და საერთაშორისო გადარიცხვების წესების დარღვევისთვის, რომელიც უფრო მაღალია.
ნიდერლანდურ პრაქტიკაში აღსრულების ორი თემაა თვალსაჩინო და ორივე პირდაპირ კავშირშია დიდ მონაცემებთან. პირველი არის გამჭვირვალობა: ბოლოდროინდელი ქმედებების მნიშვნელოვანი წილი ეხება კონფიდენციალურობის განცხადებებს, რომლებიც გასაგებ ენაზე არ განმარტავენ, თუ რომელი მონაცემები გამოიყენება, რა მიზნით და რამდენ ხანს. მიზნის ბუნდოვანი აღწერილობა თავისთავად დარღვევად განიხილება და არა წერის ხარვეზად. მეორე არის ალგორითმული ზედამხედველობა. ორგანოს აქვს ალგორითმების ზედამხედველობისთვის განკუთვნილი სპეციალური განყოფილება და პერიოდულად აქვეყნებს ანგარიშებს ალგორითმული რისკების შესახებ, რომლებიც ღირს წასაკითხად, როგორც განცხადება იმის შესახებ, თუ რას მოელის ის, სანამ გამოძიების საგანი გახდება.
აღსრულებასთან ერთად, არსებობს დარღვევის შესახებ შეტყობინების ვალდებულება. პერსონალური მონაცემების დარღვევის შესახებ ინფორმაცია უნდა მიეწოდოს ორგანოს დაუყოვნებლივ და, თუ შესაძლებელია, ამის შესახებ შეტყობინებიდან სამოცდათორმეტი საათის განმავლობაში, თუ დარღვევა ნაკლებად სავარაუდოა, რომ საფრთხეს შეუქმნის პირებს; იმ შემთხვევაში, თუ პირებისთვის რისკი მაღალია, ისინიც უნდა იყვნენ ინფორმირებულნი. ხელოვნური ინტელექტის გარემოში შეფასება უფრო რთულია, ვიდრე ადრე იყო, რადგან კომპრომეტირებული სასწავლო ნაკრები ან ფუნქციების საცავი გავლენას ახდენს ყველას, ვისი მონაცემებიც მასშია და შედეგები ვრცელდება მოდელის მიერ მიღებულ ყველა გადაწყვეტილებაზე. გაითვალისწინეთ, რომ ეს არის ცალკე ვალდებულება ინციდენტების შესახებ შეტყობინების ვალდებულებებისგან, რომლებიც კიბერუსაფრთხოების შესახებ კანონის (NIS2) ნიდერლანდების იმპლემენტაციაა, რომელიც 2026 წლის 15 აგვისტოდან გამოიყენება და მის ფარგლებში მყოფ სუბიექტებს ოცდაოთხი და სამოცდათორმეტი საათის შეტყობინების ვადებს აკისრებს. NIS2-ისა და ნიდერლანდების კიბერუსაფრთხოების შესახებ კანონის ჩვენი მიმოხილვა განმარტავს, თუ როგორ არის ეს ორი რეჟიმი ერთმანეთთან დაკავშირებული.
ხელოვნური ინტელექტის შესახებ კანონი არ ცვლის GDPR-ს
ევროკავშირის ხელოვნური ინტელექტის შესახებ კანონი არეგულირებს ხელოვნური ინტელექტის სისტემებს, როგორც პროდუქტებს: ის ახდენს მათ კლასიფიკაციას რისკის მიხედვით და ვალდებულებებს აკისრებს მიმწოდებლებსა და განმთავსებლებს. ის არ იძლევა პერსონალური მონაცემების დამუშავების სამართლებრივ საფუძველს და მისი დაცვა არაფერს ამბობს GDPR-თან შესაბამისობის შესახებ. როდესაც ხელოვნური ინტელექტის სისტემა ამუშავებს პერსონალურ მონაცემებს, ორივე რეჟიმი სრულად და პარალელურად გამოიყენება.
