Råd for ansvarlig utvikling og bruk av kunstig intelligens i offentlig sektor

Vi bør være forsiktige med å spørre oss selv "om" vi skal bruke kunstig intelligens. Fremover vil det nok heller spørsmålet være "hvordan" vi skal bruke det. Dette skyldes at KI allerede har begynt å bli integrert i mange av IT-systemene våre, og dette vil fortsette å skje i en stadig økende grad i fremtiden. Å spørre "om" vi skal bruke KI vil kunne bli en utdatert tilnærming, og vi må heller fokusere på å finne ut hvordan vi kan utnytte teknologien på tryggest mulig måte.

For deg som skal utvikle KI-systemer er det særlig to overordnede punkter du må være oppmerksom på:

1. Hvilke krav må jeg ivareta ved utviklingen av KI-systemet?

Selv om de fleste regler knytter seg til bruken av et KI-system, er det også regler som er relevante for selve utviklingen. Dette gjelder særlig ved bruk av data for å trene KI-modellen og det kan du lese om i punktet "Bruk av data".

2. Hvordan kan jeg bidra til at KI-systemet bli brukt på en god måte?

I tillegg til pliktene du har ved utviklingen av KI-modellen, må du hjelpe den som skal bruke KI-modellen med å gjøre dette på en ansvarlig måte:

• Gi informasjon til brukeren: Ofte vil du som utvikler være den som kjenner KI-modellens muligheter og begrensninger best. Brukeren kan være avhengig av informasjon fra deg for å gjøre gode beslutninger om bruken. Gi informasjon til brukeren om fordeler, ulemper og mulige risikoer og hvordan slike risikoer kan reduseres. På denne måte kan du bidra til at brukeren tar i bruk KI-modellen på en trygg og ansvarlig måte.
• Vær åpen om forutsetningene for systemet: Du har trolig et sett med testdata som ligger til grunn for tall om treffsikkerhet i prediksjoner og liknende. Det er ikke sikkert at dataene som brukeren har og skal benytte KI-systemet på vil gi samme treffsikkerhet som testdataene. Vær åpen om hvilke testdata og andre forutsetninger som ligger til grunn slik at brukeren kan få et godt resultat.

