Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

GDPR και Προστασία Δεδομένων με το OpenAI

Μάθημα 13 / 14 Ενημερώθηκε 28 Ιουλίου 2026 Προχωρημένος
Σε αυτήν τη σελίδα
  1. Τεχνητή Νοημοσύνη και GDPR: Ένα Αδιαπραγμάτευτο Πλαίσιο
  2. Επτά Αρχές, Προσαρμοσμένες για ένα Σύστημα LLM
  3. Ελαχιστοποίηση: Το Μέτρο που Λύνει τα Περισσότερα Προβλήματα
  4. Διαμόρφωση της Υπηρεσίας και Συλλογή Συναίνεσης
  5. Ανταπόκριση σε Αιτήματα Υποκειμένων Δεδομένων
  6. Τυποποίηση της Εκτίμησης Επιπτώσεων
  7. Βασικά σημεία

Τεχνητή Νοημοσύνη και GDPR: Ένα Αδιαπραγμάτευτο Πλαίσιο

Ο Γενικός Κανονισμός για την Προστασία Δεδομένων (GDPR) εφαρμόζεται σε κάθε εφαρμογή που επεξεργάζεται προσωπικά δεδομένα κατοίκων της Ευρώπης—συμπεριλαμβανομένων των εφαρμογών που βασίζονται σε μεγάλα γλωσσικά μοντέλα (LLMs). Δεν υπάρχουν εξαιρέσεις για την τεχνητή νοημοσύνη. Αυτό συχνά μπερδεύει τις τεχνικές ομάδες: αναζητούν κανονισμούς ειδικούς για την ΤΝ, όταν το ισχύον κείμενο υπάρχει εδώ και χρόνια και δεν έχει αλλάξει. Το 2026, οι ενέργειες επιβολής στοχεύουν όλο και περισσότερο τα συστήματα ΤΝ. Η χρήση των API του OpenAI σε αυτό το πλαίσιο σημαίνει λιγότερο την εκμάθηση νέου δικαίου και περισσότερο τη μετάφραση γνωστών νομικών απαιτήσεων σε μια νέα αρχιτεκτονική.

Επτά Αρχές, Προσαρμοσμένες για ένα Σύστημα LLM

Το GDPR βασίζεται σε επτά θεμελιώδεις αρχές, καθεμία από τις οποίες αποκτά συγκεκριμένο νόημα όταν ένα γλωσσικό μοντέλο εισέρχεται στην αλυσίδα επεξεργασίας.

Αρχή Εφαρμογή στην ΤΝ
Νομιμότητα Νομική βάση για την αποστολή δεδομένων στο API (συναίνεση, έννομο συμφέρον, σύμβαση)
Ελαχιστοποίηση Δεδομένων Αποστολή μόνο των δεδομένων που είναι αυστηρώς απαραίτητα για το μοντέλο
Περιορισμός Σκοπού Τα δεδομένα που αποστέλλονται πρέπει να εξυπηρετούν μόνο τον δηλωμένο σκοπό
Ακρίβεια Οι έξοδοι του μοντέλου μπορεί να είναι ανακριβείς—ενημερώστε τον χρήστη
Περιορισμός Αποθήκευσης Ελέγξτε την πολιτική διατήρησης του OpenAI και διαγράψτε τα δεδομένα στην πλευρά του πελάτη
Ασφάλεια Κρυπτογράφηση κατά τη μεταφορά, έλεγχος πρόσβασης, έλεγχος αρχείων καταγραφής
Λογοδοσία Τεκμηριώστε τις επιλογές σας και να είστε σε θέση να αποδείξετε τη συμμόρφωση

Δύο αρχές αιφνιδιάζουν συχνά τις ομάδες. Πρώτον, η ακρίβεια: αυτό μετατρέπει τις «παραισθήσεις» (hallucinations) από θέμα ποιότητας σε κανονιστικό ζήτημα. Όταν ένα μοντέλο παράγει ψευδείς πληροφορίες για ένα ταυτοποιημένο πρόσωπο, το άτομο αυτό έχει δικαίωμα διόρθωσης. Δεύτερον, η λογοδοσία: η συμμόρφωση δεν αρκεί—πρέπει να μπορείτε να την αποδείξετε. Αυτό μετατρέπει την τεκμηρίωση από βέλτιστη πρακτική σε νομική υποχρέωση.

