قابل تکرار رازداری: ML ٹیموں کو صرف دستاویزات نہیں، پری سیٹس کیوں چاہیے
DPO نے گمنامی کا منصوبہ منظور کر لیا۔ اس میں چار اشیاء شامل ہیں: نام، ای میلز، فون نمبر، اور تاریخ پیدائش۔ طریقہ Replace ہے۔ یہ منصوبہ چار صفحات پر مشتمل ہے اور تعمیلی وکی میں موجود ہے۔
بارہ ڈیٹا سائنسدانوں نے اسے کک آف میٹنگ میں پڑھا۔ ہر ایک نے اپنے طور پر ٹول سیٹ اپ کیا۔ کچھ نے قومی شناختی نمبر شامل کیے۔ کچھ نے IP ایڈریس شامل کیے۔ کچھ نے Redact پر سوئچ کر لیا۔ تین مہینے بعد، ڈیٹاسیٹس غیر مستقل نکلے۔
CNIL نے 2024 میں کئی AI کمپنیوں کا جائزہ لیا۔ مسئلہ یہ تھا: ماڈل ڈیٹاسیٹس میں ذاتی تفصیلات کا غلط استعمال۔ انہوں نے صرف یہ نہیں پوچھا کہ گمنامی ہوئی یا نہیں — انہوں نے یہ بھی پوچھا کہ اسے کس قدر مستقل طریقے سے لاگو کیا گیا۔
دستاویزات ضروری ہیں۔ لیکن وہ کافی نہیں۔ حل پری سیٹ ہے۔
ML ماڈل ڈیٹاسیٹس کو اپنی الگ ترتیب کیوں چاہیے
ماڈل ڈیٹاسیٹس بنانے کی منفرد ضروریات ہیں۔ عمومی دستاویز گمنامی ان میں شریک نہیں۔
Replace، نہ Redact۔ جو ماڈل ایسے متن پر تربیت پاتے ہیں جہاں نام [REDACTED] بن جاتے ہیں، وہ اس ٹوکن کو نام کی پوزیشن کے نشان کے طور پر سیکھتے ہیں۔ Replace ایک اصلی نام کو دوسرے سے بدل دیتا ہے۔ ماڈل اصلی نام کے نمونے دیکھتا ہے، ماسک ٹوکن نہیں۔
تمام ریکارڈز کے لیے یکساں عمل۔ ایسا ڈیٹاسیٹ جہاں 70% نام بدلے گئے اور 30% [REDACTED] ہیں، مخلوط اشارہ دیتا ہے۔ ہر ریکارڈ ایک ہی مراحل سے گزرنا چاہیے۔
یکساں ہستی فہرست۔ اگر ڈیٹاسیٹ میں صحت کی تفصیلات ہوں اور کچھ ریکارڈز میں نام ہٹائے جائیں لیکن تاریخ پیدائش باقی رہے، تو خلاء پیدا ہوتے ہیں۔ بارہوں ڈیٹا سائنسدانوں کو ایک ہی اقسام ہٹانی ہوں گی۔
حد سے زیادہ حذف نہیں۔ ایسی تاریخیں ہٹانا جو ٹائم اسٹیمپ ہیں — تاریخ پیدائش نہیں — تعمیلی فائدے کے بغیر ڈیٹاسیٹ کا معیار گھٹاتا ہے۔ منظور شدہ پری سیٹ بالکل بتاتا ہے کہ کیا ہٹانا ہے۔
قابل تکرار نتیجہ۔ اگر ڈیٹاسیٹ دوبارہ چلانا پڑے، پری سیٹ ہر بار وہی نتیجہ دیتا ہے۔ بے ترتیب ترتیبیں ایسا نہیں کرتیں۔
بارہ ڈیٹا سائنسدانوں کا مسئلہ
یورپ میں ایک fintech ML ٹیم کسٹمر لاگز کے ڈیٹاسیٹ استعمال کرتی ہے۔ DPO نے مقصد — دھوکے کی شناخت — ایک اصول کے ساتھ منظور کیا: ماڈل کام شروع ہونے سے پہلے تمام کسٹمر نام، ای میلز، فون نمبر، اور ادائیگی IDs بدلے جائیں۔
پری سیٹس کے بغیر:
- شخص 1 نام، ای میل اور فون ہٹاتا ہے — لیکن ادائیگی IDs چھوڑ دیتا ہے
- شخص 2 ادائیگی IDs شامل کرتا ہے لیکن Replace کی بجائے Redact استعمال کرتا ہے
- شخص 3 منصوبے کی دستاویز کے عین مطابق چلتا ہے
- اشخاص 4 تا 12 مختلف ہیں
مدغم ڈیٹاسیٹ جزوی طور پر غیر تعمیل اور جزوی طور پر حد سے زیادہ پروسیس شدہ ہے۔ DPO اسے تصدیق نہیں دے سکتا۔
DPO سے منظور شدہ پری سیٹ کے ساتھ:
- DPO ایک پری سیٹ بناتا ہے جس میں عین ہستی اقسام اور Replace طریقہ ہے
- پری سیٹ بارہوں افراد کو ایک اصول کے ساتھ ملتا ہے: تمام ڈیٹاسیٹ کام کے لیے یہی استعمال کریں
- DPO کی منظوری کے بغیر کوئی پری سیٹ تبدیل نہیں کر سکتا