დაგეგმვისთვის მნიშვნელოვანია გრაფიკი. უკვე ძალაშია მიუღებელი პრაქტიკის აკრძალვები, ზოგადი დანიშნულების ხელოვნური ინტელექტის მოდელების ვალდებულებები და გამჭვირვალობის ვალდებულებები იმ სისტემებისთვის, რომლებიც ურთიერთქმედებენ ადამიანებთან ან წარმოქმნიან სინთეზურ კონტენტს. მაღალი რისკის რეჟიმი გადაიდო ციფრული ომნიბუსური პაკეტით: III დანართში ჩამოთვლილი მაღალი რისკის მქონე სისტემების ვალდებულებები ახლა ძალაში შედის 2027 წლის 2 დეკემბრიდან, ხოლო I დანართით გათვალისწინებული რეგულირებადი პროდუქტების უსაფრთხოების კომპონენტების ვალდებულებები - 2028 წლის 2 აგვისტოდან. ხელოვნური ინტელექტის პასუხისმგებლობის დირექტივის ცალკეული წინადადება ამოღებულია, ამიტომ ხელოვნური ინტელექტის სისტემით გამოწვეული ზიანისთვის პასუხისმგებლობა კვლავ რეგულირდება ხელშეკრულებისა და დელიქტის შესახებ ჰოლანდიური ჩვეულებრივი წესებით და ევროპული პროდუქტის პასუხისმგებლობის რეჟიმით.
მონაცემებზე დაფუძნებული ორგანიზაციისთვის პრაქტიკული შედეგი ის არის, რომ GDPR ანალიზი დღესაც სავალდებულო შეზღუდვად რჩება, მაშინ როდესაც ხელოვნური ინტელექტის შესახებ კანონი განსაზღვრავს, თუ რა დოკუმენტაცია, ტესტირება და ადამიანური ზედამხედველობა დასჭირდება იმავე სისტემას ათწლეულის ბოლომდე. ორი სავარჯიშოს ცალ-ცალკე შედგენა სამუშაოს დუბლირებას იწვევს, მათი ერთად შედგენა კი - არა. ევროკავშირის ხელოვნური ინტელექტის შესახებ კანონისა და მაღალი რისკის მქონე ხელოვნური ინტელექტის სისტემების შესახებ ჩვენი სახელმძღვანელოები დეტალურად აღწერს კლასიფიკაციას და ვალდებულებებს.
ჯგუფური მოთხოვნები და ზიანის ანაზღაურება: რისკის სამოქალაქო მხარე
მარეგულირებელი ორგანოების მიერ დაწესებული ჯარიმები ერთადერთი საფრთხე არ არის და ნიდერლანდებში ისინი შესაძლოა ყველაზე დიდი არ იყოს. კოლექტიური აქტივობების Wet afwikkeling massaschade (WAMCA) საშუალებას აძლევს ფონდს ან ასოციაციას, რომელიც აკმაყოფილებს მკაცრ მმართველობითა და დაფინანსების მოთხოვნებს, შეიტანოს კოლექტიური სარჩელი ზიანის ანაზღაურების მოთხოვნით განსაზღვრული ჯგუფის სახელით, ნიდერლანდებში მცხოვრები პირებისთვის უარის თქმის რეჟიმით. მონაცემებზე დაფუძნებული დამუშავება აშკარა სამიზნეა: ერთი დიზაინის გადაწყვეტილება ყველა მომხმარებელზე ერთნაირად მოქმედებს, რაც სწორედ ის ერთგვაროვნებაა, რაც კოლექტიურ სარჩელს სჭირდება.
GDPR ამას საკუთარი მხრიდანაც ადასტურებს. ის ყველას, ვინც დარღვევის შედეგად მატერიალური ან არამატერიალური ზიანი განიცადა, კონტროლერის ან დამმუშავებლისგან კომპენსაციის მიღების უფლებას აძლევს და მონაცემთა დაცვის სფეროში აქტიურ არაკომერციულ ორგანოს საშუალებას აძლევს, მონაცემთა სუბიექტების სახელით სარჩელი შეიტანოს, ზოგიერთ შემთხვევაში მათი მანდატის გარეშე. მართლმსაჯულების სასამართლომ დაადასტურა, რომ მომხმარებელთა უფლებების დაცვის ასოციაციას შეუძლია ამ საფუძველზე იმოქმედოს.
არსებობს ზღვარი და ის სასარგებლოა მოპასუხეებისთვის. მართლმსაჯულების სასამართლომ დაადგინა, რომ GDPR-ის დარღვევა თავისთავად არ წარმოშობს კომპენსაციის უფლებას: მოსარჩელემ უნდა დაამტკიცოს ფაქტობრივი ზიანი და მიზეზობრივი კავშირი, თუმცა არამატერიალურ ზიანზე მისი დადგენის შემდეგ სერიოზულობის ზღვარი არ ვრცელდება. ამიტომ, ნიდერლანდების პრაქტიკაში ინდივიდუალური კომპენსაციები მოკრძალებული იყო, მაგრამ ასობით ათასი ადამიანის კლასის არითმეტიკა მთლიანად ცვლის სურათს. ჩვენი სტატია მასობრივი ზიანის შემთხვევაში კოლექტიური მოთხოვნების შესახებ აღწერს, თუ როგორ მიმდინარეობს ეს სამართალწარმოება.
