داده، حریم خصوصی و محرمانگی

پیش از واردکردن داده در سرویس هوش مصنوعی، سطح محرمانگی، مجوز سازمان، ضرورت داده و سیاست آموزش، نگهداری، بازبینی و سرویس ثالث را جدا بررسی کن؛ سپس داده را کمینه کن.

بعد از این درس می‌توانی

  • داده را در چهار گروه آموزشی عمومی، داخلی، شخصی و حساس دسته‌بندی کند و برای داده‌های هم‌پوشان سخت‌گیرانه‌ترین حفاظت را انتخاب کند.
  • از سیاست رسمی یک سرویس، آموزش مدل، لاگ و وضعیت برنامه، بازبینی انسانی، سرویس ثالث و تفاوت حساب شخصی، سازمانی و API را تفکیک کند.
  • داده غیرضروری را حذف، مستعار یا تجمیع کند و توضیح دهد چرا حذف نام لزوماً ناشناس‌سازی نیست.
  • برای یک کار واقعی، با ثبت منبع و تاریخ سیاست، تصمیم ارسال به ابزار مجاز، انجام محلی یا انجام انسانی را مستدل کند.

چرا این درس مهم است

کارمند فروشگاه «برگ سبز» برای نوشتن پیش‌نویس پاسخ، پیام مشتریان را در حساب شخصی یک دستیار هوش مصنوعی می‌چسباند: نام، شماره تماس، نشانی و گاهی اطلاعات پرداخت. مسئله فقط «آموزش دیدن مدل» نیست؛ باید روشن شود سرویس داده را کجا نگه می‌دارد، چه کسانی و کدام طرف‌های ثالث به آن دسترسی دارند و آیا سازمان چنین انتقالی را مجاز می‌داند.

[اصل پایدار] پیش از ارسال سه تصمیم بگیر: این داده و سطح خطر آن چیست؟ چه بخش‌هایی واقعاً برای کار لازم‌اند؟ طبق سیاست و مجوز معتبر، کدام مسیر مجاز است؟ این درس روش تصمیم را آموزش می‌دهد، نه مسیر کلیک در تنظیمات محصولات. برای انتخاب ارائه‌دهنده به choosing-models-providers و برای دانش مرجع دستیار به assistant-knowledge-files مراجعه کن.

مفاهیم کلیدی

مرزبندی: انتخاب و مقایسه کامل ارائه‌دهنده در choosing-models-providers، مدیریت فایل مرجع در assistant-knowledge-files و رازهای عملیاتی در config-secrets آموزش داده می‌شود. اینجا روی «تصمیم قبل از افشای داده» تمرکز کن.

  • [اصل پایدار] داده شخصی (`Personal Data`): داده مرتبط با فرد شناخته‌شده یا قابل‌شناسایی؛ از جمله نام، شماره تماس و ترکیب جزئیات سفارش.
  • [اصل پایدار] داده حساس (`Sensitive Data`): داده‌ای که افشای آن پیامد جدی دارد؛ مانند سلامت، اسناد هویتی، رمز، کلید و اطلاعات مالی محرمانه. «شخصی» و «حساس» می‌توانند هم‌زمان صدق کنند.
  • [اصل پایدار] کمینه‌سازی (`Data Minimization`): فقط بخش لازم برای انجام کار منتقل یا نگه‌داری شود؛ امکان استفاده از داده ساختگی یا تجمیعی را هم بررسی کن.
  • [اصل پایدار] مستعارسازی (`Pseudonymization`): جایگزینی شناسه با برچسبی که از طریق نگاشت جدا ممکن است دوباره به فرد متصل شود؛ این کار معادل ناشناس‌سازی کامل نیست.
  • [اصل پایدار] ناشناس‌سازی (`Anonymization`): کاهش امکان شناسایی فرد؛ حذف نام به‌تنهایی ضمانت ناشناس‌بودن نمی‌دهد.
  • [ابزار/سیاست] نگهداری و استفاده (`Retention`, `Training`, `Application State`): داده ممکن است در لاگ ایمنی، تاریخچه یا وضعیت برنامه بماند، حتی اگر برای آموزش مدل استفاده نشود.
  • [ابزار/سیاست] نگهداری صفر (`ZDR`): گزینه یا توافق محدود به ارائه‌دهنده، قابلیت، حساب و شرایط مشخص؛ نه وعده عمومی «هیچ داده‌ای هیچ‌جا ثبت نمی‌شود».
  • [اصل پایدار] بازبینی انسانی و طرف ثالث (`Human Review`, `Third Party`): بررسی کن آیا کارکنان ارائه‌دهنده یا سرویس/اتصال دیگری می‌توانند داده را دریافت یا بررسی کنند.

