Adatkezelési, adatminőségi buktatókat is rejt a mesterséges intelligencia használata

Megosztás Tetszik

Cikkünkben azt járjuk körbe, hogyan kell értelmezni az adatminőség, valamint a pontosság, illetve ezekhez kapcsolódóan az adattakarékosság és a célhoz kötöttség követelményeit olyan személyesadat-kezeléseknél, amelyek mesterséges intelligenciát alkalmaznak vagy MI-rendszerek fejlesztésére irányulnak.

Az adatminőség nem ugyanaz, mint az adatpontosság

Fontos, hogy az adatminőség és a GDPR szerinti pontosság nem azonos fogalmak. A GDPR kizárólag az adatpontosság elvét használja. A GDPR 5. cikk (1) bekezdésének (d) pontja szerint a személyes adatoknak pontosnak és szükség esetén naprakésznek kell lenniük. Minden észszerű intézkedést meg kell tenni annak érdekében, hogy az adatkezelés céljai szempontjából pontatlan személyes adatokat haladéktalanul töröljék vagy helyesbítsék.

Az AEPD szerint a GDPR 5. cikk (1) bekezdésének d) pontja szerinti pontosság ugyanakkor nem egyszerűen azt jelenti, hogy minden adatnak teljesen valósnak és mindig naprakésznek kell lennie. A szükséges részletesség attól függ, hogy az adott adatkezelési cél eléréséhez milyen pontosságra, granularitásra, frissítési gyakoriságra, reprezentativitásra vagy más jellemzőre van szükség. Ezt az elvet azonban együtt kell alkalmazni az adattakarékossággal: a GDPR nem igazolja a szükségesnél pontosabb, részletesebb, gyakrabban gyűjtött vagy nagyobb mennyiségű személyes adat kezelését.

Ezzel szemben az adatminőség tágabb, technikai kategória, amely személyes és nem személyes adatokra is vonatkozhat. Azt fejezi ki, hogy egy adat vagy adathalmaz összességében mennyire alkalmas a meghatározott felhasználási célra.

CIKKÜNK FOLYTATÁSÁBAN rámutatunk arra, hogy

• az adathalmaz lehet pontatlan az egyedi adatok pontossága esetén is,
• a nem személyes adatnak is lehet jelentősége,
• más az MI-fejlesztés, illetve a felhasználás követelményrendszere
• a kockázatkezelés, governance szerepe is kiemelt.