GDPR మరియు బిగ్ డేటా పరస్పర విరుద్ధం కావు, కానీ అవి చాలా సంస్థలు వాయిదా వేసే ఒక ఎంపికను తప్పనిసరి చేస్తాయి: మీరు ఒక పెద్ద డేటాసెట్ను సేకరించడానికి లేదా తిరిగి ఉపయోగించడానికి ముందు, అలా చేయడానికి గల చట్టబద్ధమైన ఆధారాన్ని మీరు పేర్కొనగలగాలి మరియు ఆ ప్రయోజనం కోసం ప్రాసెసింగ్ అవసరమని చూపించాలి. ఆచరణలో దీని అర్థం, జనరల్ డేటా ప్రొటెక్షన్ రెగ్యులేషన్ యొక్క ఆర్టికల్ 6 కింద ఒక ఆధారాన్ని నమోదు చేయడం, ఒక అల్గారిథమ్కు శిక్షణ ఇవ్వడానికి చేసే తదుపరి ఉపయోగం, డేటాను మొదట సేకరించిన ప్రయోజనానికి అనుకూలంగా ఉందో లేదో పరీక్షించడం, మరియు మొదటి మోడల్ను నిర్మించడానికి ముందే ప్రమాదాన్ని అంచనా వేయడం. నెదర్లాండ్స్లో పెద్ద-స్థాయి అనలిటిక్స్ మరియు AI శిక్షణకు ఆ నియమాలు ఎలా వర్తిస్తాయో, మరియు Autoriteit Persoonsgegevens ఎక్కడ గీత గీస్తుందో ఈ వ్యాసం వివరిస్తుంది.
బిగ్ డేటా సెట్లో వ్యక్తిగత డేటాగా దేనిని పరిగణిస్తారు
GDPR అనేది గుర్తించబడిన లేదా గుర్తించదగిన సహజ వ్యక్తికి సంబంధించిన సమాచారానికి వర్తిస్తుంది. బిగ్ డేటా సందర్భంలో, సంస్థలు ఊహించిన దానికంటే చాలా తరచుగా ఆ పరిమితి దాటబడుతుంది, ఎందుకంటే ఒకరిని ప్రత్యేకంగా గుర్తించడానికి కంట్రోలర్ లేదా మరెవరైనా సహేతుకంగా ఉపయోగించే అన్ని మార్గాల ఆధారంగా గుర్తించదగినతను అంచనా వేస్తారు. అందువల్ల, పరికర గుర్తింపులు, లొకేషన్ ట్రేస్లు, లావాదేవీల రికార్డులు లేదా క్లిక్స్ట్రీమ్ల డేటాసెట్ అనేది, ఒక్క కాలమ్లో కూడా పేరు కనిపించకపోయినా, దాదాపు ఎల్లప్పుడూ వ్యక్తిగత డేటాయే అవుతుంది.
రెండు భావనల విషయంలో తరచుగా గందరగోళం ఉంటుంది, మరియు ఆ వ్యత్యాసమే ఆ నియంత్రణ అసలు వర్తిస్తుందా లేదా అని నిర్ణయిస్తుంది. గుర్తింపులను మార్చినప్పటికీ, కీ ఇంకా ఎక్కడో ఒకచోట ఉన్న మారుపేరుతో కూడిన డేటా (Pseudonymized data), వ్యక్తిగత డేటాగానే పరిగణించబడుతుంది మరియు GDPRకు పూర్తిగా లోబడి ఉంటుంది. ఎవరైనా తిరిగి గుర్తించడం సహేతుకంగా సాధ్యం కాని అనామక డేటా (Anonymized data), దీని పరిధిలోకి రాదు. నిజమైన అనామకీకరణకు ప్రమాణం చాలా ఎక్కువగా ఉంటుంది: డేటాను సమూహపరచడం (aggregation), హ్యాషింగ్ చేయడం లేదా ప్రత్యక్ష గుర్తింపులను తొలగించడం వంటివి, ముఖ్యంగా డేటాసెట్ సమృద్ధిగా ఉండి, సుదీర్ఘ కాలాన్ని కవర్ చేసినప్పుడు, పట్టుదల ఉన్న పక్షం వ్యక్తులను తిరిగి గుర్తించడానికి తగినంత వేలిముద్రను మిగిల్చివేస్తాయి.
ఇది ముఖ్యం, ఎందుకంటే ఒక డేటాసెట్ అనామకమైనది అనే వాదన తరచుగా మొత్తం AI ప్రోగ్రామ్లో అత్యంత కీలకమైన ఊహగా ఉంటుంది. అది విఫలమైతే, శిక్షణ దశ నుండి నిలుపుదల షెడ్యూల్ వరకు ప్రతి తదుపరి దశ చట్టబద్ధమైన ఆధారం లేకుండానే నిర్వహించబడినట్లు అవుతుంది. సురక్షితమైన విధానం ఏమిటంటే, నమోదు చేయబడిన పునః-గుర్తింపు విశ్లేషణ వేరే విధంగా చెప్పేంత వరకు డేటాసెట్ను వ్యక్తిగత డేటాగా పరిగణించడం, మరియు డేటాసెట్ను సుసంపన్నం చేసినప్పుడు లేదా మరొక మూలంతో కలిపినప్పుడు ఆ విశ్లేషణను తిరిగి సమీక్షించడం. ఒక AI మోడల్ను ఎప్పుడు అనామకంగా పరిగణించవచ్చనే విషయాన్ని యూరోపియన్ డేటా ప్రొటెక్షన్ బోర్డ్ కూడా ప్రస్తావించింది, మరియు దాని సమాధానం ఏమిటంటే, దీనిని అలా భావించలేము: వ్యక్తిగత డేటాపై శిక్షణ పొందిన మోడల్ ఇప్పటికీ ఆ డేటాను సంగ్రహించదగిన రూపంలో కలిగి ఉండవచ్చు మరియు దానిని ప్రతి కేసును విడివిడిగా అంచనా వేయాలి.
బిగ్ డేటా మరియు AI శిక్షణ కోసం చట్టబద్ధమైన ఆధారాన్ని ఎంచుకోవడం
ప్రతి ప్రాసెసింగ్ ఆపరేషన్కు ఆర్టికల్ 6లోని ఆరు కారణాలలో ఒకటి అవసరం, మరియు ఆ కారణాన్ని ప్రాసెసింగ్ ప్రారంభం కాకముందే ఎంచుకోవాలి, ఆ తర్వాత పునర్నిర్మించకూడదు. భారీ-స్థాయి విశ్లేషణల కోసం, కేవలం మూడు మాత్రమే వాస్తవిక అభ్యర్థులు.