ვინ არის კონტროლიორი, როდესაც მონაცემები ყველგან მოდის?
დიდი მონაცემების პროექტები იშვიათად რჩება ერთი ორგანიზაციის ფარგლებში. მონაცემებს ამდიდრებს ბროკერი, მასპინძლობს ღრუბლოვანი პროვაიდერი, ასუფთავებს ანალიტიკური სააგენტო და შედის მომწოდებლის მიერ მოწოდებულ მოდელში და თითოეული ეს ურთიერთობა სწორად უნდა იყოს დახასიათებული, რადგან როლების განაწილება განსაზღვრავს, თუ ვის რა ვალდებულება აქვს და ვინ არის ანგარიშვალდებული მარეგულირებლის წინაშე.
დამუშავების მიზნებსა და საშუალებებს განსაზღვრავს კონტროლიორი; დამმუშავებელი მოქმედებს მხოლოდ კონტროლიორის დოკუმენტირებული ინსტრუქციების საფუძველზე. როდესაც ორი ან მეტი მხარე ერთობლივად განსაზღვრავს მიზნებსა და საშუალებებს, ისინი ერთობლივი კონტროლიორები არიან და შეთანხმებაში უნდა განსაზღვრონ თავიანთი შესაბამისი პასუხისმგებლობები, კერძოდ, ინფორმაციის მიწოდებისა და ფიზიკური პირების მოთხოვნების დამუშავების შესახებ, რომლებსაც ნებისმიერ შემთხვევაში შეუძლიათ თავიანთი უფლებების გამოყენება რომელიმე მათგანის წინააღმდეგ. ხელშეკრულებაში გამოყენებული ეტიკეტი გადამწყვეტი არ არის: მნიშვნელოვანია ის, თუ ვინ წყვეტს რეალურად, თუ რატომ და როგორ დამუშავდება მონაცემები. მიმწოდებელი, რომელიც იტოვებს უფლებას გამოიყენოს თქვენი მონაცემები საკუთარი პროდუქტის გასაუმჯობესებლად, ამ ზომით ხდება კონტროლიორი საკუთარი მიზნებისთვის, როგორც არ უნდა ეწოდოს მას შეთანხმება.
ხელოვნური ინტელექტის კონტექსტში მომწოდებლებთან დაკავშირებული კონტრაქტების ორი პუნქტი განსაკუთრებულ ყურადღებას იმსახურებს. პირველი პუნქტი საშუალებას აძლევს მომწოდებელს გამოიყენოს მომხმარებლის კონტენტი ტრენინგის ან მომსახურების გაუმჯობესების მიზნით; თუ ის არსებობს, თქვენ უმხელთ პერსონალურ მონაცემებს სხვა კონტროლერს და ამ გამჟღავნებისთვის გჭირდებათ საფუძველი და შეტყობინება. მეორე პუნქტი არის სუბ-დამმუშავებლის პუნქტი, რადგან მოდელის მომწოდებლები ხშირად ეყრდნობიან სხვა მომწოდებლებს და ევროპის ეკონომიკური ზონის გარეთ არსებულ ინფრასტრუქტურას, რაც ამოქმედდება გადაცემის წესებით. დამუშავების ხელშეკრულება, რომელიც მოიცავს საჭირო საგანს, მაგრამ არ აღწერს, თუ რა ხდება სინამდვილეში მონაცემებთან, გამოძიებისას ნაკლებად გამოსადეგია.
და ბოლოს, გახსოვდეთ, რომ ანგარიშვალდებულების პრინციპი მტკიცების ტვირთს კონტროლიორს აკისრებს. მხოლოდ შესაბამისობა არ არის საკმარისი; თქვენ უნდა შეძლოთ ამის დემონსტრირება ჩანაწერებით, შეფასებებითა და შეთანხმებებით, რომლებიც შეესაბამება რეალურად აგებულ სისტემებს.
რა უნდა გაკეთდეს შემდეგი პროექტის დაწყებამდე
დიდი მონაცემების შესაბამისობა დიზაინის ეტაპზეა აგებული, რადგან რეგულაცია მოითხოვს მონაცემთა დაცვას დიზაინისა და ნაგულისხმევის შესაბამისად: შესაბამისი ტექნიკური და ორგანიზაციული ზომები უნდა იყოს ინტეგრირებული თავად დამუშავებაში და ნაგულისხმევად შეიძლება დამუშავდეს მხოლოდ თითოეული კონკრეტული მიზნისთვის აუცილებელი პერსონალური მონაცემები. რეტროფიტირება ძვირია და, როგორც წესი, არასრული.