• Regelverket gjelder selv om det ikke er tilpasset kunstig intelligens: Kunstig intelligens kan være et verktøy for å løse en oppgave, men kravene i regelverkene gjelder normalt uavhengig av hvilket verktøy du benytter for å løse oppgaven.
• Inngrep krever hjemmel i lov: Et grunnleggende utgangspunkt for den offentlige forvaltningen er at inngrep i innbyggerens rettigheter trenger hjemmel i lov. Dette følger blant annet av Grunnlovens § 113 og gjelder absolutt, selv om kravene til det rettslige grunnlaget varierer med inngrepets art og størrelse.
• Sørg for grundige risikovurderinger: Risiko kan defineres som kombinasjonen av sannsynlighet og konsekvens av en uønsket hendelse. Ha et bevisst forhold til hvilke risikoer som eksisterer for den konkrete bruken av et KI-system. Bruk tid på å forstå den teknologien du skal ta i bruk og snakk med de som har utviklet den om fordeler, ulemper og risiko. Sørg for at risikoen er forankret på et tilstrekkelig høyt nivå i en virksomhet. På siden Hvordan vurderer jeg risiko ved bruk av kunstig intelligens? | Digdir kan du lese mer om hvordan en risikovurdering for KI-systemer kan gjennomføres.
• Kjør alltid et pilotprosjekt: Ikke ta i bruk en KI-løsning uten at den er testet ut. Ved å begynne et KI-prosjekt med en pilot kan du utforske i tryggere rammer. Dette har en side til risikovurderingene, utprøving av KI i et pilotprosjekt betyr at du har en ramme hvor konsekvensene kan være mindre dersom det går galt.
• Tenk bredt om risikoreduserende tiltak: I tillegg til tiltak som reduserer en konkret risiko, går det an å vurdere kompenserende tiltak. Med dette mener vi tiltak som kan redusere konsekvensen av en uønsket hendelse, uten å påvirke sannsynligheten. Eksempelvis:
  • Vurder frivillig deltakelse der det er mulig
  • Gode kontrollrutiner
  • Gode og effektive klagemuligheter
  • Alltid manuell etterprøving av avslag og andre negative vedtak
  • Stor grad av åpenhet slik at brukerne kan føle seg trygge på resultatene.
• Overoppfyll risikoreduserende tiltak: Kunstig intelligens er avansert og relativt ny teknologi. Mange kan derfor være bekymret for denne teknologien, og du bør vurdere å «overoppfylle» de risikoreduserende tiltakene. Eksempelvis, ikke tenk hva som er lovens minimumskrav for klage, men gå lengre for å sikre en svært god klagemulighet. Dette bidrar til å sikre tilliten, og dermed en mer effektiv bruk av KI på lengre sikt.
• Vurder når et KI-system klart for å tas i bruk: Ha et bevisst forhold hvordan du avgjør at et KI-system er godt nok til å tas i bruk. Det kan være flere metrikker for å avgjøre når et KI-system er godt nok:
  • Sammenlikning med mennesker: Hvorvidt systemet leverer like godt som eller bedre mennesker kan være en mulig tilnærming.
  • Effektivitetsgevinst: Er effektivitetsgevinsten så stor at den veier opp for negative konsekvenser. Dette er en metrikk som bør benyttes med varsomhet, men det kan være aktuelt i visse situasjoner. For mange ytelser kan tid være en faktor på lik linje som kvalitet. Eksempelvis kan det være bedre å få et raskt maskinelt behandlet vedtak i dag, enn et grundig manuelt behandlet vedtak om et år.
• Meld inn KI-prosjektet til "Oversikt over kunst intelligens i offentlig sektor": Sammen med NORA.ai har Digitaliseringsdirektoratet laget en oversikt over kunstig intelligens i offentlig sektor. Oversikten skal bidra til åpenhet, effektiv ressursbruk og ansvarlig bruk av kunstig intelligens i offentlig sektor. Oversikten er best når vi får med alle pågående prosjekter. Meld inn ditt KI-prosjekt her og se oversikten her.

For deg som skal utvikle KI-løsninger er bruk av data først og fremst knyttet til trening, testing og validering av modellen. Som et overordnet utgangspunkt må du være trygg på at du har adgang til å bruke de dataene du skal benytte. Dette gjelder uansett hvilket format dataene er; CSV-filer, samlinger av bilder, lyd, video, 3D-modeller og så videre kan være underlagt ulike begrensninger.

Rettigheter til dataen:

For spørsmål om rettigheter til dataen kan lisenser gi deg god hjelp. Det finnes mange forskjellige lisenser, men noen som i utgangspunktet åpner for fri bruk er:

• MIT og NLOD: Disse lisensene gjør det i utgangspunktet mulig for deg å fritt benytte data til en KI-modell. Det følger imidlertid visse unntak og du må lese lisensen for å se om disse er aktuelle.
• Creative Commons (CC): Det finnes flere versjoner av CC-lisenser. Noen av dem, slik som CC0, gjør det fritt for deg å benytte data til trening av en KI-modell.

Hvis ikke du finner informasjon om lisenser til dataene, kan følgende spørsmål være til hjelp:

• Ligger dataene til grunn for en forretningsmodell? Et godt spørsmål å stille seg er om aktøren du ønsker å hente informasjon fra tjener penger på denne informasjonen. Dersom de gjør det, så er det mye som tyder på at du ikke kan hente denne informasjonen fritt.
• Sjekk «robots.txt»: Dersom du skal automatisk innhente informasjon fra en nettside «Scraping» av nettsider», kan du se om du finner en robots.txt på rotnivå som kan fortelle deg om de tillater automatisk uthenting av informasjon fra deres nettsider. Dette garanterer ikke at du fritt kan benytte dataen, men det kan gi noen viktige indikasjoner.
• Ta kontakt med virksomheten: Ikke benytt data uten at du er sikker på at du har tillatelse. Ta kontakt med den aktuelle virksomheten om du er i tvil.

Personopplysninger, taushetsbelagt informasjon og gradert informasjon.