Ελαχιστοποίηση: Το Μέτρο που Λύνει τα Περισσότερα Προβλήματα

Από όλα τα διαθέσιμα μέτρα, η ψευδωνυμοποίηση πριν από την αποστολή δεδομένων προσφέρει την καλύτερη ισορροπία μεταξύ προσπάθειας και μείωσης του κινδύνου. Η λογική είναι απλή: ό,τι δεν εγκαταλείπει ποτέ το σύστημά σας δεν μπορεί να διαρρεύσει σε υπεργολάβο, δεν μπορεί να εγείρει ερωτήματα κατά τις μεταφορές εκτός ΕΕ και δεν θα περιπλέξει τα αιτήματα διαγραφής.

Ο παρακάτω μηχανισμός αντικαθιστά κάθε στοιχείο ταυτοποίησης με ένα σταθερό διακριτικό (token), διατηρεί την αντιστοίχιση στην τοπική μνήμη και επαναφέρει τις αρχικές τιμές στην απάντηση. Ο τελικός χρήστης βλέπει «κ. Ντυπόν», το μοντέλο βλέπει μόνο «[PERSON_1]» και η λειτουργία της υπηρεσίας παραμένει πλήρως άθικτη—ο βοηθός μπορεί ακόμα να συντάξει την απάντησή του επειδή δεν χρειάστηκε ποτέ το πραγματικό επώνυμο.

Το σχόλιο σχετικά με τα ονόματα δεν είναι διακοσμητικό: το μοτίβο συλλαμβάνει μόνο μορφές που προηγούνται τίτλου. Ένα γυμνό όνομα θα διαφύγει. Στην παραγωγή, ένα μοντέλο αναγνώρισης ονομαστικών οντοτήτων (NER) αναλαμβάνει, και η ύπαρξη αυτής της προειδοποίησης ρητά στον κώδικα είναι προτιμότερη από την ψευδή αυτοπεποίθηση.

import re

class DataMinimizer:
    """Ανωνυμοποιεί τα προσωπικά δεδομένα πριν την αποστολή στο API."""

    def __init__(self):
        self.mappings: dict[str, str] = {}
        self.counter = 0

    def anonymize(self, text: str) -> str:
        """Αντικαθιστά τα προσωπικά δεδομένα με θέσεις κράτησης."""
        # Emails
        text = re.sub(
            r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}",
            lambda m: self._replace(m.group(), "EMAIL"),
            text,
        )
        # Γαλλικοί αριθμοί τηλεφώνου
        text = re.sub(
            r"(?:0|\+33)[1-9](?:[\s.-]?\d{2}){4}",
            lambda m: self._replace(m.group(), "PHONE"),
            text,
        )
        # Ονόματα (απλοποιημένο μοτίβο—χρησιμοποιήστε NER στην παραγωγή)
        text = re.sub(
            r"\b(Mr\.|Ms\.|Dr\.)\s+[A-Z][a-zéèêë]+\s+[A-Z][a-zéèêë]+\b",
            lambda m: self._replace(m.group(), "PERSON"),
            text,
        )
        # IBAN
        text = re.sub(
            r"\b[A-Z]{2}\d{2}\s?\d{4}\s?\d{4}\s?\d{4}\s?\d{4}\s?\d{0,4}\b",
            lambda m: self._replace(m.group(), "IBAN"),
            text,
        )
        return text

    def _replace(self, value: str, type_: str) -> str:
        if value not in self.mappings:
            self.counter += 1
            self.mappings[value] = f"[{type_}_{self.counter}]"
        return self.mappings[value]

    def deanonymize(self, text: str) -> str:
        """Επαναφέρει τα αρχικά δεδομένα στην απάντηση."""
        reverse = {v: k for k, v in self.mappings.items()}
        for placeholder, original in reverse.items():
            text = text.replace(placeholder, original)
        return text

