D6
Teknologi og kunstig intelligens
Dokumentet tilpassar Røyndsgransking til teknologiske system og kunstig intelligens ved å gjera datakjeder, modellar, mål, klassifikasjonar, grensesnitt, avgjerder, menneskelege roller, verknader og korrigeringsvegar sporbare.
Granskingstypar i domenet
Primære granskingstypar
- A3Modellgransking Prøver modellstruktur, parameter, mål, validering, usikkerheit, gyldigheitsområde og tilskriving til røynda.
- A5System- og institusjonsgransking Prøver datakjeder, implementering, eigarskap, avgjerdsvegar, overvaking, klage, insentiv og ansvar.
- A6Autoritetsgransking Prøver kven som har mandat til å definera mål, godkjenna systemet, overstyra output, ta avgjerder og svara for verknaden.
Støttande granskingstypar
- A1Språkgransking Prøver instruksar, systemmeldingar, klassifikasjonar, forklaringar, vilkår, ansvarsfråsegner og avgjerdsspråk.
- A2Identitetsgransking Prøver når profil, kategori, risikogruppe eller maskinell attribusjon tek plassen til personen og ny dokumentasjon.
- A4Representasjonsgransking Prøver dashbord, rangeringar, syntetisk innhald, visualisering, grensesnitt, forklaringar og framstilling av modelloutput.
- A7Praksisgransking Prøver faktisk bruk, menneskeleg kontroll, overstyring, oppfølging, avvik, skade, korrigering og læring.
Samandrag
Teknologiske system formidlar mellom menneske, data, modellar, reglar, institusjonar og handling. Dei kan utvida måling, analyse, kommunikasjon og koordinering, men kan òg skjula kjelder, forsterka feil, flytta ansvar og gjera modelloutput til styrande grunnlag utan tilstrekkeleg kontroll.
Dokumentet etablerer ei avgrensa og korrigibel gransking av systemet frå føremål og datagrunnlag til modell, implementering, brukargrensesnitt, avgjerd, faktisk verknad, klage og retting. Det føreset ikkje at automatisering eller KI er skadeleg, og det gjer heller ikkje teknisk funksjon eller marknadssuksess til prov på samsvar, tryggleik eller legitimitet.
Bruksdokumentet erstattar ikkje cybersikkerheitsstyring, personvernvurdering, produktsikkerheit, juridisk rådgjeving, sektorregulering, teknisk testing eller profesjonelt ansvar. Det organiserer dei skilja og dokumentasjonskrava som slike prosessar må kunna svara til.
Føremål og verkeområde
Føremålet er å gjera den teknologiske avgjerds- og verknadskjeda sporbar frå behov, data og modell til implementering, brukarhandling, avgjerd, faktisk konsekvens, klage og korrigering. Dokumentet granskar ikkje teknologi som ein einskapleg aktør og legg ikkje skjult intensjon til systemet.
Verkeområdet omfattar programvare, dataplattformer, algoritmiske system, automatiserte avgjerder, risikomodellar, anbefalingssystem, generativ KI, språkmodellar, sensor- og overvakingsteknologi, robotikk, digitale grensesnitt og kombinasjonar av menneskeleg og maskinell avgjerd.
Røyndsgransking føreset ikkje at eit teknologisk system er feil eller urettferdig. Ho kan enda i støtta samsvar, avgrensa samsvar, uavklart uvisse, utilstrekkeleg grunnlag, feil, fangstrisiko eller påvist fangst.
Teknologikjeda og avgjerande skilje
Ei teknologisk teneste går gjennom fleire ledd: føremål, krav, data, representasjon, modell, mål, implementering, test, utrulling, grensesnitt, brukarhandling, avgjerd, output, verknad, overvaking, klage og korrigering. Feil og ansvar kan oppstå i eitt eller fleire ledd.
Granskinga skal difor skilja data frå fenomen, modell frå røynd, output frå avgjerd, korrelasjon frå årsak, syntetisk innhald frå registrert spor, menneskeleg kontroll frå formell signering, og teknisk funksjon frå legitim og trygg bruk.
