Ακρίβεια και ποιότητα στην επεξεργασία προσωπικών δεδομένων με χρήση ΤΝ

Ένα ακόμη κείμενο κατευθύνσεων και οδηγιών για τη σχέση της τεχνητής νοημοσύνης με την προστασία δεδομένων δημοσίευσε η ισπανική αρχή προστασίας δεδομένων AEPD. Πρόκειται για το έγγραφο με τίτλο «Accuracy, suitability and quality of data in processing personal data with Artificial Intelligence», το οποίο δημοσιεύτηκε και στα αγγλικά.

Η νέα οδηγία της AEPD έχει ως αντικείμενο τη σχέση μεταξύ της ποιότητας των δεδομένων, της αρχής της ακρίβειας του Γενικού Κανονισμού Προστασίας Δεδομένων και της ανάπτυξης ή χρήσης συστημάτων τεχνητής νοημοσύνης. Το έγγραφο επιχειρεί να αποσαφηνίσει μια διάκριση που, κατά την ισπανική αρχή, αποκτά ιδιαίτερη σημασία στην εποχή της τεχνητής νοημοσύνης: η «ποιότητα των δεδομένων» αποτελεί ευρύτερη έννοια από την «ακρίβεια» του άρθρου 5 ΓΚΠΔ και δεν πρέπει να συγχέεται με αυτήν.

Η τεχνική οδηγία δεν περιορίζεται στη θεωρητική ανάλυση, αφού συνοδεύεται από διαγράμματα, πίνακες και χαρακτηριστικά παραδείγματα που διευκολύνουν την κατανόηση των εννοιών της ποιότητας των δεδομένων, της μεροληψίας των συνόλων δεδομένων και της εφαρμογής των αρχών του ΓΚΠΔ στην ανάπτυξη συστημάτων τεχνητής νοημοσύνης.

Σύμφωνα με την AEPD, η αρχή της ακρίβειας δεν πρέπει να ερμηνεύεται αποκλειστικά ως απαίτηση τα δεδομένα να είναι πάντοτε απολύτως αληθή και επικαιροποιημένα, αφού άλλωστε, η αξιολόγηση γίνεται σε συνάρτηση με τον σκοπό της επεξεργασίας. Ανάλογα με την κάθε περίπτωση, καθοριστικό ρόλο μπορεί να διαδραματίζουν παράγοντες όπως το επίπεδο λεπτομέρειας των δεδομένων, η συχνότητα με την οποία ενημερώνονται, η αντιπροσωπευτικότητα του συνόλου δεδομένων ή η αποφυγή στρεβλώσεων που θα μπορούσαν να οδηγήσουν το σύστημα σε εσφαλμένα ή άδικα αποτελέσματα.

Ιδιαίτερη έμφαση δίνεται στα σύνολα δεδομένων που χρησιμοποιούνται για την ανάπτυξη μοντέλων μηχανικής μάθησης. Η αρχή επισημαίνει ότι η ποιότητα ενός dataset δεν εξαρτάται μόνο από την ορθότητα κάθε επιμέρους εγγραφής, αλλά και από χαρακτηριστικά όπως η αντιπροσωπευτικότητα και η απουσία προκαταλήψεων. Ένα σύνολο δεδομένων μπορεί να περιλαμβάνει επιμέρους ακριβείς εγγραφές και παρ' όλα αυτά να είναι ακατάλληλο για τον σκοπό της επεξεργασίας, εάν παρουσιάζει συστηματικές στρεβλώσεις.

Η οδηγία επισημαίνει ότι τεχνικές όπως η ανωνυμοποίηση, η δημιουργία συνθετικών δεδομένων ή η συμπλήρωση ελλιπών στοιχείων με στατιστικές μεθόδους μπορεί να έχουν ως αποτέλεσμα τα δεδομένα να μην αντανακλούν πλήρως την πραγματική κατάσταση ενός συγκεκριμένου προσώπου. Κατά την AEPD, αυτό δεν συνεπάγεται αυτομάτως παραβίαση της αρχής της ακρίβειας, εφόσον τα δεδομένα εξακολουθούν να είναι κατάλληλα για τον συγκεκριμένο σκοπό της επεξεργασίας και δεν παράγουν δυσμενείς συνέπειες για τα υποκείμενα των δεδομένων.

Παράλληλα, η ισπανική αρχή υπογραμμίζει ότι η αξιολόγηση της ποιότητας δεν πρέπει να περιορίζεται μόνο στα δεδομένα εισόδου. Οι οργανισμοί οφείλουν να καθορίζουν αντικειμενικούς δείκτες και για την ποιότητα των αποτελεσμάτων που παράγει η επεξεργασία, ώστε να μπορούν να αποδεικνύουν ότι επιτυγχάνεται ο επιδιωκόμενος σκοπός και ότι η επεξεργασία παραμένει κατάλληλη καθ' όλη τη διάρκεια του κύκλου ζωής του συστήματος.

Συμπερασματικά, η οδηγία επισημαίνει ότι δεν υπάρχει «τέλειο» σύστημα τεχνητής νοημοσύνης. Εκείνο που απαιτείται είναι ένα σύστημα κατάλληλο για τη συγκεκριμένη επεξεργασία, με καθορισμένους περιορισμούς, τεκμηριωμένες απαιτήσεις ποιότητας, μηχανισμούς παρακολούθησης και κατάλληλες τεχνικές και οργανωτικές δικλείδες ασφαλείας. Η αρχή υπογραμμίζει, τέλος, ότι η ποιότητα των δεδομένων πρέπει να ελέγχεται συνεχώς σε όλα τα στάδια ανάπτυξης και λειτουργίας των συστημάτων τεχνητής νοημοσύνης, με τη συμμετοχή τόσο ειδικών στα δεδομένα όσο και επαγγελματιών της προστασίας προσωπικών δεδομένων.