Kio estas AI-sistema klasifikado?
AI-regulado: konceptoj, institucioj kaj normoj
AI-sistema klasifikado estas la procezo de sortado de AI-sistemo en signifoplenajn kategoriojn, por ke homoj povu decidi, kiuj reguloj, kontroloj kaj reviziaj paŝoj aplikiĝas. Tiuj kategorioj povas rilati al tio, ĉu ilo entute estas AI-sistemo, kian taskon ĝi plenumas, kiom da aŭtonomeco ĝi havas, kie ĝi estas uzata, kaj ĉu tiu uzo kreas pliigitan juran aŭ regadan riskon. Praktike, klasifikado ligas teknikan priskribon al respondeco, dokumentado kaj kontrolo.
Reviziita de Jackie, Head of Learning & Development, Levellers - Laste reviziita la 8-an de junio 2026
Kion tio signifas
Homoj ofte parolas pri "klasifikado de AI" kvazaŭ ekzistus unu universala listo. Tia ne ekzistas. Praktike, klasifikado kutime respondas plurajn malsamajn demandojn samtempe: ĉu tiu programaro estas AI-sistemo laŭ certa leĝo aŭ kadro; kian taskon ĝi plenumas; kiom da libereco ĝi havas por agi; kaj kiom sentema estas la kunteksto, en kiu ĝi estas uzata.
Tial la sama baza modelo povas troviĝi en malsamaj klasoj en malsamaj situacioj. Granda lingvomodelo uzata por interna redaktado ĉefe levas ĝeneralajn regadajn aŭ travideblecajn demandojn. Sistemo konstruita sur la sama modelo por filtri laborpostulantojn, subteni kreditajn decidojn aŭ funkcigi maŝinaron povas transiri en pli striktan klason, ĉar la uzo, ne nur la modelo, ŝanĝiĝas.
Do AI-sistema klasifikado plej bone kompreneblas kiel tavola ekzerco. Ĝi kombinas funkcion, kuntekston, aŭtonomion kaj riskon. Ĝi ne estas nur teknika taksonomio, kaj ne estas nur jura etikedo.
Kial tio gravas
Klasifikado gravas, ĉar la plej granda parto de AI-regado komenciĝas per amplekso kaj triado. Se organizo klasifikas sistemon tro malstreĉe, ĝi povas pretermisi jurajn devojn, ignori tuŝatajn personojn, nesufiĉe desegni homan kontrolon kaj aĉeti ilojn laŭ malĝustaj kontraktaj supozoj. Se ĝi klasifikas tro larĝe, ĝi povas tro kontroli malaltriskan uzadon, malrapidigi adopton kaj malklarigi, kiu respondas por kio.
Praktike, klasifikado formas AI-inventarojn, aĉetajn demandojn, deplojajn aprobadon, personaran trejnadon, teknikan dokumentadon, uzantajn sciigojn, monitorajn planojn kaj estraran raportadon. Ĝi ankaŭ helpas organizojn apartigi modelnivelaj problemojn de sistemnivelaj uzoj, kio estas ĉiam pli grava, kie ĝeneraluzeblaj modeloj estas reutilizataj tra multaj produktoj kaj sektoroj.
Kiel ĝi funkcias
Ĝi komenciĝas per amplekso
Antaŭ ol iu ajn asignas risknivelon, oni devas scii, ĉu la koncerna leĝo aŭ kadro entute traktas la programaron kiel AI-sistemon. Tiu unua paŝo ŝajnas baza, sed ĝi estas ofte la plej malfacila. La ĝisdatigita difino de OECD centras sur maŝinbaza sistemo, kiu inferencas el enigaĵo por generi prognozojn, enhavon, rekomendojn aŭ decidojn, samtempe agnoskante malsamajn nivelojn de aŭtonomio kaj adaptiĝemo post deplojo. En la EU, la Komisiono eldonis nedevigan gvidadon por helpi provizantojn kaj deplojantojn decidi, ĉu programara sistemo plenumas la AI Act-difinon. Do la unua klasifikada demando ne estas "kiom riska ĝi estas?" sed "kio precize estas en amplekso ĉi tie?"
