本文将围绕标准中 “6 人脸识别数据收集要求、7人脸识别数据存储要求、9人脸识别数据传输要求、11 人脸识别数据删除要求”的具体要求小节展开详细解读，聚焦企业在移动应用场...
前面做得充分的话，可以很省事。
本文将结合跨国企业的业务模式与组织架构特征，探讨其在开展重要数据识别和保护工作过程中所面临的现实挑战，提出针对性的解决方案，供相关企业参考。
企业是否真正建立了控制AI风险的能力？谁来做？怎么落地？
此次修订扩展了访问控制、网络分段、资产管理和供应链安全等核心要求，并与SP 800-171r3、SP 800-53r5及SP 800-160的相关内容保持深度衔接。
在生成式AI服务中，用户输入后的数据流转路径是怎样的，路径中又分别有哪些显著的合规要点和当前的数据治理逻辑无法响应的问题。
安全能力如何被表达成采购成果？
真正的合规落地，是借助工具，把法律条文转化为企业持续运行、自动生效、可追溯核验的数据治理与合规体系。
智能体服务效能的发挥高度依赖用户个人信息的全流程处理，然而，智能体的自主性、交互性与技术复杂性，也使得个人信息保护面临全新挑战。现有个人信息保护体系难以完全适配...
法律架构支撑技术创新。
我们在协助企业开展审计和报送工作的过程中，对具体执行中遇到的一些问题进行了总结。
一个制度逐渐从“能用”，走向“好用”的过程。
本文将系统梳理企业员工使用生成式AI工具的主要风险,并提出应对策略,帮助企业在享受AI红利的同时,守住安全底线。
很多人误以为，“我只是个人接单，不是平台，不是医院，也不是公司或持牌机构，所以法律离我还很远”。这实际上是对我国个人信息保护和数据安全制度的一种典型误解。
探索阶段，风险高发。
在数据驱动的自动化决策时代，谁掌握定义与分配的权力，以及这种权力是否受到边界约束？
合规工作的价值，恰恰体现在“即使出事，也不至于被一刀切”。
在这样的监管环境下，真正的风险，来自“我以为已经合规了，但技术事实并不是这样”。
原理、技术可行性与合理性。
该案例对软件开发与运维商在GDPR责任的理解值得重视！
微信公众号
