--- title: "Usunięcie danych z modelu AI: kiedy sama kasacja rekordu nie wystarczy?" description: Usunięcie danych z modelu AI wymaga więcej niż kasacji rekordu. Sprawdź pytania do dostawcy, rolę IOD oraz dowody retreningu lub unlearningu. image: "https://ai4med.pl/img/usuniecie-danych-modelu-ai.jpg" date: 2026-08-08 author: Jacek Wyderka category: Dane i bezpieczeństwo tags: usunięcie danych, machine unlearning, RODO, dane pacjenta, dostawca AI url: "https://ai4med.pl/dane-i-bezpieczenstwo/usuniecie-danych-modelu-ai" inLanguage: pl --- # Usunięcie danych z modelu AI: kiedy sama kasacja rekordu nie wystarczy? Placówka może skasować rekord źródłowy i nadal nie wiedzieć, czy dane pacjenta wpłynęły na model AI. **Samo potwierdzenie „rekord usunięty” nie zamyka sprawy**: trzeba ustalić, gdzie zostały kopie, logi i pochodne oraz czy dostawca użył danych do uczenia lub dostrajania modelu. Ten news pokazuje, o jaki dowód zapytać. **Machine unlearning** (techniki ograniczania lub odwracania wpływu wskazanych danych na wytrenowany model) nie jest przyciskiem „zapomnij”. Czasem właściwą metodą będzie usunięcie danych ze zbioru i ponowny trening modelu, czasem wyspecjalizowana technika unlearningu, a czasem dostawca powinien wykazać, że danych w ogóle nie użyto do uczenia. **Administrator danych i IOD oceniają zakres żądania**, nie model AI. W krótkim newsie, nie chodzi o skrócenie procedury, lecz o oddzielenie deklaracji od dowodu. **Stan na: 8 sierpnia 2026 r.** ## Co zmieniła publikacja z 19 lipca — i czego nie dowodzi? 19 lipca 2026 r. w czasopiśmie *Knowledge-Based Systems* opublikowano badanie metody, która ma selektywnie usuwać reprezentacje związane z danymi przeznaczonymi do zapomnienia, bez etykiet podczas procesu unlearningu. Autorzy raportują wyniki dla kilku rodzajów usuwania i różnych architektur. To ważny sygnał, że **techniki stają się bardziej precyzyjne**, a nie tylko teoretyczne. Badanie nie dotyczyło polskiej dokumentacji medycznej ani konkretnego dużego modelu językowego używanego w klinice. **Nie dowodzi też zgodności produktu z RODO** ani skuteczności wobec danych jednego pacjenta. Manager może użyć publikacji do zadania lepszych pytań, ale nie jako certyfikatu dostawcy. ## Kasacja rekordu nie usuwa automatycznie czterech śladów Najpierw rozpisz zakres żądania na cztery miejsca. Jeśli placówka prowadzi już [rejestr danych przed pilotażem AI](/dane-i-bezpieczenstwo/rejestr-danych-ai), ma punkt wyjścia do tej pracy. **Brak któregoś miejsca na mapie oznacza brak pełnej odpowiedzi.** 1. **Rekord źródłowy** — formularz, plik, prompt albo wpis przekazany do usługi. 2. **Kopie i logi** — kopie robocze, backupy, telemetria i historia operacji z własną retencją. 3. **Zbiory pochodne** — dane do dostrajania, testów, ewaluacji lub uczenia kolejnej wersji. 4. **Wpływ na model** — parametry lub reprezentacje, których nie usuwa zwykłe skasowanie pliku. Ta lista nie przesądza, że każdy ślad trzeba usunąć w każdej sytuacji. **Pokazuje za to, gdzie administrator musi podjąć osobną decyzję** i gdzie potrzebuje informacji od podmiotu przetwarzającego lub dostawcy systemu. ## Pytania do dostawcy o metodę i wynik testu Nie pytaj tylko: „czy usuwacie dane?”. Poproś o **plan działnia dostawcy** dla konkretnej usługi, wersji modelu i rodzaju danych. Odpowiedź powinna rozdzielać co najmniej pięć pytań: - Czy dane placówki były używane do trenowania, dostrajania, testów albo ulepszania modelu? - Które kopie, logi i zbiory pochodne obejmuje żądanie, a które podlegają uzasadnionej retencji? - Czy metoda polega na ponownym treningu, unlearningu, odłączeniu adaptera czy usunięciu danych wyłącznie na poziomie aplikacji? - Jak dostawca sprawdza, że wskazany wpływ został ograniczony, a pozostałe funkcje modelu nie zostały niekontrolowanie uszkodzone? - Jaki dokument otrzyma placówka: identyfikator żądania, zakres, datę, wersję modelu, wynik testu i listę wyjątków? **Filtr wejścia lub odpowiedzi to nie to samo co usunięcie.