Poste ĝi priskribas, kion la sistemo faras
Kiam la sistemo estas en amplekso, bona klasifikado priskribas ĝin en teknikaj kaj operaciaj terminoj antaŭ ol salti al juraj etikedoj. La OECD Framework for the Classification of AI Systems estas utila ĉi tie, ĉar ĝi ne kolapsas ĉion en la jurajn kategoriojn de unu lando. Ĝi rigardas la homajn kaj planedajn efikojn de la sistemo, ekonomian kuntekston, datumojn kaj enigaĵon, AI-modelon, kaj taskon kaj eliĝon. Tio signifas, ke teamoj povas priskribi, ĉu sistemo faras rekognadon, personigon, prognozadon, optimumigon, enhavgeneracion aŭ alian taskon, kaj ĉu ĝi fidas je maŝinlernado, sciobazitaj metodoj aŭ miksitaj aliroj.
NIST uzas similan ideon en regada formo. La AI RMF permesas al organizoj krei uzkazajn profilojn kaj transektoriajn profilojn, por ke ili povu klasifiki sistemojn laŭ manieroj, kiuj subtenas risktraktadon. NIST donas ekzemplojn kiel dungadajn kaj loĝigajn profilojn, kaj aparte provizas generativan AI-profilon por teknologio, kiu aperas tra sektoroj. La praktika punkto estas simpla: klasifikado unue devas diri al homoj, kio estas la sistemo kaj kiel ĝi funkcias, ne nur ĉu ĝi estas permesata.
Kunteksto ŝanĝas la klason
Modelo en abstrakto malofte sufiĉas. Reguligistoj kaj normigaj korpoj ripete emfazas celitan celon, deplojkontekston, uzantojn, tuŝatajn personojn kaj ĉirkaŭan leĝon. La MAP-funkcio de NIST diras, ke organizoj devas dokumenti celitajn celojn, utilajn uzojn, kuntekstajn leĝojn, normojn, atendojn kaj la situaciojn, en kiuj la sistemo estos deplojita. La OECD-klasifikada kadro ankaŭ estas konstruita por sistemoj en specifa projekto kaj kunteksto, ne nur por laboratoristadaj priskriboj.
Tio gravas, ĉar risko ofte venas el la situacio prefere ol el la modelfamilio. Rekomenda motoro en muzika aplikaĵo ne levas la samajn regadajn demandojn kiel rekomenda sistemo uzata en pruntado, asekuro aŭ publikaj servoj. Retbabilisto uzata por interna redaktado ne estas la sama afero kiel retbabilisto uzata por komuniki kun klientoj pri rajtoj, sekureco aŭ rajtigoj. Klasifikado do devas esti ligita al la tasko, kiun la sistemo plenumas en la reala mondo.
Aŭtonomio kaj homa kontrolo gravas
Alia centra akso estas aŭtonomio. La OECD-kadro distingas inter sistemoj, kiuj ne povas agi laŭ siaj propraj rekomendoj, sistemoj, kiuj postulas homan aprobon, sistemoj, kiuj agas krom se homo vetoumas ilin, kaj sistemoj, kiuj agas sen homa implikiĝo. Tio estas pli utila demando ol la malstreĉa aserto, ke homo estas "en la buklo". Ĝi demandas, kian aŭtoritaton la sistemo havas, kiam la homo intervenas, kaj ĉu la interveno estas signifoplena.
Ĉi tie okazas multaj regadaj eraroj. Teamoj ofte priskribas sistemon kiel malaltriskan, ĉar iu povas, teorie, superregi ĝin. Sed se la respondeca persono mankas de tempo, trejnado aŭ reala povo por ŝanĝi la rezulton, la praktika aŭtonomio de la sistemo povas ankoraŭ esti alta. Klasifikado do devas kapti la realan nivelon de delegita agado, ne nur politikan deklaron pri kontrolo.
Riskniveloĵ alligas jurajn efikojn
En normoj kaj regadaj kadroj, klasifikado estas ofte priskribanta. Ĝi helpas organizojn kolekti la ĝustajn pruvajn materialojn kaj elekti la ĝustan revizian vojon. En deviga leĝo, klasifikado povas havi rektajn jurajn konsekvencojn. La EU AI Act estas la plej klara nuna ekzemplo. Ĝi uzas riskobazan strukturon, kiu inkluzivas malpermesitajn praktikojn, altriski AI-sistemojn, sistemojn submetitajn al travideblecaj devoj, kaj apartajn devojn por ĝeneraluzeblaj AI-modeloj. Altriska statuso povas ekesti per du ĉefaj vojoj: la AI-sistemo estas enkonstruita en certajn reguligitajn produktojn, aŭ ĝi estas uzata en unu el aro da sentemaj kuntekstoj listigitaj de la Akto.