Hvorvidt du kan benytte personopplysninger, taushetsbelagt informasjon og gradert informasjon kan være komplekse spørsmål. Hvis du utvikler løsninger for en offentlig myndighet, bør du ha avklart med juridiske ressurser om dataen kan benyttes til det aktuelle formålet.

• Behandling av personopplysninger reguleres av personvernforordningen. For utvikling av kunstig intelligens betyr det blant annet at behandlingsgrunnlaget må dekke trening av KI-modellen, at du ikke må bruke mer personopplysninger enn det som er nødvendig for formålet og at du må vurdere innebygget personvern. Du kan lese mer om dette her.
• Taushetsplikt reguleres generelt av forvaltningslovens § 13 flg. I tillegg kan det finnes mer spesifikke taushetsplikter for eksempelvis leger og advokater. Disse reglene er ikke tilpasset trening av ulike modeller. Reglene skal først og fremst hindre at opplysningen blir kjent for andre. Det kan bety at det må vurderes i hvilken grad treningsprosessen innebærer at informasjonen blir kjent for uvedkommende i strid med regelverket.
• Gradert informasjon og skjermingsverdig informasjon reguleres blant annet av sikkerhetsloven. Hvis du skal benytte slik informasjon til utviklingen av en KI-modell bør du være særlig forsiktig og ikke gå frem uten å ha avklart med relevante juridiske ressurser.

Blir ikke opplysningene anonymisert i treningen?

Ved trening av maskinlæringsmodeller basert på eksempelvis nevrale nettverk blir treningsdataene brukt til å justere vekter. Det kan spørres om en slik treningsprosess egentlig anonymiserer individer i et treningssett på samme måte som statistikk om en større gruppe ikke kan knyttes til individer. Dette ville kunne tilsi at trening av en algoritme ikke behøver noe mer rettslig grunnlag enn det som er nødvendig for anonymisering av de tilsvarende dataene.

Selv om trening i dag i mange sammenhenger kan lede til anonymisering er det viktig å være bevisst sikkerhetsutfordringer slik som «model-inversion-attack». Dette viser at det i noen sammenhenger kan være mulig å hente ut informasjon om treningsdataen fra en KI-modell, selv om ikke denne nødvendigvis vil være helt tilsvarende treningsdataen.

I denne forbindelse er det viktig med en «føre-var»-tilnærming. Selv om vi i dag ikke kan hente ut treningsdata fra store nevrale nett, kan det tenkes at dette i fremtiden vil være mulig. Da er det problematisk om store nevrale nett i dag trenes på mange opplysninger under forutsetning av at kun strukturen vil bli med videre og at selve datapunktene vil forbli anonyme.

KI-systemet benytter informasjon til trening av en KI-modell. Normalt er dette ofte store mengder informasjon. I tillegg til trenger KI-systemet data som input når det skal brukes. Eksempelvis trenger ChatGPT informasjon for å kunne beregne et svar eller et system som predikerer sykefravær trenger informasjon om den eller de som er gjenstand for prediksjonen. Dette er ikke annerledes enn fra tradisjonelle IT-systemer som også bearbeider input i henhold til en algoritme.

Ved bruke av KI-systemer er det inputen du må ha et særlig forhold til. Hvis du har sittet tett på utviklingen, vil du kjenne til hva som skjer med dataen som benyttes som input. Blir den lagret noe sted, benyttes den til å videre trene KI-modellen, eller blir den borte når resultatet er kalkulert?

Hvis du ikke har sittet tett på utviklingen, er det grunn til å være varsom. Informasjonen vi «prompter» systemer som eksempelvis ChatGPT med vil kunne benyttes til en rekke formål. Generelt kan vi anta at informasjonen vil på ulike måter bli brukt til å forbedre systemet. Vi anbefaler å vurdere de spesifikke selskapenes personvernerklæring for nærmere vurdere hva som skjer med informasjonen vi benytter til «promting».

