ความเป็นส่วนตัวที่ทำซ้ำได้: ทำไมทีม ML ถึงต้องการ Presets ไม่ใช่แค่เอกสาร
DPO อนุมัติแผนการทำให้ไม่ระบุตัวตนแล้ว ครอบคลุมสี่รายการ: ชื่อ อีเมล หมายเลขโทรศัพท์ และวันเดือนปีเกิด วิธีการคือ Replace แผนมีสี่หน้าและอยู่ใน wiki ด้านการปฏิบัติตามกฎระเบียบ
Data Scientist สิบสองคนอ่านในวันเปิดตัวโครงการ แต่ละคนตั้งค่าเครื่องมือด้วยตัวเอง บางคนเพิ่มหมายเลขประจำตัวประชาชน บางคนเพิ่มที่อยู่ IP บางคนเปลี่ยนไปใช้ Redact สามเดือนต่อมา ชุดข้อมูลไม่สอดคล้องกัน
CNIL ตรวจสอบบริษัท AI หลายแห่งในปี 2024 ปัญหา: การใช้ข้อมูลส่วนบุคคลในชุดข้อมูลโมเดลอย่างไม่เหมาะสม พวกเขาไม่ได้ถามแค่ว่าเกิดการทำให้ไม่ระบุตัวตนขึ้นหรือไม่ แต่ถามว่าถูกนำไปใช้อย่างสม่ำเสมอมากน้อยเพียงใด
เอกสารเป็นสิ่งจำเป็น แต่ไม่เพียงพอ วิธีแก้ไขคือ preset
ทำไมชุดข้อมูลโมเดล ML ถึงต้องการการกำหนดค่าของตัวเอง
การสร้างชุดข้อมูลโมเดลมีความต้องการที่เป็นเอกลักษณ์ ซึ่งการทำให้เอกสารทั่วไปไม่ระบุตัวตนไม่มีร่วมกัน
Replace ไม่ใช่ Redact โมเดลที่ฝึกด้วยข้อความที่ชื่อกลายเป็น [REDACTED] จะเรียนรู้ token นั้นเป็นตัวบ่งชี้ตำแหน่งชื่อ ซึ่งส่งผลเสียต่อโมเดล Replace จะแทนที่ "John Smith" ด้วย "David Chen" โมเดลจะเห็นรูปแบบชื่อจริง ไม่ใช่ mask token
กระบวนการเดียวกันสำหรับทุกระเบียน ชุดข้อมูลที่มีชื่อถูก replace 70% และ [REDACTED] 30% ส่งสัญญาณที่ขัดแย้งกัน ทุกระเบียนต้องผ่านขั้นตอนเดียวกัน
รายการเอนทิตีเดียวกัน หากชุดข้อมูลมีข้อมูลสุขภาพ การลบชื่อแต่ปล่อยวันเดือนปีเกิดไว้ในบางระเบียนจะสร้างช่องว่าง Data Scientist ทั้งสิบสองคนต้องลบประเภทเดียวกัน
ไม่ลบออกมากเกินไป การลบวันที่ที่เป็น timestamp ออก — ไม่ใช่วันเดือนปีเกิด — ลดคุณภาพชุดข้อมูลโดยไม่ได้รับประโยชน์ด้านการปฏิบัติตามกฎระเบียบ preset ที่อนุมัติแล้วจะระบุว่าต้องลบรายการใดออกบ้าง
ผลลัพธ์ที่ทำซ้ำได้ หากต้องรันชุดข้อมูลใหม่อีกครั้ง — เช่น หลังจากพบประเภทเอนทิตีที่ขาดหายไป — preset จะให้ผลลัพธ์เดิมทุกครั้ง การกำหนดค่าแบบเฉพาะกิจไม่สามารถทำได้
ปัญหา Data Scientist สิบสองคน
