ה-GDPR וביג דאטה אינם סותרים זה את זה, אך הם כופים בחירה שארגונים רבים דוחים: לפני איסוף או שימוש חוזר במערך נתונים גדול, עליכם להיות מסוגלים לציין את הבסיס החוקי לעשות זאת ולהראות שהעיבוד נחוץ למטרה זו. בפועל, משמעות הדבר היא תיעוד עילה לפי סעיף 6 של תקנת הגנת המידע הכללית, בדיקה האם שימוש מאוחר יותר לאימון אלגוריתם תואם את המטרה שלשמה נאספו הנתונים במקור, והערכת הסיכון לפני בניית המודל הראשון. מאמר זה מפרט כיצד כללים אלה חלים על ניתוח בקנה מידה גדול והכשרת בינה מלאכותית בהולנד, והיכן עובר הגבול על ידי Autoriteit Persoonsgegevens.
מה נחשב כנתונים אישיים במאגר נתונים גדול
ה-GDPR חל על מידע הנוגע לאדם טבעי מזוהה או ניתן לזיהוי. בהקשר של ביג דאטה, סף זה נחצה לעתים קרובות הרבה יותר ממה שארגונים מצפים, מכיוון שניתן לזהות אותו על ידי התייחסות לכל האמצעים שסביר להניח שישמשו, על ידי הבקר או על ידי כל אדם אחר, כדי לזהות מישהו. לכן, מערך נתונים של מזהי מכשירים, עקבות מיקום, רישומי עסקאות או זרמי קליקים הוא כמעט תמיד מידע אישי, גם כאשר שם לא מופיע בעמודה אחת.
שני מושגים מתבלבלים באופן קבוע, וההבדל קובע האם התקנה בכלל חלה. נתונים שעברו פסאודו-נימיזציה, שבהם המזהים הוחלפו אך המפתח עדיין קיים איפשהו, נותרים נתונים אישיים ונשארים כפופים במלואם לתקנת ה-GDPR. נתונים שעברו אנונימיזציה, שבהם זיהוי מחדש אינו אפשרי עוד באופן סביר עבור אף אחד, נופלים מחוץ לתקנת ה-GDPR. הרף לאנונימיזציה אמיתית הוא גבוה: צבירה, גיבוב או הסרה של מזהים ישירים בדרך כלל משאירים מספיק טביעת אצבע כדי שגורם ייעודי יוכל לזהות מחדש אנשים, במיוחד כאשר מערך הנתונים עשיר ומכסה תקופה ארוכה.
זה חשוב משום שהטענה שמערך נתונים הוא אנונימי היא לעתים קרובות ההנחה המכרעת בתוכנית בינה מלאכותית שלמה. אם היא נכשלת, כל שלב במורד הזרם, החל מהרצת האימון ועד ללוח הזמנים של השמירה, בוצע ללא בסיס חוקי. הגישה הבטוחה יותר היא להתייחס למערך הנתונים כנתונים אישיים אלא אם כן ניתוח זיהוי מחדש מתועד קובע אחרת, ולבחון מחדש את הניתוח כאשר מערך הנתונים מועשר או משולב עם מקור אחר. המועצה האירופית להגנת מידע התייחסה גם מתי מודל בינה מלאכותית כשלעצמו יכול להיחשב אנונימי, ותשובתה היא שלא ניתן להניח זאת: מודל שאומן על נתונים אישיים עדיין עשוי להכיל נתונים אלה בצורה ניתנת לחילוץ ויש להעריך זאת כל מקרה לגופו.
בחירת בסיס חוקי להכשרה בתחום הביג דאטה ובינה מלאכותית
כל פעולת עיבוד זקוקה לאחת משש העילות המופיעות בסעיף 6, ויש לבחור את העילה לפני תחילת העיבוד ולא לבנות אותה מחדש לאחר מכן. עבור ניתוח בקנה מידה גדול, רק שלוש מהן מועמדות ריאליות.
הסכמה היא הנקייה ביותר בתיאוריה והשברירית ביותר בפועל. היא חייבת להינתן בחופשיות, ספציפית, מושכלת וחד משמעית, וחייבת להיות קלה למשיכה כפי שניתן היה. הסכמה המקובצת במונחים כלליים, המתקבלת כתנאי לשירות שאינו זקוק לנתונים, או מנוסחת בצורה כה רחבה עד שהפרט אינו יכול לראות על מה מוסכם, לא תהיה בתוקף. כאשר הסכמה נמשלת, נדרשת תשובה טכנית לשאלה מה קורה למודל שכבר אומן.