| Omgrep | Funksjon | Er ikkje automatisk |
|---|---|---|
| Data | Registrerte, avleidde eller genererte verdiar brukte av systemet. | Fenomenet, personen eller hendinga sjølv. |
| Treningsmateriale | Materiale brukt til å tilpassa eller læra ein modell. | Eit nøytralt eller representativt utsnitt av røynda. |
| Modell | Ei avgrensa struktur som omformar input til output etter reglar og parameter. | Den verkelege mekanismen eller objektet sjølv. |
| Mål- eller tapsfunksjon | Eit formalisert signal systemet vert optimalisert mot. | Heile det menneskelege eller institusjonelle føremålet. |
| Output | Skår, klassifikasjon, tekst, bilete, anbefaling eller anna systemresultat. | Ei avgjerd, forklaring, sann påstand eller rett handling. |
| Automatisert avgjerd | Avgjerd der systemoutput heilt eller delvis styrer resultatet. | Ansvar utan menneskeleg eigar. |
| Generert innhald | Nytt innhald produsert frå modell og instruks. | Registrert hending, original kjelde eller verifisert faktum. |
| Forklaring | Ei framstilling av kvifor eller korleis output vart produsert. | Full kausal eller normativ grunngjeving. |
| Menneskeleg kontroll | Reelt høve til å forstå, stansa, overstyra og korrigera. | At eit menneske berre trykkjer godkjenn eller står formelt i kjeda. |
| Treffsikkerheit | Eit mål på samsvar mot eit definert testgrunnlag. | Tryggleik, rettferd, generell gyldigheit eller legitim bruk. |
Mandat, livsløp, berørte personar og ansvar
Granskinga må avgrensa system, versjon, brukssituasjon, periode, brukargruppe og avgjerdskjede. Ho skal identifisera kven som definerte behov og mål, kven som leverte data og modell, kven som godkjende utrulling, kven som brukte output, og kven som kan stansa eller korrigera systemet.
Eit system kan endra åtferd gjennom modelloppdateringar, nye data, endra brukarpraksis, integrasjonar og kontekst. Versjon og tidsrom er difor del av sjølve granskingsemnet.
Avgrensa system
Identifiser produkt, modell, versjon, funksjon, integrasjon, brukargruppe, geografisk område og tidsrom.
Føremål og nødvendighet
Dokumenter problemet systemet skal løysa, kvifor teknologi eller KI er vald, og kva mindre inngripande alternativ som finst.
Aktør- og leverandørkjede
Kartlegg utviklar, dataleverandør, modellleverandør, integrator, kjøpar, operatør, avgjerdstakar og kontrollorgan.
Berørte personar
Identifiser kven som vert analysert, klassifisert, prioritert, påverka eller ekskludert, også personar som ikkje er direkte brukarar.
Avgjerd og konsekvens
Fastset kva output kan utløysa, kva rettar, tilgangar, ressursar eller handlingar som kan endrast, og kor alvorleg konsekvensen er.
Livsløp og endring
Dokumenter design, testing, utrulling, oppdatering, monitorering, avvik, tilbaketrekking og avslutting.
Kompetanse og habilitet
Registrer teknisk, fagleg, juridisk og etisk kompetanse, økonomiske interesser og behov for uavhengig kontroll.
Ansvarspunkt
Peik ut kven som eig føremål, data, modell, utrulling, enkeltsak, klage, korrigering og endeleg avgjerd.
Data, treningsmateriale, proveniens og representativitet
Data vert skapte gjennom utval, måling, registrering, kategorisering, samanstilling og avleiing. Datamengd gjer ikkje automatisk materialet representativt eller korrekt. Eit stort datasett kan gjenta ein systematisk feil i stor skala.
Treningsmateriale, evalueringsdata og produksjonsdata skal skiljast. Der persondata, opphavsrettsleg materiale, sensitive opplysningar eller materiale frå tredjepartar vert nytta, må heimel, tilgang, avgrensing og vern gjerast synlege.
Proveniens
Dokumenter opphav, innsamlingsmåte, tidspunkt, lisens, tilgang og endringar for relevante data.
Føremålssamsvar
Prøv om dataa er eigna for det konkrete formålet og den aktuelle populasjonen eller situasjonen.
Utval og fråvær
Kartlegg kven og kva som er representert, underrepresentert, overrepresentert eller heilt fråverande.
Merking og kategori
Dokumenter kven som merkte data, kva definisjonar som vart brukte, usemje, feilrate og endringar.
Rensing og transformasjon
Gjer filtrering, deduplisering, normalisering, syntetisering, imputering og avleidde variablar sporbare.
Datakvalitet og lekkasje
Prøv feil, manglande verdiar, kopiar, felles kjeldeopphav, tidslekkasje og samanblanding mellom trening og test.
Rettar og vern
Registrer personvern, opphavsrett, samtykke, teieplikt, sikkerheit, bruksvilkår og rett til sletting eller innsyn.
Korrigerbar datakjede
Fastset korleis feil vert retta i kjelde, avleidde datasett, modell, output og system som har motteke dataa.
