De AVG en big data binne net ynkompatibel, mar se twinge in kar dy't in protte organisaasjes útstelle: foardat jo in grutte dataset sammelje of opnij brûke, moatte jo de wetlike basis dêrfoar neame kinne en oantoane dat de ferwurking foar dat doel needsaaklik is. Yn 'e praktyk betsjut dit it dokumintearjen fan in grûn ûnder artikel 6 fan 'e Algemiene Ferordening Gegevensbeskerming, it testen oft in letter gebrûk foar it trainen fan in algoritme kompatibel is mei it doel wêrfoar't de gegevens oarspronklik sammele binne, en it beoardieljen fan it risiko foardat it earste model boud wurdt. Dit artikel leit út hoe't dy regels jilde foar grutskalige analytics en AI-training yn Nederlân, en wêr't de Autoriteit Persoonsgegevens de grins lûkt.
Wat telt as persoanlike gegevens yn in grutte dataset
De AVG is fan tapassing op ynformaasje oangeande in identifisearre of identifisearbere natuerlike persoan. Yn in kontekst fan big data wurdt dy drompel folle faker oerskreden as organisaasjes ferwachtsje, om't identifisearberens beoardiele wurdt mei ferwizing nei alle middels dy't ridlik wierskynlik brûkt wurde sille, troch de ferwurker of troch immen oars, om immen út te kiezen. In dataset fan apparaatidentifikatoaren, lokaasjetraces, transaksjerecords of klikstreams is dêrom hast altyd persoanlike gegevens, sels as der gjin namme yn ien kolom ferskynt.
Twa konsepten wurde geregeldwei betize, en it ferskil bepaalt oft de regeljouwing wol fan tapassing is. Pseudonymisearre gegevens, wêrby't de identifikaasjes ferfongen binne, mar de kaai noch earne bestiet, bliuwe persoanlike gegevens en falle folslein ûnder de AVG. Anonymisearre gegevens, wêrby't opnij identifisearre wurde net mear ridlik mooglik is foar elkenien, falle dêrbûten. De noarm foar echte anonymisaasje is heech: aggregaasje, hashing of it fuortheljen fan direkte identifikaasjes lit meastentiids genôch fan in fingerprint achter foar in bepaalde partij om yndividuen opnij te identifisearjen, benammen as de dataset ryk is en in lange perioade beslacht.
Dit is wichtich om't de bewearing dat in dataset anonym is faak de draachbere oanname is yn in hiel KI-programma. As it mislearret, is elke downstream-stap, fan 'e trainingsrun oant it behâldskema, sûnder in wetlike basis útfierd. De feiliger oanpak is om de dataset as persoanlike gegevens te behanneljen, útsein as in dokumintearre heridentifikaasje-analyze oars seit, en om dy analyze opnij te besjen as de dataset ferrike of kombineare is mei in oare boarne. De Europeeske Ried foar Gegevensbeskerming hat ek oanjûn wannear't in KI-model sels as anonym beskôge wurde kin, en har antwurd is dat dit net oannommen wurde kin: in model dat traind is op persoanlike gegevens kin dy gegevens noch altyd yn ekstrahearbere foarm befetsje en moat fan gefal ta gefal beoardiele wurde.
In wetlike basis kieze foar training yn grutte gegevens en AI
Elke ferwurkingsoperaasje hat ien fan 'e seis grûnen yn artikel 6 nedich, en de grûn moat keazen wurde foardat de ferwurking begjint ynstee fan letter rekonstruearre te wurden. Foar grutskalige analyses binne mar trije realistyske kandidaten.
Tastimming is de skjinnste yn teory en de meast kwetsbere yn 'e praktyk. It moat frijwillich jûn wurde, spesifyk, ynformearre en ûndûbelsinnich, en it moat like maklik ynlutsen wurde as it wie om te jaan. Tastimming dy't yn algemiene termen bondele is, krigen as in betingst foar in tsjinst dy't de gegevens net nedich hat, of sa breed formulearre is dat it yndividu net sjen kin wêr't oerienkommen wurdt, sil net jilde. Wêr't tastimming ynlutsen wurdt, hawwe jo in technysk antwurd nedich op 'e fraach wat der bart mei in model dat al traind is.