הצורך בביצוע חוזה הוא מצומצם יותר ממה שהוא נראה. המבחן הוא צורך אובייקטיבי לשירות שהפרט ביקש בפועל, ולא תועלת מסחרית. יצירת פרופיל של לקוח לשיפור מנוע המלצות בדרך כלל אינה הכרחית לאספקת המוצר שרכש, ובית המשפט לצדק דחה שוב ושוב ניסיונות להרחיב תחום זה כך שיכלול פרסום התנהגותי והתאמה אישית.
זה משאיר אינטרסים לגיטימיים, שהם הבסיס שעליו רוב עיבוד המידע בקנה מידה גדול צריך להסתמך. זה דורש שלושה שלבים, המתועדים בסדר זה: זיהוי אינטרס אמיתי וחוקי, הוכחה שהעיבוד נחוץ משום שאין דרך פחות פולשנית להשיגו, ואיזון האינטרס מול הזכויות והציפיות הסבירות של האנשים הנוגעים בדבר. בהפניה של בית משפט הולנדי בנוגע לאיגוד הטניס הלאומי, אישר בית המשפט לצדק בשנת 2024 כי אינטרס מסחרי גרידא יכול להיחשב כאינטרס לגיטימי, אך רק אם מבחני הנחיצות והאיזון מתקיימים באמת. לכן, ערך מסחרי הוא אינטרס קביל, לא רישיון.
קטגוריות מיוחדות ומאפיינים משוערים
נתונים החושפים מוצא גזעי או אתני, דעות פוליטיות, אמונות דתיות, חברות באיגוד מקצועי, בריאות, חיי מין או נטייה מינית, יחד עם נתונים גנטיים וביומטריים המשמשים לזיהוי, אינם ניתנים לעיבוד כלל אלא אם כן חל אחד מהחריגים הצרים בסעיף 9. הסכמה מפורשת היא המסלול הרגיל; האחרים לעיתים רחוקות מתאימים למערך נתונים מסחרי.
המלכודת בביג דאטה היא שאין צורך לאסוף נתונים מקטגוריות מיוחדות במכוון. כאשר מערך נתונים מאפשר להסיק מאפיין מוגן, למשל באמצעות דפוסי רכישה, היסטוריית מיקומים או תוכן שדות טקסט חופשי, המשטר המחמיר יותר חל על עיבוד זה למרות שאף אחד מעולם לא שאל את השאלה ישירות. תכונות מודל המשמשות כמיקוד למאפיין מוגן צריכות להיות מזוהות במהלך הפיתוח, לא לאחר תלונה.
מגבלת מטרה: האם ניתן לעשות שימוש חוזר בנתונים כדי לאמן מודל
אתה יכול, אבל לא באופן אוטומטי. ה-GDPR דורש איסוף נתונים אישיים למטרות מוגדרות, מפורשות ולגיטימיות, ולא עיבוד נוסף שלהם באופן שאינו תואם את המטרות הללו. אימון אלגוריתם על נתונים שנאספו לצורך ביצוע הזמנות, תמיכת לקוחות או מניעת הונאה מהווה פעולת עיבוד נוספת, והיא חוקית רק אם היא עוברת את מבחן התאימות שקובע התקנה.
מבחן זה אינו פורמלי. הוא שואל על הקשר בין המטרה המקורית למטרה החדשה, ההקשר שבו נאספו הנתונים ומה הפרט יכול היה לצפות באופן סביר על סמך זה, אופי הנתונים והאם מעורבות קטגוריות מיוחדות, ההשלכות האפשריות של העיבוד החדש, וקיומם של אמצעי הגנה כגון פסאודונימיזציה או הצפנה. מערך נתונים של רשומות רפואיות או פיננסיות ייכשל במבחן בעוד שמערך נתונים של יומני תפעול אנונימיים יעבור אותו.
