Pēdējo reizi pārskatīts 2026. gada 5. novembrī, salīdzinot ar šajā ierakstā norādītajiem avotiem.
Datu aizsardzības apmācība darbiniekiem ir visefektīvākā, ja tā atbilst darbam, un analītiķi apstrādā vairāk personas datu nekā vairums citu. Eiropas Datu aizsardzības kolēģija ziņo, ka valstu iestādes 2025. gadā piemēroja sodus 1.15 miljardu eiro apmērā , kas parāda, cik nopietni regulatori Eiropā izturas pret to, kā organizācijas apstrādā personas datus. Analītiķa darba nedēļas riski ir ikdienas: tabulas eksportēšana uz izklājlapu vai tās daļas ielīmēšana mākslīgā intelekta palīgā.
Šis ir 9 gatavu kursu saraksts datu vadītājiem un BI vadītājiem, kuri nosaka noteikumus savām komandām. Tie aptver klasifikāciju, personas datus, datu koplietošanu ar mākslīgā intelekta rīkiem un drošības paradumus, kas aizsargā noliktavu. Katrā ierakstā ir norādīts, ko kurss aptver, kāpēc tas ir nepieciešams analītiķim un ko telpa dara sesijas laikā. Katra grupa beidzas ar mūsu izvēli . Pēc saraksta seko ieviešanas secība un veids, kā vadīt kursus vietnē AhaSlides.
Visi 9 kursi īsumā
| kurss | Ko tas aptver | Garums | Organizācijas juridisks pienākums? |
|---|---|---|---|
| Datu klasifikācija un apstrāde | Lēmums par to, kas var atstāt noliktavu vai informācijas paneli | 25 min | Šeit nav norādīts pienākums |
| Personas datu apstrāde ikdienā | Piekrišana, datu samazināšana, saglabāšana un kopīgošana | 40 min | Šeit nav norādīts pienākums |
| Jūsu dati un mākslīgā intelekta rīki | Ko var un ko nevar ielīmēt mākslīgā intelekta rīkos | 30 min | Šeit nav norādīts pienākums |
| Ģeneratīvā mākslīgā intelekta droša izmantošana | Datu noplūdes, ēnu mākslīgais intelekts un mākslīgā intelekta iespējoti uzbrukumi | 35 min | Šeit nav norādīts pienākums |
| Mākslīgā intelekta drošība ikvienam | Ēnu mākslīgais intelekts, tūlītēja injekcija un manipulētas izejas | 30 min | Šeit nav norādīts pienākums |
| Drošības izpratnes pamati | Pamata paradumi cilvēkiem ar plašu piekļuvi | 35 min | Šeit nav norādīts pienākums |
| Pikšķerēšana un sociālā inženierija | Pikšķerēšanas atklāšana un ziņošana par to | 30 min | Šeit nav norādīts pienākums |
| Paroles, piekļuves atslēgas un daudzfaktoru autentifikācija | Droša pieteikšanās datu rīkiem | 30 min | Šeit nav norādīts pienākums |
| Sociālā inženierija, krāpšana un dziļviltojumi | Viltus pieprasījumi pa tālruni, maksājumi un uzdošanās par citu personu | 35 min | Šeit nav norādīts pienākums |
Datu klasifikācija un personas dati
Datu klasifikācija un apstrāde
Analītiķiem ir nepieciešami klasifikācijas noteikumi, lai izlemtu, kas var tikt atstāts noliktavā, informācijas panelī vai koplietojamā diskā. Šajā kursā ir aprakstīts, kā marķēt datus un ko katra etiķete atļauj. Nodarbības laikā veiciet “Pick Answer” viktorīnu ar piecām parauga kolonnām, piemēram, pasta indeksu, amata nosaukumu un algas numuru, un pajautājiet telpas dalībniekiem, kādu etiķeti katra saņem. Domstarpības parāda, kur jūsu pašu noteikumi ir neskaidri.
Personas datu apstrāde ikdienā
Šajā kursā piekrišanas, minimizācijas, saglabāšanas un koplietošanas noteikumi tiek piemēroti ikdienas datu darbam. Eiropas Komisija datu minimizēšanu raksturo kā principu, ka organizācijai ir jāvāc un jāapstrādā tikai tie personas dati, kas nepieciešami tās mērķim, un šis ir ieradums, ko analītiķi var praktizēt katrā vaicājumā. Sesijas laikā parādiet pieprasījumu "visiem klientu laukiem" un izmantojiet vārdu mākoni, lai pajautātu, kuri lauki ir nepieciešami analīzei.
Mūsu izvēle: Personas datu apstrāde ikdienā. Datu kopas minimizēšana ir prasme, ko analītiķi izmanto katru dienu, un Word Cloud vingrinājums padara šo ieradumu redzamu dažu minūšu laikā.