Informasjonen skal bare brukes og ikke lagres

For det tilfellet at dataene bare holdes i arbeidsminnet på KI-systemet under kalkulering av resultatet, kan det legges til grunn at dataene ikke lagres noe sted. Da behøver du ikke å forholde deg til rettslige krav til lagring. Rent praktisk er det relativt liten risiko dersom dataen kun holdes i arbeidsminnet og deretter blir overskrevet eller blir borte. Rettslig sett er det likevel noen regler som kan stille krav:

• Personopplysninger: Personvern handler om mer enn konfidensialitet. Det handler også om kontroll. Du må derfor ha et behandlingsgrunnlag for å bruke personopplysninger som input til en KI-modell, selv om personopplysningene forsvinner ved kalkuleringen.
• Immaterielle rettigheter: Selv om de beskyttede dataene skulle bli borte ved kalkuleringen, blir dataene benyttet til å skape verdi for «outputen»/resultatet. Denne verdiøkningen begrunner hvorfor du ikke kan fritt benytte immaterielt vernede opplysninger som input.
• Taushetsplikt: Taushetsplikt-regelverket skal sikre konfidensialitet, altså at taushetsbelagt informasjon ikke tilflyter uvedkommende. På dette grunnlaget er det derfor mindre problematisk å bruke taushetsbelagt informasjon som input til en KI-modell så lenge disse opplysningene forsvinner fra arbeidsminnet og ikke lagres.
• Gradert informasjon: Det bør generelt utvises stor varsomhet ved bruk av gradert informasjon som input til KI-modeller. Dersom det bare er hensynet til konfidensialitet, vil utgangspunktet for taushetsplikt som nevnt i punktet over også gjøre seg gjeldende her. Digitaliseringsdirektoratet anbefaler imidlertid at at gradert informasjon ikke benyttes med mindre du er sikker på at dette er i henhold til rettslige krav.

Informasjonen skal brukes til å videre trene KI-modellen

Hvis informasjonen brukes til å videre trene ML-modellen så vil informasjonen som et utgangspunkt endres fra sin nåværende form. Den vil bli benyttet til å justere vekter i ML-modellen og på den måten i utgangspunktet anonymiseres. Som beskrevet over i «Bruk av data for deg som skal utvikle KI-løsninger» finnes det likevel noen risikoer knyttet til slik som «model inversjon attacks».

Informasjonen skal også lagres

For det tilfellet at informasjonen også lagres er det ikke noe forskjell på å bruke et KI-system eller et annet IT-system. Alle rettslige krav som påvirker lagring, vil også få betydning her.

KI-systemet kjører på servere utenfor EU/EØS

Dersom det aktuelle KI-systemet kjører på servere utenfor EU/EØS og du «prompter» det, vil informasjon bli overført til det landet hvor serverne kjører. For personopplysninger kan dette ha stor betydning da personvernforordningens kapittel V begrenser adgangen til å overføre personopplysninger ut av EU/EØS.

Likestillings- og diskrimineringsombudet lanserte den 8. november 2023 en veileder for innebygd diskrimineringsvern. Veiledningen gir viktige råd for å avdekke og forebygge diskriminering i utvikling og bruk av kunstig intelligens fordelt på fem faser:

1. Planlegging
2. Treningsdata
3. Modellutvikling
4. Testing
5. Implementering

Vi anbefaler denne veiledningen som et verktøy for å sikre likebehandling ved utvikling av kunstig intelligens

Det første du kan gjøre for sikre likebehandling ved bruk av KI-løsninger er å erkjenne at diskriminering kan skje. Skjevheter i data sitter dypt. Selv om datasettene som er benyttet til trening av den underliggende maskinlæringsmodellen ikke inneholder felter som direkte kan lede til diskriminering, slik som kjønn og religion, kan andre datafelter og strukturer gi uttrykk for disse elementene og dermed indirekte lede til diskriminering. Et fiktivt eksempel på dette er følgende:

En offentlig myndighet skal utvikle og bruke et system for å avgjøre hvor strømnettet først bør oppgraderes. Et relevant datapunkt i denne sammenhengen vil kunne være hvor det brukes mest strøm. Samtidig kan antas at personer med høy inntekt bruker mest strøm, hvilket igjen kan preferere en viss del av befolkningen.

Ved erkjenne at diskriminering kan skje har du et bevisst forhold til denne risikoen. Det gir et godt grunnlag for å vurdere størrelsen på risikoen og om det er nødvendig med risikoreduserende tiltak. Likestillings- og diskrimineringsombudet lanserte den 8. november 2023 en veileder for innebygd diskrimineringsvern. Veiledningen gir viktige råd for å avdekke og forebygge diskriminering i utvikling og bruk av kunstig intelligens og kan være et viktig verktøy for deg som skal bruke kunstig intelligens.