సమ్మతి అనేది సిద్ధాంతపరంగా అత్యంత స్పష్టమైనది, కానీ ఆచరణలో అత్యంత పెళుసైనది. అది స్వేచ్ఛగా, నిర్దిష్టంగా, సమాచారంతో కూడినదిగా మరియు సందేహరహితంగా ఇవ్వబడాలి; అంతేకాక, దానిని ఇవ్వడం ఎంత సులభమో, ఉపసంహరించుకోవడం కూడా అంతే సులభంగా ఉండాలి. సాధారణ నిబంధనలలో పొందుపరచబడిన, డేటా అవసరం లేని సేవకు షరతుగా పొందిన, లేదా వ్యక్తి దేనికి అంగీకరిస్తున్నాడో చూడలేనంత విస్తృతంగా రూపొందించబడిన సమ్మతి చెల్లదు. సమ్మతిని ఉపసంహరించుకున్నప్పుడు, అప్పటికే శిక్షణ పొందిన మోడల్కు ఏమి జరుగుతుందనే ప్రశ్నకు మీకు ఒక సాంకేతిక సమాధానం అవసరం.
ఒప్పందాన్ని నెరవేర్చడానికి అవసరం అనేది కనిపించే దానికంటే పరిమితమైనది. ఇక్కడ పరీక్ష అనేది, వ్యక్తి వాస్తవంగా కోరిన సేవకు ఉన్న వాస్తవిక అవసరం, అంతేగానీ వాణిజ్య ప్రయోజనం కాదు. సిఫార్సు ఇంజిన్ను మెరుగుపరచడానికి కస్టమర్ ప్రొఫైలింగ్ చేయడం అనేది, వారు కొనుగోలు చేసిన ఉత్పత్తిని అందించడానికి సాధారణంగా అవసరం ఉండదు, మరియు ప్రవర్తనా ప్రకటనలు మరియు వ్యక్తిగతీకరణను కూడా ఈ పరిధిలోకి తీసుకురావడానికి చేసిన ప్రయత్నాలను న్యాయస్థానం పదేపదే తిరస్కరించింది.
ఇక మిగిలింది చట్టబద్ధమైన ప్రయోజనాలే, చాలా పెద్ద-స్థాయి ప్రాసెసింగ్లు దీనిపైనే ఆధారపడాల్సి ఉంటుంది. దీనికి మూడు దశలు అవసరం, వాటిని ఈ క్రమంలో నమోదు చేయాలి: నిజమైన మరియు చట్టబద్ధమైన ప్రయోజనాన్ని గుర్తించడం, దానిని సాధించడానికి ఇంతకంటే తక్కువ జోక్యం చేసుకునే మార్గం లేనందున ప్రాసెసింగ్ అవసరమని చూపించడం, మరియు సంబంధిత వ్యక్తుల హక్కులు మరియు సహేతుకమైన అంచనాలతో ఆ ప్రయోజనాన్ని సమతుల్యం చేయడం. జాతీయ టెన్నిస్ సంఘానికి సంబంధించిన ఒక డచ్ కోర్టు రిఫరెన్స్లో, 2024లో కోర్ట్ ఆఫ్ జస్టిస్ ఒక విషయాన్ని ధృవీకరించింది: కేవలం వాణిజ్య ప్రయోజనం కూడా చట్టబద్ధమైన ప్రయోజనంగా పరిగణించబడుతుంది, కానీ అది కేవలం ఆవశ్యకత మరియు సమతుల్యత పరీక్షలు నిజంగా నెరవేరినప్పుడు మాత్రమే. అందువల్ల, వాణిజ్య విలువ అనేది అనుమతించదగిన ప్రయోజనం, లైసెన్స్ కాదు.
ప్రత్యేక వర్గాలు మరియు ఊహించిన లక్షణాలు
జాతి లేదా తెగ మూలం, రాజకీయ అభిప్రాయాలు, మత విశ్వాసాలు, కార్మిక సంఘ సభ్యత్వం, ఆరోగ్యం, లైంగిక జీవితం లేదా లైంగిక ధోరణిని వెల్లడించే డేటా, అలాగే గుర్తింపు కోసం ఉపయోగించే జన్యు మరియు బయోమెట్రిక్ డేటాను, ఆర్టికల్ 9లోని పరిమిత మినహాయింపులలో ఒకటి వర్తించకపోతే అస్సలు ప్రాసెస్ చేయకూడదు. స్పష్టమైన సమ్మతి అనేది సాధారణ మార్గం; మిగిలినవి వాణిజ్య డేటాసెట్కు అరుదుగా సరిపోతాయి.
బిగ్ డేటాలో ఉన్న చిక్కు ఏమిటంటే, ప్రత్యేక వర్గ డేటాను ఉద్దేశపూర్వకంగా సేకరించాల్సిన అవసరం లేదు. ఉదాహరణకు, కొనుగోలు నమూనాలు, లొకేషన్ హిస్టరీ లేదా ఫ్రీ-టెక్స్ట్ ఫీల్డ్లలోని కంటెంట్ల ద్వారా ఒక డేటాసెట్ రక్షిత లక్షణాన్ని ఊహించడానికి వీలు కల్పించినప్పుడు, ఆ ప్రశ్నను ఎవరూ నేరుగా అడగకపోయినప్పటికీ, ఆ ప్రాసెసింగ్కు మరింత కఠినమైన నియమావళి వర్తిస్తుంది. రక్షిత లక్షణానికి ప్రత్యామ్నాయాలుగా పనిచేసే మోడల్ ఫీచర్లను, ఫిర్యాదు వచ్చిన తర్వాత కాకుండా, డెవలప్మెంట్ దశలోనే గుర్తించాలి.
ఉద్దేశ్య పరిమితి: మోడల్కు శిక్షణ ఇవ్వడానికి మీరు డేటాను తిరిగి ఉపయోగించగలరా?
మీరు చేయవచ్చు, కానీ దానంతట అదే జరగదు. GDPR ప్రకారం వ్యక్తిగత డేటాను నిర్దిష్ట, స్పష్టమైన మరియు చట్టబద్ధమైన ప్రయోజనాల కోసం మాత్రమే సేకరించాలి మరియు ఆ ప్రయోజనాలకు విరుద్ధంగా ఉండే విధంగా దానిని మరింతగా ప్రాసెస్ చేయకూడదు. ఆర్డర్ నెరవేర్పు, కస్టమర్ సపోర్ట్ లేదా మోసాల నివారణ కోసం సేకరించిన డేటాపై ఒక అల్గారిథమ్కు శిక్షణ ఇవ్వడం అనేది ఒక తదుపరి ప్రాసెసింగ్ ఆపరేషన్ అవుతుంది, మరియు అది నియంత్రణ నిర్దేశించిన అనుకూలత పరీక్షలో ఉత్తీర్ణత సాధిస్తేనే చట్టబద్ధం అవుతుంది.
