关于 ai-privacy-inference
面向需要依据 GDPR 和欧盟《人工智能法案》治理个人 AI 推断的团队，提供参考指南，涵盖分类、画像、准确性、透明度与生命周期控制。
主要功能
- 01分类衍生及推断个人数据
- 02评估画像与第 22 条决策
- 03制定推断准确性控制
- 04梳理透明度披露要求
- 05定义推断登记与生命周期控制
适用场景
- 01判断 AI 预测是否属于个人数据
- 02评估特殊类别推断与画像风险
- 03制定准确性及更正流程
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/ai-privacy-inference确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
assets/template.mdreferences/standards.mdworkflows.mdscripts/process.py详细介绍
AI 隐私推断与派生数据
概述
AI 系统会定期生成关于个人的推断——例如对信用状况、健康风险、人格特征、政治观点或行为模式的预测，而这些信息从未由数据主体直接提供。这些 AI 派生的推断引发了关键的隐私问题：推断是否属于个人数据？推断何时构成 GDPR 第 22 条所指的画像？AI 预测适用哪些准确性义务？数据主体能否访问、更正或反对关于自己的推断？CJEU、EDPB 和各国 DPA 逐步明确：如果推断与已识别或可识别的个人有关，就属于个人数据；GDPR 权利也适用于派生数据和推断数据。Cerebrum AI Labs 必须对其 AI 系统生成的所有个人推断进行分类和治理，并确保相关透明度。
AI 推断的法律框架
何时推断属于个人数据
| 标准 | 分析 | 示例 |
|---|---|---|
| 与已识别的个人有关 | 推断与特定客户记录或用户档案相关联 | “客户 C-12345 的流失概率为 78%” |
| 与可识别的个人有关 | 推断可通过与其他数据结合关联到某个人 | “持有会话令牌 X-789 的用户可能为 25-34 岁” |
| 用于评估某个人 | 推断用于评估、分类某人或对其作出决定 | 根据交易模式得出的信用评分 |
| 对某个人产生影响 | 推断会影响对该个人的对待方式或其可选择的选项 | 根据预测的健康风险调整保险费 |
CJEU C-434/16（Nowak，2017）：个人数据包括与数据主体有关的“任何信息”——这不仅包括个人直接提供的事实数据，也包括意见、评估和推断。
EDPB《社交媒体用户定向指南 8/2020》：推断数据（控制者通过观察或推导创建的数据）属于个人数据，受 GDPR 全部权利范围的约束。
GDPR 对推断类型的分类
| 推断类型 | 分类 | GDPR 影响 |
|---|---|---|
| 观察数据 | 通过直接互动收集的数据（浏览历史、购买记录） | 普通个人数据——须具备第 6 条规定的合法依据 |
| 派生数据 | 控制者通过对现有数据进行计算而创建的数据（信用评分、风险评级） | 个人数据——适用访问、更正和反对权 |
| 推断数据 | 对未直接观察到的特征进行概率预测（人格、健康风险） | 个人数据——如果预测的是第 9 条所述特征，则可能属于特殊类别 |
| 汇总数据 | 群体层面的统计结果，与个人无关 | 如果真正匿名（已验证 k-匿名性），则不属于个人数据 |
推断成为特殊类别数据时
| 预测特征 | 第 9 条类别 | 触发条件 |
|---|---|---|
| 根据姓名／地点模式推断族裔 | 种族或族裔出身 | 任何关于族裔背景的推断，即使是概率性的 |
| 根据内容互动推断政治倾向 | 政治观点 | 使用预测结果根据政治立场进行分类或定向 |
| 根据购买模式推断宗教信仰 | 宗教信仰 | 清真／犹太洁食购买评分、祷告时间活动模式 |
| 根据行为信号推断健康状况 | 健康数据 | 根据步数减少预测抑郁症、分析打字模式 |
| 根据浏览／社交数据推断性取向 | 性取向 | 任何关于性取向的推断，无论准确与否 |
| 根据购买模式变化推断怀孕 | 健康数据 + 性别 | 通过购买类别分析预测怀孕状态 |
