Petter Schultz
0c6bcb7782
Etablerer 9-mappe-arbeidsstruktur basert på Forte sitt startklar-malverk (Salg/_mal/startklar-malverk/), kalibrert for Nivå 1 (avgrenset strategisk, 6-8 uker). Inkluderer skeletter for: - 1. Oppdrag og kontekst (oppdragsbeskrivelse, leveranser, rammer, interessenter, møtelogg, møtenotat-mal) - 2. Organisasjonsforståelse (struktur, roller, nøkkelpersoner) - 3. System- og datalandskap (SuperOffice, Business Central, nopCommerce — fylles ut i Fase A-B) - 4. Informasjonsarkitektur (begrepskatalog, masterdata-og-eierskap, Data Governance prinsipper) — kjernen for leveranse 03 og 07 - 5. Personvern og sikkerhet (GDPR, Privacy by Design) - 6. AI-rammeverk (operasjonelle prinsipper — ny for Standard, bygger på Forte AI Accelerator) - 7. Standardisering og handlingsplan (avvik, prioritering, tiltak) - 8. Kontinuerlig læring (intervjuguider, åpne spørsmål, funn) - 9. Leveranser (Executive Summary, sluttrapport, leveranseplan) Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
64 lines
2.1 KiB
Markdown
64 lines
2.1 KiB
Markdown
---
|
|
title: "Datakvalitet som AI-premiss — Standard Online"
|
|
date: "YYYY-MM-DD"
|
|
tags: ["ai", "datakvalitet", "premiss"]
|
|
refs:
|
|
- "ai-prinsipper.md"
|
|
- "../4.informasjonsarkitektur/masterdata-og-eierskap.md"
|
|
- "../4.informasjonsarkitektur/datakvalitet-og-avvik.md"
|
|
qa:
|
|
status: "draft"
|
|
version: 1
|
|
---
|
|
|
|
# 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:
|
|
|
|
1. Tydelig **System-of-Record**
|
|
2. Definert **Dataforvalter**
|
|
3. Minimum akseptabel **datakvalitet** for use casen
|
|
4. 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 | [[../4.informasjonsarkitektur/masterdata-og-eierskap]] |
|
|
| Dataforvalter utnevnt | [[../4.informasjonsarkitektur/masterdata-og-eierskap]] |
|
|
| Begrepskatalog dekker entitetene | [[../4.informasjonsarkitektur/begrepskatalog]] |
|
|
| Datakvalitet kjent (måling utført) | [[../4.informasjonsarkitektur/datakvalitet-og-avvik]] |
|
|
| Personverntiltak på plass | [[../5.personvern-og-sikkerhet/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*
|