ఆ పరీక్ష కేవలం లాంఛనం కాదు. అది అసలు ఉద్దేశ్యానికి మరియు కొత్త ఉద్దేశ్యానికి మధ్య ఉన్న సంబంధం గురించి, డేటాను సేకరించిన సందర్భం గురించి మరియు ఆ ఆధారంగా ఒక వ్యక్తి సహేతుకంగా ఏమి ఆశించవచ్చో, డేటా యొక్క స్వభావం మరియు అందులో ప్రత్యేక వర్గాలు ఉన్నాయో లేదో, కొత్త ప్రాసెసింగ్ వల్ల కలిగే సంభావ్య పరిణామాలు, మరియు మారుపేరు పెట్టడం లేదా ఎన్క్రిప్షన్ వంటి రక్షణ చర్యలు ఉన్నాయో లేదో వంటి విషయాలను ప్రశ్నిస్తుంది. అనామకీకరించిన కార్యాచరణ లాగ్ల డేటాసెట్ ఆ పరీక్షలో ఉత్తీర్ణత సాధించగా, వైద్య లేదా ఆర్థిక రికార్డుల డేటాసెట్ విఫలమవుతుంది.
ఒక సత్వరమార్గం ఉంది, మరియు అది సాధారణంగా భావించే దానికంటే పరిమితమైనది. ప్రజా ప్రయోజనాల దృష్ట్యా భద్రపరచడం కోసం, శాస్త్రీయ లేదా చారిత్రక పరిశోధన కోసం లేదా గణాంక ప్రయోజనాల కోసం చేసే తదుపరి ప్రక్రియను, పరిశోధన ప్రక్రియకు అవసరమైన రక్షణలు ఉన్నంతవరకు, అనుకూలమైనదిగా పరిగణిస్తారు. పరిశోధన ముసుగులో చేసే వాణిజ్య నమూనా అభివృద్ధి దీనికి అర్హత పొందదు; ఈ మినహాయింపు పద్ధతిపరమైన మరియు నైతిక ప్రమాణాలకు లోబడి చేసే నిజమైన పరిశోధనకు మాత్రమే వర్తిస్తుంది, ఉత్పత్తి మెరుగుదలకు కాదు. అనుకూలత పరీక్ష నెరవేరని పక్షంలో, మీకు ఒక కొత్త చట్టపరమైన ఆధారం అవసరం, మరియు చాలా సందర్భాలలో, సంబంధిత వ్యక్తులకు కొత్త సమాచారాన్ని అందించాల్సి ఉంటుంది.
ఆచరణాత్మక పర్యవసానం ఏమిటంటే, ఉద్దేశ్య పరిమితిని సమాచార సేకరణ సమయంలోనే నిర్వహించాల్సి ఉంటుంది. ఉద్దేశ్యాలను అర్థరహితంగా ఉండేంత విస్తృత పదజాలంతో వివరించే గోప్యతా ప్రకటనలు తదుపరి శిక్షణా ప్రక్రియను కాపాడలేవు, ఎందుకంటే ఆ పరీక్ష, ముసాయిదా సాంకేతికంగా ఏమి అనుమతిస్తుందో కాకుండా, ఒక వ్యక్తి సహేతుకంగా ఏమి ఆశించగలడో పరిశీలిస్తుంది. నెదర్లాండ్స్లో గోప్యతా విధానాన్ని వ్రాయడానికి మా మార్గదర్శిని , ఉద్దేశ్యాలను నిజాయితీగా మరియు ఉపయోగపడే విధంగా ఎలా వివరించాలో తెలియజేస్తుంది.
మోడల్ ప్రతిదీ కోరుకున్నప్పుడు కనిష్ఠీకరణ, నిలుపుదల మరియు ఖచ్చితత్వం
డేటా తగ్గింపునకు వ్యక్తిగత డేటా తగినంతగా, సంబంధితంగా మరియు అవసరమైన వాటికే పరిమితంగా ఉండాలి. ఎక్కువ డేటా మెరుగైన మోడల్ను ఉత్పత్తి చేస్తుందనే తర్కం గల అభివృద్ధి పద్ధతితో ఆ సూత్రం నిజంగా వైరుధ్యంలో ఉంటుంది, మరియు దానిని విస్మరించడం ద్వారా ఈ వైరుధ్యాన్ని పరిష్కరించలేము. దీనిని ఒక డాక్యుమెంట్ చేయబడిన వాదన ద్వారా పరిష్కరించవచ్చు: పేర్కొన్న ప్రయోజనం కోసం ఏ ఫీల్డ్లు అవసరమో, అవి లేకుండా ఏమి పరీక్షించబడిందో, మరియు మిగిలినవి ఎందుకు విస్మరించబడ్డాయో వివరించాలి. డేటాసెట్ పెద్దగా ఉన్నప్పటికీ, విశ్లేషణకు సమర్థనీయమైన స్థానం ఉందని చూపించగల కంట్రోలర్కు ఇది అవసరం. నిల్వ చౌకగా ఉంటుందని ప్రతిదీ ఉంచుకున్న కంట్రోలర్కు ఆ స్థానం ఉండదు.
నిల్వ పరిమితి కాలక్రమేణా అదే ప్రశ్నను లేవనెత్తుతుంది. శిక్షణా డేటా, ఫీచర్ స్టోర్లు, మోడల్ చెక్పాయింట్లు మరియు ఇన్ఫరెన్స్ లాగ్లు అన్నీ నిల్వ ఉంచే బాధ్యత పరిధిలోకి వస్తాయి, మరియు ప్రతిదానికి దాని ప్రయోజనానికి అనుగుణంగా ఒక నిర్దిష్ట కాలపరిమితి అవసరం. ఇన్ఫరెన్స్ లాగ్లు తరచుగా మరచిపోబడతాయి మరియు శిక్షణా సెట్లో ఉన్నదానికంటే ఎక్కువ వ్యక్తిగత డేటాను కలిగి ఉంటాయి.