יש קיצור דרך אחד, והוא צר יותר ממה שמקובל לחשוב. עיבוד נוסף לצורך אחסון לטובת הציבור, למחקר מדעי או היסטורי או למטרות סטטיסטיות נחשב תואם, בתנאי שקיימים אמצעי ההגנה לעיבוד מחקרי. פיתוח מודל מסחרי במסווה של מחקר אינו עומד בקריטריונים; היוצא מן הכלל מכוון למחקר אמיתי הכפוף לסטנדרטים מתודולוגיים ואתיים, ולא לשיפור מוצר. כאשר מבחן התאימות אינו מתקיים, נדרש בסיס משפטי חדש, וברוב המקרים, מידע חדש לאנשים הנוגעים בדבר.
התוצאה המעשית היא שיש לטפל בהגבלת מטרה בנקודת האיסוף. הצהרות פרטיות המתארות מטרות במונחים רחבים מספיק כדי להיות חסרי משמעות לא יחסכו אימון מאוחר יותר, משום שהמבחן בוחן את מה שהאדם יכול היה לצפות באופן סביר, ולא את מה שהניסוח מאפשר טכנית. המדריך שלנו לכתיבת מדיניות פרטיות בהולנד מפרט כיצד לתאר מטרות בצורה כנה ושימושית כאחד.
מזעור, שימור ודיוק כאשר המודל רוצה הכל
מזעור נתונים דורש שנתונים אישיים יהיו הולמים, רלוונטיים ומוגבלים למה שנחוץ. עיקרון זה עומד במתח אמיתי עם שיטת פיתוח שההיגיון שלה הוא שיותר נתונים מייצרים מודל טוב יותר, והמתח לא ניתן לפתור על ידי התעלמות ממנו. מה שניתן לפתור הוא באמצעות טיעון מתועד: אילו שדות נחוצים למטרה המוצהרת, מה נבדק בלעדיהם, ומדוע השאר נזנח. לגורם בקר שיכול להראות שניתוח זה מייצג עמדה ראויה להגנה גם כאשר מערך הנתונים גדול. לגורם בקר ששמר הכל כי האחסון זול, אין לו עמדה כזו.
מגבלת אחסון מעלה את אותה השאלה לאורך זמן. נתוני אימון, מאגרי תכונות, נקודות בקרה של מודלים ויומני הסקה - כולם נופלים תחת חובת השמירה, וכל אחד מהם זקוק לתקופה משלו הקשורה למטרה. יומני הסקה נשכחים לעתים קרובות ומכילים לעתים קרובות יותר נתונים אישיים ממה שהכילה אי פעם מערך האימון.
דיוק הוא העיקרון שלרוב מתעלמים ממנו בהקשר זה, ויש לו יתרון משפטי שקל לפספס. נתונים אישיים חייבים להיות מדויקים, ובמידת הצורך, מעודכנים, ולאנשים יש זכות לתיקון. כאשר מודל מייצר פלט אודות אדם ניתן לזיהוי, פלט זה הוא בעצמו נתונים אישיים. מסקנה שמישהו מהווה סיכון אשראי נמוך, סביר להניח שהוא נוכל או מועמד לא מתאים היא נתונים אודותיו, היא יכולה להיות לא מדויקת, וניתן לערער עליה. בניית מערכת שבה לא ניתן לתקן פלטים כאלה יוצרת בעיית תאימות ששום תיעוד לא יתקן לאחר מכן.
מתי הערכה של השפעה על הגנת מידע היא חובה
הערכת השפעה על הגנת מידע היא חובה כאשר סוג מסוים של עיבוד צפוי לגרום לסיכון גבוה לזכויותיהם ולחירויותיהם של אנשים, והתקנה מציינת שלושה מקרים בפרט: הערכה שיטתית ונרחבת של היבטים אישיים המבוססת על עיבוד אוטומטי, כולל יצירת פרופילים, שעליהם מבוססות החלטות בעלות השלכות משפטיות או השלכות משמעותיות דומות; עיבוד בקנה מידה גדול של קטגוריות מיוחדות של נתונים או של נתוני הרשעות פליליות; וניטור שיטתי של אזור נגיש לציבור בקנה מידה גדול. רוב פרויקטי הביג דאטה הרציניים נופלים תחת הראשון או השני.
ה-Autoriteit Persoonsgegevens פרסמה גם רשימה של פעולות עיבוד עבורן נדרשת תמיד הערכה בהולנד, הכוללת תחומים כגון יצירת פרופילים בקנה מידה גדול, הערכה שיטתית של עובדים, פלטפורמות נתוני בריאות ושימוש במערכות מצלמה. רשימה זו צריכה להיות המסמך הראשון בו מתייעצים בתחילת פרויקט, משום שהיא מבטלת את הוויכוח האם יש צורך בהערכה.
