गवर्नेंस, जोखिम और जिम्मेदार उपयोग

स्क्रीन 1: गवर्नेंस, जोखिम और जिम्मेदार उपयोग

मॉड्यूल 6 परिचय·4 मिनट

एक अनुचित उपयोग केस पूरे संगठन के AI प्रोग्राम को फ्रीज कर सकता है।

गलत जगह पर अपलोड किया गया संवेदनशील डेटा, व्यापक एक्सेस दिया गया एक अविश्वसनीय Skill, गलत समय पर एक शांत नीति उल्लंघन: इनमें से कोई भी एक फ्रीज ट्रिगर कर सकता है जो हर टीम को उत्पादकता खो देता है जो उन्होंने हासिल की थी। गवर्नेंस वह है जो अपनाने को सुरक्षित रूप से आगे बढ़ाता है, और इसे चिकित्सकों द्वारा, एक समय में एक निर्णय द्वारा, एक शेल्फ पर नीति बाइंडर द्वारा नहीं किया जाता है।

यह इस मॉड्यूल के लिए फ्रेमिंग है: गवर्नेंस एक चिकित्सक कौशल है। नीति सीमा निर्धारित करती है, लेकिन आप वह हैं जो तय करते हैं, इस क्षण में, कि क्या यह उपयोग केस, यह Skill, यह अपलोड उपयुक्त है। AI Fluency Framework से दो दक्षताएं उन निर्णयों को नियंत्रित करती हैं। Diligence स्वामित्व और सत्यापन के बारे में है। Delegation यह तय करने के लिए मानदंड प्रदान करता है कि क्या कोई उपयोग केस बिल्कुल उपयुक्त है।

इस मॉड्यूल के अंत तक, आप सक्षम होंगे:

• 1 उपयुक्त और अनुचित उपयोग केस की पहचान करें।

• 2 Claude उपयोग के लिए डेटा संवेदनशीलता, गोपनीयता और नियामक विचारों को लागू करें।

• 3 संगठनात्मक AI नीतियों और गवर्नेंस मानकों का पालन करें।

• 4 AI उपयोग के नैतिक निहितार्थों को समझें।

जिम्मेदार उपयोग निर्णयों का एक समूह है जो आप हर दिन करते हैं। Delegation मानदंड के विरुद्ध उपयोग केस को वर्गीकृत करना सीखें, किसी भी सॉफ्टवेयर की तरह एक Skill को जांचें, सही सुविधा नियंत्रण का उपयोग करके इसकी संवेदनशीलता द्वारा डेटा को संभालें, संगठनात्मक नीति को एक निरंतर आदत के रूप में लागू करें, और दिनचर्या समीक्षा के भाग के रूप में पूर्वाग्रह और निष्पक्षता के लिए आउटपुट का मूल्यांकन करें।

हमने Claude के साथ वास्तविक काम करने में आपकी मदद करने के लिए यह एसोसिएट कोर्स मॉड्यूल 6: गवर्नेंस, जोखिम और जिम्मेदार उपयोग बनाया। इसे शैक्षणिक सामग्री के रूप में मानें। यह कानूनी, वित्तीय या अन्य व्यावसायिक सलाह का गठन नहीं करता है, इसलिए जो आप सीखते हैं उसे अपनी स्थिति के अनुसार अनुकूलित करें। हमारे उत्पाद और सेवाएं तेजी से विकसित होती हैं, इसलिए कुछ सामग्री में त्रुटियां हो सकती हैं या पुरानी हो सकती हैं; Anthropic की वेबसाइट या दस्तावेज़ों पर सत्यापित करना याद रखें। पाठ्यक्रम में उपयोग किए गए उदाहरण और परिदृश्य सचित्र हैं और अक्सर काल्पनिक हैं। यदि पाठ्यक्रम सामग्री किसी कंपनी या उत्पाद का उल्लेख करती है, तो इसका मतलब यह नहीं है कि Anthropic उन्हें समर्थन देता है, वे Anthropic को समर्थन देते हैं, या कि हम संबद्ध हैं। यह भी ध्यान दें कि Anthropic उत्पादों और सेवाओं का आपका उपयोग हमारी शर्तों, नीतियों और दस्तावेज़ों द्वारा कवर किया गया है; यदि इस पाठ्यक्रम में कुछ उनके साथ विरोध करता है, तो वे नियंत्रण करते हैं।

---

स्क्रीन 2: उपयुक्त बनाम अनुचित उपयोग केस

शिक्षण उपयुक्त उपयोग केस·10 मिनट

यह तय करना कि क्या कोई उपयोग केस उपयुक्त है, एक संरचित मूल्यांकन है, एक आंत की भावना नहीं।

वही Delegation मानदंड जो वर्कफ़्लो चरणों को मैप करते हैं, पूरे उपयोग केस को भी स्क्रीन करते हैं: प्रतिवर्तनीयता, त्रुटि का परिणाम, मानव रचनात्मकता या सहानुभूति की आवश्यकता, और जवाबदेही। हर बार उन्हें चलाना एक अस्पष्ट बेचैनी को एक रक्षणीय कॉल में बदल देता है।