ఈ సందర్భంలో కచ్చితత్వం అనే సూత్రాన్ని చాలా తరచుగా విస్మరిస్తారు, మరియు దీనికి తేలికగా గుర్తించలేని ఒక చట్టపరమైన కోణం కూడా ఉంది. వ్యక్తిగత డేటా కచ్చితంగా ఉండాలి మరియు అవసరమైన చోట, ఎప్పటికప్పుడు నవీకరించబడాలి, అలాగే వ్యక్తులకు దానిని సరిదిద్దుకునే హక్కు ఉంటుంది. ఒక మోడల్ గుర్తించదగిన వ్యక్తి గురించి ఒక అవుట్పుట్ను ఉత్పత్తి చేసినప్పుడు, ఆ అవుట్పుట్ కూడా వ్యక్తిగత డేటానే అవుతుంది. ఒక వ్యక్తి తక్కువ క్రెడిట్ రిస్క్ ఉన్నవాడని, మోసగాడు అయ్యే అవకాశం ఉందని లేదా అనర్హమైన అభ్యర్థి అని చేసే నిర్ధారణ వారి గురించిన డేటానే అవుతుంది, అది కచ్చితమైనది కాకపోవచ్చు మరియు దానిని సవాలు చేయవచ్చు. అటువంటి అవుట్పుట్లను సరిదిద్దలేని వ్యవస్థను నిర్మించడం అనేది ఒక నియమపాలన సమస్యను సృష్టిస్తుంది, దానిని ఆ తర్వాత ఎంత డాక్యుమెంటేషన్ చేసినా పరిష్కరించలేరు.
డేటా రక్షణ ప్రభావ మదింపు తప్పనిసరి అయినప్పుడు
ఒక రకమైన ప్రాసెసింగ్ వల్ల వ్యక్తుల హక్కులు మరియు స్వేచ్ఛలకు అధిక ప్రమాదం వాటిల్లే అవకాశం ఉన్నప్పుడు, డేటా పరిరక్షణ ప్రభావ మదింపు తప్పనిసరి. ఈ నియంత్రణ ప్రత్యేకంగా మూడు సందర్భాలను పేర్కొంటుంది: ప్రొఫైలింగ్తో సహా ఆటోమేటెడ్ ప్రాసెసింగ్ ఆధారంగా వ్యక్తిగత అంశాలను క్రమబద్ధంగా మరియు విస్తృతంగా మూల్యాంకనం చేయడం, దీని ఆధారంగా చట్టపరమైన లేదా అదే విధమైన ముఖ్యమైన ప్రభావాలతో కూడిన నిర్ణయాలు తీసుకోబడతాయి; ప్రత్యేక వర్గాల డేటా లేదా నేర నిర్ధారణ డేటాను పెద్ద ఎత్తున ప్రాసెస్ చేయడం; మరియు ప్రజలకు అందుబాటులో ఉన్న ప్రాంతాన్ని పెద్ద ఎత్తున క్రమబద్ధంగా పర్యవేక్షించడం. చాలా తీవ్రమైన బిగ్ డేటా ప్రాజెక్టులు మొదటి లేదా రెండవ వర్గంలోకి వస్తాయి.
నెదర్లాండ్స్లో ఎల్లప్పుడూ అంచనా అవసరమయ్యే ప్రాసెసింగ్ కార్యకలాపాల జాబితాను అథారిటీ పర్సూన్స్గెగెన్స్ కూడా ప్రచురించింది. ఈ జాబితాలో పెద్ద ఎత్తున ప్రొఫైలింగ్, ఉద్యోగుల క్రమబద్ధమైన మూల్యాంకనం, ఆరోగ్య డేటా ప్లాట్ఫారమ్లు మరియు కెమెరా వ్యవస్థల వాడకం వంటి రంగాలు ఉన్నాయి. ఒక ప్రాజెక్ట్ ప్రారంభంలో సంప్రదించవలసిన మొదటి పత్రం ఆ జాబితానే అయి ఉండాలి, ఎందుకంటే ఇది అంచనా అవసరమా కాదా అనే వాదనను తొలగిస్తుంది.
సమయానికి సంబంధించి రెండు అంశాలు నిర్ణయాత్మకమైనవి. ప్రాసెసింగ్ ప్రారంభం కావడానికి ముందే మదింపు జరపాలి, అంటే ఒక AI ప్రాజెక్ట్లో, శిక్షణా డేటాను సమీకరించడానికి ముందే, అంతేగానీ డిప్లాయ్మెంట్కు ముందు కాదు. మరియు, మీరు తగ్గించలేని అధిక అవశేష ప్రమాదం ఉందని మదింపులో తేలితే, ముందుకు వెళ్లే ముందు మీరు తప్పనిసరిగా పర్యవేక్షక అధికారిని సంప్రదించాలి. ప్రాసెసింగ్ చట్టబద్ధమైనదని తేలినా తేలకపోయినా, ఆ సంప్రదింపును దాటవేయడమే ఒక ఉల్లంఘన అవుతుంది.
ఒక అల్గారిథమిక్ వ్యవస్థకు సంబంధించిన ఉపయోగకరమైన మదింపు ప్రామాణిక టెంప్లేట్కు అతీతంగా ఉంటుంది. ఇది మోడల్కు ఏ డేటా మూలాలు మరియు ఏ ప్రాతిపదికన సమాచారాన్ని అందిస్తున్నాయో, మోడల్ స్వయంగా ఏమి నిర్ణయించుకోవడానికి అనుమతించబడిందో మరియు ఒక మానవుడు ఏమి నిర్ణయిస్తాడో, ప్రభావితమైన వ్యక్తికి అవుట్పుట్ ఎలా వివరించబడిందో, రక్షిత సమూహాలకు వ్యతిరేకంగా ఉన్న పక్షపాతం కోసం శిక్షణా డేటాను ఎలా పరీక్షించారో, మరియు మోడల్ తప్పు చేస్తే ఏమి జరుగుతుందో నమోదు చేస్తుంది. ఒక నియంత్రణ సంస్థ మొదట అడిగే ప్రశ్నలు ఇవే.
Autoriteit Persoonsgegevens దీన్ని ఎలా అమలు చేస్తుంది
డచ్ పర్యవేక్షక సంస్థ ఆటోరిటీట్ పెర్సూన్స్గెగెన్స్, ఇది డచ్ అమలు చట్టమైన ఉయిట్వోరింగ్స్వెట్ AVGతో కలిసి GDPRను అమలు చేస్తుంది. దీని అధికారాలు హెచ్చరిక మరియు మందలింపు నుండి మొదలుకొని, జరిమానా చెల్లింపుతో కూడిన ఆదేశం, ప్రాసెసింగ్పై తాత్కాలిక లేదా శాశ్వత నిషేధం మరియు పరిపాలనా జరిమానా వరకు ఉంటాయి. ఈ నియంత్రణ గరిష్ట పరిమితులను నిర్దేశిస్తుంది: తక్కువ శ్రేణికి పది మిలియన్ యూరోల వరకు లేదా మొత్తం ప్రపంచవ్యాప్త వార్షిక టర్నోవర్లో రెండు శాతం, మరియు ప్రాథమిక సూత్రాలు, చట్టబద్ధమైన ఆధారాలు, డేటా సబ్జెక్టుల హక్కులు మరియు అంతర్జాతీయ బదిలీల నియమాల ఉల్లంఘనలకు ఇరవై మిలియన్ యూరోల వరకు లేదా నాలుగు శాతం, ఈ రెండింటిలో ఏది ఎక్కువైతే ఆ మొత్తం.