La grava punkto estas, ke juraj riskoklasoj ne estas universalaj etikedoj por ĉiu regada laboro. Ili estas jurisdikciaj iloj konstruitaj por specifaj politikaj celoj. Forta klasifikada metodo do devas povi traduki inter priskribaj kategorioj, kiel funkcio aŭ aŭtonomio, kaj juraj kategorioj, kiel altriska aŭ malpermesita, sen konfuzi la du.
Modelnivelaj kaj sistemnivelaj klasoj povas diferenci
Moderna AI-reguligo ĉiam pli apartigas la modelan tavolo de la sistema tavolo. Tio estas aparte grava por ĝeneraluzeblaj kaj generativaj teknologioj. Unu organizo povas provizi modelon adaptigeblan tra multaj malsuprenflua produktoj. Alia povas integri tiun modelon en dungadan sistemon, serĉilon, redaktan asistanton aŭ medicinan produkton. Tiuj ne estas la sama konformeca objekto.
Por gvidantoj, tio signifas, ke unu inventara ero ofte ne sufiĉas. Eble vi devas registri almenaŭ tri rilatajn aferojn: la modelon, la malsuprenfluan sistemon, kaj la uzkazon. Modelnivelaj devoj povas koncerni dokumentadon, testadon aŭ trejnaddatuman travideblecon. Sistemnivelaj devoj povas koncerni celitan celon, uzinstrukciojn, homan kontrolon, uzantajn sciigojn aŭ konformecajn kontrolojn. Klasifikado malsukcesas, kiam tiuj tavoloj estas kunfanditaj en unu malklaran etikedon.
Klasifikado estas konservata tra la tuta vivociklo
Klasifikado ne estas unufoja laborrenkontiĝa ekzerco. OECD notas, ke la klasifikado de sistemo povas ŝanĝiĝi, dum ĝi evoluas, akiras novajn datumojn, estas deplojita pli larĝe, maturiĝas teknike aŭ akiras novajn kapablojn. NIST faras la saman praktikan punkton per subteno de nunaj kaj celaj profiloj reviziindaj laŭ tempo. Alivorte, sistemo povas transiri inter klasoj eĉ se ĝia originala modelfamilio restas la sama.
Operacie, tio signifas, ke organizoj devas trakti klasifikadon kiel vivan regadan pruvon. Sana registro kutime inkluzivas la celitan celon, uzantojn, tuŝatajn grupojn, sektoron, datumfontojn, taskotipon, gradon de agaŭtonomio, homan revizian dezajnon, aplikeblajn jurisdikciojn kaj la kialon, pro kiu la elektita klaso estis elektita. Revizio devas esti ekigita de ŝanĝoj kiel retrejnado, pli larĝa deplojo, plifortigita ilaliro, novaj integraĵoj, eniro en reguligitan sektoron aŭ transiro de konsilo al ago.
Ekzemploj
Dungada filtrado. Organizo aĉetas programaron por rangigi, filtri aŭ prioritatigi laborpostulantojn. NIST traktas dungadon kiel utilan ekzemplon de uzkazprofilo, kio signifas, ke la sistemo devas esti klasifikita en sia dungada situacio prefere ol traktata kiel ĝenerala modelo. En la EU-kadro, dungado estas unu el la sentemaj areoj asociitaj kun altriska klasifikado. Praktike, tio puŝas la organizon registri celitan celon, personaran kompetenton, homan kontrolon kaj deplojkondiĉojn antaŭ uzo.
Klientfronta retbabilisto. Kompanio lanĉas granda-lingvomodela asistanton sur sia retejo. El normiga vidpunkto, tio kongruas kun generativa aŭ transektoria teknika profilo, ĉar similaj sistemoj aperas tra multaj sektoroj. Laŭ la travidebleca logiko de la EU AI Act, interagaj sistemoj kaj certa AI-generita aŭ AI-manipulita enhavo povas ekigi malkaŝajn devojn. La ŝlosila klasifikada demando estas do ne nur "ĉu ĝi uzas LLM?" sed ankaŭ "kiel ĝi interagas kun homoj, kion ĝi publikigas, kaj kion la uzanto atendatas kompreni el ĝi?"