स्क्रीनिंग के लिए Delegation मानदंड

मानदंड

पूछने के लिए प्रश्न

प्रतिवर्तनीयता

क्या गलत आउटपुट को पकड़ा जा सकता है और नुकसान पहुंचने से पहले पूर्ववत किया जा सकता है? अपरिवर्तनीय परिणाम बार को तेजी से बढ़ाते हैं।

त्रुटि का परिणाम

यदि आउटपुट गलत है तो लागत क्या है? उच्च परिणाम अधिक मानव नियंत्रण की मांग करता है या उपयोग केस को नियम से बाहर करता है।

मानव रचनात्मकता या सहानुभूति की आवश्यकता

क्या कार्य को निर्णय, संबंध या देखभाल की आवश्यकता है जो AI आपूर्ति नहीं कर सकता? कुछ काम क्षमता की परवाह किए बिना मानव रहना चाहिए।

जवाबदेही

परिणाम के लिए कौन उत्तरदायी है, और क्या उस जवाबदेही को AI-उत्पादित परिणाम पर प्रयोग किया जा सकता है?

चार मानदंड एक चेकलिस्ट नहीं हैं जहां कोई भी एकल विफलता चर्चा को समाप्त करती है। वे परस्पर क्रिया करते हैं। एक कार्य कम-परिणाम और प्रतिवर्तनीय हो सकता है और फिर भी मानव समीक्षा की आवश्यकता हो सकती है। जवाबदेही को एक मॉडल में स्थानांतरित नहीं किया जा सकता। किसी क्लाइंट को एक संवेदना नोट का मसौदा तैयार करना कम-दांव और पूरी तरह से प्रतिवर्तनीय है, फिर भी संबंध तत्व का मतलब है कि एक व्यक्ति को इसका मालिक होना चाहिए। इसके विपरीत, एक कार्य उच्च परिणाम हो सकता है लेकिन सही गेट के साथ अभी भी उपयुक्त हो सकता है: एक वित्तीय सारांश जो एक निर्णय को खिलाता है वह परिणामी है, लेकिन यदि एक नामित समीक्षक इसे उपयोग करने से पहले साइन ऑफ करता है, तो जवाबदेही और प्रतिवर्तनीयता बहाल हो जाती है। व्यावहारिक नियम सभी चार को चलाना है, फिर पूछें कि इस विशिष्ट उपयोग केस के लिए कौन सा भार-असर है। भार-असर मानदंड वह है जो, यदि यह बदल जाता है, तो उपयोग केस को वर्गीकरण के बीच स्थानांतरित कर देगा। इसे नाम देना वह है जो आपके वर्गीकरण को एक जोखिम या अनुपालन समीक्षक के लिए रक्षणीय बनाता है।

तीन वर्गीकरण

प्रत्येक प्रस्तावित उपयोग केस तीन में से एक में सॉर्ट करता है, दस्तावेज़ित तर्क के साथ:

पूरी तरह से उपयुक्त। प्रतिवर्तनीय, कम परिणाम, कोई विशेष मानव तत्व नहीं। सामान्य समीक्षा के साथ प्रतिनिधि।

मानव समीक्षा के साथ उपयुक्त। AI सहायता के लिए उपयोगी, लेकिन दांव या जवाबदेही के लिए एक मानव गेट की आवश्यकता है। गेट को स्पष्ट रूप से परिभाषित करें।

अनुचित। परिणाम, अपरिवर्तनीयता, या मानव-तत्व आवश्यकता का मतलब है कि AI को यह नहीं करना चाहिए। समझाएं कि क्यों और नाम दें कि मानव भूमिका को इसका मालिक होना चाहिए।

"मानव समीक्षा के साथ उपयुक्त" वह वर्गीकरण है जो लोग अक्सर गलत तरीके से प्राप्त करते हैं। अक्सर, वे लेबल पर रुकते हैं और कभी गेट को निर्दिष्ट नहीं करते हैं। गेट "कोई इसे जांचेगा" नहीं है। एक परिभाषित गेट तीन चीजें स्थापित करता है: कौन समीक्षा करता है (जवाबदेही वाली भूमिका, जो कोई भी मुक्त है नहीं), वे क्या सत्यापित करते हैं (विशिष्ट जोखिम जो समीक्षा को पकड़ने के लिए मौजूद है, जैसे तथ्यात्मक सटीकता, निष्पक्षता, या नीति अनुपालन), और वर्कफ़्लो में समीक्षा कब होती है (आउटपुट का उपयोग करने से पहले, बाद में नहीं)। "एक प्रबंधक किसी भी उम्मीदवार से संपर्क करने से पहले प्रतिकूल-प्रभाव पैटर्न के लिए शॉर्टलिस्ट की समीक्षा करता है" एक परिभाषित गेट है। "हम लूप में एक मानव रखेंगे" नहीं है। यदि आप गेट को उस who/what/when रूप में नहीं बता सकते, तो उपयोग केस अभी तक चलाने के लिए तैयार नहीं है।