డచ్ విధానంలో రెండు అమలు అంశాలు స్పష్టంగా కనిపిస్తాయి మరియు రెండూ నేరుగా బిగ్ డేటాకు సంబంధించినవి. మొదటిది పారదర్శకత: ఇటీవలి చర్యలలో గణనీయమైన భాగం, ఏ డేటాను, ఏ ప్రయోజనం కోసం మరియు ఎంత కాలం పాటు ఉపయోగిస్తున్నారో అర్థమయ్యే భాషలో వివరించని గోప్యతా ప్రకటనలకు సంబంధించినది. అస్పష్టమైన ప్రయోజన వివరణలను ముసాయిదా లోపంగా కాకుండా, స్వతహాగా ఒక ఉల్లంఘనగా పరిగణిస్తారు. రెండవది అల్గారిథమిక్ పర్యవేక్షణ. అల్గారిథమ్ల పర్యవేక్షణ కోసం అధికార సంస్థకు ఒక ప్రత్యేక విభాగం ఉంది మరియు అల్గారిథమిక్ ప్రమాదాలపై కాలానుగుణ నివేదికలను ప్రచురిస్తుంది. ఒక విషయం దర్యాప్తుకు గురికాకముందు, అది ఏమి ఆశిస్తుందో తెలిపే ఒక ప్రకటనగా ఈ నివేదికలను చదవడం విలువైనది.
అమలుతో పాటు, ఉల్లంఘన నోటిఫికేషన్ విధి కూడా ఉంటుంది. ఒక వ్యక్తిగత డేటా ఉల్లంఘన గురించి తెలుసుకున్న డెబ్బై-రెండు గంటలలోపు, అనవసరమైన జాప్యం లేకుండా, మరియు సాధ్యమైన చోట, సంబంధిత అధికార సంస్థకు నివేదించాలి. అయితే, ఆ ఉల్లంఘన వల్ల వ్యక్తులకు ప్రమాదం కలిగే అవకాశం లేకపోతే ఇది వర్తించదు; వ్యక్తులకు ప్రమాదం ఎక్కువగా ఉన్నప్పుడు, వారికి కూడా తప్పనిసరిగా తెలియజేయాలి. ఒక AI వాతావరణంలో, ఈ అంచనా గతంలో కంటే కష్టతరంగా మారింది, ఎందుకంటే రాజీపడిన శిక్షణా సమితి లేదా ఫీచర్ స్టోర్, అందులో ఉన్న డేటా గల ప్రతి ఒక్కరినీ ప్రభావితం చేస్తుంది మరియు దాని పర్యవసానాలు మోడల్ తీసుకున్న ప్రతి నిర్ణయానికి విస్తరిస్తాయి. గమనించవలసిన విషయం ఏమిటంటే, ఇది సైబర్బెవీలింగ్స్వెట్ (NIS2 యొక్క డచ్ అమలు) కింద ఉన్న సంఘటన నివేదన విధులకు భిన్నమైన బాధ్యత. ఇది 15 ఆగస్టు 2026 నుండి అమలులోకి వచ్చింది మరియు దాని పరిధిలోని సంస్థలపై ఇరవై నాలుగు మరియు డెబ్బై-రెండు గంటల నోటిఫికేషన్ గడువులను విధిస్తుంది. NIS2 మరియు డచ్ సైబర్సెక్యూరిటీ చట్టంపై మా అవలోకనం , ఈ రెండు నిబంధనలు ఒకదానికొకటి ఎలా అనుబంధంగా ఉన్నాయో వివరిస్తుంది.
AI చట్టం GDPR స్థానాన్ని భర్తీ చేయదు
EU ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ చట్టం AI వ్యవస్థలను ఉత్పత్తులుగా నియంత్రిస్తుంది: ఇది వాటిని ప్రమాదం ఆధారంగా వర్గీకరించి, ప్రొవైడర్లు మరియు డిప్లాయర్లపై బాధ్యతలను విధిస్తుంది. ఇది వ్యక్తిగత డేటాను ప్రాసెస్ చేయడానికి చట్టపరమైన ఆధారాన్ని అందించదు, మరియు దీనిని పాటించడం అనేది GDPRను పాటించడం గురించి ఏమీ చెప్పదు. ఒక AI వ్యవస్థ వ్యక్తిగత డేటాను ప్రాసెస్ చేసే చోట, రెండు నిబంధనలు పూర్తిగా మరియు సమాంతరంగా వర్తిస్తాయి.
ప్రణాళిక కోసం కాలపట్టిక ముఖ్యం. ఆమోదయోగ్యం కాని పద్ధతులపై నిషేధాలు, సాధారణ ప్రయోజన AI నమూనాల బాధ్యతలు మరియు ప్రజలతో సంకర్షణ చెందే లేదా కృత్రిమ కంటెంట్ను సృష్టించే వ్యవస్థల పారదర్శకత విధులు ఇప్పటికే అమలులో ఉన్నాయి. డిజిటల్ ఓమ్నిబస్ ప్యాకేజీ ద్వారా అధిక-ప్రమాద పాలన వాయిదా వేయబడింది: అనెక్స్ IIIలో జాబితా చేయబడిన అధిక-ప్రమాద వ్యవస్థల బాధ్యతలు ఇప్పుడు 2 డిసెంబర్ 2027 నుండి వర్తిస్తాయి, మరియు అనెక్స్ I కింద నియంత్రిత ఉత్పత్తుల యొక్క భద్రతా భాగాలైన వ్యవస్థల బాధ్యతలు 2 ఆగస్టు 2028 నుండి వర్తిస్తాయి. AI బాధ్యత నిర్దేశిక కోసం ప్రత్యేక ప్రతిపాదన ఉపసంహరించబడింది, కాబట్టి AI వ్యవస్థ వలన కలిగే నష్టానికి బాధ్యత ఒప్పందం మరియు అపరాధంపై సాధారణ డచ్ నియమాల ద్వారా మరియు యూరోపియన్ ఉత్పత్తి బాధ్యత పాలన ద్వారా నిర్వహించబడుతూనే ఉంటుంది.
డేటా-ఆధారిత సంస్థకు ఆచరణాత్మక పర్యవసానం ఏమిటంటే, GDPR విశ్లేషణ నేటికీ ఒక నిర్బంధ పరిమితిగా ఉండగా, ఈ దశాబ్దం ముగిసేలోపు అదే వ్యవస్థకు ఏ డాక్యుమెంటేషన్, టెస్టింగ్ మరియు మానవ పర్యవేక్షణ అవసరమవుతాయో AI చట్టం నిర్ధారిస్తుంది. ఈ రెండు ప్రక్రియలను విడివిడిగా నిర్మించడం పనిని పునరావృతం చేస్తుంది; రెండింటినీ కలిపి నిర్మించడం అలా చేయదు. EU AI చట్టం మరియు అధిక-ప్రమాదకర AI వ్యవస్థలకు సంబంధించిన మా మార్గదర్శకాలు వర్గీకరణ మరియు బాధ్యతలను వివరంగా వివరిస్తాయి.
