Många verksamheter inom innovation, som till exempel utveckling av AI, särskilt maskininlärning, kräver stora mängder data, vilket kan medföra särskilda svårigheter att leva upp till principen om uppgiftminimering. Vid utveckling av AI blir modellen som regel mer statistiskt korrekt ju mer data den tränas på. Riskerna för enskilda ökar dock när fler individers personuppgifter behandlas, eller vid behandling av fler personuppgifter om varje individ.
Det är viktigt att organisationer som behandlar stora mängder data tänker igenom vilka personuppgifter och hur många som verkligen behövs för ändamålen.
Principen om uppgiftsminimering står dock inte alltid i motsats till behoven i verksamheten. Det gäller till exempel vid utveckling av AI. För att säkerställa att AI-modellen är statistiskt korrekt och inte diskriminerande är det viktigt att modellen tränas på relevanta personuppgifter. Att fundera på vilka uppgifter som verkligen är relevanta för ändamålet är alltså viktigt både för att minska risken för enskilda, men också för att AI-modellen ska bli så statistiskt korrekt som möjligt.
Checklista
Uppgiftsminimering och AI
-
1
Använd endast nödvändiga personuppgifter
Kartlägg vilka personuppgifter ni behöver för att träna AI, och ta bort de uppgifter som inte behövs
-
2
Radera uppgifter som inte längre behövs
Personuppgifter som behövs för att träna en AI-tjänst ska raderas så snart ändamålet är uppfyllt, om personuppgifterna inte längre behövs för något annat lagligt ändamål.
-
3
Kan ni använda integritetshöjande teknik?
Fundera på om ni kan använda integritetshöjande teknik, till exempel pseudonymisera uppgifter.