Needsaak foar de útfiering fan in kontrakt is smeller as it liket. De test is objektive needsaak foar de tsjinst dy't it yndividu eins frege hat, net kommersjeel nut. It profilearjen fan in klant om in oanbefellingsmotor te ferbetterjen is oer it algemien net nedich foar de levering fan it produkt dat se kocht hawwe, en it Hof fan Justysje hat ferskate kearen pogingen ôfwiisd om dizze grûn út te wreidzjen om gedrachsreklame en personalisaasje te dekken.
Dat lit legitime belangen oer, dat is de grûn dêr't de measte grutskalige ferwurkingen op fertrouwe moatte. It fereasket trije stappen, yn dy folchoarder dokumintearre: it identifisearjen fan in echt en wetlik belang, oantoane dat de ferwurking needsaaklik is om't der gjin minder yngripende manier is om it te berikken, en it belang ôfweagje tsjin de rjochten en ridlike ferwachtingen fan 'e belutsen persoanen. Yn in ferwizing fan in Nederlânske rjochtbank oangeande de nasjonale tennisferiening befêstige it Hof fan Justysje yn 2024 dat in suver kommersjeel belang kin kwalifisearje as in legitime belang, mar allinich as oan de needsaak- en ôfwagingstesten echt foldien wurdt. Kommersjele wearde is dêrom in tastien belang, gjin lisinsje.
Spesjale kategoryen en ôflaatte skaaimerken
Gegevens dy't rasiale of etnyske komôf, politike opfettings, religieuze oertsjûgingen, fakbûnslidmaatskip, sûnens, sekslibben of seksuele oriïntaasje oantoane, tegearre mei genetyske en biometryske gegevens dy't brûkt wurde foar identifikaasje, meie hielendal net ferwurke wurde, útsein as ien fan 'e smelle útsûnderings yn artikel 9 fan tapassing is. Eksplisite tastimming is de gewoane rûte; de oaren passe selden yn in kommersjele dataset.
De falstrik yn big data is dat gegevens fan spesjale kategoryen net bewust sammele hoege te wurden. Wêr't in dataset it mooglik makket om in beskerme skaaimerk ôf te lieden, bygelyks fia oankeappatroanen, lokaasjehistoarje of de ynhâld fan frije tekstfjilden, jildt it strangere rezjym foar dy ferwurking, sels as nimmen de fraach ea direkt steld hat. Modelfunksjes dy't fungearje as proxy's foar in beskerme skaaimerk moatte identifisearre wurde tidens ûntwikkeling, net nei in klacht.
Doelbeperking: kinne jo gegevens opnij brûke om in model te trainen
Jo kinne, mar net automatysk. De AVG fereasket dat persoanlike gegevens sammele wurde foar spesifisearre, eksplisite en legitime doelen en net fierder ferwurke wurde op in manier dy't net kompatibel is mei dy doelen. It trainen fan in algoritme op gegevens dy't sammele binne foar it útfieren fan oarders, klantestipe of fraudeprevinsje is in fierdere ferwurkingsoperaasje, en it is allinich wetlik as it de kompatibiliteitstest trochstiet dy't de regeling stelt.
Dy test is gjin formaliteit. It freget nei de ferbining tusken it oarspronklike doel en it nije doel, de kontekst wêryn't de gegevens sammele binne en wat it yndividu op basis dêrfan ridlik ferwachtsje koe, de aard fan 'e gegevens en oft spesjale kategoryen belutsen binne, de mooglike gefolgen fan 'e nije ferwurking, en it bestean fan befeiligingsmaatregels lykas pseudonymisaasje of fersifering. In dataset fan medyske of finansjele records sil de test net trochstean, wylst in dataset fan anonymisearre operasjonele logs it wol trochstean soe.
Der is ien fluchtoets, en dy is smeller as meastentiids oannommen wurdt. Fierdere ferwurking foar argyfearjen yn it iepenbier belang, foar wittenskiplik of histoarysk ûndersyk of foar statistyske doelen wurdt as kompatibel beskôge, mits de befeiligingsmaatregels foar ûndersyksferwurking fan krêft binne. Kommersjele modelûntwikkeling ferklaaid as ûndersyk komt net yn oanmerking; de útsûndering is rjochte op echt ûndersyk ûnderwurpen oan metodologyske en etyske noarmen, net op produktferbettering. Wêr't net oan de kompatibiliteitstest foldien wurdt, hawwe jo in nije juridyske basis nedich en, yn 'e measte gefallen, nije ynformaasje foar de belutsen minsken.