مدل ذهنی

ارسال متن به یک سرویس میزبانی‌شده مثل تحویل پرونده به یک پیمانکار بیرونی است: باید بدانی چه داده‌ای تحویل می‌دهی، چرا لازم است، چه کسی به آن دسترسی می‌یابد، تا کی نگه می‌ماند و مسئول تصمیم کیست. اگر پرونده فقط برای نوشتن پیش‌نویس جواب لازم است، شماره تماس، نشانی و کلیدهای دسترسی را همراه آن نفرست.

چک‌لیست تصمیم پیش از ارسال داده به سرویس هوش مصنوعی: مرز تصمیم قبل از خروج داده: شناسایی دارایی و بالاترین حساسیت → کمینه‌سازی/داده ساختگی → بررسی اجازه سازمان → پاسخ مستند به آموزش، لاگ و وضعیت برنامه، بازبینی/طرف ثالث، مدت نگهداری و حذف → انتخاب ابزار مجاز یا توقف. این نمودار منطق پایدار است نه تنظیمات یک محصول.

چک‌لیست تصمیم پیش از ارسال داده به سرویس هوش مصنوعی

حد تشبیه: ممکن است ارائه‌دهنده قرارداد و امکانات متفاوتی برای حساب شخصی، سازمانی و API داشته باشد. حتی حذف یک گفتگو از صفحه، لزوماً حذف از همه نسخه‌های ذخیره‌شده نیست. برای داده حساس تصمیم را بر پایه سیاست مکتوب همان سرویس و نوع حساب بگیر، نه نام برند.

گام‌به‌گام

گام ۱: داده را طبقه‌بندی کن

سطحنمونه در برگ سبزپیش‌فرض
عمومیساعت کاری و متن منتشرشده سیاست مرجوعیطبق شرایط سرویس و با بررسی مالکیت داده
داخلیجدول فروش و یادداشت جلسه غیرعمومیفقط ابزار مجاز و با ضرورت کاری
شخصیشماره تماس، نشانی و ترکیب مشخصات سفارشکمینه/مستعار؛ فقط با ضرورت و مجوز
حساساطلاعات سلامت، رمز، شماره کارت، سند محرمانهپیش‌فرض: به ابزار عمومی نفرست؛ مسیر امن تأییدشده یا انسان

[اصل پایدار] این چهار گروه برای تمرین‌اند: یک پیام می‌تواند هم «شخصی» و هم «حساس» باشد. برچسب محافظه‌کارانه‌تر را مبنای تصمیم بگذار. برای مثال، قرارداد محرمانه ممکن است بدون نام فرد هم حساس باشد.

گام ۲: سیاست داده را درست بخوان

از صفحه رسمی همان قابلیت و نوع حساب به این پرسش‌های مستقل پاسخ بده؛ اگر پاسخ پیدا نشد، آن را «پیدا نشد» ثبت کن، نه «پس ذخیره نمی‌شود»:

  1. آموزش: آیا ورودی برای آموزش/بهبود مدل به‌کار می‌رود و آیا رضایت یا بازخورد استثنا ایجاد می‌کند؟
  2. نگهداری: لاگ ایمنی (Abuse Log)، تاریخچه و وضعیت برنامه (Application State) برای چه مدتی و با چه استثناهایی ذخیره می‌شوند؟
  3. دسترسی و طرف ثالث: بازبینی انسانی، افزونه، اتصال یا سرور MCP ثالث چه داده‌ای می‌گیرد؟
  4. نوع حساب و کنترل: آیا شرایط حساب شخصی، سازمانی یا API متفاوت است؛ امکان حذف، درخواست تغییر سیاست یا ZDR دقیقاً برای همین مسیر وجود دارد؟