कार्य किया गया उदाहरण: एक उपयोग-केस पोर्टफोलियो

कॉल और तर्क को देखने के लिए प्रत्येक केस पर क्लिक करें।

यह स्पष्ट करना कि एक उपयोग केस परीक्षा में क्यों विफल होता है, और कौन सी मानव भूमिका को बनाए रखा जाना चाहिए, वह डिलीवरेबल है। "यह जोखिम भरा लगता है" यात्रा नहीं करता है; "अपरिवर्तनीय परिणाम प्लस गैर-हस्तांतरणीय जवाबदेही" करता है।

---

स्क्रीन 3: Skill ट्रस्ट और फीचर-लेवल जोखिम

शिक्षण Skill ट्रस्ट और फीचर जोखिम·8 मिनट

एक Skill सॉफ्टवेयर है। यह उस सब को एक्सेस कर सकता है जो आप Claude को एक सत्र के दौरान एक्सेस देते हैं और कोड निष्पादन के माध्यम से कार्रवाई कर सकता है। एक अविश्वसनीय स्रोत से एक Skill इसलिए एक वास्तविक जोखिम है, और उस जोखिम का व्यावहारिक उत्तर इसे सक्षम करने से पहले एक स्रोत-और-अनुमति जांच है।

अविश्वसनीय Skills जोखिम क्यों हैं

क्योंकि एक Skill प्रक्रियाओं को चलाता है और सत्र में उपलब्ध डेटा और उपकरणों को छू सकता है, एक अज्ञात स्रोत से एक डेटा को गलत तरीके से संभाल सकता है या अनपेक्षित कार्रवाई कर सकता है। "Skills एक ब्लैक बॉक्स हैं" एक सामान्य संगठनात्मक चिंता है, और उस चिंता का उत्तर अंधा विश्वास या व्यापक प्रतिबंध नहीं है; यह एक दोहराए जाने वाले विश्वास मूल्यांकन है।

सक्षम करने से पहले विश्वास मूल्यांकन

प्रश्न को देखने के लिए प्रत्येक जांच को फ्लिप करें।

स्रोत

इस Skill को किसने प्रकाशित किया? Anthropic-प्रदान किए गए और आंतरिक रूप से अनुमोदित Skills कम-जोखिम शुरुआती बिंदु हैं; एक अज्ञात तीसरे पक्ष के Skill को अधिक जांच की आवश्यकता है।

पहुंच

Skills अनुमति का अनुरोध नहीं करते; एक Skill उस सत्र में जो भी एक्सेस पहले से है उसे विरासत में देता है। इसके बजाय पूछें: यह Skill उन सत्रों में क्या पहुंच सकता है जहां यह चलेगा, और क्या वह जोखिम कार्य के लिए आनुपातिक है?

सक्षम करने से पहले बंडल की सामग्री (निर्देश, निर्भरताएं, बंडल की गई फाइलें) का ऑडिट करें; एक फॉर्मेटिंग Skill जिसके निर्देश फॉर्मेटिंग से बहुत आगे जाते हैं, एक लाल झंडा है।

उपयुक्तता

क्या यह Skill कार्य के लिए सही उपकरण है, या यह नौकरी की तुलना में अधिक क्षमता है?

स्रोत एक सरल विश्वसनीय-या-अविश्वसनीय स्विच नहीं है। सबसे कठिन केस आपके अपने संगठन के अंदर किसी अन्य टीम द्वारा बनाया गया Skill है। "आंतरिक" सुरक्षित लगता है, लेकिन इसका मतलब जांचा गया नहीं है: जिस टीम ने इसे बनाया वह अपनी सुविधा के लिए इसे व्यापक अनुमति दे सकती है या इसे पुरानी नीति के विरुद्ध बनाया हो सकता है। अपनी टीम के बाहर से एक आंतरिक Skill को उसी तरह मानें जैसे आप एक बहन विभाग से सॉफ्टवेयर मानेंगे, प्रकाशक के साथ पुष्टि करें कि यह क्या एक्सेस करता है और क्यों, और जांचें कि इसकी अनुमतियां अभी भी वर्तमान नीति से मेल खाती हैं, इससे पहले कि आप इसे अपने डेटा पर सक्षम करें। विश्वास प्रश्न है "क्या मैं जानता हूं कि यह क्या करता है और क्या इसकी एक्सेस नौकरी से मेल खाती है? "

विश्वास जांच में विफल होना हमेशा "कभी इसका उपयोग न करें" का मतलब नहीं है। इसका मतलब है कि इसे अपने अकेले अधिकार के लिए सक्षम न करें। तीन परिणाम हैं:

विश्वास जांच से तीन परिणाम

सक्षम करें। स्रोत, अनुमतियां, और उपयुक्तता सभी स्पष्ट हैं।

एस्केलेट करें। Skill उपयोगी है लेकिन स्रोत अज्ञात है या अनुमतियां व्यापक दिखती हैं इसलिए इसे अपने व्यवस्थापक या सुरक्षा कार्य के लिए समीक्षा के लिए रूट करें।

अस्वीकार करें। अनुमतियां स्पष्ट रूप से असमान हैं या स्रोत स्थापित नहीं किया जा सकता है, और कोई समीक्षा इसे बदल नहीं सकती है।

