Files

Petter Schultz 1d85656e96 Gjør all dokumentasjon tilgjengelig i repo og fiks alle lenker

Tidligere refererte repoet til dokumentasjon som lå utenfor (i Salg/_mal/),
og brukte Obsidian-wikilinks [[...]] som ikke er klikkbare i Gitea. Begge
deler gjorde at lenker var døde i Gitea-web.

Endringer:
- Hentet inn arbeidsdokumentene som faktisk brukes under oppdraget:
  _metode/ (00-konvensjoner, 01-startklar-sjekkliste, 02-gjennomforing)
  artefakter/ (risikoregister, integrasjonslandskap, workshop-agenda,
  domenemodell-skjema)
- Konverterte 82 Obsidian-wikilinks til standard markdown-lenker med
  korrekte relative stier — klikkbare både i Gitea og lokalt
- Begrepsord i begrepskatalogen ([[Bedrift]] etc.) ble til ren tekst
  (de var aldri filer)
- Oppdaterte konvensjonsdokumentet til å foreskrive standard markdown,
  ikke wikilinks (med begrunnelse: Gitea rendrer ikke [[...]])
- Oras/Kirken/salgsmateriale er nå tydelig merket som eksterne
  arbeidsområde-referanser (andre kunder / salgsfase), ikke
  dinglende lenker som lot som de var i repoet

Verifisert: 133 ekte interne lenker resolver korrekt. De 4 gjenværende
treffene i validering er kodeeksempler i backticks (viser lenke-syntaks),
ikke faktiske lenker.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

2026-05-27 10:34:14 +02:00

2.3 KiB

Raw Permalink Blame History

title, date, tags, refs, qa, version

title

date

Datakvalitet som AI-premiss

Prinsipp

AI-agenter blir bare så pålitelige som dataene under dem. En agent settes ikke i produksjon mot et domene før domenet har:

Tydelig System-of-Record
Definert Dataforvalter
Minimum akseptabel datakvalitet for use casen
Sporbar datakilde for treningsdata (hvis aktuelt)

Modenhets-gate per domene

Per masterdata-domene må følgende være på plass før AI-agenter slippes inn:

Krav	Lenke
SoR tildelt	masterdata-og-eierskap
Dataforvalter utnevnt	masterdata-og-eierskap
Begrepskatalog dekker entitetene	begrepskatalog
Datakvalitet kjent (måling utført)	datakvalitet-og-avvik
Personverntiltak på plass	tiltak-for-innebygd-personvern
Tilgangsstyring etablert	identifiserbarhet-og-tilgang

Per use case

AI-use case	Domene(r)	Modenhet	Klar for produksjon?

Garbage in, garbage out

Konkrete risikoer hvis datakvalitet ikke er på plass:

Hallusinasjon-amplifisering: LLM-er bygger på data — dårlig data gir feilaktige svar med høy konfidens
Skjevhet (bias): Manglende eller skjev data gir diskriminerende output
Reproduserbarhet: Uten kjent kilde kan man ikke reprodusere eller fikse feil
Ansvar: Hvem svarer for feil hvis dataeier ikke er utpekt?

AI-treningsdata

Hvis modeller trenes på Standard Onlines data:

Behandlingsgrunnlag: Hva er GDPR-grunnlaget for å bruke persondata til trening?
Anonymisering: Kan data anonymiseres før trening?
Sletting: Hvordan håndteres sletteforespørsler — må modellen retrenes?
Versjonering: Hvilken datasnapshot trente vi på?

Klassifisering: Begrenset

2.3 KiB Raw Permalink Blame History