De praktyske gefolgen is dat doelbeheining behannele wurde moat op it punt fan sammeljen. Privacyferklearrings dy't doelen beskriuwe yn termen dy't breed genôch binne om betsjuttingsleas te wêzen, sille in lettere trainingsrun net rêde, om't de test sjocht nei wat it yndividu ridlik ferwachtsje koe, net nei wat de tekst technysk talit. Us hantlieding foar it skriuwen fan in privacybelied yn Nederlân leit út hoe't jo doelen kinne beskriuwe op in manier dy't sawol earlik as brûkber is.
Minimalisaasje, behâld en krektens as it model alles wol
Dataminimalisaasje fereasket dat persoanlike gegevens adekwaat, relevant en beheind binne ta wat nedich is. Dat prinsipe stiet echt yn spanning mei in ûntwikkelingsmetoade waans logika is dat mear gegevens in better model produsearje, en de spanning kin net oplost wurde troch it te negearjen. Wat it oplost wurde kin is in dokumintearre argumint: hokker fjilden binne nedich foar it oanjûne doel, wat is sûnder dizze gegevens test, en wêrom't de rest fuortsmiten is. In controller dy't oantoane kin dat analyse in ferdigenbere posysje hat, sels as de dataset grut is. In controller dy't alles bewarre om't opslach goedkeap is, hat dat net.
Opslachbeperking ropt deselde fraach op oer tiid. Trainingsgegevens, funksjeopslaggen, modelkontrôlepunten en ynferinsjelogs falle allegear ûnder de bewaringsferplichting, en elk hat syn eigen perioade nedich dy't oan in doel keppele is. Ynferinsjelogs wurde faak fergetten en befetsje faak mear persoanlike gegevens as de trainingsset ea die.
Krektens is it prinsipe dat it meast oersjoen wurdt yn dizze kontekst, en it hat in juridysk foardiel dat maklik te missen is. Persoanlike gegevens moatte akkuraat wêze en, wêr nedich, bywurke wurde, en yndividuen hawwe rjocht op korreksje. As in model in útfier produseart oer in identifisearbere persoan, is dy útfier sels persoanlike gegevens. In konklúzje dat immen in min kredytrisiko hat, in wierskynlike fraudeur of in ûngeskikte kandidaat is gegevens oer har, it kin ûnkrekt wêze, en it kin yn twifel lutsen wurde. In systeem bouwe wêryn sokke útfier net korrizjeare wurde kin, skept in neilibingsprobleem dat gjin hoemannichte dokumintaasje letter oplosse sil.
Wannear't in ynfloedbeoardieling op gegevensbeskerming ferplicht is
In ynfloedbeoardieling op gegevensbeskerming is ferplicht as in soarte ferwurking wierskynlik in heech risiko foar de rjochten en frijheden fan yndividuen sil opleverje, en de regeling neamt yn it bysûnder trije gefallen: systematyske en wiidweidige evaluaasje fan persoanlike aspekten basearre op automatisearre ferwurking, ynklusyf profilearring, wêrop besluten mei juridyske of ferlykber wichtige effekten binne basearre; grutskalige ferwurking fan spesjale kategoryen gegevens of fan gegevens oer strafrjochtlike feroardielingen; en systematyske monitoaring fan in iepenbier tagonklik gebiet op grutte skaal. De measte serieuze big data-projekten falle ûnder de earste of de twadde.
De Autoriteit Persoonsgegevens hat ek in list publisearre mei ferwurkingsoperaasjes wêrfoar't yn Nederlân altyd in beoardieling fereaske is, dy't gebieten omfettet lykas profilering op grutte skaal, de systematyske evaluaasje fan meiwurkers, sûnensgegevensplatfoarms en it gebrûk fan kamerasystemen. Dy list moat it earste dokumint wêze dat by it begjin fan in projekt rieplachte wurdt, om't it de diskusje oer de needsaak foar in beoardieling fuortnimt.