निर्णय यह पहचानना है कि तीन में से कौन सा लागू होता है।

कार्य किया गया उदाहरण: दो Skills को जांचना

एक Anthropic-प्रदान किया गया दस्तावेज़ फॉर्मेटर। स्रोत विश्वसनीय है, अनुमतियां कार्य से मेल खाती हैं (दस्तावेज़ हैंडलिंग), आवश्यकता के लिए उपयुक्त। इसे सक्षम करें।

एक तीसरे पक्ष के 'विश्लेषण बूस्टर' एक अज्ञात प्रकाशक से व्यापक डेटा एक्सेस का अनुरोध कर रहा है। अज्ञात स्रोत, बताए गए उद्देश्य के लिए असमान अनुमतियां। अपने संगठन की समीक्षा के बिना इसे सक्षम न करें। इसे उसी तरह मानें जैसे आप कोई भी अनजांचा स्थापित सॉफ्टवेयर करेंगे।

नियम सामान्यीकृत करता है: किसी Skill के स्रोत और अनुमतियों का मूल्यांकन करें जैसे आप किसी भी सॉफ्टवेयर को करेंगे जिसे आप एक कार्य मशीन पर स्थापित करने वाले थे।

Skills फीचर-लेवल जोखिम का सबसे तीव्र संस्करण हैं, लेकिन समान आनुपातिकता आदत किसी भी क्षमता पर लागू होती है जिसे आप चालू करते हैं। कोई भी फीचर सक्षम करने से पहले जो आपके डेटा को पढ़ सकता है या इस पर कार्य कर सकता है, एक कनेक्टर, एक उपकरण, या एक एकीकरण, समान तीन प्रश्न पूछें: कौन इसे प्रदान करता है, यह क्या एक्सेस करता है, और क्या वह एक्सेस आपको जो चाहिए उसके लिए आनुपातिक है। सिद्धांत कम से कम विशेषाधिकार है: सबसे संकीर्ण एक्सेस दें जो नौकरी को पूरा करने देता है और जब नौकरी बदलती है तो इसे फिर से देखें।

---

स्क्रीन 4: डेटा संवेदनशीलता, गोपनीयता और फीचर नियंत्रण

शिक्षण डेटा संवेदनशीलता और नियंत्रण·12 मिनट

किसी भी डेटा के किसी भी फीचर में प्रवेश करने से पहले, आपको इसकी संवेदनशीलता पता होनी चाहिए।

डेटा वर्गीकरण वह आदत है जो रिसाव को रोकती है, और फीचर-विशिष्ट नियंत्रण, Incognito, Memory प्रबंधन, और सैंडबॉक्स जागरूकता, वह है कि आप उस वर्गीकरण पर कार्य करते हैं जब दृढ़ता या प्रसंस्करण उपयुक्त नहीं है।

अपलोड करने से पहले वर्गीकृत करें

डेटा को उपयोग के लिए सुरक्षित, पहले समीक्षा की आवश्यकता, और पूरी तरह से बाहर रहने वाले में सॉर्ट करें। सार्वजनिक और आंतरिक-कम-संवेदनशीलता सामग्री आम तौर पर ठीक है; विनियमित, गोपनीय, या व्यक्तिगत डेटा को किसी भी फीचर के पास जाने से पहले नीति के विरुद्ध एक जानबूझकर जांच की आवश्यकता है। जब आप अनिश्चित हों, तो सुरक्षित डिफ़ॉल्ट अपलोड करने से पहले पूछना है। अधिकांश टीमों को तीन स्तरों की आवश्यकता है जो वे सेकंड में लागू कर सकते हैं:

प्रकाशित सामग्री, अनाम या एकत्रित डेटा, या आंतरिक दस्तावेज़ पहले से ही व्यापक साझाकरण के लिए साफ किए गए।

आंतरिक दस्तावेज़ कंपनी को छोड़ने के लिए नहीं, कुछ भी नाम या संपर्क विवरण के साथ, या एक सौदे या अभी तक घोषित नहीं किए गए उत्पाद से जुड़ी ड्राफ्ट सामग्री।

विनियमित डेटा (स्वास्थ्य, वित्तीय, सरकार), क्रेडेंशियल और रहस्य, या किसी तीसरे पक्ष के लिए गोपनीयता दायित्व द्वारा कवर कुछ भी।

जब आप दो स्तरों के बीच अनिश्चित हों, तो डेटा को अधिक संवेदनशील के रूप में मानें जब तक आप अन्यथा पुष्टि नहीं कर सकते।

रिडैक्शन और अनामीकरण

जब किसी कार्य का पदार्थ संवेदनशील विशिष्टताओं की आवश्यकता नहीं करता है, तो उन्हें हटा दें। अपलोड करने से पहले नाम, खाता संख्या, या पहचानकर्ता को रिडैक्ट करना आपको डेटा को उजागर किए बिना विश्लेषणात्मक मूल्य प्राप्त करने देता है। यह आदत बनाना सबसे आम रिसाव रूप को रोकता है। रिडैक्शन काम करता है जब कार्य पहचानकर्ताओं पर निर्भर नहीं करता है। ग्राहक सूची में प्रवृत्तियों के लिए पूछना ग्राहकों के नाम की आवश्यकता नहीं करता है; उन्हें "ग्राहक 1, ग्राहक 2" से बदलना विश्लेषण को कुछ भी नहीं खोता है।