Modellar, mål, validering og uvisse
Modellen må granskast saman med den funksjonen han er optimalisert mot, tersklar, parameter, testgrunnlag og brukskontekst. Ei modellmåling kan vera høg samtidig som målet representerer føremålet dårleg eller kostnaden ved feil er skeivt fordelt.
Validering innan eitt datasett eller éin institusjon etablerer ikkje automatisk gyldigheit etter endra tid, stad, språk, populasjon, utstyr eller praksis.
Modellidentitet
Dokumenter modelltype, versjon, parameter, treningsprosess, bibliotek, leverandør og kjende avgrensingar.
Mål og optimalisering
Gjer synleg kva signal, tapsfunksjon eller forretningsmål modellen vert optimalisert mot, og kva føremål dette berre representerer indirekte.
Ytingsmål
Vel mål som svarar til bruk og feilkonsekvens, og rapporter ikkje berre gjennomsnitt der undergrupper eller sjeldne hendingar er avgjerande.
Validering
Skil intern testing, ekstern testing, prospektiv testing, robustheit, stresstest og faktisk verknad etter utrulling.
Uvisse og kalibrering
Dokumenter korleis skår og sannsyn svarar til faktisk frekvens, og korleis uvisse vert vist til brukaren.
Gyldigheitsområde
Fastset kva populasjonar, språk, miljø, oppgåver og tidsperiodar modellen er prøvd for, og når han ikkje skal brukast.
Alternativ og sensitivitet
Prøv relevante alternative modellar, tersklar, feature-val og antakingar der desse kan endra konklusjonen.
Drift og modellendring
Overvak endra data, åtferd, feilrate, misbruk, oppdateringar og skilnad mellom testmiljø og faktisk bruk.
Automatiserte avgjerder, klassifikasjon og menneskeleg ansvar
Eit automatisert system kan støtta, rangera, filtrera eller utløysa ei avgjerd. Granskinga skal fastsetja om mennesket faktisk kan forstå og overstyra systemet, eller om menneskeleg deltaking berre gjev eit formelt stempel til outputen.
Ei klassifikasjon er ein modell- og regelbunden tildeling. Ho må ikkje gjerast identisk med personen, motivet, framtida eller den konkrete saka. Ny og individuell dokumentasjon må kunna korrigera kategorien.
Avgjerdsgrad
Dokumenter om systemet informerer, anbefaler, prioriterer, avviser, godkjenner eller sjølv utløysar tiltak.
Tersklar og reglar
Gjer tersklar, unntak, manuelle reglar og konsekvensen av ulike output synlege for ansvarlege roller.
Reell menneskeleg kontroll
Prøv om mennesket har tid, kompetanse, informasjon og fullmakt til å avvika frå output utan urimeleg kostnad eller sanksjon.
Individuell relevans
Fastset om saka inneheld opplysningar modellen ikkje kan representera, og korleis desse vert vurderte før avgjerd.
Forklaring og grunngjeving
Skil teknisk forklaring av output frå den faglege, juridiske eller normative grunngjevinga for avgjerda.
Ansvarleg avgjerdstakar
Identifiser ein person eller funksjon som eig den endelege avgjerda, kontradiksjonen og korrigeringa.
Klage og ny vurdering
Gje ei reell rute der faktum, kategori, modelloutput, regelbruk og avgjerd kan prøvast på nytt.
Etterverknad
Spor korleis skår og kategori vert lagra, delte og gjenbrukte, og korleis feil vert fjerna frå seinare avgjerder.
Generativ KI, output, kjelder og syntetisk innhald
Generativ KI produserer tekst, bilete, lyd, video, kode eller andre framstillingar på grunnlag av modell, instruks og kontekst. Outputen kan vera nyttig utan å vera ei kjelde, eit registrert spor eller ein verifisert påstand.
Granskinga skal synleggjera kva som er generert, kva kjelder eller kontekst som faktisk er kontrollerte, kven som redigerte eller godkjende, og kva påstandar som krev sjølvstendig verifikasjon.
Merking og status
Gjer synleg når materiale er heilt eller delvis generert, og skil output frå registrert kjelde, simulering og menneskeleg vurdering.
Kjeldekontroll
Verifiser sitat, namn, tal, lenkjer, rettsreglar, fagpåstandar og andre etterprøvbare element mot faktiske kjelder.
Instruks og kontekst
Dokumenter relevant systeminstruks, brukarinput, henta dokument, verktøybruk og avgrensingar der dette er nødvendig for å forstå outputen.
Hallusinasjon og overtyding
Test om språkleg flyt, sikker tone eller detaljnivå skjuler manglande grunnlag, motseiing eller oppdikta kjelder.