Twa punten oer timing binne beslissend. De beoardieling moat útfierd wurde foardat de ferwurking begjint, wat yn in AI-projekt betsjut foardat de trainingsgegevens gearstald wurde, net foar ynset. En as de beoardieling in heech restrisiko sjen lit dat jo net kinne ferminderje, moatte jo de tafersjochhâldende autoriteit rieplachtsje foardat jo trochgean. It oerslaan fan dy oerlis is op himsels in ynbreuk, ûnôfhinklik fan oft de ferwurking wettich blykt te wêzen.
In nuttige beoardieling foar in algoritmysk systeem giet fierder as de standert sjabloan. It registrearret hokker gegevensboarnen it model fiede en op hokker basis, wat it model sels beslute mei en wat in minske beslút, hoe't de útfier útlein wurdt oan de persoan dy't der lêst fan hat, hoe't de trainingsgegevens testen binne op foaroardielen tsjin beskerme groepen, en wat der bart as it model ferkeard is. Dat binne de fragen dy't in tafersjochhâlder earst stelt.
Hoe de Autoriteit Persoonsgegevens dit hanthavenje
De Nederlânske tafersjochhâldende autoriteit is de Autoriteit Persoonsgegevens, dy't de AVG tegearre mei de Nederlânske útfieringswet, de Uitvoeringswet AVG, hanthavenet. Harren foegen geane fan in warskôging en in berisping oant in befel ûnderwurpen oan in boete, in tydlik of definityf ferbod op 'e ferwurking en in bestjoerlike boete. De regeling stelt de plafonds fêst: maksimaal tsien miljoen euro of twa prosint fan 'e totale wrâldwide jieromset foar it legere nivo, en maksimaal tweintich miljoen euro of fjouwer prosint foar oertredings fan 'e basisprinsipes, de wetlike grûnslaggen, de rjochten fan betrokkenen en de regels oangeande ynternasjonale oerdrachten, ôfhinklik fan hokker bedrach it heechst is.
Twa hanthaveningstema's binne sichtber yn 'e Nederlânske praktyk en beide hawwe direkt te krijen mei big data. De earste is transparânsje: in substansjeel diel fan resinte aksje giet oer privacyferklearrings dy't net yn begryplike taal útlizze hokker gegevens brûkt wurde, foar hokker doel en hoe lang. Vage doelbeskriuwingen wurde behannele as in ynbreuk op harsels, net as in tekstuele flater. De twadde is algoritmysk tafersjoch. De autoriteit hat in tawijde ienheid foar tafersjoch op algoritmen en publisearret periodike rapporten oer algoritmyske risiko's, dy't it lêzen wurdich binne as in ferklearring fan wat it ferwachtet foardat it ûnderwerp wurdt fan in ûndersyk.
Neist hanthavening komt de meldingsplicht foar ynbreuken. In ynbreuk op persoanlike gegevens moat sûnder ûnredelike fertraging en, wêr mooglik, binnen twaensantich oeren nei't se derfan bewust binne, oan 'e autoriteit meld wurde, útsein as it net wierskynlik is dat de ynbreuk in risiko foar yndividuen oplevert; as it risiko foar yndividuen heech is, moatte se ek ynformearre wurde. Yn in AI-omjouwing is de beoardieling dreger as eartiids, om't in kompromittearre trainingsset of funksjeopslach ynfloed hat op elkenien waans gegevens it befettet en de gefolgen útwreidzje nei elke beslút dy't it model nommen hat. Tink derom dat dit in aparte ferplichting is fan 'e meldingsplichten foar ynsidinten ûnder de Cyberbeveiligingswet, de Nederlânske ymplemintaasje fan NIS2, dy't sûnt 15 augustus 2026 jildt en syn eigen meldingsdeadlines fan fjouwerentweintich en twaensantich oeren opleit oan entiteiten binnen syn berik. Us oersjoch fan NIS2 en de Nederlânske Cybersecuritywet leit út hoe't de twa regimes neist elkoar sitte.
De AI Act ferfangt de GDPR net
De EU-wet oer keunstmjittige yntelliginsje regelt KI-systemen as produkten: it klassifisearret se op risiko en leit ferplichtingen op oan oanbieders en ynsetters. It jout gjin juridyske basis foar it ferwurkjen fan persoanlike gegevens, en neilibjen dêrfan seit neat oer neilibjen fan 'e AVG. Wêr't in KI-systeem persoanlike gegevens ferwurket, jilde beide regimes folslein en parallel.