आंशिक रिडैक्शन। नाम को हटाना लेकिन एक खाता संख्या, एक दुर्लभ नौकरी का शीर्षक, या एक विशिष्ट तारीख को छोड़ना अभी भी किसी को पहचान सकता है, विशेष रूप से एक छोटी आबादी में। हर क्षेत्र को हटा दें जो पहचान की ओर ले जा सकता है।

रिडैक्शन जो कार्य को तोड़ता है। यदि काम वास्तव में संवेदनशील विशिष्टताओं की आवश्यकता है, तो रिडैक्शन उत्तर नहीं है। उस डेटा के लिए एक अनुमोदित पथ की पुष्टि करना या इसे पूरी तरह से बाहर रखना बेहतर है। रिडैक्शन उस केस के लिए एक उपकरण है जहां संवेदनशीलता और आवश्यकता ओवरलैप नहीं करते; यह किसी भी डेटा को सुरक्षित बनाने का तरीका नहीं है।

फीचर-विशिष्ट नियंत्रण

यह देखने के लिए प्रत्येक नियंत्रण को फ्लिप करें कि यह क्या करता है और इसे कब उपयोग करना है।

कोड निष्पादन सैंडबॉक्स

कोड एक सैंडबॉक्स वातावरण में चलता है, और अपलोड की गई फाइलें वहां संसाधित होती हैं।

विश्लेषण चलाने से पहले जो आप अपलोड करते हैं उसकी समीक्षा करें।

Memory दृढ़ता

Memory सत्रों में जानकारी ले जाता है।

संवेदनशील काम के लिए, वह दृढ़ता बिल्कुल वह नहीं हो सकती है जो आप चाहते हैं।

Incognito मोड

सत्र को आपके चैट इतिहास और Memory से बाहर रखता है। Incognito चैट अभी भी आपके संगठन की डेटा-प्रतिधारण नीतियों का पालन करते हैं और संगठनात्मक डेटा निर्यात में दिखाई दे सकते हैं। Memory बहिष्करण और डेटा प्रतिधारण अलग नियंत्रण हैं।

संवेदनशील बातचीत या गोपनीय इनपुट के लिए इसका उपयोग करें जो इतिहास या Memory में सामने नहीं आना चाहिए।

Org-स्तर Memory नियंत्रण

टीम योजनाओं में Memory सुविधाओं के लिए संगठन-स्तर के नियंत्रण नहीं हैं; Enterprise पर, मालिकों और प्राथमिक मालिकों के पास org-व्यापी Memory नियंत्रण हैं, जिसमें संगठन के लिए Memory को अक्षम करना शामिल है।

जानें कि आप किस योजना पर हैं और कौन सेटिंग को नियंत्रित करता है। Claude Help Center Memory लेख पर वर्तमान व्यवहार सत्यापित करें (support. claude. com)।

नियंत्रण केवल तभी उपयोगी होते हैं जब आप सही समय पर सही को पहुंचते हैं। आदत है: पहले वर्गीकृत करें, फिर वह नियंत्रण चुनें जो मेल खाता है। हरा डेटा कोई विशेष नियंत्रण की आवश्यकता नहीं है। पीला डेटा जो सत्रों में दृढ़ नहीं रहना चाहिए Incognito के लिए केस है, गोपनीय लेकिन विनियमित नहीं, जहां आप अभी विश्लेषण चाहते हैं बिना इसे Memory या चैट इतिहास में प्रवेश किए (आपके संगठन की अंतर्निहित डेटा-प्रतिधारण नीति अभी भी लागू होती है)। लाल डेटा को कुछ भी अपलोड करने से पहले एक अनुमोदित प्रवेश बिंदु की आवश्यकता है, Memory सेटिंग की परवाह किए बिना। सामान्य त्रुटि Incognito का उपयोग कर रही है और मान रही है कि यह संवेदनशील डेटा को सुरक्षित बनाता है।

Incognito नियंत्रित करता है कि क्या कुछ याद रखा जाता है; यह पुष्टि नहीं करता है कि डेटा को पहली जगह में यहां अनुमति दी गई थी। विनियमित डेटा के लिए, वह दूसरा प्रश्न पहले आता है।

सादे शब्दों में, प्रवेश बिंदुओं में जागरूकता

विभिन्न claude. ai प्रवेश बिंदु डेटा प्रतिधारण को अलग तरीके से संभाल सकते हैं यह इस बात पर निर्भर करता है कि आपके संगठन ने Claude को कैसे कॉन्फ़िगर किया है। आपको तकनीकी विवरण को याद रखने की आवश्यकता नहीं है; आपको किसी दिए गए प्रवेश बिंदु के बारे में अनिश्चित होने पर, अपलोड करने से पहले पूछने की आदत की आवश्यकता है। सादा नियम: पहले अपने डेटा की संवेदनशीलता जानें, फिर फीचर और इसके नियंत्रणों को संवेदनशीलता से मेल खाने के लिए मिलाएं।

