Kjell Tore Guttormsen
20717102aa
ros = REFERENCE STANDARD (mot Plugin Playground-run2/scenarios/ros-lier-kommune.html) - parseMatrixRisk utvidet med _consumer-detection (ros når ## Top-risikoer eller ## Anbefaling), topRisks[] (max 5, fallback til threats sortert på severity-rank med alfabetisk tie-breaker), og recommendation (første avsnitt under ## Anbefaling) - R15 regression: hasTopRisks/hasAnbefal-detection er ikke-invasiv; Dpia-fixturer har ingen av disse seksjonene → _consumer=null, topRisks=[], recommendation='' (alle felt forblir uendret for dpia-rendereren) - renderRos wrapper renderPageShell med eyebrow=ROS; behold matrix 5x5 + radar 7-akser + threats; legg til top-risks-list, residual-pair og recommendation-card - ros.md fixture utvidet med ## Top-risikoer (5 trusler), Restrisiko: 4x3 to 2x2, og ## Anbefaling - RESTRISIKO key-stat utledes når residualPair finnes (samme monster som Dpia og Security) Sesjon 6 (v1.10.0) gjor en samlet README/CLAUDE/CHANGELOG-oppdatering for hele v1.10.0-loypet. [skip-docs]
69 lines
2.6 KiB
Markdown
69 lines
2.6 KiB
Markdown
# ROS-analyse — Demosystem
|
||
|
||
System: Demosystem (Acme AS)
|
||
Metodikk: NS 5814 / ISO 31000 + AI-trusselbibliotek
|
||
|
||
## Risikomatrise (5×5)
|
||
|
||
| Trussel | Sannsynlighet | Konsekvens | Score | Nivå |
|
||
|---------|---------------|------------|-------|------|
|
||
| Modell-drift som degraderer nøyaktighet | 4 | 3 | 12 | medium |
|
||
| Treningsdata-bias mot småbiler eller MC | 3 | 3 | 9 | medium |
|
||
| Adversarielle plate-design unngår OCR | 2 | 4 | 8 | medium |
|
||
| API-utilgjengelighet i kritisk periode | 2 | 4 | 8 | medium |
|
||
| Klage-saksbehandling overbelastet ved skalering | 4 | 3 | 12 | medium |
|
||
| Datatap pga manglende georedundans | 1 | 5 | 5 | low |
|
||
| Misbruk av AI-forklaring som bevis | 3 | 4 | 12 | medium |
|
||
| Kjedevirkning ved feil i objektregister | 2 | 5 | 10 | medium |
|
||
|
||
## Radar-akser (7 dimensjoner)
|
||
|
||
| Akse | Score (1-5) |
|
||
|------|-------------|
|
||
| Tilgjengelighet | 4 |
|
||
| Konfidensialitet | 4 |
|
||
| Integritet | 4 |
|
||
| Sporbarhet | 5 |
|
||
| Pålitelighet | 3 |
|
||
| Robusthet | 3 |
|
||
| Etterlevelse | 4 |
|
||
|
||
## Trusler
|
||
|
||
| ID | Beskrivelse | Severity | Tiltak |
|
||
|----|-------------|----------|--------|
|
||
| T-101 | Modell-drift over tid | high | Månedlig retraining-pipeline; alarm ved >2% nøyaktighetsfall |
|
||
| T-102 | Bias mot småbiler/MC | high | Stratifisert evaluering ved hver release |
|
||
| T-103 | Adversarielle plate-design | medium | Robusthetstest mot kjente angreps-mønstre |
|
||
| T-104 | API-utilgjengelighet | medium | Multi-region failover med RTO 1t |
|
||
| T-105 | Saksbehandlings-overbelastning | high | Automatisk batching + prioriteringsregler |
|
||
|
||
## Tiltak
|
||
|
||
| ID | Tiltak | Status | Eier |
|
||
|----|--------|--------|------|
|
||
| M-101 | Retraining-pipeline etablert | done | MLOps |
|
||
| M-102 | Stratifisert evalueringssett bygget | in-progress | Data Scientist |
|
||
| M-103 | Robusthetstest planlagt | planned | Sikkerhetsarkitekt |
|
||
| M-104 | Multi-region failover testet | done | Drift |
|
||
| M-105 | Batching-logikk implementert | in-progress | Tech Lead |
|
||
|
||
## Top-risikoer
|
||
|
||
| ID | Trussel | Score | Severity |
|
||
|----|---------|-------|----------|
|
||
| T-101 | Modell-drift over tid | 12 | high |
|
||
| T-105 | Saksbehandlings-overbelastning | 12 | high |
|
||
| T-107 | Misbruk av AI-forklaring som bevis | 12 | high |
|
||
| T-108 | Kjedevirkning ved feil i objektregister | 10 | high |
|
||
| T-103 | Bias mot småbiler/MC | 9 | medium |
|
||
|
||
Restrisiko: 4×3 → 2×2
|
||
|
||
## Anbefaling
|
||
|
||
ROS godkjent av seksjonsleder 2026-04-25 forutsatt at M-103 (robusthetstest) ferdigstilles innen 2026-06-15. Re-evaluering ved hver modell-release eller ved endring i sak-volum > 20%.
|
||
|
||
## Konklusjon
|
||
|
||
Restrisiko etter tiltak: medium. ROS godkjent av seksjonsleder 2026-04-25.
|