Opphavsrett og personvern
Vurder rettar og vern knytte til input, treningsmateriale, stilimitasjon, persondata, stemme, bilete og output.
Syntetisk identitet og representasjon
Hindre at generert portrett, stemme, sitat eller rolle vert presentert som ein faktisk person eller hending utan klår merking og grunnlag.
Menneskeleg redigering og ansvar
Identifiser kven som valde, redigerte, publiserte og tok ansvar for den konkrete bruken.
Korrigering og versjon
Gjer materiell feil synleg, oppdater avleidde dokument og registrer kva outputversjon som vart brukt i ei avgjerd eller publisering.
Tryggleik, sikkerheit, robustheit, misbruk og monitorering
Teknisk yting under normale testvilkår er ikkje det same som tryggleik under faktisk bruk. Granskinga må inkludera feilmodusar, angrep, uventa interaksjonar, misbruk, menneskelege tilpassingar og konsekvensen av svikt.
Sikkerheit kan krevja at detaljar ikkje vert offentleggjorde. Avgrensa innsyn skal då registrerast som ei avgrensing, ikkje fyllast med førehandskonklusjonar.
Fare- og trusselmodell
Identifiser skade, misbruk, motstandarar, utilsikta bruk, avhengigheiter og personar eller system som kan råkast.
Test og stresstest
Prøv normale, ekstreme, sjeldne og fiendtlege situasjonar som er relevante for bruken.
Tilgang og kontroll
Avgrens data, modell, verktøy, administratorrettar og farlege funksjonar etter nødvendig rolle og sporbar bruk.
Feiltoleranse og stans
Definer sikker fallback, menneskeleg overstyring, isolering, varsling og høve til rask stans eller tilbakeføring.
Hending og rapportering
Registrer feil, nesten-hendingar, misbruk, brot, skade og uventa effekt med ansvar og tidsnær oppfølging.
Overvaking etter utrulling
Følg yting, endra data, undergrupper, sikkerheitsbrot, klagar, overstyringar og faktiske verknader.
Leverandør- og forsyningskjede
Kartlegg tredjepartsmodellar, bibliotek, skytenester, oppdateringar, avhengigheiter og varsling om sårbarheiter.
Uavhengig kontroll
Bruk ekstern eller skild kontroll der konsekvens, eigeninteresse, kompleksitet eller manglande innsyn gjer intern vurdering utilstrekkeleg.
Personvern, rettar, likskap, tilgang og klage
Teknologi kan gjera inngrep usynlege ved å spreia dei mellom datakjelde, leverandør, modell og brukarorganisasjon. Granskinga skal gjera det mogleg å identifisera kva som vart gjort, på kva grunnlag, av kven og med kva rett til innsyn, svar og korrigering.
Lik behandling er ikkje identisk med lik output. Granskinga skal prøva om relevante likskapar og skilnader er representerte, om feil vert skeivt fordelte, og om personar kan koma ut av ein feil kategori.
Dataminimering
Samla og bruk berre data som er relevante og nødvendige for det dokumenterte formålet.
Informasjon og forståelegheit
Gje berørte personar forståeleg informasjon om systembruk, datakategoriar, konsekvens og ansvarleg aktør.
Innsyn og tilgang
Fastset kva data, output, logg, regel og grunngjeving den berørte kan få tilgang til innanfor lovlege grenser.
Rett til retting
Gjer det mogleg å korrigera kjeldedata, kategori, attribusjon og avleidde konsekvensar i heile kjeda.
Likskap og undergrupper
Prøv feilrate, tilgang og konsekvens for relevante grupper utan å gjera gruppeanalyse til ein totaldom over individet.
Tilgjenge og ekskludering
Vurder språk, funksjonsevne, digital tilgang, kompetanse og alternative kanalar for dei systemet ikkje tener.
Klage utan gjengjelding
Vern spørsmål, reservasjon, klage og krav om menneskeleg vurdering mot negative klassifikasjonar utan sjølvstendig grunnlag.
Effektiv overprøving
Sørg for at ein kompetent aktør kan endra avgjerda, retta data og stansa vidare bruk, ikkje berre forklara systemet.
Kombinasjon av granskingstypar og funn
Teknologi- og KI-saker krev ofte fleire granskingstypar. Kvar type skal ha sitt eige spørsmål og materiale. Ein modellfeil etablerer ikkje automatisk systemfangst; ei uforståeleg forklaring etablerer ikkje automatisk ulovleg avgjerd; og skjev output etablerer ikkje automatisk motiv eller diskriminering.
