refactor(examples): replace sector-specific example material with generic, fictitious examples

Reference files, test fixtures, the playground demo project and one design
document now use generic, fictitious examples (buildings, energy, water,
grants, municipal services). The playground demo (17 fixtures plus the
embedded demo state) tells one consistent story: a municipal customer
chatbot that pre-screens housing-benefit applications, classified under
Annex III point 5(a). The embedded demo copies were edited in place rather
than regenerated, because they already carry newer AI Act dates than the
fixture files.

Legal text is unchanged. Test semantics are unchanged. Four dark-theme
onboarding screenshots with outdated placeholder text are removed.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

2026-09-23 14:03:53 +02:00

2.6 KiB

Raw Permalink Blame History

ROS-analyse — Acme Kunde-chatbot

System: Acme Kunde-chatbot (Acme Kommune) 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 nynorsk og andre språk	3	3	9	medium
Manipulerte vedlegg unngår OCR-kontroll	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 vedtaksbegrunnelse	3	4	12	medium
Kjedevirkning ved feil i fagsystemet	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 nynorsk og andre språk	high	Stratifisert evaluering ved hver release
T-103	Manipulerte vedlegg	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 vedtaksbegrunnelse	12	high
T-108	Kjedevirkning ved feil i fagsystemet	10	high
T-103	Bias mot nynorsk og andre språk	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.

2.6 KiB Raw Permalink Blame History Unescape Escape