[ابزار/سیاست] جدول زیر شیوه خواندن سیاست را نشان می‌دهد، نه تضمین همیشگی هیچ ارائه‌دهنده‌ای. برای زمان نگهداری یا قابلیت خاص، متن رسمی جاری و تاریخ بررسی را ثبت کن.

نوع استفادهپرسش و قید لازم برای تصمیم
حساب شخصی چتوضعیت استفاده برای آموزش، تاریخچه، بازخورد و بازبینی انسانی را جدا بررسی کن؛ خاموش‌کردن آموزش، مجوز انتقال داده کاری نیست.src-openai-data-controls-faq
حساب سازمانیتعهد آموزش‌ندیدن را از نگهداری، دسترسی مدیران و سرویس‌های متصل جدا کن؛ قرارداد و تنظیمات سازمان تعیین‌کننده‌اند.src-anthropic-training-commercial
APIبرای هر endpoint وضعیت آموزش، لاگ پایش سوءاستفاده و Application State را مستقل بخوان؛ برای برخی APIهای OpenAI، لاگ ایمنی عموماً تا ۳۰ روز ممکن است بماند، ولی این عدد عمومی نیست.src-openai-your-data
ZDRبررسی کن اصلاً برای این مشتری/قابلیت واجد شرایط است یا نه و کدام داده‌ها یا مسیرهای ثالث از آن مستثنا هستند.src-openai-your-data
سرویس واسط، ابزار متصل یا MCP غیررسمیمالک، سیاست نگهداری، دسترسی دیگر کاربران و مقصد نهایی داده را بررسی کن. بدون شاهد، وعده «بدون لاگ» را تأییدشده ندان.
مدل اجراشده روی دستگاهمحلی‌بودن ممکن است انتقال به ارائه‌دهنده را کاهش دهد، ولی اتصال بیرونی، لاگ محلی و امنیت دستگاه را باید مستقل بررسی کرد.src-ollama-faq

نتیجه: عدم استفاده برای آموزش ≠ حذف داده ≠ نبود دسترسی ثالث. سیاست سرویس و نوع حساب را با تاریخ و نشانی منبع ثبت کن؛ فرایندهای فنی انتخاب ابزار را در choosing-models-providers دنبال کن.

گام ۳: اجازه سازمان را جدا بپرس

[اصل پایدار] رضایت یا قرارداد سرویس به‌تنهایی به معنی اجازه سازمان نیست. برای داده مشتری، مقررات و قراردادهای مربوط به همان کار را از مسئول مجاز بررسی کن. اگر اجازه روشن نیست، داده واقعی را نفرست. حتی یک حساب سازمانی هم الزاماً نگهداری صفر یا نبود سرویس ثالث را تضمین نمی‌کند.

گام ۴: کمینه کن، بعد بفرست

سه روش برای ساخت نسخه کم‌خطرتر؛ در صورت امکان از داده ساختگی یا تجمیعی استفاده کن. مستعارسازی را «ناشناس‌سازی صددرصدی» ننام.

روشپیشپس
حذف«شماره‌ام 0900-000-1111 است»شماره حذف شود
مستعارسازی«من سارا هستم»«من [مشتری الف] هستم»؛ نگاشت جدا و با دسترسی محدود
کلی‌سازی/تجمیع«خیابان نمونه، پلاک ۱۲»«نشانی داخل شهر»؛ فقط اگر مکان دقیق برای کار لازم نیست

برای «پیش‌نویس پاسخ سفارش دیررس»، متن «سفارش ۴۸۲۱۵ هنوز نرسیده» کافی است؛ نام، نشانی و شماره تماس لازم نیست. اگر شناسه سفارش هم محرمانه است، ابتدا از شناسه آزمایشی استفاده کن.

