Milyen adatkormányzási és adatminőségi követelmények élnek a magas kockázatú AI tanítóadatára?
A 10. cikk (2) nyolc adatkormányzási gyakorlatot ír elő a tanító, validációs és teszt adathalmazokra, a (3) bekezdés pedig az anyagi mércét: relevánsak, kellően reprezentatívak, a lehető legnagyobb mértékben hibamentesek és teljesek legyenek. Hibátlan adathalmazt a jogalkotó nem követel, hanem a rendeltetéshez mért, dokumentált gondosságot.
A nyolc gyakorlat lefedi a tervezési döntéseket, az adatgyűjtés folyamatát és az adatok eredetét, az adat-előkészítést (annotálás, címkézés, tisztítás, frissítés, gazdagítás, aggregálás), a feltételezések megfogalmazását arról, mit hivatott az adat mérni, az adathalmazok rendelkezésre állásának és alkalmasságának értékelését, a torzítások vizsgálatát, a torzítások mérséklésére hozott intézkedéseket, valamint a megfelelést gátló adathiányok azonosítását.
A hatály szűkebb, mint sokan gondolják. A 10. cikk (1) csak azokra a magas kockázatú rendszerekre vonatkozik, amelyek modellek adatokkal való tanításával járó technikákat alkalmaznak; a (6) szerint a nem tanított, szabályalapú vagy determinisztikus rendszereknél a követelmények kizárólag a teszt adathalmazokra állnak. A (4) bekezdés a földrajzi és kontextuális sajátosságok figyelembevételét írja elő — magyar HR-alkalmazásnál például az USA-alapú tanítóadat önmagában is megfelelőségi kockázat.
Az (5) bekezdés a GDPR-metszéspont: a szolgáltató kivételesen kezelhet különleges kategóriájú adatot torzításdetektálás céljából, szigorú együttes feltételekkel (más adattal nem érhető el a cél, korszerű biztonsági intézkedések, hozzáférés-korlátozás, továbbítási tilalom, törlés a cél elérése után). A Digital Omnibus ezt a jogalapot kiterjesztette valamennyi AI-rendszerre és GPAI-modellre, szükségességi teszttel.
A dokumentált képzés az, ami igazolható
A 4. cikk gondossági kötelem: nem a tudás önmagában számít, hanem hogy a cég bizonyíthatóan tett érte. Az alapcsomagunkkal ez ingyen elkezdhető.
Ingyenes kezdésKapcsolódó kérdések
- Milyen minőségű tanítóadat kell az AI Act szerint?
- Kezelhetünk-e különleges adatot torzításvizsgálathoz?
- Vonatkozik-e a 10. cikk a szabályalapú rendszerekre?
- Elég-e külföldi tanítóadat egy magyar HR-rendszerhez?
- Hogyan dokumentáljuk az adatok eredetét?
- Mit változtatott a Digital Omnibus az adatkezelésen?
- Mit jelent a kellően reprezentatív adathalmaz?
Tovább a tudásbázisban
- Mi a szolgáltató kötelezettségeinek teljes listája magas kockázatú AI-rendszernél?A 16. cikk tizenkét pontban sorolja fel őket, két rétegben. A termék-réteg a 8–15. cikk: kockázatkezelés, adatkormányzás, műszaki dokumentáció, naplózás, átláthatóság, emberi felügyelet, pontosság és kiberbiztonság. A szervezeti réteg a 17–21., 43. és 47–49. cikk: minőségirányítás, dokumentumőrzés tíz évig, megfelelőségértékelés, EU-megfelelőségi nyilatkozat, CE-jelölés és regisztráció.
- Mit kell tartalmaznia a magas kockázatú AI műszaki dokumentációjának és naplózásának?A műszaki dokumentációt a piacra hozatal előtt kell elkészíteni és naprakészen tartani, és a IV. melléklet kilenc pontját kell lefednie. A dokumentációt tíz évig, a szolgáltató kezelésében lévő automatikus naplókat legalább hat hónapig kell megőrizni; az alkalmazói oldalon ugyanez a hat hónap él a 26. cikk (6) alapján.
- Mi a Digital Omnibus on AI, és mikortól hatályos?A Digital Omnibus on AI az AI Actet módosító egyszerűsítési rendelet, amelyet 2026. július 24-én hirdettek ki a Hivatalos Lapban (EU) 2026/1744 számon, és 2026. július 27-én lépett hatályba. Az általa hozott haladékok és szövegmódosítások tehát ma hatályos jog, nem tervezet és nem feltételes állapot.