సమూహ దావాలు మరియు నష్టపరిహారాలు: ప్రమాదం యొక్క పౌర కోణం
నియంత్రణ జరిమానాలు మాత్రమే ప్రమాదం కాదు, మరియు నెదర్లాండ్స్లో అవి అతిపెద్దవి కాకపోవచ్చు. Wet afwikkeling massaschade in collectieve actie (WAMCA) చట్టం ప్రకారం, కఠినమైన పాలన మరియు నిధుల అవసరాలను తీర్చే ఒక ఫౌండేషన్ లేదా అసోసియేషన్, ఒక నిర్దిష్ట సమూహం తరపున నష్టపరిహారం కోసం సామూహిక దావా వేయవచ్చు. అయితే, నెదర్లాండ్స్లో నివసించే వ్యక్తుల కోసం ఈ దావా నుండి వైదొలగే (ఆప్ట్-అవుట్) నిబంధన కూడా ఉంది. డేటా-ఆధారిత ప్రాసెసింగ్ ఒక స్పష్టమైన లక్ష్యం: ఒకే డిజైన్ నిర్ణయం ప్రతి వినియోగదారుని ఒకే విధంగా ప్రభావితం చేస్తుంది, మరియు ఒక సామూహిక దావాకు అవసరమైన ఏకరూపత కూడా కచ్చితంగా ఇదే.
GDPR తన వంతుగా దీనిని మరింత బలపరుస్తుంది. ఉల్లంఘన ఫలితంగా భౌతిక లేదా అభౌతిక నష్టాన్ని చవిచూసిన ఎవరికైనా కంట్రోలర్ లేదా ప్రాసెసర్ నుండి నష్టపరిహారం పొందే హక్కును ఇది కల్పిస్తుంది, మరియు డేటా పరిరక్షణ రంగంలో చురుకుగా ఉన్న ఒక లాభాపేక్షలేని సంస్థ, కొన్ని సందర్భాల్లో డేటా సబ్జెక్టుల నుండి ఎటువంటి ఆదేశం లేకుండానే వారి తరఫున చర్యలు చేపట్టడానికి ఇది అనుమతిస్తుంది. ఒక వినియోగదారుల పరిరక్షణ సంఘం ఆ ప్రాతిపదికన వ్యవహరించవచ్చని న్యాయస్థానం ధృవీకరించింది.
ఒక పరిమితి ఉంది, మరియు అది ప్రతివాదులకు ఉపయోగకరమైనది. GDPR ఉల్లంఘన మాత్రమే దానంతట అదే నష్టపరిహారం పొందే హక్కును కల్పించదని న్యాయస్థానం తీర్పు ఇచ్చింది: దావాదారుడు వాస్తవ నష్టాన్ని మరియు కారణ సంబంధాన్ని చూపించాలి, అయితే ఒకసారి నిరూపించబడిన తర్వాత అభౌతిక నష్టానికి తీవ్రతకు సంబంధించిన ఎటువంటి పరిమితి వర్తించదు. అందువల్ల డచ్ ఆచరణలో వ్యక్తిగత పరిహారాలు తక్కువగానే ఉన్నాయి, కానీ లక్షలాది మందితో కూడిన ఒక తరగతికి సంబంధించిన లెక్కలు చిత్రాన్ని పూర్తిగా మార్చేస్తాయి. సామూహిక నష్టం జరిగిన సందర్భంలో సామూహిక దావాలపై మా వ్యాసం ఈ విచారణలు ఎలా జరుగుతాయో వివరిస్తుంది.
అన్ని వైపుల నుండి డేటా వచ్చినప్పుడు నియంత్రించేది ఎవరు?
బిగ్ డేటా ప్రాజెక్టులు అరుదుగా ఒకే సంస్థ పరిధిలో ఉంటాయి. డేటాను ఒక బ్రోకర్ మెరుగుపరుస్తాడు, ఒక క్లౌడ్ ప్రొవైడర్ హోస్ట్ చేస్తాడు, ఒక అనలిటిక్స్ ఏజెన్సీ శుభ్రపరుస్తుంది మరియు ఒక వెండర్ అందించిన మోడల్లోకి పంపిస్తుంది. ఈ సంబంధాలలో ప్రతిదానినీ సరిగ్గా నిర్వచించాల్సి ఉంటుంది, ఎందుకంటే పాత్రల కేటాయింపు అనేది ఎవరు ఏ బాధ్యతను కలిగి ఉంటారో మరియు ఎవరు రెగ్యులేటర్కు జవాబుదారీగా ఉంటారో నిర్ధారిస్తుంది.
ఒక కంట్రోలర్ ప్రాసెసింగ్ యొక్క ప్రయోజనాలను మరియు పద్ధతులను నిర్ధారిస్తుంది; ఒక ప్రాసెసర్ కంట్రోలర్ యొక్క లిఖితపూర్వక సూచనల మేరకు మాత్రమే పనిచేస్తుంది. ఇద్దరు లేదా అంతకంటే ఎక్కువ పక్షాలు కలిసి ప్రయోజనాలను మరియు పద్ధతులను నిర్ధారించినప్పుడు, వారు ఉమ్మడి కంట్రోలర్లుగా పరిగణించబడతారు మరియు ఒక ఒప్పందంలో తమ తమ బాధ్యతలను స్పష్టంగా పేర్కొనాలి, ప్రత్యేకించి సమాచారాన్ని అందించడం మరియు వ్యక్తుల నుండి వచ్చే అభ్యర్థనలను నిర్వహించడం వంటి విషయాలలో. ఏ సందర్భంలోనైనా, ఆ వ్యక్తులు వారిలో ఎవరికైనా వ్యతిరేకంగా తమ హక్కులను వినియోగించుకోవచ్చు. ఒప్పందంలో ఉపయోగించిన పేరు నిర్ణయాత్మకం కాదు: డేటాను ఎందుకు మరియు ఎలా ప్రాసెస్ చేయాలో వాస్తవంగా ఎవరు నిర్ణయిస్తారనేదే ముఖ్యం. మీ డేటాను తన సొంత ఉత్పత్తిని మెరుగుపరచుకోవడానికి ఉపయోగించుకునే హక్కును కలిగి ఉన్న సరఫరాదారు, ఒప్పందంలో దానిని ఏ పేరుతో పిలిచినప్పటికీ, ఆ మేరకు తన సొంత ప్రయోజనాల కోసం ఒక కంట్రోలర్గా మారినట్లే.