პრაქტიკაში ხუთი ფაქტორი განსხვავებას ქმნის. შეინახეთ დამუშავების აქტივობების ჩანაწერი, რომელიც რეალურად აღწერს თითოეული მოდელის უკან მდგომ მონაცემთა ნაკადებს და არა მათ მფლობელ დეპარტამენტებს. გადაწყვიტეთ და ჩამოწერეთ თითოეული დამუშავების ოპერაციის სამართლებრივი საფუძველი, მათ შორის ტრენინგთან დაკავშირებული შემდგომი დამუშავება და თან იქონიეთ ლეგიტიმური ინტერესების შეფასება. მონაცემების შეგროვებამდე ჩაატარეთ ზემოქმედების შეფასება და თუ ნარჩენი რისკი მაღალი რჩება, გაიარეთ კონსულტაცია საზედამხედველო ორგანოსთან. დადეთ მონაცემთა დამუშავების ხელშეკრულება ყველა მიმწოდებელთან, რომელიც ეხება მონაცემებს, მათ შორის მოდელის ან პლატფორმის მიმწოდებლებთან, და შეამოწმეთ, რა უფლება აქვთ მათ თქვენი მონაცემებით საკუთარი მიზნებისთვის; მოთხოვნები მოცემულია ჩვენს სახელმძღვანელოში მონაცემთა დამუშავების ხელშეკრულების შესახებ . და შეამოწმეთ, სად მიდის მონაცემები: ევროპის ეკონომიკური ზონის გარეთ გადარიცხვებს სჭირდება რეგულაციის V თავის შესაბამისად გადაცემის მექანიზმი და გადაცემის გავლენის შეფასება, ხოლო ცალკეული მესამე ქვეყნების პოზიცია შეიძლება შეიცვალოს.
უპირველეს ყოვლისა, მოდელების შემქმნელებმა და რისკის შემფასებლებმა ერთსა და იმავე დოკუმენტზე უნდა იმუშაონ. რეგულაციის საფუძვლები შეჯამებულია მონაცემთა დაცვის ზოგადი რეგულაციის ჩვენს მიმოხილვაში , ხოლო პერსონალური მონაცემების ხელოვნური ინტელექტის სისტემაში განთავსებით წამოჭრილი კონკრეტული საკითხები, ავტომატიზირებული გადაწყვეტილების მიღებიდან დაწყებული დაზარალებული ადამიანების უფლებებით დამთავრებული, განხილულია ჩვენს თანდართულ სტატიაში GDPR-ისა და ხელოვნური ინტელექტის შესახებ ნიდერლანდებში.
რამდენიმე ხშირად დასმული კითხვა
რომელი კანონიერი საფუძველი უნდა გამოვიყენოთ ხელოვნური ინტელექტის მოდელის სწავლებისთვის?
კომერციული გარემოს უმეტესობაში პასუხია ლეგიტიმური ინტერესები, რომელიც დასტურდება წერილობითი შეფასებით, რომელიც მოიცავს ინტერესს, აუცილებლობას და დაბალანსების სავარჯიშოს. თანხმობა სასურველია, როდესაც მონაცემები მგრძნობიარეა ან გამოყენება გააკვირვებს დაინტერესებულ პირებს, მაგრამ ის უნდა იყოს ნამდვილად უფასო და გაუქმებადი, რაც რთულია ტრენინგების ნაკრებისთვის ორგანიზებისთვის. კონტრაქტის აუცილებლობა თითქმის არასდროს მოიცავს მოდელის შემუშავებას, რადგან ტრენინგი არ არის ის, რაც მომხმარებელმა მოითხოვა. რომელ საფუძველსაც არ უნდა აირჩევდეთ, ჩაიწერეთ ის დამუშავების დაწყებამდე: საფუძვლის რეტროსპექტულად არჩევა საერთოდ არ განიხილება, როგორც საფუძველი.
კვლავ ძალაში რჩება GDPR, თუ მონაცემებს წინასწარ ანონიმიზაციას მოვახდენთ?