De tiidsplanning is wichtich foar de planning. De ferboden op ûnakseptabele praktiken, de ferplichtingen foar algemiene AI-modellen en de transparânsjeplichten foar systemen dy't ynteraksje hawwe mei minsken of syntetyske ynhâld generearje, binne al fan krêft. It hege-risiko-rezjym waard útsteld troch it digitale omnibuspakket: de ferplichtingen foar hege-risiko-systemen neamd yn Anneks III jilde no fan 2 desimber 2027 ôf, en dy foar systemen dy't feiligenskomponinten binne fan regele produkten ûnder Anneks I fan 2 augustus 2028 ôf. It aparte foarstel foar in AI-oanspraaklikensrjochtline is ynlutsen, sadat oanspraaklikens foar skea feroarsake troch in AI-systeem noch altyd regele wurdt troch gewoane Nederlânske regels oer kontrakt en oanspraaklikens en troch it Europeeske produktoanspraaklikensrezjym.
Foar in datagestuurde organisaasje is de praktyske gefolgen dat de GDPR-analyze hjoed de dei de bindende beheining bliuwt, wylst de AI Act bepaalt hokker dokumintaasje, testen en minsklik tafersjoch itselde systeem nedich hat foar it ein fan it desennium. It apart bouwen fan 'e twa oefeningen duplisearret wurk; it tegearre bouwen net. Us hantliedingen foar de EU AI Act en foar AI-systemen mei hege risiko sette de klassifikaasje en de ferplichtingen yn detail út.
Groepsclaims en skeafergoeding: de boargerlike kant fan it risiko
Boetes troch regeljouwing binne net it ienige bleatstelling, en yn Nederlân binne se miskien net de grutste. De Wet ûntwikkeling massaschade yn kollektive aksje (WAMCA) lit in stifting of feriening dy't foldocht oan strange easken foar bestjoer en finansiering in kollektive aksje foar skeafergoeding ynstelle namens in definieare groep, mei in opt-out-regime foar minsken dy't yn Nederlân wenje. Datagestuurde ferwurking is in fanselssprekkend doelwyt: ien ûntwerpbeslissing beynfloedet elke brûker op deselde wize, wat krekt de homogeniteit is dy't in kollektive aksje nedich hat.
De AVG fersterket dit fan eigen kant. It jout elkenien dy't materiële of immateriële skea hat lijen as gefolch fan in ynbreuk in rjocht op kompensaasje fan 'e ferantwurdlike of ferwurker, en it lit in non-profit organisaasje dy't aktyf is op it mêd fan gegevensbeskerming ta om namens betrokkenen prosedueres oan te spannen, yn guon gefallen sûnder mandaat fan harren. It Hof fan Justysje hat befêstige dat in konsumintebeskermingsferiening op dy basis hannelje kin.
Der is in limyt, en it is in nuttige foar fertochten. It Hof fan Justysje hat bepaald dat in ynbreuk op 'e AVG op himsels gjin rjocht op kompensaasje jout: de klager moat werklike skea en in kausaal ferbân oantoane, hoewol der gjin drompel fan earnst jildt foar net-materiële skea as dy ienris fêststeld is. Yndividuele útkearingen yn 'e Nederlânske praktyk binne dêrom beskieden west, mar de rekkenkunde fan in klasse fan hûnderttûzenen feroaret it byld folslein. Us artikel oer kollektive oanspraken yn gefal fan massaskea beskriuwt hoe't dizze prosedueres ferrinne.
Wa is de ferantwurdlike as de gegevens fan oeral wei komme
Big data-projekten bliuwe selden binnen ien organisaasje. Data wurdt ferrike troch in broker, hosted troch in cloudprovider, skjinmakke troch in analyseburo en ynfierd yn in model levere troch in leveransier, en elk fan dy relaasjes moat korrekt karakterisearre wurde, om't de tawizing fan rollen bepaalt wa't hokker ferplichting draacht en wa't ferantwurding ôfleit oan de tafersjochhâlder.