Forskjellsbehandling kan være tillatt, så lenge dette skjer i tråd med reglene for lovlig forskjellsbehandling, slik som likestillings- og diskrimineringslovens § 9. Forbudet mot diskriminering behøver derfor ikke å til hinder for legitim målretting av ytelser og tiltak på bakgrunn grunnlag som nevnt i likestillings- og diskrimineringslovens § 6.

Det foregår mye forskning på området «forklarbar KI» («Explainable AI») som tar sikte på å gjøre «sort-boks» algoritmer forståelig. Dette er ikke det samme som å publisere koden bak algoritmen, eller å gi innsyn i fullstendige treningsdatasett. Forklarbar KI kan gi innsikt i hvilke elementer som har hatt betydning for resultatet, og hvor stor betydning de ulike elementene har hatt, for slik å forklare logikken bak resultatet. Det kan være hensiktsmessig å se på om det er mulig å ta i bruk slike løsninger:

• Norsk Regnesentral har utarbeidet et hjelpemiddel som skal gjøre det lettere å vurdere hvilke forklarbarhetsmetoder som er aktuelle for en gitt KI-løsningen, se den her: https://explego.nr.no.
• Her kan du finne flere virkemidler og verktøy i arbeidet med åpenhet: Catalogue of AI Tools & Metrics - OECD.AI.

På siden "Åpenhet og kunstig intelligens" kan du lese mer om kravene til åpenhet og ulike teknikker som kan bidra til at maskinlæringsmodeller i større grad blir forklarbare.

Dersom det ikke er rettslige eller sikkerhetsmessig begrensninger for å utvikle med åpen kildekode og å publisere treningsdataene, oppfordrer vi til å gjøre det. Mest mulig åpenhet er en god ting!

Dersom det ikke er rettslige eller sikkerhetsmessig begrensninger for å publisere algoritmen og treningsdataene, oppfordrer vi til å gjøre det. Mest mulig åpenhet er en god ting!

Overfor en innbygger vil det imidlertid sjelden være hensiktsmessig å gi innsyn i algoritmen slik den er skrevet som programkode. Før du tar i bruk kunstig intelligens, er det viktig å klargjøre hvilke krav til åpenhet som gjelder på ditt område.

• Skal modellen brukes til å treffe enkeltvedtak stiller forvaltningsloven klare krav til begrunnelse.
• Hvis du bruker personopplysninger, stiller blant annet personvernforordningen art. 5 (1) a og artikkel 15 nr. 1 bokstav h krav om transparens.

Felles for disse kravene er at innbyggeren skal kunne forvisse seg om at hens sak og bruken av hens opplysninger har skjedd i tråd med regelverket. Videre skal også innbyggeren kunne settes i stand til å klage på vedtaket eller behandlingen av opplysningene.

Når du utvikler KI-løsninger, bør du sørge for at du følger beste praksis knyttet til informasjonssikkerhet. Du som utvikler må også vurdere om det er særlige trusler eller sårbarheter knyttet til bruken av KI. OWASP trekker særlig frem følgende AI-modell-spesifikke trusler:

• Angrep knyttet til endring og manipulering av treningsdata og input-data («Data poisoning attack» og «Input manipulation attack»)
• Avdekking av tilhørighet i treningsdata («Membership inference attack»)
• Modellinverteringsangrep, angrep som gjør det mulig å hente ut treningsdata fra en KI-model («Model inversion attack»)
• Stjeling av KI-modeller («Model theft»)
• Angrep på forsyningskjeden («Model supply chain attack»)

NCSC retningslinjer for sikker KI-systemutvikling er pr. desember 2023 en av de mest oppdaterte settet med retningslinjer for informasjonssikkerhet og kunstig intelligens. NCSC, sammen med bidragsyterne fra 18 andre land, herunder NSM fra Norge, oppfordrer alle interessenter (inkludert dataforskere, utviklere, ledere, beslutningstakere og risikoeiere) til å lese disse retningslinjene for å hjelpe dem med å ta informerte beslutninger om utforming, utvikling, implementering og drift av sine AI-systemer.