שתי נקודות בנוגע לתזמון הן מכריעות. יש לבצע את ההערכה לפני תחילת העיבוד, שבפרויקט בינה מלאכותית פירושו לפני איסוף נתוני האימון, ולא לפני הפריסה. וכאשר ההערכה מראה סיכון שיורי גבוה שאינו ניתן למתן, עליכם להתייעץ עם הרשות המפקחת לפני שתמשיכו. דילוג על התייעצות זו מהווה כשלעצמה הפרה, ללא קשר לשאלה האם העיבוד מתגלה כחוק.
הערכה שימושית למערכת אלגוריתמית חורגת מתבנית סטנדרטית. היא מתעדת אילו מקורות נתונים מזינים את המודל ועל סמך איזה בסיס, מה המודל רשאי להחליט בעצמו ומה מחליט אדם, כיצד הפלט מוסבר לאדם המושפע, כיצד נתוני האימון נבדקו לאיתור הטיה נגד קבוצות מוגנות, ומה קורה אם המודל שגוי. אלו הן השאלות שרגולטור שואל תחילה.
כיצד אוכפת הרשות האישית על כך
רשות הפיקוח ההולנדית היא Autoriteit Persoonsgegevens, אשר אוכפת את ה-GDPR יחד עם חוק היישום ההולנדי, Uitvoeringswet AVG. סמכויותיה נעות מאזהרה ונזיפה ועד צו הכפוף לתשלום קנס, איסור זמני או סופי על העיבוד וקנס מנהלי. התקנה קובעת את התקרות: עד עשרה מיליון יורו או שניים אחוזים מסך המחזור השנתי העולמי עבור הרמה התחתונה, ועד עשרים מיליון יורו או ארבעה אחוזים עבור הפרות של עקרונות בסיסיים, הבסיסים החוקיים, זכויותיהם של נושאי המידע והכללים על העברות בינלאומיות, הגבוה מביניהם.
שני נושאי אכיפה נראים לעין בפרקטיקה ההולנדית ושניהם קשורים ישירות לביג דאטה. הראשון הוא שקיפות: חלק ניכר מהפעולות האחרונות נוגע להצהרות פרטיות שאינן מסבירות בשפה מובנת אילו נתונים משמשים, לאיזו מטרה ולמשך כמה זמן. תיאורי מטרה מעורפלים מטופלים כהפרה בפני עצמה, לא כפגם ניסוח. השני הוא פיקוח אלגוריתמי. לרשות יש יחידה ייעודית לפיקוח על אלגוריתמים והיא מפרסמת דוחות תקופתיים על סיכונים אלגוריתמיים, שכדאי לקרוא אותם כהצהרה על מה שהיא מצפה לו לפני שהם הופכים לנושא חקירה.
לצד האכיפה קיימת חובת דיווח על הפרות. יש לדווח לרשות על הפרת מידע אישי ללא דיחוי בלתי סביר, ובמידת האפשר, תוך שבעים ושתיים שעות מרגע היותה מודעת לה, אלא אם כן לא סביר שהפרצה תגרום לסיכון לאנשים פרטיים; כאשר הסיכון לאנשים פרטיים גבוה, יש ליידע אותם גם כן. בסביבת בינה מלאכותית, ההערכה קשה יותר מבעבר, מכיוון שמערך אימונים או מאגר תכונות שנפגעו משפיעים על כל מי שהנתונים שלו הם מכילים וההשלכות משתרעות על כל החלטה שהמודל קיבל. שימו לב שזוהי חובה נפרדת מחובות דיווח האירועים במסגרת ה-Cyberbeveiligingswet, היישום ההולנדי של NIS2, החל מאז 15 באוגוסט 2026 ומטיל מועדי הודעה משלו של עשרים וארבע ושבעים ושתיים שעות על ישויות הנמצאות בתחומו. הסקירה שלנו של NIS2 וחוק אבטחת הסייבר ההולנדי מסבירה כיצד שני המשטרים יושבים זה לצד זה.