In ferantwurdlike bepaalt de doelen en middels fan 'e ferwurking; in ferwurker hannelet allinich neffens de dokumintearre ynstruksjes fan 'e ferantwurdlike. Wêr't twa of mear partijen mienskiplik de doelen en middels bepale, binne se mienskiplike ferantwurdliken en moatte se har respektive ferantwurdlikheden yn in regeling fêststelle, yn it bysûnder foar it jaan fan ynformaasje en foar it behanneljen fan oanfragen fan persoanen, dy't yn alle gefallen har rjochten tsjin ien fan har útoefenje kinne. It label dat yn it kontrakt brûkt wurdt, is net beslissend: wat telt is wa't eins beslút wêrom en hoe't de gegevens ferwurke wurde. In leveransier dy't him it rjocht foarbehâldt om jo gegevens te brûken om syn eigen produkt te ferbetterjen, is yn dy mjitte in ferantwurdlike wurden foar syn eigen doelen, hoe't de oerienkomst it ek neamt.
Twa klausules yn leveransierskontrakten fertsjinje spesjale oandacht yn in AI-kontekst. De earste is dejinge dy't de leveransier tastiet om klantynhâld te brûken foar training of foar tsjinstferbettering; as it oanwêzich is, jouwe jo persoanlike gegevens oan in oare ferwurker en hawwe jo in basis en in meidieling nedich foar dy iepenbiering. De twadde is de subferwurkerklausule, om't modelleveransiers faak fertrouwe op fierdere leveransiers en op ynfrastruktuer bûten de Jeropeeske Ekonomyske Gebiet, wat de oerdrachtregels yn it spul bringt. In ferwurkingsoerienkomst dy't it fereaske ûnderwerp behannelt, mar net beskriuwt wat der eins mei de gegevens bart, is fan lyts nut yn in ûndersyk.
Tink derom dat it ferantwurdingsprinsipe de bewiislêst by de ferwurker leit. It is net genôch om te foldwaan oan de regels; jo moatte it oantoane kinne, mei records, beoardielingen en oerienkomsten dy't oerienkomme mei de systemen sa't se eins boud binne.
Wat moat der yn plak set wurde foardat it folgjende projekt begjint
Neilibjen fan 'e regeljouwing foar grutte gegevens wurdt yn 'e ûntwerpfase boud, om't de regeljouwing gegevensbeskerming troch ûntwerp en standert fereasket: passende technyske en organisatoaryske maatregels moatte yntegrearre wurde yn 'e ferwurking sels, en allinich de persoanlike gegevens dy't nedich binne foar elk spesifyk doel meie standert ferwurke wurde. Retrofitting is djoer en meastentiids ûnfolslein.
Fiif dingen meitsje it ferskil yn 'e praktyk. Hâld in oersjoch by fan ferwurkingsaktiviteiten dy't eins de gegevensstreamen efter elk model beskriuwe, ynstee fan de ôfdielingen dy't se hawwe. Beslute en skriuw de wetlike basis foar elke ferwurkingsoperaasje op, ynklusyf de fierdere ferwurking dy't belutsen is by training, en hâld de beoardieling fan legitime belangen derby. Fier de ynfloedbeoardieling út foardat de gegevens wurde gearstald, en rieplachtsje de tafersjochhâldende autoriteit as it oerbleaune risiko heech bliuwt. Stel in gegevensferwurkingsoerienkomst yn mei elke leveransier dy't de gegevens oanrekket, ynklusyf de oanbieders fan it model of it platfoarm, en kontrolearje wat se mei jo gegevens dwaan meie foar har eigen doelen; de easken binne fêstlein yn ús hantlieding foar de gegevensferwurkingsoerienkomst . En kontrolearje wêr't de gegevens hinne geane: oerdrachten bûten de Jeropeeske Ekonomyske Gebiet hawwe in oerdrachtmeganisme nedich ûnder haadstik V fan 'e regeling en in ynfloedbeoardieling fan oerdracht, en de posysje fan yndividuele tredde lannen kin feroarje.
Soargje derfoar dat boppe alles de minsken dy't de modellen bouwe en de minsken dy't it risiko beoardielje oan itselde dokumint wurkje. De fûneminten fan 'e regeljouwing sels binne gearfette yn ús oersjoch fan 'e Algemiene Ferordening Gegevensbeskerming , en de spesifike fragen dy't opkomme troch it ynfoegjen fan persoanlike gegevens yn in AI-systeem, fan automatisearre beslútfoarming oant de rjochten fan 'e minsken dy't der lêst fan hawwe, wurde behannele yn ús begeliedende artikel oer AVG en AI yn Nederlân.