# Χρήση
minimizer = DataMinimizer()

original_message = "Mr. Dupont ([email protected], 06 12 34 56 78) requests a refund."
anonymized_message = minimizer.anonymize(original_message)
print(f"Sent to API: {anonymized_message}")
# "[PERSON_1] ([EMAIL_1], [PHONE_1]) requests a refund."

# Μετά την απάντηση του μοντέλου
model_response = "The file for [PERSON_1] has been processed. An email was sent to [EMAIL_1]."
final_response = minimizer.deanonymize(model_response)
print(f"Final response: {final_response}")

Διαμόρφωση της Υπηρεσίας και Συλλογή Συναίνεσης

Στην πλευρά του παρόχου, γνωρίστε αυτόν τον κανόνα: τα δεδομένα που αποστέλλονται μέσω του API δεν χρησιμοποιούνται για εκπαίδευση από προεπιλογή, σε αντίθεση με ό,τι πολλοί υποθέτουν κατ’ αναλογία με τις διεπαφές καταναλωτών. Αυτό δεν σας απαλλάσσει από την υποχρέωση να ελέγξετε τις ρυθμίσεις του οργανισμού σας στην πλατφόρμα και να τεκμηριώσετε αυτή την επαλήθευση.

from openai import OpenAI

# Με το API, τα δεδομένα σας ΔΕΝ χρησιμοποιούνται για εκπαίδευση από προεπιλογή
# Αλλά επαληθεύστε τις ρυθμίσεις του οργανισμού σας στο platform.openai.com

client = OpenAI()

# Το endpoint του Responses API σέβεται την πολιτική διατήρησης
response = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[{"role": "user", "content": "Hello"}],
    # store=False απενεργοποιεί την αποθήκευση στην πλευρά του OpenAI αν είναι διαθέσιμο
)

Στην πλευρά του χρήστη, η συναίνεση διαχειρίζεται ανά σκοπό και όχι καθολικά, γεγονός που εξηγεί την εδώ δομή: ένας χρήστης μπορεί να δεχτεί τη συνομιλητική βοήθεια αρνούμενος ταυτόχρονα τη χρήση των ανταλλαγών του για τη βελτίωση της υπηρεσίας. Η έκδοση της πολιτικής καταγράφεται μαζί με τη συναίνεση—μια κρίσιμη λεπτομέρεια για την ημέρα που θα ενημερώσετε αυτή την πολιτική. Χωρίς αυτό το ίχνος, δεν θα ξέρετε ποιος συμφώνησε σε τι. Τέλος, η ανάκληση πυροδοτεί άμεση διαγραφή, διότι η διατήρηση δεδομένων μετά την ανάκληση είναι ακριβώς το σενάριο που μετατρέπει έναν routine έλεγχο σε ενέργεια επιβολής.

class ConsentManager:
    """Διαχειρίζεται τη συναίνεση του χρήστη για επεξεργασία ΤΝ."""