חוק הבינה המלאכותית אינו מחליף את ה-GDPR
חוק הבינה המלאכותית של האיחוד האירופי מסדיר מערכות בינה מלאכותית כמוצרים: הוא מסווג אותן לפי סיכון ומטיל חובות על ספקים ומפיצים. הוא אינו מספק בסיס משפטי לעיבוד נתונים אישיים, ועמידה בו אינה אומרת דבר על עמידה בתקנת ה-GDPR. כאשר מערכת בינה מלאכותית מעבדת נתונים אישיים, שני המשטרים חלים במלואם ובמקביל.
לוח הזמנים חשוב לתכנון. האיסורים על פרקטיקות בלתי מקובלות, החובות למודלים של בינה מלאכותית למטרות כלליות וחובות השקיפות למערכות המקיימות אינטראקציה עם אנשים או יוצרות תוכן סינתטי כבר בתוקף. משטר הסיכון הגבוה נדחה על ידי חבילת האומניבוס הדיגיטלי: החובות למערכות בסיכון גבוה המפורטות בנספח III חלות כעת החל מ-2 בדצמבר 2027, ואלו למערכות שהן רכיבי בטיחות של מוצרים מוסדרים במסגרת נספח I החל מ-2 באוגוסט 2028. ההצעה הנפרדת להנחיית אחריות בינה מלאכותית בוטלה, כך שהאחריות לנזק שנגרם על ידי מערכת בינה מלאכותית ממשיכה להיות מוסדרת על ידי הכללים ההולנדיים הרגילים בנושא חוזים ונזיקין ועל ידי משטר אחריות המוצר האירופי.
עבור ארגון מונחה נתונים, התוצאה המעשית היא שניתוח ה-GDPR נותר האילוץ המחייב כיום, בעוד שחוק הבינה המלאכותית קובע אילו תיעוד, בדיקות ופיקוח אנושי תזדקק לאותה מערכת לפני סוף העשור. בניית שני התרגילים בנפרד משכפלת עבודה; בנייתם יחד לא. המדריכים שלנו לחוק הבינה המלאכותית של האיחוד האירופי ולמערכות בינה מלאכותית בסיכון גבוה מפרטים את הסיווג והחובות בפירוט.
תביעות ונזקים קבוצתיים: הצד האזרחי של הסיכון
קנסות רגולטוריים אינם החשיפה היחידה, ובהולנד ייתכן שהם לא הגדולים ביותר. חוק WAMCA (Wet afwikkeling massaschade in collectieve actie) מאפשר לקרן או להתאחדות העומדים בדרישות ממשל ומימון מחמירות להגיש תביעה קולקטיבית לפיצויים מטעם קבוצה מוגדרת, עם משטר של הסכמה לביטול תביעה עבור אנשים המתגוררים בהולנד. עיבוד מבוסס נתונים הוא מטרה ברורה: החלטת עיצוב אחת משפיעה על כל משתמש באותו אופן, וזו בדיוק ההומוגניות שפעולה קולקטיבית זקוקה לה.
ה-GDPR מחזק זאת מצדו עצמו. הוא מעניק לכל מי שסבל נזק חומרי או לא חומרי כתוצאה מהפרה זכות לפיצוי מהבקר או מהמעבד, והוא מאפשר לגוף ללא מטרות רווח הפעיל בתחום הגנת המידע להגיש הליכים מטעם נושאי המידע, במקרים מסוימים ללא מנדט מהם. בית המשפט לצדק אישר כי ארגון להגנת הצרכן רשאי לפעול על בסיס זה.
יש גבול, והוא גבול שימושי עבור הנתבעים. בית המשפט לצדק קבע כי הפרה של ה-GDPR אינה מקימה כשלעצמה זכות לפיצויים: על התובע להראות נזק ממשי וקשר סיבתי, אם כי לא חל סף חומרה על נזק לא חמור לאחר קביעתו. לפיכך, פסיקות אישיות בפרקטיקה ההולנדית היו צנועות, אך החשבון של קבוצה של מאות אלפים משנה את התמונה לחלוטין. המאמר שלנו על תביעות קולקטיביות במקרה של נזק המוני מתאר כיצד מתנהלים הליכים אלה.
מי הבקר כאשר הנתונים מגיעים מכל מקום
פרויקטים של ביג דאטה כמעט ולא נשארים בתוך ארגון אחד. הנתונים מועשרים על ידי מתווך, מתארחים על ידי ספק ענן, מנוקים על ידי סוכנות אנליטיקה ומוזנים למודל שמספק ספק, וכל אחד מהקשרים הללו צריך להיות מאופיין בצורה נכונה, משום שחלוקת התפקידים קובעת מי נושא באיזו אחריות ומי אחראי לרגולטור.