Det er viktig at du har oversikt over hvilke risikoer som er knyttet til bruken av KI-systemet og opplysningene som behandles, slik at det kan iverksettes passende sikkerhetstiltak. Slike risikovurderingen må gjøres før KI-systemer tas i bruk, men også fortløpende ettersom bruken kan utvikle seg eller medføre uforutsette problemstillinger.

Det finnes anerkjente standarder som angir beste praksis for å oppfylle krav knyttet til administrasjon av informasjonssikkerheten, eksempelvis NS-EN ISO/IEC 27001 og NS-ISO/IEC 27002. Du finner mer veiledning knyttet til informasjonssikkerhet her: Informasjonssikkerhet | Digdir. Digitaliseringsdirektoratet har også et nettverk for informasjonssikkerhet for offentlige ansatte hvor du kan få hjelp til arbeidet med informasjonssikkerheten: Nettverk for informasjonssikkerhet - NIFS | Digdir.

NCSC retningslinjer for sikker KI-systemutvikling er pr. desember 2023 en av de mest oppdaterte settet med retningslinjer for informasjonssikkerhet og kunstig intelligens. NCSC, sammen med bidragsyterne fra 18 andre land, herunder NSM fra Norge, oppfordrer alle interessenter (inkludert dataforskere, utviklere, ledere, beslutningstakere og risikoeiere) til å lese disse retningslinjene for å hjelpe dem med å ta informerte beslutninger om utforming, utvikling, implementering og drift av sine AI-systemer.

Dataminimeringsprinsippet i personvernforordningen er særlig relevant for deg som skal utvikle KI-løsninger. Behandlingen av data skal begrenses til det som er nødvendig for å oppnå formålet med behandlingen. Behovet for store mengder data ved utvikling av KI avgjørende kan komme konflikt med prinsippet om dataminimering. Som utvikler må du derfor vurdere hvor mye data som er nødvendig for å nå målet med behandlingen, og unngå å bruke mer data enn dette.

Det er formålet med behandlingen av personopplysninger som setter rammen for hvor mye data som er nødvendig. Dette vil si at det i noen tilfeller er nødvendig med store mengder data, og det kan være i tråd med dataminimeringsprinsippet.

Teknikker slik som «retningslinjer for skalering», føderert læring og syntetiske data kan bidra til å ivareta dataminimeringsprinsippet.

Retningslinjer for skalering («scaling laws») kan brukes til å iterativt vurdere hvordan mer data vil påvirke modellen, og hvor mye data som trengs for å oppnå det ønskede presisjonsnivået. Retningslinjer for skalering kan beskrive forholdet mellom noen maskinlæringsarkitekturer og andre parametere, for eksempel datamengde. Det har blitt foreslått som en mulig løsning på dataminimeringsutfordringen for visse modeller.

Du kan lese mer om bruken av retningslinjer for skalering i forbindelse med dataminimeringsprinsippet her: Learning to Limit Data Collection via Scaling Laws: A Computational Interpretation for the Legal Principle of Data Minimization (arxiv.org).

Føderert læring kan bidra til å redusere datasensitiviteten og mengden av data den enkelte utvikler trenger. Føderert læring gjør det mulig å lære fra “big data” uten å nødvendiggjøre datadeling. Dette kan gjøre det mulig å trene KI-modeller på mye og sensitiv data ved å redusere de regulatoriske og praktiske hindringene.

Føderert læring er en kollaborativ prosess der utviklere kan trene algoritmer på flere datasett uten å måtte dele disse mellom seg. Hver utvikler laster ned modellen fra skyen og trener modellen på sitt datasett, og oppsummerer og krypterer modellens nye sammensetting. Så sendes modellen kryptert tilbake for å bli innarbeidet i den sentraliserte modellen. Slik vil modellen utvikle seg over ulike datasett uten å nødvendiggjøre datadeling på en større skala. Det finnes hovedsakelig tre former for føderert læring:

• Horisontal føderert læring: Modellen trenes på lignende datasett
• Vertikal føderert læring: Modellen trenes på ulike, men komplementære datasett
• Føderert “transfer” læring: Det tas utgangspunkt i en modell som er trent for å utføre en oppgave og trener den på en ny type data for å lære den å gjøre noe nytt

Syntetiske data er kunstige datapunkter generert av en maskinlæringsmodell. De syntetiske dataene er ikke personopplysninger og påvirkes ikke av kravet til dataminimering.