AI సందర్భంలో సరఫరాదారుల ఒప్పందాలలోని రెండు నిబంధనలు ప్రత్యేక శ్రద్ధకు అర్హమైనవి. మొదటిది, శిక్షణ కోసం లేదా సేవలను మెరుగుపరచడం కోసం కస్టమర్ కంటెంట్ను ఉపయోగించడానికి ప్రొవైడర్ను అనుమతించే నిబంధన; ఇది ఉన్నట్లయితే, మీరు వ్యక్తిగత డేటాను మరొక కంట్రోలర్కు వెల్లడిస్తున్నట్లే, కాబట్టి ఆ వెల్లడికి మీకు ఒక ఆధారం మరియు నోటీసు అవసరం. రెండవది సబ్-ప్రాసెసర్ నిబంధన, ఎందుకంటే మోడల్ ప్రొవైడర్లు తరచుగా ఇతర సరఫరాదారులపై మరియు యూరోపియన్ ఎకనామిక్ ఏరియా వెలుపల ఉన్న మౌలిక సదుపాయాలపై ఆధారపడతారు, దీనివల్ల బదిలీ నియమాలు అమలులోకి వస్తాయి. అవసరమైన విషయాన్ని కవర్ చేస్తూ, డేటాకు వాస్తవంగా ఏమి జరుగుతుందో వివరించని ప్రాసెసింగ్ ఒప్పందం, దర్యాప్తులో పెద్దగా ఉపయోగపడదు.
చివరగా, జవాబుదారీతనం సూత్రం రుజువు చేయాల్సిన బాధ్యతను కంట్రోలర్పై ఉంచుతుందని గుర్తుంచుకోండి. నిబంధనలకు లోబడి ఉండటం మాత్రమే సరిపోదు; వాస్తవంగా నిర్మించిన సిస్టమ్లకు సరిపోలే రికార్డులు, మదింపులు మరియు ఒప్పందాలతో మీరు దానిని నిరూపించగలగాలి.
తదుపరి ప్రాజెక్ట్ ప్రారంభమయ్యే ముందు ఏమి ఏర్పాటు చేసుకోవాలి
బిగ్ డేటాకు సంబంధించిన అనుగుణ్యత రూపకల్పన దశలోనే నిర్మించబడుతుంది, ఎందుకంటే ఈ నియంత్రణ రూపకల్పన ద్వారా మరియు అప్రమేయంగా డేటా రక్షణను కోరుతుంది: తగిన సాంకేతిక మరియు సంస్థాగత చర్యలను ప్రాసెసింగ్లోనే ఏకీకృతం చేయాలి, మరియు ప్రతి నిర్దిష్ట ప్రయోజనం కోసం అవసరమైన వ్యక్తిగత డేటాను మాత్రమే అప్రమేయంగా ప్రాసెస్ చేయవచ్చు. పునఃసమీకరణ ఖరీదైనది మరియు సాధారణంగా అసంపూర్ణంగా ఉంటుంది.
ఆచరణలో ఐదు విషయాలు తేడాను కలిగిస్తాయి. ప్రతి మోడల్ వెనుక ఉన్న డేటా ప్రవాహాలను వివరించే ప్రాసెసింగ్ కార్యకలాపాల రికార్డును ఉంచండి, అంతేగానీ వాటిని కలిగి ఉన్న విభాగాలను కాదు. శిక్షణలో పాల్గొన్న తదుపరి ప్రాసెసింగ్తో సహా, ప్రతి ప్రాసెసింగ్ ఆపరేషన్కు చట్టబద్ధమైన ఆధారాన్ని నిర్ణయించి, వ్రాసి పెట్టండి మరియు దానితో పాటు చట్టబద్ధమైన ప్రయోజనాల అంచనాను ఉంచండి. డేటాను సమీకరించే ముందు ప్రభావ అంచనాను నిర్వహించండి మరియు మిగిలిన ప్రమాదం ఎక్కువగా ఉన్నచోట పర్యవేక్షక అధికారాన్ని సంప్రదించండి. మోడల్ లేదా ప్లాట్ఫారమ్ ప్రొవైడర్లతో సహా, డేటాను తాకే ప్రతి సరఫరాదారుతో డేటా ప్రాసెసింగ్ ఒప్పందాన్ని ఏర్పాటు చేసుకోండి మరియు వారి స్వంత ప్రయోజనాల కోసం మీ డేటాతో వారు ఏమి చేయడానికి అనుమతించబడ్డారో తనిఖీ చేయండి; అవసరాలు మా డేటా ప్రాసెసింగ్ ఒప్పంద మార్గదర్శిలో పేర్కొనబడ్డాయి . మరియు డేటా ఎక్కడికి వెళుతుందో తనిఖీ చేయండి: యూరోపియన్ ఎకనామిక్ ఏరియా వెలుపల బదిలీలకు నియంత్రణ యొక్క అధ్యాయం V కింద బదిలీ యంత్రాంగం మరియు బదిలీ ప్రభావ అంచనా అవసరం, మరియు వ్యక్తిగత మూడవ దేశాల స్థానం మారవచ్చు.
అన్నింటికంటే ముఖ్యంగా, నమూనాలను రూపొందించే వ్యక్తులు మరియు ప్రమాదాన్ని అంచనా వేసే వ్యక్తులు ఒకే పత్రంపై పనిచేసేలా చేయండి. ఈ నియంత్రణ యొక్క పునాదులు జనరల్ డేటా ప్రొటెక్షన్ రెగ్యులేషన్ (GDPR) పై మా అవలోకనంలో సంగ్రహించబడ్డాయి , మరియు వ్యక్తిగత డేటాను ఒక AI వ్యవస్థలో ఉంచడం ద్వారా తలెత్తే నిర్దిష్ట ప్రశ్నలు, స్వయంచాలక నిర్ణయాలు తీసుకోవడం నుండి ప్రభావితమైన వ్యక్తుల హక్కుల వరకు, నెదర్లాండ్స్లో GDPR మరియు AI పై మా అనుబంధ వ్యాసంలో చర్చించబడ్డాయి.
కొన్ని సాధారణ ప్రశ్నలు
AI మోడల్కు శిక్షణ ఇవ్వడానికి మనం ఏ చట్టపరమైన ఆధారాన్ని ఉపయోగించాలి?