Cerebrum AI Labs 政策：任何预测、估算或分类第 9 条特征的推断——即使是间接或概率性的——都必须视为特殊类别数据，处理时需要符合第 9(2) 条规定的条件。
GDPR 第 22 条下的画像分析
画像分析的定义（第 4(4) 条）
画像分析是指对个人数据进行的任何形式的自动化处理，其内容包括使用个人数据评估与自然人有关的某些个人方面，尤其是分析或预测以下方面：
- 工作表现
- 经济状况
- 健康
- 个人偏好
- 兴趣
- 可靠性
- 行为
- 位置
- 活动轨迹
三级框架
| 级别 | 描述 | GDPR 要求 | Cerebrum AI Labs 示例 |
|---|---|---|---|
| 仅进行画像分析 | 自动化评估，不涉及决策 | 第 6 条规定的合法依据 + 第 13-14 条规定的透明度 | 为分析仪表板进行客户细分 |
| 画像分析 + 人工决策 | 自动化评估为人工决策者提供参考 | 第 6 条规定的合法依据 + 透明度 + 有意义的人工参与 | 由贷款专员审核的信用风险评分 |
| 完全自动化决策且具有法律或重大影响 | 在没有有意义的人工参与的情况下作出的自动化决策，产生法律影响或类似重大影响 | 适用第 22(1) 条的禁令——必须符合第 22(2) 条规定的例外情形 | 完全依据 AI 信用评分自动拒绝贷款 |
允许完全自动化决策的第 22(2) 条例外情形
| 例外情形 | 要求 | Cerebrum AI Labs 的适用情况 |
|---|---|---|
| 第 22(2)(a) 条 — 合同 | 决策对于订立或履行合同是必要的 | 为现有客户自动进行信用预审批 |
| 第 22(2)(b) 条 — 法律 | 经欧盟或成员国法律授权，并设有适当保障措施 | 法规要求进行的欺诈筛查 |
| 第 22(2)(c) 条 — 明确同意 | 已取得数据主体的明确同意 | 客户选择加入自动投资组合再平衡服务 |
所需保障措施（第 22(3) 条）
| 保障措施 | Cerebrum AI Labs 的实施方式 |
|---|---|
| 要求人工介入的权利 | 客户门户中的升级按钮会将请求转交给经过培训的人工审核员，并在 2 个工作日内处理 |
| 表达观点的权利 | 客户可在人工审核前通过异议表单提交补充背景信息 |
| 对决策提出异议的权利 | 由独立审查小组处理申诉；若证实存在 AI 错误，则撤销决策 |
| 获得解释的权利 | 使用 SHAP 值生成个性化解释，展示影响 AI 决策的前 5 项因素 |
推断准确性与质量义务
GDPR 第 5(1)(d) 条 — 准确性原则
AI 推断必须准确，并在必要时保持最新。对于概率预测，这意味着：
| 义务 | 实施方式 |
|---|---|
| 准确性衡量 | 按人口统计群体跟踪预测准确性指标（精确率、召回率、F1） |
| 置信度阈值 | 对置信度低于 70% 的推断，未经人工审核不得作为可执行依据提供 |
| 过时检测 | 在底层数据发生变化时重新评估推断；标记超过 90 天的推断 |
| 准确性披露 | 告知数据主体推断具有概率性质及其已知准确性 |
| 推断的更正 | 允许数据主体质疑推断；如果输入数据得到更正，则重新生成推断 |
EDPB 对推断准确性的立场
EDPB《自动化决策指南》（WP 251 rev.01）指出，控制者必须：
- 使用适当的数学或统计程序进行画像分析
- 实施适当的技术和组织措施，将错误风险降至最低
- 更正不准确之处，并允许进行更正
- 保护个人数据，防止产生歧视性影响
AI 推断的透明度要求
第 13-14 条信息要求
| 信息 | 要求 | Cerebrum AI Labs 的实施方式 |
|---|---|---|
| 是否进行画像分析 | 告知数据主体正在进行画像分析 | 隐私声明章节：“我们如何使用 AI 分析您的数据” |
| 所涉及的逻辑 | 提供有关所涉及逻辑的有意义信息 | 技术说明：“我们的 AI 会分析您的交易模式、账户年限和产品使用情况，以预测服务需求” |
| 重要性 | 此类处理可能产生的后果 | “此分析可能影响向您展示的产品和优惠，并可能影响信贷决策” |
| 所用数据类别 | 哪些数据用于生成推断 | “我们使用：交易历史、账户年限、持有的产品、服务互动记录” |
| 推断结果 | 生成哪些推断 | “我们生成：流失概率、产品偏好评分、信用风险指标” |