कार्य किया गया उदाहरण: चार डेटा निर्णय

प्रवृत्ति विश्लेषण के लिए अनाम सर्वेक्षण डेटा। हरा। अपलोड करने के लिए सुरक्षित; सत्यापित गणना के लिए कोड निष्पादन का उपयोग करें। कोई व्यक्तिगत पहचानकर्ता मौजूद नहीं है।

सारांश के लिए एक गोपनीय M&A दस्तावेज़। पीला। नीति के विरुद्ध पहले समीक्षा की आवश्यकता है, और Incognito ताकि यह Memory या चैट इतिहास में प्रवेश न करे (यह संगठनात्मक डेटा प्रतिधारण के अधीन रहता है)। यदि नीति प्रवेश बिंदु को प्रतिबंधित करती है, तो यह बाहर रहता है।

सफाई के लिए ग्राहक PII का एक स्प्रेडशीट। अपलोड करने से पहले पहचानकर्ताओं को रिडैक्ट या अनाम करें, या इसे पूरी तरह से बाहर रखें और अपने व्यवस्थापक के साथ अनुमोदित पथ की पुष्टि करें।

एक स्वास्थ्य सेवा वर्कफ़्लो सारांश के लिए रोगी रिकॉर्ड। यह लाल है और यह वह केस है जो Incognito हल नहीं करता है। डेटा विनियमित है, इसलिए पहला प्रश्न यह है कि क्या यह प्रवेश बिंदु संरक्षित स्वास्थ्य जानकारी के लिए अनुमोदित है। यदि आपके संगठन ने उस डेटा के लिए एक अनुमोदित, अनुपालन पथ की पुष्टि नहीं की है, तो सही कार्रवाई रुकना और अपने व्यवस्थापक को एस्केलेट करना है। विनियमित डेटा के लिए, "क्या यह यहां अनुमति है" "मैं इसे यहां कैसे संभालूं" से पहले तय किया जाता है।

---

स्क्रीन 5: संगठनात्मक नीतियां और Diligence एक आदत के रूप में

शिक्षण संगठनात्मक नीतियां·8 मिनट

एक नीति जो केवल तब पालन की जाती है जब कोई देख रहा हो, गवर्नेंस नहीं है।

जो नीति कहती है और लोग क्या करते हैं, के बीच का अंतराल बिल्कुल वह जगह है जहां जोखिम रहता है। Diligence गवर्नेंस फ्रेमवर्क को लगातार लागू करने की आदत है, और वास्तविक उपयोग को इसके विरुद्ध ऑडिट करने की आदत है ताकि अंतराल को बंद किया जा सके।

गवर्नेंस को लगातार लागू करें

गवर्नेंस अनुपालन एक निरंतर आदत है, एक बार की स्वीकृति नहीं। मानक दिनचर्या, कम-दृश्यमानता निर्णयों पर फ्रेमवर्क को लागू करना है, केवल स्पष्ट उच्च-दांव वाले पर नहीं, क्योंकि दिनचर्या निर्णय वह जगह है जहां बहाव अनजाने में जमा होता है।

नीति के विरुद्ध उपयोग को ऑडिट करें

समय-समय पर अपनी टीम जो करती है या Claude के साथ करने की योजना बनाती है उसकी तुलना करें कि नीति क्या आवश्यकता करती है। जहां वे विचलित होते हैं, आपने एक Diligence अंतराल पाया है जिसे बंद करना है: एक डेटा प्रकार अपलोड किया जा रहा है जो नहीं होना चाहिए, एक समीक्षा चरण छोड़ा जा रहा है, एक Skill सत्यापन के बिना सक्षम किया जा रहा है। उन अंतराल को स्पॉट करना और बंद करना महत्वपूर्ण काम है।

वर्तमान रहें

नीतियां और क्षमताएं दोनों विकसित होती हैं। एक अभ्यास जो पिछली तिमाही में अनुपालन था वह नीति अपडेट या एक नई सुविधा के बाद नहीं हो सकता है। दोनों के साथ वर्तमान रहना आदत का हिस्सा है, इसलिए आपका निर्णय उपकरणों और नियमों के साथ गति रखता है।

कार्य किया गया उदाहरण: एक मिनी उपयोग ऑडिट

एक टीम लीड एक महीने की टीम के Claude उपयोग की नीति के विरुद्ध समीक्षा करता है और तीन अंतराल पाता है: एक मार्केटर ने एक अनरिलीज़्ड उत्पाद विनिर्देश को एक गैर-अनुमोदित प्रवेश बिंदु पर अपलोड किया, एक Skill को स्रोत जांच के बिना सक्षम किया गया, और एक आवर्ती ग्राहक रिपोर्ट समय सीमा दबाव के तहत दो बार अपने आवश्यक मानव-समीक्षा गेट को छोड़ गई।

कोई भी दुर्भावनापूर्ण नहीं था; सभी बहाव थे। सुधार आदत-स्तर हैं: अनुमोदित प्रवेश बिंदुओं पर एक अनुस्मारक, प्रोजेक्ट सेटअप में जोड़ा गया एक Skill-जांच चरण, और ग्राहक डिलीवरेबल पर एक गैर-परक्राम्य समीक्षा गेट। ऑडिट ने अदृश्य जोखिम को तीन बंद करने योग्य कार्यों में परिवर्तित किया।