اب ہر شخص ایک ہی نتیجہ پیدا کرتا ہے۔ مدغم ڈیٹاسیٹ مستقل ہے۔ سالانہ AI آڈٹ صفر نتائج کے ساتھ پاس ہوتا ہے۔
GDPR اور AI ایکٹ
2026 کے لیے اپ ڈیٹ
یورپی یونین کا AI ایکٹ اگست 2024 میں مکمل طور پر نافذ ہوا۔ یہ ان AI سسٹمز کے لیے قوانین شامل کرتا ہے جو ماڈل کام کے لیے ذاتی تفصیلات استعمال کرتے ہیں۔ اعلی خطرے والے AI سسٹمز کو اپنے ڈیٹاسیٹس کی دستاویز کرنی ہوگی۔
GDPR آرٹیکل 5(1)(b) — مقصد کی حد کا اصول — واضح قانونی بنیاد کے بغیر ذاتی تفصیلات کے استعمال کو روکتا ہے۔
پری سیٹس دونوں قوانین پورے کرنے میں مدد کرتے ہیں:
- پری سیٹ کا نام اور ترتیب: دستاویز شدہ طریقہ
- پروسیسنگ لاگز: اس بات کا ثبوت کہ طریقہ لاگو ہوا
- DPO کی منظوری: ترتیب پر ریکارڈ شدہ دستخط
یہ وہ آڈٹ ٹریل بناتا ہے جو دونوں قوانین کی ضرورت ہے۔ آرٹیکل 10 کی ذمہ داریوں کی تفصیل کے لیے EU AI Act ٹریننگ ڈیٹا گائیڈ ملاحظہ کریں۔
NLP ماڈل ڈیٹاسیٹس کے لیے پری سیٹ ترتیب
زیادہ تر NLP ماڈل ڈیٹاسیٹس میں شامل کرنے کی اقسام:
- PERSON — ملتے جلتے ناموں سے بدلیں
- EMAIL_ADDRESS — مصنوعی پتوں سے بدلیں
- PHONE_NUMBER — مصنوعی نمبروں سے بدلیں
- CREDIT_CARD / IBAN — Replace یا Redact کریں
- LOCATION — اگر مقام اہم ہو تو ملتے جلتے مقامات سے بدلیں؛ نہیں تو Redact کریں
- DATE_OF_BIRTH — Redact کریں؛ اکثر عمر گروپ بندی درکار ہوتی ہے
اکثر چھوڑی جانے والی اقسام:
- عمومی تاریخیں — ٹائم اسٹیمپ وقتی ماڈلز کی مدد کرتے ہیں
- ادارے کے نام — named-entity ماڈلز کی مدد کرتے ہیں
- URLs — لنک اور ریفرنس ماڈلز کی مدد کرتے ہیں
ML لیڈ اور DPO منظور شدہ پری سیٹ میں یہ اصول طے کرتے ہیں۔ ٹیم کے اراکین اسے لاگو کرتے ہیں۔ وہ ترتیب کے انتخاب نہیں کرتے۔
پری سیٹس بطور ادارہ جاتی یادداشت
پری سیٹس سے پہلے۔ صحیح ہستی ترتیب تین ڈیٹا سائنسدانوں کے ذہنوں میں تھی۔ دو Q3 میں چلے گئے۔ علم ان کے ساتھ چلا گیا۔
پری سیٹس کے بعد۔ ترتیب ورژن 2.1 میں موجود ہے۔ ورژن لاگ بتاتا ہے کہ یہ کب بنا، کس نے منظور کیا، اور پچھلے ورژن سے کیا بدلا۔ نئے ٹیم اراکین پری سیٹ استعمال کرتے ہیں اور اس میں شامل تمام علم حاصل کرتے ہیں۔
پروسیسنگ لاگز اور DPO کے جائزے کے بارے میں مزید کے لیے GDPR ML ٹریننگ گمنامی گائیڈ ملاحظہ کریں۔
پری سیٹس بمقابلہ CNIL نمونہ
CNIL کے 2024 AI کیسز نے ایک واضح نمونہ قائم کیا۔ وہ نہ صرف یہ پوچھتے ہیں کہ کیا ہٹایا گیا بلکہ یہ بھی کہ اسے کیسے کنٹرول کیا گیا۔ DPO کی منظوری کے ریکارڈ اور پروسیسنگ لاگز کے ساتھ ایک مشترکہ پری سیٹ اس کا براہ راست جواب دیتا ہے۔
CNIL کے AI نقطہ نظر پر مزید کے لیے CNIL GDPR AI تعمیل گائیڈ ملاحظہ کریں۔
نتیجہ
دستاویزات ٹیم کو بتاتی ہیں کہ کیا کرنا ہے۔ پری سیٹس اسے آسان اور قابل نفاذ بناتے ہیں کہ ہر بار ایک ہی طریقے سے کیا جائے۔
ML ماڈل ڈیٹاسیٹس کے لیے، مستقل مزاجی ایک قانونی ضرورت بھی ہے اور تکنیکی بھی۔ پری سیٹ دونوں کو ایک ساتھ پورا کرتا ہے۔
AI طریقوں کی جانچ کرنے والے DPAs یکساں گمنامی کا ثبوت چاہتے ہیں۔ تمام ڈیٹاسیٹ کام پر یکساں طریقے سے لاگو پری سیٹ آپ کا سب سے واضح ثبوت ہے۔