A relationship discovery in legal basis processing and fines : a case study in EU data protection law violations

Abstract

Since PDPA had just been enforced in Thailand, the implementation guideline regarding fine estimates has yet to be issued with a clear rationale for applying for fee enforcement in different conditions. The General Data Protection Regulation (GDPR) in the EU has been set up and enforced with many reported cases, which can be the foundation for this research. In addition, machine learning technology for legal work is fast growing and getting more attention in this era. Therefore, this research proposes to create a machine learning model suitable for predicting the fine based on publicly available GDPR reported cases since Thailand has not yet had any cases. After reviewing GDPR cases publicly available, this research was set up to include only cases with a basis and no reduced fine condition. The research protocol consists of two phases: the first phase is to identify the most appropriate AutoML model, and the second phase is to test the model using a simulation application. The result of the first phase reveals that the best model is the deep learning model since it creates the least root mean square error (RMSE). Moreover, the deep learning model selected six attributes as a basis to generate fines. After putting in ten cases using the simulation in the second phase, the result reveals that six out of ten cases align with the occurring cases. Therefore, this research confirms the possibility of the deep learning model with sixty percent accuracy. Implication of the thematic paper: This research proves the possibility and accuracy that the automated deep learning model is effective in generating the fee not only for the amount but also suggests the implication of this model to reduce human error and human bias as a personal opinion. Suppose the model is tested in a larger sample size or a large number of cases to validate its accuracy and scale it up nationwide.

เนื่องจากกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA) เพิ่งบังคับใช้ในประเทศไทย แนวปฏิบัติเกี่ยวกับการประเมินค่าปรับจึงยังไม่ได้รับการกำหนดด้วยแนวทางที่ชัดแจ้งสำหรับการกำหนดจำนวนค่าปรับในความผิดตามเงื่อนไขต่าง ๆ ของกฎหมาย กฎหมายคุ้มครองข้อมูลส่วนบุคคล (GDPR) ในสหภาพยุโรปซึ่งได้รับการจัดทำและบังคับใช้กับความผิดที่เกิดขึ้นแล้วเป็นจำนวนมากจึงสามารถใช้เป็นตัวอย่างพื้นฐานสำหรับการวิจัยนี้ได้ อีกทั้งเทคโนโลยีแมชชีนเลิร์นนิงสำหรับงานด้านกฎหมายก็เติบโตอย่างรวดเร็วและได้รับความสนใจมากขึ้นในปัจจุบัน จากที่กล่าวข้างต้น งานวิจัยนี้จึงเป็นการนำเสนอแนวทางการสร้างโมเดลแมชชีนเลิร์นนิงที่เหมาะสมในการทำนายค่าปรับโดยพิจารณาจากกรณีปัญหาที่เกิดขึ้นตามข้อมูลของคำตัดสินตามกฎหมายคุ้มครองข้อมูลส่วนบุคคลของสหภาพยุโรปที่มีการเผยแพร่ต่อสาธารณะ เนื่องจากประเทศไทยยังไม่มีกรณีที่สามารถนำมาใช้ในการศึกษาได้ ผู้วิจัยจึงทำการทบทวนข้อมูลจากคำตัดสินในปัญหาที่เกิดขึ้นภายใต้บังคับกฎหมายคุ้มครองข้อมูลส่วนบุคคลของสหภาพยุโรปที่มีการเผยแพร่ต่อสาธารณะแล้ว งานวิจัยนี้จึงจัดทำขึ้นโดยรวมเฉพาะคำตัดสินความผิดอันเนื่องมาจากการขาดฐานทางกฎหมายในการประมวลผล แต่ไม่รวมคำสั่งให้ปรับลดค่าปรับที่อาจมีในแต่ละคำตัดสิน โครงร่างงานวิจัยฉบับนี้ประกอบด้วยสองขั้นตอน ขั้นตอนแรกคือการระบุโมเดล AutoML ที่เหมาะสมที่สุด ขั้นตอนที่สองคือการทดสอบแบบจำลองโดยใช้แอปพลิเคชันในการจำลองค่าปรับที่เกิดขึ้น ผลลัพธ์ของขั้นตอนแรกเผยให้เห็นว่าโมเดลที่ดีที่สุดคือโมเดลการเรียนรู้เชิงลึก (Deep Learning) เนื่องจากมีค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) น้อยที่สุด นอกจากนี้ โมเดลการเรียนรู้เชิงลึกยังเลือกคุณลักษณะ 6 ประการเป็นพื้นฐานในการสร้างแนวคิดในการกำหนดค่าปรับ ในขั้นตอนที่สอง หลังจากใส่ข้อมูลเหตุการณ์ที่เกิดขึ้นจริงจำนวน 10 ชุดข้อมูล ผลปรากฏว่าหกในสิบชุดข้อมูลนั้นมีอัตราค่าปรับสอดคล้องกับการคาดเดาที่เกิดขึ้นจากการจำลองค่าปรับ ดังนั้นงานวิจัยนี้จึงยืนยันถึงความเป็นไปได้ของโมเดลการเรียนรู้เชิงลึกที่มีความแม่นยำถึง 60 เปอร์เซ็นต์ การนำผลของสารนิพนธ์ไปใช้: งานวิจัยนี้ได้พิสูจน์ให้เห็นถึงความเป็นไปได้และความแม่นยำที่โมเดลการเรียนรู้เชิงลึกสามารถมีได้ในการสร้างแนวคิดเพื่อคาดเดาค่าปรับ ซึ่งความเป็นไปได้นี้ไม่จำกัดเฉพาะการคาดเดาจำนวนเงินเท่านั้น แต่รวมถึงความเป็นไปได้ในการนำแบบจำลองนี้ไปใช้เพื่อกำหนดค่าปรับโดยปราศจากข้อผิดพลาดหรืออคติของมนุษย์ที่เกิดขึ้นจากความคิดเห็นส่วนตัว นอกจากนั้นหากแบบจำลองนี้ได้รับข้อมูลที่มีจำนวนมากขึ้น หรือได้ศึกษากรณีปัญหาที่มากขึ้นก็สามารถขยายขนาดของแบบจำลองให้สามารถใช้ครอบคลุมในระดับประเทศได้