ทีม ML fintech ในยุโรปใช้ชุดข้อมูลจากบันทึกลูกค้า DPO อนุมัติวัตถุประสงค์ — การตรวจจับการฉ้อโกง — พร้อมกฎหนึ่งข้อ: ชื่อลูกค้า อีเมล หมายเลขโทรศัพท์ และ payment ID ทั้งหมดต้องถูก replace ก่อนเริ่มงานโมเดล
โดยไม่มี presets:
- คนที่ 1 ลบชื่อ อีเมล และหมายเลขโทรศัพท์ — แต่ลืม payment ID
- คนที่ 2 รวม payment ID แต่ใช้ Redact ไม่ใช่ Replace
- คนที่ 3 ทำตามเอกสารแผนงานอย่างเคร่งครัด
- คนที่ 4–12 แตกต่างกันไป
ชุดข้อมูลที่รวมกันส่วนหนึ่งไม่เป็นไปตามกฎ และส่วนหนึ่งถูกประมวลผลมากเกินไป DPO ไม่สามารถรับรองได้
ด้วย preset ที่ DPO อนุมัติ:
- DPO สร้าง "ML Dev — Fraud Detection" พร้อมประเภทเอนทิตีที่แน่นอนและวิธีการ Replace
- preset ส่งถึงทุกคนทั้งสิบสองด้วยกฎเดียว: ใช้นี้สำหรับงานชุดข้อมูลทั้งหมด
- ไม่มีใครสามารถเปลี่ยน preset ได้โดยไม่ได้รับการอนุมัติจาก DPO
ทุกคนผลิตผลลัพธ์เดียวกัน ชุดข้อมูลที่รวมกันสอดคล้องกัน การตรวจสอบ AI ประจำปีผ่านโดยไม่มีข้อบกพร่อง ปีก่อนหน้ามีข้อบกพร่องสามรายการจากงานชุดข้อมูลที่ไม่สอดคล้องกัน
GDPR และ AI Act
อัปเดตสำหรับปี 2026
กฎหมาย EU AI Act มีผลบังคับใช้เต็มรูปแบบในเดือนสิงหาคม 2024 เพิ่มกฎสำหรับระบบ AI ที่ใช้ข้อมูลส่วนบุคคลในการฝึกโมเดล ระบบ AI ที่มีความเสี่ยงสูงต้องบันทึกชุดข้อมูล รวมถึงการทำให้ไม่ระบุตัวตนที่ถูกนำไปใช้
GDPR มาตรา 5(1)(b) — กฎการจำกัดวัตถุประสงค์ — ห้ามใช้ข้อมูลส่วนบุคคลโดยไม่มีฐานทางกฎหมายที่ชัดเจน กรณี AI ของ CNIL ในปี 2024 มุ่งเน้นช่องว่างนี้: ข้อมูลที่รวบรวมสำหรับบริการหนึ่งถูกใช้สำหรับงานโมเดลโดยไม่มีฐานที่ถูกต้องหรือการทำให้ไม่ระบุตัวตน
Presets ช่วยให้เป็นไปตามกฎทั้งสองชุด:
- ชื่อและการกำหนดค่า preset: วิธีการที่บันทึกไว้
- บันทึกการประมวลผล: หลักฐานว่าวิธีการถูกนำไปใช้
- การอนุมัติ DPO: การลงนามรับรองการกำหนดค่าที่บันทึกไว้
ซึ่งสร้าง audit trail ที่กฎหมายทั้งสองต้องการ สำหรับรายละเอียดภาระผูกพันตามมาตรา 10 โปรดดู คู่มือข้อมูลการฝึก EU AI Act
การกำหนดค่า Preset สำหรับชุดข้อมูล NLP
ประเภทที่ควรรวมในชุดข้อมูล NLP ส่วนใหญ่:
- PERSON — Replace ด้วยชื่อที่คล้ายกัน
- EMAIL_ADDRESS — Replace ด้วยที่อยู่สังเคราะห์
- PHONE_NUMBER — Replace ด้วยหมายเลขสังเคราะห์