Personvernforordningen stiller også krav til innebygd personvern. Dette vil si at KI-løsningene fra start skal ha personvernsmekanismer innebygget. Utviklerne står nærmest til å gjennomføre dette i systemet. Det kan bidra til økt effektivitet og lønnsomhet, og kan være et konkurransefortrinn fordi brukere også har ansvar for å ta i bruk løsninger med innebygd personvern. Du kan lese mer om et konkret tilfelle her: Simplifai og NVE, sluttrapport: Digital medarbeider | Datatilsynet

Personvernforordningen gir deg en rekke plikter dersom du er ansvarlig for behandling av personopplysninger. Se nærmere på denne siden hos Datatilsynet for en oversikt. Virksomhetenes plikter | Datatilsynet. For bruk av kunstig intelligens, er det særlig grunn til å trekke frem:

• Formål med behandlingen: Du må ha et formål med behandlingen, og behandlingen må som hovedregel begrenses til det formålet. Dette formålet kan godt gi grunnlag for flere forskjellige relaterte behandlinger, men du bør være varsom med å definere et enkelt bredt formål for å kunne gjennomføre diverse behandlingsaktiviteter som i realiteten ikke er tett knyttet til formålet. Hvis du bruker ett overordnet formål, som forutsetter flere underliggende behandlinger, kan du gi den registrerte trinnvis informasjon om behandlingen. Dette vil si at du kan gi den registrerte informasjon om det overordnede formålet i det første laget med informasjon, og ytterligere informasjon om underliggende formål kan komme i et senere lag som den registrerte kan trykke seg videre inn på. Du kan lese mer om dette i sluttrapporten fra Datatilsynet (se lenken i neste punkt).
• Andre forenelige formål: Personopplysninger kan behandles videre til andre formål, så lenge de er forenelige med det opprinnelige formålet. Dette vil si at du kan bruke personopplysningene på litt andre måter enn først tiltenkt, så lenge det er en naturlig forlengelse av hva opplysningene ble samlet inn for eller hvis det var en forutsigbar behandling ved innsamlingstidspunktet. Hvis du vil lese en forenlighetsvurdering kan du se her: Ruter, sluttrapport: I rute med kunstig intelligens | Datatilsynet.
• Automatiserte avgjørelser: Vær bevisst hvordan du bruker den aktuelle KI-modellen. Personvernforordningens artikkel 22 stiller ytterligere krav til situasjoner hvor personopplysninger skal benyttes til helautomatiserte avgjørelser og profilering.

1. Utvikle systemet i tråd med WCAG-retningslinjer: WCAG er hovedsakelig rettet mot utviklere, da de står nærmest til å implementere retningslinjene i systemet. Utviklere har ansvaret for å implementere løsninger som oppfyller minstekravene, men både UX-designere og innholdsredaktører må bidra med tilpasninger som er i samsvar med WCAG.

1. Utvikle tilgjengelige grensesnitt: Utviklingen av grensesnittet bør vies særlig oppmerksomhet, da dette kan anses som en av de første store hindrene for tilgjengelighet.

1. Bruk mangfoldig treningsdata: Ved trening av KI-systemet bør det brukes mangfoldig treningsdata som er representativ for den tiltenkte sluttbrukergruppen.

1. Velg tilgjengelige systemer: Ved valg av KI-systemer, bør tilgjengelighet være et sentralt kriterium. Når du skal vurdere om et KI-system er utviklet på en tilgjengelig måte kan du blant annet undersøke om nyeste versjon av WCAG retningslinjene er fulgt og om systemet har blitt testet på en relevant brukergruppe.

1. Opplæring og brukerstøtte: Brukere bør sørge for at personalet som vil bruke systemet forstår det godt, er klar over dets tilgjengelighetsfunksjoner og at de kan yte brukerstøtte for brukere som har spørsmål eller vanskeligheter.