In pear faak stelde fragen
Hokker wetlike basis moatte wy brûke foar it trainen fan in AI-model
Yn de measte kommersjele omjouwings binne it antwurd legitime belangen, stipe troch in skriftlike beoardieling dy't it belang, de needsaak en de ôfwaging behannelet. Tastimming hat de foarkar as de gegevens gefoelich binne of as it gebrûk de belutsen minsken fernuverje soe, mar it moat echt frij en ynlûkber wêze, wat lestich te organisearjen is foar in trainingsset. Needsaak foar in kontrakt omfettet hast nea modelûntwikkeling, om't de training net is wat de klant frege hat. Hokker grûn jo ek kieze, registrearje it foardat de ferwurking begjint: it kiezen fan in basis mei weromwurking wurdt behannele as hielendal gjin basis.
Is de AVG noch fan tapassing as wy de gegevens earst anonymisearje
Allinnich as de anonymisaasje echt wurket. Gegevens binne anonym as opnij identifisearjen net mear ridlik mooglik is foar elkenien, rekken hâldend mei alle middels dy't wierskynlik brûkt wurde sille en oare datasets dy't dermei kombineare wurde kinne. It fuortheljen fan nammen, it ferfangen fan identifikaasjes troch hashes of it aggregearjen nei lytse groepen foldocht meastal net oan dy standert, en it resultaat is pseudonymisearre gegevens, dy't folslein ûnderwurpen bliuwe oan de regeljouwing. Wêr't anonymisaasje de basis is foar it behanneljen fan in projekt as bûten it berik, moat dy konklúzje hifke en dokumintearre wurde, en opnij besjoen wurde as de dataset feroaret.
Kinne wy fertrouwe op 'e ûndersyksútsûndering om klantgegevens opnij te brûken
Selden. Fierdere ferwurking foar wittenskiplike of statistyske doelen wurdt behannele as kompatibel mei it oarspronklike doel, mar de útsûndering is rjochte op ûndersyk útfierd neffens erkende metodologyske noarmen en ûnderwurpen oan befeiligingsmaatregels lykas pseudonymisaasje en tagongsbeperkingen. Produktûntwikkeling of modelferbettering útfierd troch in kommersjele partij foar eigen foardiel wurdt gjin ûndersyk, om't it gegevenswittenskip omfettet. As oan de kompatibiliteitstest op himsels net foldien wurdt, hawwe jo in nije wetlike basis nedich en, yn 'e measte gefallen, nije ynformaasje foar de belutsen persoanen.
Wat bart der as immen syn tastimming ynlûkt nei't in model oplaat is
Ynlûking is fan krêft foar de takomst en makket eardere ferwurking net mei weromwurking ûnwetlik, mar it betsjut wol dat de gegevens net mear op dy basis brûkt wurde meie. Praktysk fereasket dat de mooglikheid om it yndividu út 'e trainingsset en út funksjeopslach en logs te ferwiderjen, en om opnij te trainen of oars te garandearjen dat it model de gegevens fan dy persoan net mear reflektearret as oantoand wurde kin dat dat docht. Dit is ien fan 'e redenen wêrom't tastimming in lestige basis is foar modeltraining, en it is in fraach dy't it wurdich is om te beantwurdzjen yn 'e ûntwerpfaze ynstee fan nei't it earste fersyk binnenkomt.
Hoe Law and More kinne helpe
Law and More advisearret Nederlânske en ynternasjonale organisaasjes oangeande de gegevensbeskermingskant fan analytics en AI: it selektearjen en dokumintearjen fan in wetlike basis, it útfieren fan beoardielingen fan legitime belangen en effektbeoardielingen, it opstellen fan privacyferklearrings en ferwurkingsoerienkomsten dy't kontrôle oerlibje, it reagearjen op de Autoriteit Persoonsgegevens, en it ferdigenjen fan oanspraken yntsjinne troch yndividuen of troch fertsjintwurdigjende stiftingen. As jo in datagestuurd projekt planne of in tafersjochhâlder al kontakt mei jo hân hat, sjogge wy it dossier graach mei jo.