- CREDIT_CARD / IBAN — Replace หรือ Redact
- LOCATION — Replace ด้วยสถานที่ที่คล้ายกันหากตำแหน่งสำคัญ; Redact ถ้าไม่สำคัญ
- DATE_OF_BIRTH — Redact; มักต้องการการจัดกลุ่มตามอายุ
ประเภทที่มักถูกละเว้น:
- วันที่ทั่วไป — timestamps ช่วยโมเดลเชิงเวลา
- ชื่อองค์กร — ช่วยโมเดล named-entity
- URL — ช่วยโมเดลลิงก์และอ้างอิง
หัวหน้า ML และ DPO กำหนดกฎเหล่านี้ใน preset ที่อนุมัติแล้ว สมาชิกทีมนำไปใช้ พวกเขาไม่ต้องตัดสินใจเรื่องการกำหนดค่า
Presets ในฐานะความรู้ขององค์กร
ก่อน presets การกำหนดค่าเอนทิตีที่ถูกต้องอยู่ในหัวของ Data Scientist สามคน พวกเขาผ่านการตรวจสอบด้านการปฏิบัติตามกฎระเบียบแล้ว สองคนลาออกใน Q3 ความรู้ก็หายไปพร้อมกับพวกเขา
หลัง presets การกำหนดค่าอยู่ใน "ML Dev — Customer Records v2.1" บันทึกเวอร์ชันแสดงว่าถูกสร้างเมื่อใด ใครอนุมัติ และเปลี่ยนแปลงอะไรจาก v2.0 สมาชิกทีมใหม่ใช้ preset และได้รับความรู้ทั้งหมดที่ฝังอยู่ในนั้น
เวอร์ชัน 2.1 เพิ่มการตรวจจับ IBAN หลังจากการตรวจสอบพบว่าขาดหายไป เวอร์ชัน 2.0 ได้รับการอนุมัติในเดือนกุมภาพันธ์ 2025 บันทึกสมบูรณ์
สำหรับวิธีที่บันทึกการประมวลผลและกระบวนการตรวจสอบ DPO ทำงาน โปรดดู คู่มือการทำให้ข้อมูลการฝึก ML ตาม GDPR ไม่ระบุตัวตน
Presets เทียบกับรูปแบบ CNIL
กรณี AI ของ CNIL ในปี 2024 กำหนดรูปแบบที่ชัดเจน พวกเขาถามไม่เพียงแค่ว่าอะไรถูกลบออก แต่ถามว่าถูกกำกับดูแลอย่างไร preset ที่แชร์กันพร้อมบันทึกการอนุมัติ DPO และบันทึกการประมวลผลตอบคำถามนี้โดยตรง
การกำหนดค่าแบบเฉพาะกิจไม่สามารถทำได้ ช่องว่างเดียวกันมีอยู่ในกรณี DPA ของ EU อื่นๆ ที่ใช้ตรรกะ CNIL สำหรับข้อมูลเพิ่มเติมเกี่ยวกับแนวทาง CNIL AI โปรดดู คู่มือการปฏิบัติตาม CNIL GDPR AI
สรุป
เอกสารบอกสมาชิกทีมว่าต้องทำอะไร Presets ทำให้ง่าย — และบังคับใช้ได้ — ที่จะทำในแบบเดียวกันทุกครั้ง
สำหรับชุดข้อมูลโมเดล ML ความสอดคล้องกันเป็นทั้งความต้องการทางกฎหมายและทางเทคนิค Preset ตอบโจทย์ทั้งสองพร้อมกัน
DPA ที่ตรวจสอบแนวปฏิบัติ AI ต้องการหลักฐานของการทำให้ไม่ระบุตัวตนอย่างสม่ำเสมอ Preset ที่นำไปใช้ในแบบเดียวกันกับงานชุดข้อมูลทั้งหมดคือหลักฐานที่ชัดเจนที่สุดที่คุณสามารถให้ได้