نکته: حذف نام ممکن است برای ناشناس‌سازی کافی نباشد؛ ترکیب مدرسه، سن و وضعیت سلامت گاهی فرد را قابل شناسایی می‌کند. یک شماره کارت یا رمز نباید برای نگارش متن به مدل داده شود.

گام ۵: مسیر محلی و انسان

اگر کار بدون داده واقعی انجام می‌شود، از نمونه ساختگی استفاده کن. برای داده حساس فقط محیط و هدفی را انتخاب کن که مسئول مجاز تأیید کرده باشد؛ در غیر این صورت کار را متوقف یا به مسیر انسانی ارجاع بده. «محلی» بودن بدون بررسی دستگاه، دسترسی شبکه و ذخیره‌سازی به‌تنهایی گواه امن‌بودن نیست.

مثال‌ها

پیاده‌سازی عملی

ناشناس‌سازی پنج پیام. حدود ۱۴ دقیقه. فایل assets/messages-with-personal-data.md پنج پیام ساختگی دارد. برای هر پیام:

  1. برای هر پیام، سطح داده و نشانه تعیین‌کننده آن را بنویس؛ داده‌های شخصی و حساس هم‌پوشان را جدا علامت بزن.
  2. مشخص کن کدام جزء برای پیش‌نویس ضروری است و کدام را می‌توان با داده ساختگی جایگزین کرد.
  3. نسخه کمینه‌شده را با حذف، مستعارسازی یا تجمیع بساز و امکان بازشناسایی را بررسی کن.
  4. به‌کمک چهار پرسش سیاست داده، تصمیم «ابزار مجاز/محلی با تأیید/انسان/توقف» بگیر؛ هیچ داده واقعی لازم نیست.

برای هر پیام یک دلیل کوتاه ثبت کن. اگر درباره نگهداری، طرف ثالث یا اجازه سازمان سندی نداری، پاسخ «نامطمئن، ارسال نشود تا بررسی» است؛ فقدان سند را تأیید تلقی نکن.

اشتباه‌های رایج

اشتباهنتیجهکار درست
«برای آموزش نیست» = «ذخیره نمی‌شود»نادیده‌گرفتن لاگ و وضعیت برنامهبررسی مستقل آموزش، لاگ، وضعیت و حذف
«حساب سازمانی پس امن است»انتقال بدون بررسی قرارداد و اتصال‌هابررسی مجوز و مسیر داده همان حساب
حذف صرف نامبازشناسایی با جزئیات دیگرکمینه‌سازی و ارزیابی ترکیب داده
ZDR = همه چیز همیشه صفرنادیده‌گرفتن شرایط و استثنای endpointخواندن سیاست اختصاصی همان مسیر
استفاده از واسط ناشناسنامشخص‌بودن مالک یا نگهداری دادهعدم ارسال داده محرمانه تا احراز سیاست
اتکا به حافظه درباره سیاست سرویستغییر نسخه/شرایطثبت عنوان، URL و تاریخ سند رسمی

اشکال‌زدایی

بعد از ارسال متوجه می‌شوی متن شماره کارت یا اطلاعات سلامت داشت.

طبقه‌بندی پیش از ارسال انجام نشد.

مسیر دریافت داده، نوع حساب، endpoint یا اتصال، و نوع داده افشاشده را ثبت کن؛ نسخه واقعی داده را در گزارش آموزشی منتشر نکن.

مطابق رویه سازمان فوراً گزارش و دسترسی غیرضروری را قطع کن؛ حذف گفتگو را فقط یکی از اقدام‌ها بدان، نه تضمین حذف همه نسخه‌ها؛ مسیر ارسال و کمینه‌سازی را اصلاح کن.

پیش‌نویس تولیدشده داده شخصی‌ای را تکرار کرده که برای پاسخ لازم نبود.

داده در کانتکست بود و مدل از آن استفاده کرد.

ورودی را با خروجی مقایسه کن.