בקר קובע את מטרות ואמצעי העיבוד; מעבד פועל רק על פי הוראות מתועדות של הבקר. כאשר שני צדדים או יותר קובעים במשותף את המטרות והאמצעים, הם בקרים משותפים ועליהם לקבוע את אחריותם בהסכם, בפרט למתן מידע ולטיפול בבקשות מאנשים פרטיים, אשר בכל מקרה רשאים לממש את זכויותיהם כנגד כל אחד מהם. התווית המשמשת בחוזה אינה מכרעת: מה שקובע הוא מי מחליט בפועל מדוע וכיצד הנתונים מעובדים. ספק ששומר לעצמו את הזכות להשתמש בנתונים שלך כדי לשפר את המוצר שלו, הפך, במידה זו, לבקר למטרותיו שלו, איך שלא ייקרא לזה ההסכם.
שני סעיפים בחוזי ספקים ראויים לתשומת לב מיוחדת בהקשר של בינה מלאכותית. הראשון הוא זה המאפשר לספק להשתמש בתוכן של לקוחות לצורך הדרכה או לשיפור שירות; אם הוא קיים, אתם חושפים נתונים אישיים לבקר אחר ואתם זקוקים לבסיס ולהודעה לגילוי זה. השני הוא סעיף מעבד משנה, מכיוון שספקי מודל מסתמכים לעתים קרובות על ספקים נוספים ועל תשתית מחוץ לאזור הכלכלי האירופי, מה שמביא לתוקף את כללי ההעברה. הסכם עיבוד המכסה את הנושא הנדרש אך אינו מתאר מה קורה בפועל לנתונים, מועיל מעט בחקירה.
לבסוף, זכרו שעקרון האחריותיות מטיל את נטל ההוכחה על הבקר. לא מספיק להיות תואם את התקנות; עליכם להיות מסוגלים להוכיח זאת, באמצעות רישומים, הערכות והסכמים התואמים את המערכות כפי שהן בנויות בפועל.
מה להתקין לפני תחילת הפרויקט הבא
תאימות לנתוני עתק (Big Data) נבנית בשלב התכנון, משום שהרגולציה דורשת הגנה על נתונים מעוצבת וכברירת מחדל: יש לשלב אמצעים טכניים וארגוניים מתאימים בעיבוד עצמו, ורק הנתונים האישיים הדרושים לכל מטרה ספציפית עשויים להיות מעובדים כברירת מחדל. התאמה מחודשת היא יקרה ובדרך כלל לא שלמה.
חמישה דברים עושים את ההבדל בפועל. יש לשמור תיעוד של פעילויות עיבוד המתאר בפועל את זרימות הנתונים מאחורי כל מודל ולא את המחלקות שבבעלותן אותן. יש להחליט ולכתוב את הבסיס החוקי לכל פעולת עיבוד, כולל עיבוד נוסף הכרוך בהכשרה, ולשמור את הערכת האינטרסים הלגיטימיים איתו. יש לבצע את הערכת ההשפעה לפני איסוף הנתונים, ולהתייעץ עם הרשות המפקחת במקרים בהם הסיכון השיורי נותר גבוה. יש לכרות הסכם עיבוד נתונים עם כל ספק שנוגע בנתונים, כולל ספקי המודל או הפלטפורמה, ולבדוק מה מותר להם לעשות עם הנתונים שלכם למטרותיהם; הדרישות מפורטות במדריך שלנו להסכם עיבוד נתונים . ולבדוק לאן הנתונים הולכים: העברות מחוץ לאזור הכלכלי האירופי זקוקות למנגנון העברה במסגרת פרק ה' של התקנה ולהערכת השפעה על העברה, ועמדתן של מדינות שלישיות בודדות עשויה להשתנות.
מעל הכל, יש לגרום לאנשים שבונים את המודלים ולאנשים שמעריכים את הסיכון לעבוד על אותו מסמך. יסודות התקנה עצמה מסוכמים בסקירה שלנו של תקנת הגנת המידע הכללית , והשאלות הספציפיות העולות מהכנסת נתונים אישיים למערכת בינה מלאכותית, החל מקבלת החלטות אוטומטיות ועד לזכויות האנשים המושפעים, מטופלות במאמר הנלווה שלנו בנושא GDPR ובינה מלאכותית בהולנד.