AI enkonstruita en reguligitan maŝinaron. Provizanto integras AI en robotikon aŭ industrian ekipaĵon, kiu jam troviĝas en produkta sekureca reĝimo. En la EU, tio povas meti la AI en altriska vojon ligitan al reguligitaj produktoj, eĉ se la samaj larĝaj teknikaj metodoj ŝajnus malpli riskaj en alia situacio. Ĉi tie la klasifikada laboro devas konekti programaran priskribon, produktan sekurecan dokumentadon kaj uzinstrukciojn, prefere ol trakti la AI kiel memstaran funkcion.
Oftaj miskomprenoj
Miskomprenado: AI-sistema klasifikado estas nur alia nomo por "altriska AI". Korekto: Altriska estas nur unu ebla jura klaso en unu regula aliro. Klasifikado estas pli larĝa kaj komenciĝas multe pli frue, per amplekso, funkcio, kunteksto kaj aŭtonomio.
Miskomprenado: La modelotipo diras al vi la finan klason. Korekto: Modelfamilio estas nur unu tavolo. La sama modelo povas troviĝi en tre malsamaj sistemoj kun tre malsamaj juraj kaj regadaj konsekvencoj.
Miskomprenado: "Homo en la buklo" aŭtomate faras sistemon malaltriskan. Korekto: Homa implikiĝo ŝanĝas klasifikadon nur se la persono havas realan aŭtoritaton, taŭgan informon kaj sufiĉan tempon por interveni signifoplene.
Miskomprenado: Klasifikado apartenas nur al inĝenieroj aŭ nur al juristoj. Korekto: Ĝi kutime bezonas ambaŭ, plus produktposedantojn, aĉetadon, konformecon, riskon kaj fakulojn pri la domajno, kiuj komprenas la realan uzkazon.
Miskomprenado: Unufoje klasifikita, ĉiam klasifikita. Korekto: Sistemo povas ŝanĝi klason, kiam ĝiaj kapabloj, datumoj, permesoj, uzantbazo aŭ deplojkunteksto ŝanĝiĝas.
Riskoj kaj limoj
AI-sistema klasifikado estas antaŭa regada ilo, ne kompleta konformeca programo. Ĝi ne anstataŭas datumprotektan revizion, sekurecan inĝenieradon, sektoran superrigardon, aĉetan diligentecon, efikan takson aŭ konformec-takson, kie unu estas jure postulata. Ĝi diras al vi, kiun vojon sekvi poste.
Ĝi ankaŭ estas facile misuzeblaj. Ofta malsukceso estas klasifiki la modelon sed ignori la deplojkuntekston. Alia estas akcepti vendistan etikedon kiel "asistanto", "kopiloto" aŭ "agento" sen kontroli la realajn permesojn de la sistemo, tuŝatajn personojn, datumfluojn kaj gradon de agaŭtonomio. Tiuj etikedoj povas helpi priskribi la produkton, sed ili ne solvas la regadan klason.
Jura forto ankaŭ varias. OECD kaj NIST-kadroj estas influaj kaj tre praktikaj, sed ili estas volontaj. La EU AI Act estas deviga leĝo, tamen iuj el la Komisiaj materialoj, kiuj helpas apliki ĝin, inkluzive gvidadon pri AI-sistema difino kaj altriska klasifikado, estas interpretaj prefere ol devigaj. Ekde junio 2026, detala EU-gvidado pri altriska klasifikado ankoraŭ estas rafinata per konsultado. Klasifikado ankaŭ ne decidas respondecon per si mem. OECD estas eksplicita, ke respondeco kaj respondeco restas aferoj por homoj kaj por la jura reĝimo de ĉiu jurisdikcio.
Kion fari poste
Konstruu unu vivan AI-inventaron, kiu apartigas modelojn, sistemojn kaj uzkazojn. Por ĉiu ero, kaptu celitan celon, uzantojn, tuŝatajn personojn, sektoron, datumfontojn, taskotipon, agaŭtonomion, homan revizian dezajnon, jurisdikciojn kaj vendistajn dependecojn. Se viaj registroj ne montras tiujn kampojn, klasifikado rapide fariĝos diveno.
Poste starigu simplan internan regularon. Komencu per ampleksa testo, poste klasifiku laŭ funkcio, kunteksto kaj aŭtonomio, poste mapu la sistemon al ajnaj juraj riskniveloĵ aplikeblaj en la jurisdikcioj, kie vi konstruas, aĉetas aŭ deplojis. Asignu respondecan posedanton, postulu pruvon de vendistoj prefere ol merkatajn etikedojn, kaj kreu ŝanĝajn ekigojn por reklasifikado antaŭ ol ĝisdatigoj, integraĵoj aŭ pli larĝa deplojo ekfunkcias.