قبل از ارسال، داده غیرضروری را حذف کن؛ خروجی را از نظر افشا بررسی کن. دستور «تکرار نکن» کنترل قطعی نیست.

تمرین کوتاه

تمرین · 10 دقیقه

هدف: خواندن درست سیاست داده.

گام‌ها: سه گزاره را بخوان و برای هرکدام بنویس درباره آموزش، نگهداری/لاگ، دسترسی ثالث و نوع حساب به چه پرسش‌هایی پاسخ داده شده و کدام هنوز بی‌پاسخ است.

  1. «این حساب برای آموزش مدل استفاده نمی‌شود.»
  2. «لاگ ایمنی این API ممکن است تا ۳۰ روز بماند.»
  3. «این سرویس ادعا می‌کند ZDR دارد.»

معیار پذیرش: برای هر گزاره دست‌کم دو پرسش بی‌پاسخ و یک اقدام مستند برای بررسی معرفی شود.

راه‌حل نمونه

۱: درباره آموزش پاسخ می‌دهد، نه لاگ، طرف ثالث و اجازه. ۲: درباره بخشی از نگهداری همان API پاسخ می‌دهد، نه آموزش یا Application State و سرویس ثالث. ۳: بدون قرارداد و فهرست قابلیت‌ها، دامنه ZDR معلوم نیست. برای هر سه، متن سیاست رسمی مربوط به همان حساب/قابلیت و تاریخ آن لازم است.

چالش

تمرین · 25 دقیقه

موقعیت: سه کاری را که در کار خودت با هوش مصنوعی انجام می‌دهی یا می‌خواهی انجام دهی فهرست کن. برای نمونه‌ها فقط متن ساختگی یا ناشناس‌شده بنویس؛ داده واقعی را در پاسخ این تمرین نیاور.

  1. برای هر کار، دسته داده، ضرورت انتقال و امکان استفاده از داده ساختگی را بنویس.
  2. آموزش، لاگ/وضعیت، دسترسی ثالث و تفاوت نوع حساب را از سیاست رسمی با عنوان، URL و تاریخ ثبت کن.
  3. اجازه سازمان یا مالک داده را مستند کن؛ اگر نامشخص است، انتقال را متوقف کن.
  4. برای هر کار یک قاعده کمینه‌سازی و یک مسیر جایگزین انتخاب کن.

خروجی مورد انتظار: برگه تصمیم داده برای سه کار: نوع داده، حداقل اطلاعات، حساب/مقصد، چهار پاسخ سیاست، منبع و تاریخ، اجازه، تصمیم و مسئول.

معیار پذیرش:

  • برای هر کار چهار بُعد سیاست جدا و با URL و تاریخ ثبت شده است.
  • حداقل یک موقعیت با داده حساس به توقف، انجام انسانی یا مسیر مجاز اختصاصی ختم شده است.
  • حذف یا مستعارسازی در داده واقعی با نمونه ساختگی نشان داده شده، بدون انتشار داده واقعی.
  • هیچ ادعای نگهداری صفر یا امنیت حساب سازمانی بدون سند بیان نشده است.

راهنما: اگر سیاست ارائه‌دهنده برای مسیر موردنظر روشن نیست، بنویس «نامطمئن»؛ این پاسخ درست‌تر از حدس است.

پرسش‌های سنجش

جمع‌بندی

  • ابتدا دارایی و خطر، سپس نیاز واقعی به داده، بعد مجوز و سیاست سرویس را بررسی کن.
  • گروه‌های آموزشی عمومی/داخلی/شخصی/حساس ممکن است هم‌پوشانی داشته باشند؛ سخت‌گیرانه‌ترین حفاظت ملاک است.
  • Training، لاگ ایمنی، Application State، دسترسی انسانی و اتصال ثالث موضوعاتی مستقل‌اند.
  • ZDR شرطی و وابسته به مسیر است؛ «آموزش‌ندیدن» یعنی «هیچ ذخیره‌ای نیست» نیست.
  • داده را کمینه و تا جای ممکن ساختگی کن؛ حذف نام لزوماً ناشناس‌سازی نیست.
  • داده محرمانه را بدون اجازه و سیاست روشن به حساب شخصی یا واسط ناشناس نده؛ انتخاب ابزار در choosing-models-providers.