כמה שאלות נפוצות
איזה בסיס חוקי עלינו להשתמש בו לאימון מודל בינה מלאכותית
ברוב המסגרות המסחריות, התשובה היא אינטרסים לגיטימיים, הנתמכים על ידי הערכה בכתב המכסה את האינטרס, את הצורך ואת תרגיל האיזון. הסכמה עדיפה כאשר הנתונים רגישים או שהשימוש בהם יפתיע את האנשים הנוגעים בדבר, אך היא חייבת להיות חופשית באמת וניתנת לביטול, דבר שקשה לארגן עבור מערך הדרכה. הצורך בחוזה כמעט אף פעם לא מכסה פיתוח מודל, משום שההדרכה אינה מה שהלקוח ביקש. לא משנה באיזו עילה תבחרו, רשמו אותה לפני תחילת העיבוד: בחירת בסיס רטרואקטיבית נחשבת כלא בסיס.
האם ה-GDPR עדיין חל אם אנו מאנונימיזים את הנתונים תחילה
רק אם האנונימיזציה באמת עובדת. נתונים נחשבים אנונימיים כאשר זיהוי מחדש אינו אפשרי עוד באופן סביר עבור אף אחד, תוך התחשבות בכל האמצעים שסביר שייעשה בהם שימוש ובמערכי נתונים אחרים שניתן לשלב איתם. הסרת שמות, החלפת מזהים בקוד גיבוב או צבירה לקבוצות קטנות בדרך כלל אינם עומדים בסטנדרט זה, והתוצאה היא נתונים שעברו פסאודומיניום, אשר נותרים כפופים לתקנה במלואה. כאשר אנונימיזציה היא הבסיס להתייחסות לפרויקט כלא לתחום, יש לבדוק ולתעד מסקנה זו, ולבחון אותה מחדש בכל פעם שמערך הנתונים משתנה.
האם נוכל להסתמך על חריג המחקר כדי לעשות שימוש חוזר בנתוני לקוחות
לעיתים רחוקות. עיבוד נוסף למטרות מדעיות או סטטיסטיות נחשב כתואם את המטרה המקורית, אך היוצא מן הכלל מכוון למחקר המבוצע על פי סטנדרטים מתודולוגיים מוכרים וכפוף לאמצעי הגנה כגון פסאודונימיזציה והגבלות גישה. פיתוח מוצר או שיפור מודל המבוצעים על ידי גורם מסחרי לתועלתו האישית אינם הופכים למחקר משום שהם כוללים מדעי נתונים. אם מבחן התאימות אינו עומד בפני עצמו, תזדקק לבסיס משפטי חדש, וברוב המקרים, למידע חדש עבור האנשים הנוגעים בדבר.
מה קורה אם מישהו מבטל את הסכמתו לאחר שמודל עבר הכשרה
ביטול אישור נכנס לתוקף לעתיד ואינו הופך את העיבוד הקודם לבלתי חוקי רטרואקטיבית, אך פירושו שלא ניתן עוד להשתמש בנתונים על בסיס זה. באופן מעשי, הדבר דורש את היכולת להסיר את האדם מערך האימונים וממאגרי תכונות ויומני רישום, ולאמן מחדש או להבטיח אחרת שהמודל אינו משקף עוד את נתוני אותו אדם, כאשר ניתן להראות זאת. זוהי אחת הסיבות לכך שהסכמה היא בסיס קשה לאימון מודלים, וזוהי שאלה שכדאי לענות עליה בשלב התכנון ולא לאחר הגעת הבקשה הראשונה.
איך Law and More יכול לעזור
Law and More מייעץ לארגונים הולנדים ובינלאומיים בנוגע להגנת המידע של ניתוח נתונים ובינה מלאכותית: בחירה ותיעוד של בסיס חוקי, ביצוע הערכות אינטרסים לגיטימיים והערכות השפעה, ניסוח הצהרות פרטיות והסכמי עיבוד נתונים שעומדים בבדיקה, מענה ל-Autoriteit Persoonsgegevens והגנה על תביעות שהוגשו על ידי יחידים או על ידי קרנות מייצגות. אם אתם מתכננים פרויקט מונחה נתונים או שרגולטור כבר יצר קשר, נשמח לבחון אתכם את הקובץ.