Mākslīgais intelekts un datu koplietošana
Jūsu dati un mākslīgā intelekta rīki
Šis kurss nosaka skaidras robežas tam, ko analītiķis drīkst ielīmēt mākslīgā intelekta rīkā, un kas paliek ārpusē, neatkarīgi no rīka solījumiem. Sesijas laikā sniedziet auditorijai četrus fragmentus, tostarp vārdu tabulu un vaicājumu bez personas datiem, un veiciet aptauju ar “Pick Answer”: ielīmēt, maskēt vai nekad? Salīdziniet balsis ar savu pieņemamās lietošanas politiku un izlabojiet to pusi, kura ir nepareiza.
Ģeneratīvā mākslīgā intelekta droša izmantošana
Šajā kursā ir aplūkotas datu noplūdes un ēnu mākslīgais intelekts, kad analītiķi izmanto ģeneratīvus rīkus datu kopām, tostarp uzbrukumi, kuros mākslīgais intelekts tiek vērsts pret analītiķi. Tas ir svarīgi, jo ātrākais rīks bieži vien ir tāds, ko neviens nav apstiprinājis. Sesijas laikā uzdodiet atvērta tipa jautājumu: "Kuru mākslīgā intelekta rīku esat izmantojis darbam, ko IT nav apstiprinājis?" Anonīmas atbildes norāda, ko cilvēki izmanto.
Mākslīgā intelekta drošība ikvienam
Ātra injekcija un manipulētas izvades var sabojāt analīzi vai atklāt datus, ja analītiķis izmanto mākslīgā intelekta palīgu dokumentiem ārpus uzņēmuma. Šajā kursā ir aplūkota ēnu mākslīgā intelekta, ātra injekcija un mākslīgā intelekta atbildes pārbaude. Sesijas laikā parādiet bojātu dokumentu un, izmantojot vērtēšanas skalu, pajautājiet, cik liela ir iespēja, ka telpa to būtu atklājusi.
Mūsu izvēle: jūsu dati un mākslīgā intelekta rīki. Tas pārvērš neskaidru politiku četros konkrētos “jā” vai “nē” lēmumos, ko analītiķis izdara katru nedēļu.
Drošības pamati un krāpšana
Drošības izpratnes pamati
Ikviens, kam ir plaša piekļuve datiem, ir vērtīgs uzņēmums, tāpēc analītiķiem pamata ieradumi ir svarīgāki nekā lielākajai daļai amatu. Kurss aptver ikdienas drošības uzvedību, kas jāievieš katram darbiniekam. Sesijas laikā veiciet īsu testu reālistiskā dienā: USB zibatmiņa autostāvvietā, koplietota parole, kafejnīcā atstāts klēpjdators.
Pikšķerēšana un sociālā inženierija
Analītiķi ar piekļuvi noliktavai ir galvenie pikšķerēšanas mērķi, jo viens nozagts pieteikšanās vārds var atvērt daudzas tabulas. Šajā kursā tiek mācīts, kā atpazīt un ziņot par pikšķerēšanu un sociālo inženieriju. Sesijas laikā parādiet trīs e-pastus un veiciet “Pick Answer” aptauju, lai noteiktu, kurš no tiem ir viltots, un pēc tam apspriediet, kā katrs no tiem varētu nonākt analītiķa iesūtnē.
Paroles, piekļuves atslēgas un daudzfaktoru autentifikācija
Spēcīga autentifikācija aizsargā datu kopas un BI rīkus, ko analītiķi izmanto katru dienu. Kursā tiek aplūkotas paroles, piekļuves atslēgas un daudzfaktoru autentifikācija darbiniekiem. Sesijas laikā novērtējiet klātesošos, izmantojot vērtēšanas skalu, cik pārliecināti viņi ir, ka viņu datu rīki izmanto daudzfaktoru pierakstīšanos, un uzskaitiet rīkus ar viszemāko vērtējumu.
Sociālā inženierija, krāpšana un dziļviltojumi
Viltus datu eksportēšanas un maksājumu pieprasījumi ir izplatītas krāpniecības, kas saistītas ar personības izlikšanos, un pārliecinošu balsi vai ziņojumu tagad ir viegli viltot. Šajā kursā ir aplūkotas krāpniecības, kas saistītas ar telefona zvaniem, maksājumiem un personības izlikšanos, kā arī ieradums veikt verifikāciju otrajā kanālā. Nodarbības laikā izspēlējiet īsu scenāriju, kurā "direktors" lūdz steidzamu eksportu, un aptaujājiet klātesošos, vai viņi to nosūtītu.
Mūsu izvēle: paroles, piekļuves atslēgas un daudzfaktoru autentifikācija. Viena kontrole aizsargā katru sarakstā iekļauto rīku, un vērtēšanas skalas vingrinājums sniedz jums rīku trūkumu sarakstu.