پرسش‌های سنجش

برای پاسخ پشتیبانی، دسته و دلیل هر داده را بنویس: (الف) گزارش فروش منتشرنشده؛ (ب) نام و شماره تماس مشتری؛ (ج) سابقه درمانی یک کودک؛ (د) سیاست مرجوعی منتشرشده. در کدام موردها ممکن است دو نوع حساسیت هم‌زمان وجود داشته باشد؟

پاسخ نمونه و معیار ارزیابی

الف: داخلی چون گزارش عمومی نشده است. ب: شخصی چون فرد قابل‌شناسایی است. ج: حساس و شخصی؛ وضعیت سلامت کودک حتی پس از حذف نام می‌تواند خطر شناسایی داشته باشد. د: عمومی. اگر هر داده هم‌زمان داخلی و شخصی/حساس باشد، سخت‌گیرانه‌ترین کنترل به‌کار می‌رود.

  • ب و ج را شخصی و ج را حساس تشخیص می‌دهد و دلیل می‌آورد (1 امتیاز)
  • الف را داخلی و د را عمومی تشخیص می‌دهد (1 امتیاز)
  • به هم‌پوشانی دسته‌ها و حفاظت سخت‌گیرانه‌تر اشاره می‌کند (1 امتیاز)
  • فقط حذف نام کافی است ← وضعیت سلامت یا ترکیب جزئیات همچنان می‌تواند داده حساس یا قابل‌شناسایی باشد.

یک ارائه‌دهنده می‌گوید «داده‌های `API` ما برای آموزش استفاده نمی‌شوند؛ پس چیزی نگه‌داری نمی‌شود». سه ایراد یا پرسش ضروری برای راستی‌آزمایی این ادعا بنویس.

پاسخ نمونه و معیار ارزیابی

اول، استفاده‌نشدن برای آموزش با ذخیره‌نشدن یکسان نیست. دوم، مدت و هدف لاگ پایش سوءاستفاده و Application State باید برای همان endpoint جدا بررسی شود. سوم، سرویس‌های متصل/طرف ثالث، نوع حساب، حذف و شرایط ZDR ممکن است متفاوت باشند. از سیاست رسمی و قرارداد همان مسیر با تاریخ استفاده کن؛ عدد ۳۰ روز را به همه سرویس‌ها تعمیم نده.

  • تفاوت آموزش و نگهداری را صریح بیان می‌کند (1 امتیاز)
  • لاگ و وضعیت برنامه را از هم تفکیک می‌کند (1 امتیاز)
  • سیاست همان حساب/مسیر و طرف ثالث یا ZDR را می‌سنجد (1 امتیاز)
  • صفر روز است ← فقدان آموزش، زمان نگهداری را تعیین نمی‌کند.

این پیام را برای گرفتن پیش‌نویس پاسخ، کمینه کن: «سلام، رضا هستم. سفارش ۵۱۰۰۲ رو برای دخترم که دانش‌آموز مدرسه نمونه است فرستادم، نشانی خیابان نمونه پلاک ۷. هنوز نرسیده. شماره من 0900-000-2222.»

پاسخ نمونه و معیار ارزیابی

«سفارش آزمایشی ۵۱۰۰۲ هنوز نرسیده؛ برای پیگیری، پیش‌نویس پاسخ محترمانه بنویس.» نام، تلفن، نشانی و جزئیات کودک/مدرسه غیرلازم‌اند. در صورت امکان شماره سفارش را هم با شناسه ساختگی جایگزین کن. متن آزمایشی نباید حاوی داده واقعی باشد.