** Oficjalne stanowisko ICO zwraca uwagę, że filtr może ograniczać ujawnienie informacji, ale nie usuwa ich z modelu. Dla managera różnica jest prosta: dostawca ma opisać zarówno działanie techniczne, jak i sposób jego weryfikacji. ## Administrator i IOD rozstrzygają zakres obowiązku 10 marca 2026 r. UODO opublikował praktyczny materiał o prawie do usunięcia. Urząd przypomina, że art. 17 RODO przewiduje podstawy żądania, lecz również wyjątki, między innymi obowiązek prawny, interes publiczny w zdrowiu publicznym i obronę roszczeń. **Prawo do usunięcia nie działa automatycznie i bez wyjątków.** W placówce medycznej może więc powstać rozdzielenie: dokumentacja lub inny rekord pozostaje przez wymagany okres, ale wtórne użycie w zbiorze treningowym nie ma już podstawy. Albo odwrotnie — dostawca wykaże, że system nie trenował na danych placówki, więc usunięcia wymagają wejścia, logi i kopie, lecz nie wpływ na model. **Taką kwalifikację zapisuje administrator z udziałem IOD**, a dostawca dostarcza fakty techniczne. Europejska Rada Ochrony Danych podkreśla też, że anonimowość modelu ocenia się indywidualnie: trzeba brać pod uwagę możliwość identyfikacji osoby i wydobycia jej danych z modelu. Sama etykieta „model anonimowy” **nie zastępuje analizy ani testu**. ## Co manager może sprawdzić dzisiaj? Weź jedną umowę i jedną procedurę obsługi praw osoby. **Nie używaj realnego żądania pacjenta do próbnego testu.** Na neutralnym scenariuszu sprawdź: - czy umowa zabrania trenowania na danych placówki albo dokładnie opisuje takie użycie; - kto przyjmuje żądanie i kto mapuje rekord, kopie, logi, zbiory pochodne oraz model; - czy dostawca ma termin, metodę, test i format potwierdzenia; - czy procedura pozwala zapisać wyjątek prawny oraz uzasadnienie dalszej retencji. **Warto iść dalej, gdy** dostawca pokaże zakres i dowód dla konkretnej wersji usługi. **Zatrzymaj projekt, gdy** odpowiedź kończy się na usunięciu konta, wyłączeniu filtra lub ogólnym zapewnieniu bez testu. AI może porządkować zatwierdzoną mapę i terminy, ale człowiek ocenia podstawę prawną, kompletność dowodu i zamknięcie żądania. ## Źródła - [Cha i in. — Label-agnostic, Representation-Level Machine Unlearning via feature disentanglement](https://doi.org/10.1016/j.knosys.2026.116283) — publikacja z 19.07.2026 r. opisuje i testuje selektywne usuwanie reprezentacji związanych z danymi przeznaczonymi do zapomnienia; nie jest badaniem klinicznym ani certyfikatem produktu. Sprawdzono: 2026-08-08. - [UODO — Prawo do usunięcia danych w praktyce](https://uodo.gov.pl/pl/493/4098) — polskie źródło urzędowe z 10.03.2026 r. porządkuje podstawy, wyjątki, terminy i dowody związane z art. 17 RODO. Sprawdzono: 2026-08-08. - [ICO — Engineering individual rights into generative AI models](https://ico.org.uk/about-the-ico/what-we-do/our-work-on-artificial-intelligence/response-to-the-consultation-series-on-generative-ai/engineering-individual-rights-into-generative-ai-models/) — oficjalne stanowisko rozróżnia filtry od faktycznego usunięcia danych z modelu i wskazuje potrzebę weryfikowalnych mechanizmów. Sprawdzono: 2026-08-08. - [EROD — opinia 28/2024 o danych osobowych w modelach AI](https://www.edpb.europa.eu/news/edpb-opinion-on-ai-models-gdpr-principles-support-responsible-ai_en) — oficjalne podsumowanie kryteriów indywidualnej oceny anonimowości modelu. Sprawdzono: 2026-08-08. - Okładka: [Dalila Dalprat na Pexels](https://www.pexels.com/photo/device-near-laptop-in-laboratory-5875562/)