చాలా వాణిజ్య సందర్భాలలో, చట్టబద్ధమైన ప్రయోజనాలే సమాధానం. ఈ ప్రయోజనం, ఆవశ్యకత మరియు సమతుల్యతను సాధించే ప్రక్రియను వివరించే ఒక లిఖితపూర్వక మదింపు దీనికి మద్దతుగా ఉంటుంది. డేటా సున్నితమైనదిగా ఉన్నప్పుడు లేదా దాని ఉపయోగం సంబంధిత వ్యక్తులను ఆశ్చర్యపరిచే విధంగా ఉన్నప్పుడు సమ్మతి ఉత్తమం. కానీ అది నిజంగా స్వేచ్ఛగా మరియు ఉపసంహరించుకోదగినదిగా ఉండాలి, శిక్షణా సమితి (ట్రైనింగ్ సెట్) విషయంలో దీనిని ఏర్పాటు చేయడం కష్టం. ఒప్పందం యొక్క ఆవశ్యకత దాదాపుగా మోడల్ అభివృద్ధికి వర్తించదు, ఎందుకంటే ఆ శిక్షణ వినియోగదారుడు కోరినది కాదు. మీరు ఏ ఆధారాన్ని ఎంచుకున్నా, ప్రాసెసింగ్ ప్రారంభమయ్యే ముందే దానిని నమోదు చేయండి: తర్వాత ఒక ఆధారాన్ని ఎంచుకోవడాన్ని అసలు ఆధారం లేనట్లే పరిగణిస్తారు.
ముందుగా డేటాను అనామకంగా మార్చినట్లయితే GDPR ఇప్పటికీ వర్తిస్తుందా?
అనామకీకరణ నిజంగా పనిచేస్తేనే. ఉపయోగించబడే అన్ని మార్గాలను మరియు దానితో కలపగల ఇతర డేటాసెట్లను పరిగణనలోకి తీసుకున్నప్పుడు, ఎవరికైనా తిరిగి గుర్తించడం సహేతుకంగా సాధ్యం కానప్పుడు డేటా అనామకంగా ఉంటుంది. పేర్లను తొలగించడం, ఐడెంటిఫైయర్లను హాష్లతో భర్తీ చేయడం లేదా చిన్న సమూహాలుగా కలపడం వంటివి సాధారణంగా ఆ ప్రమాణానికి తక్కువగా ఉంటాయి, మరియు ఫలితంగా వచ్చేది మారుపేరుతో కూడిన డేటా, ఇది పూర్తిగా నియంత్రణకు లోబడి ఉంటుంది. ఒక ప్రాజెక్ట్ను పరిధికి వెలుపలగా పరిగణించడానికి అనామకీకరణ ఆధారంగా ఉన్నప్పుడు, ఆ నిర్ధారణను పరీక్షించి, నమోదు చేయాలి మరియు డేటాసెట్ మారినప్పుడల్లా దాన్ని తిరిగి సమీక్షించాలి.
కస్టమర్ డేటాను తిరిగి ఉపయోగించుకోవడానికి పరిశోధన మినహాయింపుపై మనం ఆధారపడగలమా?
అరుదుగా. శాస్త్రీయ లేదా గణాంక ప్రయోజనాల కోసం తదుపరి ప్రాసెసింగ్ను అసలు ఉద్దేశ్యానికి అనుకూలంగా పరిగణిస్తారు, కానీ గుర్తింపు పొందిన పద్ధతి ప్రమాణాలకు అనుగుణంగా నిర్వహించబడే మరియు మారుపేరు పెట్టడం, ప్రాప్యత పరిమితులు వంటి రక్షణలకు లోబడి ఉండే పరిశోధనకు ఈ మినహాయింపు వర్తిస్తుంది. ఒక వాణిజ్య సంస్థ తన సొంత ప్రయోజనం కోసం చేసే ఉత్పత్తి అభివృద్ధి లేదా నమూనా మెరుగుదల, అందులో డేటా సైన్స్ ఉన్నంత మాత్రాన పరిశోధనగా మారదు. అనుకూలత పరీక్ష దాని స్వంత యోగ్యతల ఆధారంగా నెరవేరకపోతే, మీకు కొత్త చట్టబద్ధమైన ఆధారం అవసరం మరియు చాలా సందర్భాలలో, సంబంధిత వ్యక్తులకు కొత్త సమాచారం అందించాల్సి ఉంటుంది.
ఒక మోడల్కు శిక్షణ ఇచ్చిన తర్వాత ఎవరైనా తమ సమ్మతిని ఉపసంహరించుకుంటే ఏమి జరుగుతుంది?
ఉపసంహరణ భవిష్యత్తుకు వర్తిస్తుంది మరియు గతంలో జరిగిన ప్రాసెసింగ్ను చట్టవిరుద్ధం చేయదు, కానీ ఆ ప్రాతిపదికన డేటాను ఇకపై ఉపయోగించలేమని దీని అర్థం. ఆచరణాత్మకంగా, దీనికి ఆ వ్యక్తిని శిక్షణా సమితి నుండి, ఫీచర్ స్టోర్లు మరియు లాగ్ల నుండి తొలగించే సామర్థ్యం అవసరం. అలాగే, మోడల్ ఆ వ్యక్తి యొక్క డేటాను ప్రతిబింబిస్తుందని నిరూపించగలిగిన చోట, దానికి తిరిగి శిక్షణ ఇవ్వడం లేదా అది అలా చేయకుండా చూసుకోవడం కూడా అవసరం. మోడల్ శిక్షణకు సమ్మతి అనేది ఒక కష్టమైన ప్రాతిపదిక కావడానికి ఇది ఒక కారణం, మరియు మొదటి అభ్యర్థన వచ్చిన తర్వాత కాకుండా డిజైన్ దశలోనే ఈ ప్రశ్నకు సమాధానం ఇవ్వడం ముఖ్యం.
ఎలా Law and More సహాయపడుతుంది
Law and More అనలిటిక్స్ మరియు AI యొక్క డేటా రక్షణ విషయంలో డచ్ మరియు అంతర్జాతీయ సంస్థలకు సలహా ఇస్తుంది: చట్టబద్ధమైన ఆధారాన్ని ఎంచుకోవడం మరియు నమోదు చేయడం, చట్టబద్ధమైన ప్రయోజనాల అంచనాలు మరియు ప్రభావ అంచనాలను నిర్వహించడం, పరిశీలనలో నిలబడే గోప్యతా ప్రకటనలు మరియు ప్రాసెసింగ్ ఒప్పందాలను రూపొందించడం, Autoriteit Persoonsgegevensకు ప్రతిస్పందించడం, మరియు వ్యక్తులు లేదా ప్రతినిధి ఫౌండేషన్ల ద్వారా తీసుకువచ్చిన క్లెయిమ్లను సమర్థించడం. మీరు డేటా-ఆధారిత ప్రాజెక్ట్ను ప్లాన్ చేస్తుంటే లేదా ఒక రెగ్యులేటర్ ఇప్పటికే మిమ్మల్ని సంప్రదించి ఉంటే, మేము మీతో కలిసి ఫైల్ను పరిశీలించడానికి సంతోషిస్తాము.