  • موضوع سفارش را حفظ می‌کند و داده بیش‌ازحد نمی‌دهد (1 امتیاز)
  • نام، تلفن، نشانی را حذف/مستعار می‌کند (1 امتیاز)
  • اطلاعات فرزند/مدرسه را حذف و امکان داده ساختگی را ذکر می‌کند (1 امتیاز)
  • فقط نام را حذف می‌کند ← نشانی، تلفن و مدرسه هم فرد را قابل شناسایی می‌کنند.

کارمندی می‌خواهد خلاصه پرونده‌های بیمه‌ای مشتریان (شامل سوابق درمانی) را با هوش مصنوعی تهیه کند. سازمان ابزار هوش مصنوعی تأییدشده ندارد. کدام تصمیم درست‌تر است؟

  • از طرح بدون پرداخت یک سرویس استفاده کند چون سریع است.
  • از حساب شخصی با تنظیم آموزش خاموش استفاده کند.
  • تا تأیید رسمی سازمان، داده حساس را به سرویس بیرونی نفرستد؛ در صورت ضرورت از مسیر اختصاصی مجاز یا انجام انسانی استفاده کند.
  • فقط نام بیمه‌شده‌ها را حذف کند و بقیه را بفرستد.
پاسخ نمونه و معیار ارزیابی
  • a ← طرح‌های بدون پرداخت گاهی صریحاً می‌گویند داده حساس نفرست و ممکن است انسان بخواند.
  • b ← حساب شخصی برای داده کاری حساس مجاز نیست و تنظیم آموزش به نگهداری جواب نمی‌دهد.
  • d ← سوابق درمانی با جزئیات دیگر هنوز حساس و اغلب قابل شناسایی‌اند.

پس از ارسال یک متن به دستیار هوش مصنوعی، متوجه می‌شوی شماره کامل کارت یک مشتری در آن بوده است. قدم‌های بعدی‌ات چیست؟

پاسخ نمونه و معیار ارزیابی

بلافاصله طبق روال سازمان به مسئول مربوط گزارش کن؛ نوع داده، سرویس و حساب/مسیر دریافت‌کننده را بدون بازنشر شماره کارت ثبت کن؛ دسترسی‌های لازم را محدود و حذفِ در دسترس را پیگیری کن، اما آن را تضمین حذف همه لاگ‌ها ندان؛ سپس گام کمینه‌سازی و منع ارسال داده پرداخت را در فرایند قرار بده.

  • گزارش مسئولانه و فوری، بدون بازانتشار داده (1 امتیاز)
  • ثبت سرویس/حساب و مسیر و بررسی دامنه افشا (1 امتیاز)
  • محدودیت حذف و پیشگیری پیش از ارسال را توضیح می‌دهد (1 امتیاز)
  • گفتگو را حذف می‌کنم و تمام ← حذف کافی نیست؛ گزارش و پیشگیری لازم است.

فایل‌های درس

پنج پیام ساختگی با داده شخصی برای ناشناس‌سازی

messages-with-personal-data.md

ابزارها و جایگزین‌ها

  • ویرایشگر متن — ناشناس‌سازی و چک‌لیست — کاغذ

منابع

Data Controls FAQ [راهنمای رسمی محصول؛ غیرمقاله پژوهشی] OpenAI مستند جاری؛ بررسی مبنا 2026-11-05

Data controls in the OpenAI platform [مستند رسمی API؛ غیرمقاله پژوهشی] OpenAI مستند جاری؛ بررسی مبنا 2026-11-05

Is my data used for model training? (commercial products) [سیاست رسمی؛ غیرمقاله پژوهشی] Anthropic مستند جاری؛ بررسی مبنا 2026-11-05

FAQ [راهنمای رسمی فنی؛ غیرمقاله پژوهشی] Ollama مستند جاری؛ تاریخ انتشار نسخه جاری نامشخص

Pseudonymisation guidance [راهنمای رسمی ناظر؛ غیرمقاله؛ تحت بازبینی] UK Information Commissioner’s Office بررسی 2026-11-07

Principles of the GDPR — purpose and data minimisation [راهنمای رسمی قانون؛ غیرمقاله] European Commission بررسی 2026-11-07

دوره

اعتبارسنجی، ایمنی و استفاده مسئولانه