Kā ieviest plānu
Sāciet ar datu pamatiem: klasifikāciju un ikdienas personas datu apstrādi, kā arī visu, kas jau ir nepieciešams jūsu organizācijai. Pēc tam pievienojiet mākslīgā intelekta kursus, jo tieši tur jauni ieradumi veidojas visātrāk. Pabeidziet ar drošības apmācību atsvaidzināšanu katru gadu un pievienojiet savas valsts vai štata noteikumus, kuros strādā jūsu komandas.
Katras sesijas pamatā jābūt vienam un tam pašam faktam. Saskaņā ar EDAK datiem, valstu datu aizsardzības iestādes 2025. gadā piesprieda naudas sodus 1.15 miljardu eiro apmērā . Komisijas lapā par GDPR principiem ir uzskaitīti septiņi principi, tostarp likumība, mērķa ierobežojums, datu minimizēšana un glabāšanas ierobežojums starp noteikumiem, ko organizācijas ievēro, tāpēc veiciet datētu uzskaiti par to, kurš pabeidza kuru kursu un kādi bija uzdotie jautājumi.
Ja jūsu komanda aptver arī visa uzņēmuma datu aizsardzību, datu aizsardzības speciālista kursu sarakstā ir sīkāk aplūkoti GDPR un CCPA pienākumi. Analītiķi, kas raksta kodu, vairāk informācijas atradīs ierakstā par drošības apmācību izstrādātājiem , savukārt darbinieku AI apmācības ceļvedī ir aplūkota plašāka AI ieviešana.
Veidi, kā vadīt šos kursus vietnē AhaSlides
Jūs varat piedāvāt visus 9 trīs formātos:
- Pašmācības kursi. Izmantojiet AhaSlides kursa veidotāju, lai katram analītiķim piešķirtu kursu, kas jāpabeidz.
- Tiešraides jautājumu un atbilžu panelis. Pirms sesijas apkopojiet jautājumus par reāliem datu kopumiem un pēc tam atbildiet uz tiem telpā.
- Aptaujas pirms un pēc. Izmēriet, kas mainījās vienas un tās pašas sesijas laikā.
Lielāko daļu darba veic četri slaidu veidi:
- Izvēlies atbildi. Pajautājiet: "Kolēģis lūdz klientam eksportēt failu ātrai pārbaudei. Kopīgot, maskēt vai noraidīt?" Pirms atbildes atklāšanas parādiet sadalījumu.
- Vārdu mākonis. Pajautājiet: "Kuras jomas ir nepieciešamas šai analīzei?" Lielākie vārdi parāda, pie kā cilvēki ķeras vispirms.
- Vērtēšanas skala. Pirms un pēc uzdevuma pajautājiet: "Cik pārliecināts jūs esat par to, ko varat ielīmēt mākslīgā intelekta rīkā?" Novērtējiet skalā no 1 līdz 5 un salīdziniet vidējos rādītājus.
- Atvērts termiņš. Pajautājiet: "Kur šis datu kopums varētu noplūst, nevienam nepamanot?" Atbildes var būt anonīmas, lai cilvēki varētu pateikt savu viedokli.
FAQ
Kāda apmācība ir nepieciešama datu analītiķiem?
Papildus tehniskajām prasmēm analītiķiem ir nepieciešama apmācība datu privātuma, klasifikācijas un drošas apstrādes jomā. Iepriekš minētie 9 kursi ir sagrupēti šādā veidā, un mākslīgā intelekta rīku izmantošana ir atsevišķa grupa.
Vai datu analītiķi var izmantot mākslīgā intelekta rīkus uzņēmuma datiem?
Tikai jūsu organizācijas politikas ietvaros un nekad attiecībā uz personas vai konfidenciāliem datiem rīkos, ko neviens nav apstiprinājis. Šajā ierakstā nav atsauces uz likumu par šo jautājumu, tāpēc lēmumu pieņem jūsu pieņemamās lietošanas politika un jūsu datu aizsardzības vadītājs.
Kas ir datu minimizācija?
Tas nozīmē izmantot tikai tādus personas datus, kas nepieciešami noteiktam mērķim. Eiropas Komisija to definē kā tikai tādu personas datu vākšanu un apstrādi, kas nepieciešami šī mērķa sasniegšanai.
Kam uzņēmumā pieder dati?
Nav viena noteikuma, tāpēc pārbaudiet savu pārvaldības politiku. Bieži sastopama sistēma ir tāda, ka datu īpašnieks ir atbildīgs par to, kā datu kopa tiek izmantota un aizsargāta, savukārt analītiķi un pārvaldnieki ar to strādā.
Šī ziņa ir vispārīga informācija, nevis juridiska konsultācija. Lai pieņemtu lēmumu par savu darba vietu, konsultējieties ar kvalificētu juristu vai regulatoru.
