法律法规与合规要求：GDPR、CCPA、等保等归纳总结

做敏感数据识别，光搞技术可不行。你算法再强，模型再准，最后却踩了合规红线，那就全白搭了。

说白了，我们做这套机器学习实践，最终是要为业务服务的。而业务能不能跑得转，得看法律答不答应。我这些年帮不少企业搭数据中台，最头疼的往往不是模型调参，而是法务同事提的那一堆合规需求。

这一章，我把几个主流法规给大伙捋一捋。不求面面俱到，但求管用、能落地。

为什么机器学习项目必须先懂合规？

你想想看，一个敏感数据识别模型，用来识别身份证号、银行卡号、医疗记录这些东西。识别出来之后，要存储、要传输、要用于训练。这一套流程下来，如果不知道GDPR、CCPA或者等保的要求，那就是在雷区里裸奔。

嗯，这里要注意。合规不是来「限制」你搞机器学习的。合规是给你画一条安全线。在线内，你可以放心大胆地创新。

全球三大法规阵营对比

我习惯把目前对机器学习影响最大的法规分成三个阵营：欧盟的GDPR、美国的CCPA（及其加强版CPRA）、以及咱们中国的等保2.0体系。

GDPR 关键条款与 ML 实践

先说GDPR，欧洲的。这个法规出手最狠，也是全球数据保护立法的风向标。

• 数据最小化： 只能采集实现特定目的所必需的数据。对ML来说，这意味着不能漫无目的地把所有敏感字段都灌进特征向量。
• 目的限制： 数据采集时说了干什么用，就不能挪作他用。你的敏感数据识别模型，不能偷偷拿去做用户画像。
• 自动化决策权： 用户有权反对完全基于自动化处理（含画像）做出的决策。你的模型如果直接用于信贷审批或招聘筛选，必须能提供可解释性。
• 数据保护官： 特定组织必须任命DPO。这人是你的合规盟友，ML项目一定要让他参与进来。

CCPA/CPRA 给数据识别带来的挑战

加州的CCPA，学名是《2018年加州消费者隐私法案》，2020年生效。后来出了个CPRA（《加州隐私权法案》），其实是加强版。

这儿有一个关键点：CCPA给了消费者「知情权」和「删除权」。

你想想看，用户问你们公司：「你掌握了我哪些个人信息？」 你如果用一个机器学习模型去回答，那这个模型必须能精确地对每个用户进行回溯。这对模型的可解释性和数据血缘提出了极高要求。

另一个麻烦事是「选择退出」。用户说：「我不要你把我的数据卖给第三方」。那你在建模时，必须实时排除这些用户的样本。不然就是违规。

中国等保2.0与数据安全法

最后说说我们自己的。等保2.0（网络安全等级保护）和个人信息保护法、数据安全法一起，构成了国内的数据治理铁三角。

• 数据分级分类： 这是等保2.0的核心要求。我们做的敏感数据识别，本质上就是为数据分级分类提供技术支撑。模型输出什么，直接决定了数据属于「一般」还是「重要」还是「核心」。
• 安全评估： 重要数据和核心数据的处理活动，每年至少进行一次安全评估。你的模型在训练过程中有没有无意中复制了敏感数据？模型参数里能不能反推出个人隐私？这些问题都得过。
• 境内存储： 关键信息基础设施运营者在中国境内收集的个人信息，原则上应存储在境内。你的模型训练数据如果放在海外服务器上，那就等着喝茶吧。

从法规到模型：一个合规检查闭环

讲了这么多法规，不能光说不练。下面这张SVG图，展示了我自己在项目中常用的「ML合规检查闭环」。

落地清单：把你的ML项目套上合规铠甲

最后，我列一个我每次动手前都会过一遍的清单。别嫌麻烦，这都是血泪教训。

1. 项目启动时： 跟法务/DPO确认项目属于哪种数据等级（一般/重要/核心）。
2. 数据采集时： 问清楚数据来源的授权协议。公开数据集也要查授权条款。
3. 特征工程时： 删除或脱敏可直接标识身份的字段（姓名、身份证、手机号）。尽量不要用经纬度、IP、设备ID。
4. 模型训练时： 评估模型是否存在偏见（bias），特别是基于种族、性别、地域等敏感属性做出的预测。
5. 模型上线时： 提供人工审核的「兜底机制」，让用户对模型的自动化决策有异议时能找得到人。
6. 持续运行： 每季度检查一次法规更新。GDPR在变，国内的数据安全法在细化，你的模型也需要迭代。

法规不是拦路虎，是你合规驾驶的导航仪。摸透了这些规则，你的敏感数据识别机器学习实践才能走得远、走得稳。