    def __init__(self):
        self.consent_records: dict[str, dict] = {}

    def record_consent(self, user_id: str, purposes: list[str]):
        """Καταγράφει ρητή συναίνεση χρήστη."""
        from datetime import datetime
        self.consent_records[user_id] = {
            "purposes": purposes,
            "date": datetime.now().isoformat(),
            "policy_version": "v2.1",
            "method": "explicit_checkbox",
        }

    def verify_consent(self, user_id: str, purpose: str) -> bool:
        """Ελέγχει αν ο χρήστης έχει δώσει συναίνεση για συγκεκριμένο σκοπό."""
        if user_id not in self.consent_records:
            return False
        return purpose in self.consent_records[user_id]["purposes"]

    def withdraw_consent(self, user_id: str):
        """Ανακαλεί τη συναίνεση και πυροδοτεί διαγραφή δεδομένων."""
        if user_id in self.consent_records:
            del self.consent_records[user_id]
            self._delete_data(user_id)

    def _delete_data(self, user_id: str):
        """Διαγράφει όλα τα δεδομένα που σχετίζονται με τον χρήστη."""
        # Διαγραφή ιστορικού συνομιλίας
        # Διαγραφή αρχείων καταγραφής που περιέχουν προσωπικά δεδομένα
        # Ειδοποίηση υπεργολάβων (OpenAI) αν ισχύει
        print(f"Data deleted for {user_id}")

Ανταπόκριση σε Αιτήματα Υποκειμένων Δεδομένων

Τα δικαιώματα πρόσβασης, διαγραφής και φορητότητας πρέπει να υλοποιηθούν πριν φτάσει το πρώτο αίτημα, διότι το παράθυρο απόκρισης του ενός μηνός εξαφανίζεται γρήγορα όταν ακόμα γράφετε τον κώδικα. Το δικαίωμα πρόσβασης απαιτεί περισσότερα από ακατέργαστα δεδομένα: πρέπει να παρέχετε σκοπούς, τη λίστα των υπεργολάβων και περιόδους διατήρησης—πληροφορίες που είναι προτιμότερο να ενοποιήσετε εκ των προτέρων.

Το δικαίωμα διαγραφής απαιτεί προσεκτική αναθεώρηση του κώδικα. Η απάντηση διακρίνει ρητά τα τοπικά δεδομένα, που διαγράφονται άμεσα, από τα δεδομένα που στάλθηκαν στο API, τα οποία εμπίπτουν στην πολιτική διατήρησης του παρόχου. Αυτή η ειλικρίνεια είναι υποχρεωτική: η υπόσχεση ολικής, ακαριαίας διαγραφής ενώ ένα αντίγραφο παραμένει σε υπεργολάβο σας εκθέτει περισσότερο από την καθαρή τεκμηρίωση και των δύο καθεστώτων.

class DataSubjectRights:
    """Υλοποιεί τα δικαιώματα GDPR για τους χρήστες."""

    def right_of_access(self, user_id: str) -> dict:
        """Επιστρέφει όλα τα δεδομένα που κατέχονται για τον χρήστη."""
        return {
            "personal_data": self._collect_data(user_id),
            "processing_purposes": ["customer_support", "service_improvement"],
            "subprocessors": ["OpenAI (LLM API)", "PostgreSQL (storage)"],
            "retention_period": "12 months after last activity",
            "source": "Direct user input",
        }

    def right_to_erasure(self, user_id: str) -> dict:
        """Διαγράφει όλα τα δεδομένα του χρήστη."""
        # Διαγραφή από τοπική βάση δεδομένων
        deleted_local = self._delete_local(user_id)
        # Τα δεδομένα που στάλθηκαν στο API του OpenAI υπόκεινται
        # στην πολιτική διατήρησής τους (μέγιστο 30 ημερών μέσω API)
        return {
            "status": "deleted",
            "local_data": "deleted",
            "openai_data": "subject to 30-day retention",
            "date": datetime.now().isoformat(),
        }

    def right_to_portability(self, user_id: str) -> dict:
        """Εξάγει δεδομένα σε δομημένη μορφή."""
        data = self._collect_data(user_id)
        return {
            "format": "JSON",
            "data": data,
            "export_date": datetime.now().isoformat(),
        }

    def _collect_data(self, user_id: str) -> dict:
        return {"user_id": user_id, "conversations": [], "profile": {}}

    def _delete_local(self, user_id: str) -> int:
        return 0

Τυποποίηση της Εκτίμησης Επιπτώσεων

Για κάθε εφαρμογή ΤΝ που επεξεργάζεται προσωπικά δεδομένα σε μεγάλη κλίμακα, μια Εκτίμηση Επιπτώσεων στην Προστασία Δεδομένων (DPIA) είναι υποχρεωτική. Η παρακάτω δομή δείχνει τις αναμενόμενες ενότητες και το παράδειγμα απεικονίζει πώς φαίνεται μια ολοκληρωμένη DPIA για ένα chatbot εξυπηρέτησης πελατών.