---

स्क्रीन 6: नैतिक निहितार्थ: पूर्वाग्रह, निष्पक्षता, पारदर्शिता

शिक्षण नैतिक निहितार्थ·8 मिनट

नैतिक जोखिम खुद की घोषणा नहीं करता है; यह साधारण आउटपुट में छिपा होता है।

एक सारांश जो शांति से एक समूह का पक्ष लेता है, एक सिफारिश एक पक्षपाती फ्रेमिंग पर बनी है, एक AI-सहायता दस्तावेज़ पूरी तरह से मानव-लेखक के रूप में प्रस्तुत किया गया: ये नैतिक वजन के साथ दिनचर्या आउटपुट हैं। पूर्वाग्रह, निष्पक्षता, और पारदर्शिता के लिए मूल्यांकन दिनचर्या समीक्षा में संबंधित है, एक अलग नैतिकता व्यायाम नहीं।

पूर्वाग्रह और निष्पक्षता जोखिम को पहचानें

AI-सहायता कार्य उत्पाद प्रॉम्प्ट, फ्रेमिंग, या भाषा कैसे उत्पन्न होती है इसमें अंतर्निहित पैटर्न से पूर्वाग्रह ले सकते हैं। लोगों का सामना करने वाले काम में, भर्ती, मूल्यांकन, विशिष्ट समूहों के लिए संचार, जांचें कि क्या आउटपुट लोगों को निष्पक्ष रूप से मानता है और क्या एक फ्रेमिंग ने परिणाम को झुकाया है। जोखिम सबसे अधिक है जहां व्यक्तियों के लिए दांव सबसे अधिक है।

पारदर्शिता और प्रकटीकरण

जानें कि कब AI सहायता का प्रकटीकरण करना है। कुछ संदर्भ और कुछ संगठनात्मक नीतियों को इसकी आवश्यकता है; अन्य इसे दिनचर्या उपकरण के रूप में मानते हैं। दायित्व सेटिंग और दर्शकों पर निर्भर करता है, और जिम्मेदार डिफ़ॉल्ट, जब अनिश्चित हो, प्रकटीकरण के बजाय छिपाना है।

अस्पष्ट केस के माध्यम से तर्क

कई नैतिक प्रश्नों के पास कोई नियम नहीं है जो उन्हें स्पष्ट रूप से तय करता है। एक संरचित दृष्टिकोण मदद करता है: नाम दें कि कौन प्रभावित है, क्या गलत हो सकता है, निष्पक्ष परिणाम क्या दिखता है, और स्थिति क्या प्रकटीकरण बुलाता है। इसके माध्यम से तर्क करना, और तर्क को दस्तावेज़ करना, व्यावसायिक मानक है जब कोई नीति सीधा उत्तर नहीं देती है।

संरचित तर्क अधिकांश अस्पष्ट केस को संभालता है, लेकिन कुछ स्थितियों को व्यक्तिगत निर्णय से अधिक की आवश्यकता है। यदि प्रभावित आबादी बड़ी है, संभावित नुकसान महत्वपूर्ण है, या नैतिक प्रश्न उन क्षेत्रों को छूता है जिन्हें आपकी टीम के पास हल करने के लिए खड़े होने की आवश्यकता नहीं है, तो सही कदम अकेले निर्णय लेने के बजाय एस्केलेट करना है। आपके संगठन की AI गवर्नेंस या नैतिकता कार्य बिल्कुल इन केस के लिए मौजूद है। दस्तावेज़ित तर्क के साथ प्रश्न को एस्केलेट करना एक निर्णय लाने से अधिक उपयोगी है: यह दिखाता है कि आपने फ्रेमवर्क लागू किया, पहचाना कि यह कहां चला गया, और सही समीक्षक के लिए अंतराल को फ्लैग किया।

कार्य किया गया उदाहरण: एक अस्पष्ट केस

एक प्रबंधक अपने स्वयं के नोट्स से प्रदर्शन-समीक्षा सारांश का मसौदा तैयार करने के लिए Claude का उपयोग करता है। क्या यह उपयुक्त है? तर्क के माध्यम से काम करना: जो प्रभावित होते हैं वे कर्मचारी हैं; जोखिम यह है कि एक उत्पन्न वाक्यांश समीक्षाओं में एक अनुचित या असंगत टोन पेश करता है; निष्पक्ष परिणाम के लिए प्रबंधक को यह सत्यापित करने की आवश्यकता है कि प्रत्येक सारांश वास्तविक नोट्स को प्रतिबिंबित करता है और एक सुसंगत मानक लागू करता है; और सेटिंग AI-सहायता ड्राफ्टिंग का प्रकटीकरण करने के लिए कॉल कर सकती है।

निष्कर्ष मानव समीक्षा और निष्पक्षता जांच के साथ उपयुक्त है, एक खाली हां या नहीं नहीं। तर्क, अकेले निर्णय नहीं, वह है जो निर्णय को रक्षणीय बनाता है।