Funn skal avgrensast til system, versjon, bruk og dokumentert konsekvens. Dei skal skilja teknisk yting, datakvalitet, modellvaliditet, praksis, rettar, autoritet og systemstyring.
| Kategori | Forsvarleg formulering | Overstrekt formulering |
|---|---|---|
| F1 — Støtta samsvar | Systemet svarar til dokumentert føremål og testgrunnlag innanfor det avgrensa gyldigheitsområdet, med sporbar menneskeleg kontroll og korrigeringsveg. | Systemet er intelligent og objektivt. |
| F2 — Kvalifisert samsvar | Ytinga er støtta for hovudpopulasjonen, men dokumentasjonen for to språkgrupper og langtidseffekt er avgrensa. | Systemet verkar eller verkar ikkje. |
| F3 — Uavklart uvisse | Materialet gjer det ikkje mogleg å skilja modellendring frå endra brukarpraksis som forklaring på den nye feilraten. | Begge forklaringane er like sanne. |
| F4 — Utilstrekkeleg grunnlag | Det finst ikkje uavhengig validering for den aktuelle populasjonen og avgjerdskonsekvensen. | Modellen er ubrukeleg. |
| F5 — Feil eller motseiing | Systemet omtalar outputen som individuell risiko, medan dokumentasjonen berre støttar gruppestatistisk samvariasjon. | Alle resultata er falske. |
| F6 — Fangstrisiko | Modellskåren får prioritet i avgjerdsgrunngjevinga medan individuelt motmateriale vert redusert til fritekst; om skåren styrte utfallet krev vidare prøving. | Algoritmen har teke over. |
| F7 — Fangst påvist | I den avgrensa avgjerdskjeda er risikoskåren dokumentert som erstatning for korrigerte saksopplysningar; relevant overstyring vart avvist og gav konkret tap av tilgang. | Kunstig intelligens har fanga institusjonen. |
Korrigering, styring, vern og vidare program
Korrigering skal rettast mot kjelda til funnet: data, kategori, modell, terskel, grensesnitt, prosedyre, rolle, avgjerd, leverandørvilkår eller institusjonelt insentiv. Tiltaket skal vera proporsjonalt og ha ansvar, frist, verknadsmål, sideverknadstest og høve til tilbakeføring.
Ei oppdatering eller ny modellversjon er ikkje i seg sjølv prov på korrigering. Organisasjonen må visa kva som vart endra, kva tidlegare output og avgjerder som vart råka, om berørte personar fekk retting, og om den faktiske verknaden vart betre.
Rett kjeldeledd
Rett feilen der han oppstod og spor konsekvensar gjennom data, modell, system, avgjerd, register og berørte personar.
Mellombels vern
Stans, avgrens eller legg inn menneskeleg kontroll når uvissa eller konsekvensen gjer vidare bruk uforsvarleg.
Synleg endring
Dokumenter versjon, endringsgrunn, test, godkjenning, utrulling og kva tidlegare resultat som må prøvast på nytt.
Individuell reparasjon
Rett data, kategori, avgjerd, tilgang og andre konkrete verknader for personar som vart råka av dokumentert feil.
Ansvar og leverandørstyring
Fastset ansvar mellom leverandør og brukarorganisasjon utan at kontrakt eller teknisk kompleksitet gjer ansvarslinja tom.
Uavhengig etterprøving
Bruk uavhengig kontroll ved høg risiko, store asymmetriar, manglande innsyn eller alvorleg konsekvens.
Effekt og sideverknad
Prøv om rettinga faktisk reduserer feilen utan å skapa ny skade, utestenging, tryggingssvikt eller målforskyving.
Avslutting og utfasing
Definer vilkår for lukking, ny vurdering, rollback, utfasing, datasletting og bevaring av nødvendig revisjonsspor.
Grunnlag og referansar
- DET SOM ERGrunnverk for tilhøvet mellom røynd, kunnskap, språk, modell, system og praksis.
- Korrigibel realismeFilosofisk plassering av samsvar, sporbarheit og korrigerbarheit.
- RøyndsgranskingMetodisk oversyn og felles prinsipp.
- GranskingsstandardNormative krav til dokumentert gransking.
- Gjeldande teknologi-, KI-, personvern-, forbrukar-, arbeids-, tryggings- og sektorreglarMå leggjast til etter system, jurisdiksjon og bruk; dette dokumentet erstattar dei ikkje.
Revisjonshistorikk
- Dokumentversjon
- 1.0
- Fyrst publisert
- 18. juni 2026
Fyrste offentlege utgåve.