Δύο πεδία τραβούν την περισσότερη προσοχή μιας εποπτικής αρχής. Πρώτον, οι μεταφορές εκτός ΕΕ: όποτε η επεξεργασία περνά μέσω παρόχου των ΗΠΑ, πρέπει να ονομάσετε τον παραλήπτη, τη χώρα και την invoked εγγύηση—εδώ, τις Τυποποιημένες Συμβατικές Ρήτρες (SCCs) συμπληρωμένες από τη Συμφωνία Επεξεργασίας Δεδομένων (DPA) του OpenAI. Δεύτερον, η ανάλυση κινδύνου, η οποία πρέπει να είναι ειδική για το περιγραφόμενο σύστημα. Ο κίνδυνος που επιλέγεται στο παράδειγμα είναι η διαρροή προσωπικών δεδομένων μέσω έγχυσης prompt (prompt injection), με μέτρα μετριασμού τα προστατευτικά φράγματα κατά της εξαγωγής δεδομένων (anti-exfiltration guardrails) και τον συντονισμό: όλα όσα χτίσατε στα προηγούμενα κεφάλαια βρίσκουν εδώ τη κανονιστική τους μετάφραση.

@dataclass
class ImpactAssessment:
    """Δομή μιας DPIA για ένα σύστημα ΤΝ."""
    processing_name: str
    description: str
    legal_basis: str
    data_processed: list[str]
    recipients: list[str]
    transfers_outside_eu: list[dict]
    security_measures: list[str]
    risks: list[dict]
    dpo_opinion: str = ""

dpia_chatbot = ImpactAssessment(
    processing_name="Customer Service Chatbot with AI",
    description="Conversational assistant using GPT-5.6 Sol via OpenAI API",
    legal_basis="Legitimate interest (customer support)",
    data_processed=["first_name", "email", "order_history", "chat_messages"],
    recipients=["Support team", "OpenAI (API subprocessor)"],
    transfers_outside_eu=[{
        "recipient": "OpenAI Inc.",
        "country": "United States",
        "safeguard": "Standard Contractual Clauses (SCCs) + OpenAI DPA",
    }],
    security_measures=[
        "Anonymization before sending to API",
        "TLS encryption in transit",
        "Access logs with 90-day retention",
        "Right to erasure implemented",
    ],
    risks=[{
        "description": "Personal data leakage via prompt injection",
        "likelihood": "medium",
        "severity": "high",
        "mitigation": "Anti-exfiltration guardrails + moderation",
    }],
)

Βασικά σημεία

  • Το GDPR εφαρμόζεται μόλις ένα σύστημα ΤΝ επεξεργάζεται δεδομένα κατοίκων της Ευρώπης
  • Η ελαχιστοποίηση δεδομένων (ανωνυμοποίηση πριν την αποστολή στο API) είναι η πρώτη αντανακλαστική κίνηση
  • Τα δικαιώματα των υποκειμένων δεδομένων (πρόσβαση, διαγραφή, φορητότητα) πρέπει να υλοποιηθούν
  • Μια DPIA είναι υποχρεωτική για επεξεργασία ΤΝ μεγάλης κλίμακας
  • Οι μεταφορές εκτός ΕΕ τεκμηριώνονται μέσω του DPA του OpenAI και ρητών εγγυήσεων (SCCs, εκτίμηση επιπτώσεων μεταφοράς)