---

स्क्रीन 7: मॉड्यूल 6 क्विज: गवर्नेंस और जिम्मेदार उपयोग

क्विज मॉड्यूल 6·5 मिनट

पाँच परिदृश्य-शैली प्रश्न निर्णय पर जोर देते हैं। प्रत्येक एक स्थिति प्रस्तुत करता है; वह प्रतिक्रिया चुनें जो मॉड्यूल के गवर्नेंस फ्रेमवर्क को सर्वोत्तम रूप से लागू करती है। लगभग पाँच मिनट।

---

स्क्रीन 8: मुख्य टेकअवे

मॉड्यूल 6 मुख्य टेकअवे·5 मिनट

पाँच चीजें जो इस मॉड्यूल में पकड़ी जाती हैं:

गवर्नेंस एक चिकित्सक कौशल है।

जिम्मेदार उपयोग एक समय में एक निर्णय द्वारा, आप द्वारा, नीति बाइंडर द्वारा नहीं किया जाता है।

Delegation मानदंड के साथ उपयोग केस को स्क्रीन करें।

प्रतिवर्तनीयता, परिणाम, मानव तत्व, और जवाबदेही एक उपयोग केस को उपयुक्त, उपयुक्त-समीक्षा-के-साथ, या अनुचित के रूप में वर्गीकृत करते हैं।

एक Skill सॉफ्टवेयर है।

सक्षम करने से पहले स्रोत और अनुमतियों का मूल्यांकन करें, जैसे आप किसी भी स्थापित सॉफ्टवेयर को करेंगे।

किसी भी फीचर में प्रवेश करने से पहले डेटा संवेदनशीलता जानें।

पहले वर्गीकृत करें, फिर Incognito, Memory नियंत्रण, और रिडैक्शन का उपयोग करके संवेदनशीलता से मेल खाने के लिए हैंडलिंग को मिलाएं।

नैतिक जोखिम साधारण आउटपुट में छिपा होता है।

दिनचर्या समीक्षा के भाग के रूप में पूर्वाग्रह, निष्पक्षता, और प्रकटीकरण के लिए मूल्यांकन करें, और अस्पष्ट केस के माध्यम से तर्क करें।

सभी उत्पाद व्यवहार विवरण जून 2026 के अनुसार claude. ai सुविधाओं पर आधारित हैं। फीचर उपलब्धता और व्यवहार को प्रकाशन पर वर्तमान Anthropic दस्तावेज़ों के विरुद्ध सत्यापित किया जाना चाहिए:

• AI Fluency Framework: Diligence और Delegation दक्षताएं

• Claude Help Center: Skills ट्रस्ट, Memory, Incognito, कोड निष्पादन डेटा हैंडलिंग, support. claude. com

• कोड निष्पादन सैंडबॉक्स egress और फाइल-हैंडलिंग विशिष्टताएं: पाठ 4 को अंतिम रूप देने से पहले वर्तमान व्यवहार की पुष्टि करें

• प्रवेश बिंदु द्वारा डेटा प्रतिधारण और कोई अनुपालन-दायरा भाषा (HIPAA, FedRAMP, ZDR): अंतिम रूप देने से पहले पुष्टि के लिए Anthropic खाता टीम को एस्केलेट करें

---

स्क्रीन 9: बधाई! आपने इस मॉड्यूल को सफलतापूर्वक पूरा किया।

मॉड्यूल पूर्ण एसोसिएट पथ·2 मिनट

आप अब किसी भी Claude तैनाती के लिए उपयोग-केस, डेटा, नीति, और नैतिकता निर्णय लागू कर सकते हैं। जिम्मेदारी से शासन करें, और Claude आपके संगठन की आवश्यकता वाली सीमाओं के भीतर रहता है।

M1: उत्पाद और मॉडल चयन

किसी भी दिए गए कार्य के लिए सही प्रवेश बिंदु, मॉडल, और सुविधाएं चुनें।

M2: Prompting

संरचित prompts बनाएं और उन्हें कार्य प्रकार के अनुसार अनुकूलित करें।

M3: आउटपुट मूल्यांकन

आउटपुट को सत्यापित करें और जानें कि मानव समीक्षा कब गैर-परक्राम्य है।

M4: वर्कफ़्लो एकीकरण

Delegation मानदंड के विरुद्ध एक वर्कफ़्लो को मैप करें और इसे सुरक्षित रूप से पुनः डिज़ाइन करें।

M5: कॉन्फ़िगरेशन

Projects, निर्देश, और Knowledge को कॉन्फ़िगर और बनाए रखें।

M6: गवर्नेंस

उपयोग-केस, डेटा, नीति, और नैतिकता निर्णय को जिम्मेदारी से लागू करें।

M7: समस्या निवारण

अंडरपरफॉर्मेंस का निदान करें और जब परिणाम कम पड़ें तो वर्कफ़्लो को अनुकूलित करें।

M8: कोर्स सारांश और अगले कदम

यात्रा को दोहराएं, परीक्षा के लिए तैयार करें, और Developer और Architect ट्रैक के लिए एस्केलेशन सीमाओं को पहचानें।