მხოლოდ იმ შემთხვევაში, თუ ანონიმიზაცია ნამდვილად მუშაობს. მონაცემები ანონიმურია მაშინ, როდესაც ხელახალი იდენტიფიკაცია აღარ არის გონივრულად შესაძლებელი ვინმესთვის, ყველა შესაძლო გამოსაყენებელი საშუალებისა და სხვა მონაცემთა ნაკრებების გათვალისწინებით, რომელთა კომბინირებაც შესაძლებელია. სახელების ამოღება, იდენტიფიკატორების ჰეშებით ჩანაცვლება ან მცირე ჯგუფებად აგრეგირება, როგორც წესი, ვერ აკმაყოფილებს ამ სტანდარტს და შედეგად მიიღება ფსევდონიმიზებული მონაცემები, რომლებიც სრულად ექვემდებარება რეგულაციას. იმ შემთხვევაში, თუ ანონიმიზაცია წარმოადგენს პროექტის ფარგლებს გარეთ მიჩნევის საფუძველს, ეს დასკვნა უნდა შემოწმდეს და დოკუმენტირდეს, ასევე ხელახლა გადაიხედოს მონაცემთა ნაკრების ცვლილებისას.
შეგვიძლია თუ არა დავეყრდნოთ კვლევის გამონაკლისს მომხმარებლის მონაცემების ხელახლა გამოსაყენებლად?
იშვიათად. სამეცნიერო ან სტატისტიკური მიზნებისთვის შემდგომი დამუშავება თავდაპირველ მიზანთან თავსებადად ითვლება, თუმცა გამონაკლისი ეხება აღიარებული მეთოდოლოგიური სტანდარტებით ჩატარებულ კვლევას და ექვემდებარება ისეთ დამცავ ზომებს, როგორიცაა ფსევდონიმიზაცია და წვდომის შეზღუდვები. პროდუქტის შემუშავება ან მოდელის გაუმჯობესება, რომელსაც კომერციული მხარე ახორციელებს საკუთარი სარგებლისთვის, არ ითვლება კვლევად, რადგან ის მოიცავს მონაცემთა მეცნიერებას. თუ თავსებადობის ტესტი თავისთავად არ არის დაკმაყოფილებული, თქვენ გჭირდებათ ახალი სამართლებრივი საფუძველი და, უმეტეს შემთხვევაში, ახალი ინფორმაცია შესაბამისი პირებისთვის.
რა მოხდება, თუ ვინმე თანხმობას გააუქმებს მოდელის მომზადების შემდეგ
გაუქმება ძალაში შედის მომავლისთვის და რეტროსპექტულად არ აქცევს ადრე დამუშავებას უკანონოდ, მაგრამ ეს ნიშნავს, რომ მონაცემები აღარ შეიძლება გამოყენებულ იქნას ამ საფუძველზე. პრაქტიკულად, ეს მოითხოვს ინდივიდის ამოღების შესაძლებლობას ტრენინგების ნაკრებიდან, ფუნქციების მაღაზიებიდან და ჟურნალებიდან, ასევე ხელახლა გადამზადების ან სხვაგვარად უზრუნველყოფის შესაძლებლობას, რომ მოდელი აღარ ასახავდეს ამ პირის მონაცემებს, სადაც ამის ჩვენება შესაძლებელია. ეს არის ერთ-ერთი მიზეზი, რის გამოც თანხმობა მოდელის ტრენინგის რთული საფუძველია და ეს არის კითხვა, რომელზეც პასუხის გაცემა ღირს დიზაინის ფაზაში და არა პირველი მოთხოვნის მიღების შემდეგ.
როგორ Law and More შეუძლია დაეხმაროს
Law and More კონსულტაციებს უწევს ჰოლანდიურ და საერთაშორისო ორგანიზაციებს ანალიტიკისა და ხელოვნური ინტელექტის მონაცემთა დაცვის საკითხებში: კანონიერი საფუძვლის შერჩევასა და დოკუმენტირებაში, ლეგიტიმური ინტერესების შეფასებისა და გავლენის შეფასების ჩატარებაში, კონფიდენციალურობის განცხადებებისა და დამუშავების შეთანხმებების შედგენაში, რომლებიც გადარჩება შემოწმებას, Autoriteit Persoonsgegevens-ზე პასუხის გაცემაში და ფიზიკური პირების ან წარმომადგენლობითი ფონდების მიერ შეტანილი საჩივრების დაცვაში. თუ თქვენ გეგმავთ მონაცემებზე დაფუძნებულ პროექტს ან მარეგულირებელმა უკვე დაგვიკავშირდა, სიამოვნებით განვიხილავთ ამ დოკუმენტს თქვენთან ერთად.