Ĉu vi havas demandon aŭ sugeston, aŭ volas kompreni, kiel ni esploras kaj reviziis tiujn gvidilojn? Legu pri niaj redakciaj normoj kaj kiel kontakti nin.
Oftaj demandoj
Ĉu AI-sistema klasifikado estas la sama kiel riskotakso?
Ne. Klasifikado metas sistemon en la ĝustan kategorion kaj determinas la ĝustan revizian vojon. Riskotakso poste ekzamenas specifajn damaĝojn, verŝajnecon, kontrolojn kaj rezidualan riskon ene de tiu klaso.
Kio precize estas klasifikata, la modelo aŭ la tuta sistemo?
Kutime la tuta sistemo en sia deplojkunteksto. Iuj reguligaj aliroj ankaŭ alligas devojn ĉe la modela tavolo, aparte por ĝeneraluzeblaj modeloj, do estas prudente konservi apartajn registrojn por modelo, sistemo kaj uzkazo.
Ĉu la sama modelo povas subteni kaj malaltriski kaj altriski uzojn?
Jes. Unu modelo povas subteni internan redaktadon, klientan babiladon, dungadan filtrado kaj reguligitajn produktojn. La klaso ŝanĝiĝas laŭ celo, uzantoj, aŭtonomio kaj sektoro.
Ĉu uzi generativan AI aŭtomate faras sistemon altriska?
Ne. Generativa AI estas teknika familio, ne universala jura nivelo. Multaj generativaj uzoj ĉefe levas travideblecajn aŭ ĝeneralajn regadajn demandojn, dum iuj fariĝas pli forte reguligitaj pro sia kunteksto.
Se homo aprovas la finan paŝon, ĉu ni povas trakti la sistemon kiel malaltriskan?
Ne aŭtomate. Homa revizio gravas nur se ĝi estas signifoplena, informita kaj kapabla ŝanĝi la efikon de la sistemo en praktiko. Formala subskribo sen reala kontrolo ne sufiĉas.
Kiu devas posedi klasifikadon ene de organizo?
Unu respondeca posedanto devas koordini ĝin, sed la laboro kutime bezonas produktajn, jurajn, konformecajn, sekurecajn, aĉetajn kaj fakulajn pri la domajno. Neniu sola teamo havas la tutan bildon per si mem.
Kiam ni devas reklasifiki sistemon?
Reviziitu klasifikadon, kiam la sistemo eniras novan sektoron, uzas novajn datumojn, akiras novan ilaliro, tuŝas malsaman grupon de homoj, transiras de konsilo al ago, aŭ estas deplojita en alia jurisdikcio.
Fontoj
Explanatory memorandum on the updated OECD definition of an AI system (OECD). The updated OECD definition of an AI system, the role of inference, autonomy and adaptiveness, and the point that the definition does not itself settle liability.
OECD Framework for the Classification of AI systems (OECD). The multi-dimensional logic of classification by people and planet, economic context, data and input, AI model, and task and output, plus lifecycle links and the fact that classification can change over time.
Artificial Intelligence Risk Management Framework (National Institute of Standards and Technology). Context mapping, intended purpose, user and affected-party analysis, and the use of profiles for specific sectors, technologies and end uses.
Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (National Institute of Standards and Technology). Technology-specific, cross-sectoral profiling for generative AI, showing how technical class and deployment context interact.
Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (European Union, EUR-Lex). The binding EU legal categories for AI, including prohibited practices, high-risk systems, transparency duties and general-purpose AI model obligations.
The Commission publishes guidelines on AI system definition to facilitate the first AI Act's rules application (European Commission). Practical, non-binding guidance on whether a software system qualifies as an AI system under the AI Act.
Guidelines for providers and deployers of AI high-risk systems (European Commission). The current Commission interpretation of how high-risk classification works, the two EU routes into high-risk status, practical examples, and the fact that guidance is non-binding and still evolving.
Guidelines and Code of Practice on transparent AI systems (European Commission). System-level transparency duties for interactive AI, AI-generated or AI-manipulated content, emotion recognition or biometric categorisation, and deep fake disclosures.