AI Act 透明度要求
| 义务 | AI Act 条款 | Cerebrum AI Labs 的实施方式 |
|---|---|---|
| 告知用户其正在与 AI 互动 | 第 52(1) 条 | 聊天界面声明：“您正在与 AI 助手互动” |
| 披露 AI 生成的内容 | 第 52(3) 条 | 在输出中标记：“此建议由 AI 生成” |
| 披露情绪识别 | 第 52(2) 条 | 不适用 — Cerebrum AI Labs 不使用情绪识别 |
| 高风险系统部署者的透明度 | 第 13 条 | 应监管机构要求提供技术文档 |
推断治理框架
Cerebrum AI Labs 推断登记册
所有会生成关于个人的推断的 AI 系统都必须登记在 Cerebrum AI Labs 推断登记册中：
| 登记字段 | 描述 |
|---|---|
| 系统 ID | AI 系统的唯一标识符 |
| 推断类型 | 所生成推断的类别（行为、人口统计、财务、健康） |
| 受影响的数据主体 | 被画像个人的类别和大致数量 |
| 输入特征 | 用于生成推断的数据元素 |
| 输出格式 | 推断输出（分数、类别、概率、排名） |
| 准确性指标 | 按人口统计群体划分的最新精确率、召回率、F1 |
| 保留期限 | 删除前推断的存储时长 |
| 第 22 条评估 | 推断是否会用于完全自动化的决策 |
| 合法依据 | 生成推断的第 6 条及（如适用）第 9 条依据 |
| DPIA 参考 | 关联的 DPIA 文档 ID |
推断生命周期控制
| 阶段 | 控制措施 |
|---|---|
| 生成 | 记录所有推断，并注明时间戳、模型版本、置信度分数和输入数据哈希值 |
| 存储 | 加密推断结果；应用访问控制，限制可读取个人级推断的人员 |
| 使用 | 跟踪推断结果的下游使用情况；防止用途超出已记录的目的 |
| 披露 | 应数据主体要求向其提供推断结果（第 15 条访问权） |
| 更正 | 如果底层数据得到更正，则标记依赖该数据的推断，以便重新生成 |
| 删除 | 按照保留计划删除推断结果（运营数据保留 90 天，审计数据保留 12 个月） |
执法与监管先例
- CJEU C-634/21（SCHUFA，2023）：CJEU 裁定，如果某私营实体生成的信用评分在第三方随后作出的决定中起决定性作用，则该行为构成第 22 条所指的“自动化个人决策”。这意味着，即使 AI 提供方并非最终决策者，其生成的分数若用于下游决策，也可能触发第 22 条的保护。
- 奥地利 DPA——案件 DSB-D550.038（2022）：认定，从社交媒体活动推断出的政治观点属于第 9 条规定的特殊类别数据，即使该推断具有概率性且可能不准确。
- 挪威 DPA——Grindr 决定（2021）：因分享可用于推断性取向的数据而处以 6,500 万挪威克朗罚款。该决定确立了可用于推断第 9 条所列特征的数据本身也属于特殊类别数据。
- CNIL——Clearview AI（2022）：因认定从公开照片生成的生物识别推断（人脸嵌入）属于受 GDPR 全面合规要求约束的个人数据，处以 2,000 万欧元罚款。
关键法律参考
- GDPR 第 4(4) 条——画像的定义
- GDPR 第 5(1)(d) 条——准确性原则
- GDPR 第 13(2)(f) 条——了解画像逻辑及其重要性的权利
- GDPR 第 15(1)(h) 条——访问画像信息的权利
- GDPR 第 22 条——包括画像在内的自动化个人决策
- GDPR 序言第 71 条——画像和自动化决策的保障措施
- GDPR 序言第 72 条——画像指南
- CJEU C-434/16（Nowak，2017）——对个人数据的广义解释，包括评估
- CJEU C-634/21（SCHUFA，2023）——将信用评分视为自动化决策
- EDPB 自动化决策指南（WP 251 rev.01）——对第 22 条的解释
- EDPB 关于社交媒体用户定向的第 8/2020 号指南——推断数据属于个人数据
- EU AI Act 第 52 条——AI 系统的透明度义务
- EU AI Act 第 14 条——高风险 AI 系统的人类监督
评论
支持 Markdown