DalšíDalší průvodce
Článek 4 zákona EU o umělé inteligenci Požadavek na gramotnost v oblasti umělé inteligence
Společnost
PRŮVODCE společností
Článek 10 vyžaduje, aby poskytovatelé vysoce rizikových AI systémů používali postupy správy a řízení dat pro trénovací, validační a testovací soubory dat.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Opatření musí odpovídat zamýšlenému účelu systému a řešit relevantní kritéria kvality, včetně reprezentativnosti a rizik zkreslení. Podle Omnibusu 2026 se požadavky na vysoce rizikové systémy z kapitoly III uplatňují od 2. prosince 2027 pro systémy v příloze III a od 2. srpna 2028 pro systémy v příloze I.
Article 10 applies to providers of high-risk AI systems that use data to train models with those systems, including validation and testing. It does not impose one universal dataset recipe. Governance practices must be appropriate to intended purpose and examine design choices, data collection, origin, preparation, assumptions, and availability. Providers should check data fit and missing relevant populations or conditions. The Act identifies quality dimensions such as relevance, representativeness, completeness, and errors. Data should be examined in light of the context and purpose for which the system is intended. Where applicable, providers must assess possible biases likely to affect health and safety or fundamental rights, especially where outputs influence inputs for future operations. Appropriate measures should detect, prevent, and mitigate those biases. The July 2026 Digital Omnibus moved the high-risk-provider rule formerly in Article 10(5) into Article 4a and extended a strictly necessary, safeguarded exception to providers and deployers of other AI systems and models and to deployers of high-risk systems. It applies only to bias detection and correction under the Act’s conditions, including using other data where they can achieve the purpose; this is not general permission to collect sensitive data. Article 10 is a provider requirement. Deployers have separate duties, including ensuring input data under their control are relevant and sufficiently representative for the intended purpose. A deployer should not assume the vendor’s training-data process guarantees that local inputs, sensors, or user population fit the system. Nor does dataset documentation alone establish lawful data processing, statistical fairness, or good performance in every subgroup. Teams should maintain a dataset record that connects source, collection method, selection and exclusions, labels, transformations, intended population, and known limitations to specific tests. Define how quality was measured, which groups and conditions were evaluated, and what mitigation changed. Retest after material changes to data, model, or purpose. Document residual limits clearly for deployers, who need enough information to use the system responsibly.
Poskytovatel systému pro přijímání zaměstnanců zaznamenává, které skupiny uchazečů a typy pracovních míst jsou zastoupeny v trénovacích a validačních datech.
Tým lékařské AI zkontroluje, zda obrazy z jednoho typu skeneru nedominují v trénovacím souboru.
Provozovatel testuje, zda jsou lokální vstupní data dostatečně reprezentativní pro jeho skutečnou populaci pacientů.
Tým modelu znovu prozkoumá štítky poté, co zjistí, že historická rozhodnutí kódují nekonzistentní lidské úsudky.
Podle Omnibusu 2026 se požadavky na vysoce rizikové systémy z oddílů 1–3 kapitoly III uplatňují od 2. prosince 2027 pro systémy dle článku 6(2)/přílohy III a od 2. srpna 2028 pro systémy dle článku 6(1)/přílohy I. Směrnice a standardy Komise mohou ovlivnit očekávání ohledně důkazů. Poskytovatelé by měli propojit původ souborů dat, řízení verzí a důkazy z nasazené populace s průběžným monitorováním, jakmile se začnou uplatňovat příslušné požadavky. Přihodnoťte situaci, když se změní populace nebo provozní podmínky. Statická karta dat nemůže nahradit monitorování ani analýzu zákonného zpracování. Uchovávejte datované záznamy o použitelném textu a rozhodnutích o nasazení.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Článek 10 vyžaduje, aby poskytovatelé vysoce rizikových AI systémů používali postupy správy a řízení dat pro trénovací, validační a testovací soubory dat. Opatření musí odpovídat zamýšlenému účelu systému a řešit relevantní kritéria kvality, včetně reprezentativnosti a rizik zkreslení. Podle Omnibusu 2026 se požadavky na vysoce rizikové systémy z kapitoly III uplatňují od 2. prosince 2027 pro systémy v příloze III a od 2. srpna 2028 pro systémy v příloze I.
Článek výslovně řeší data používaná pro trénování, validaci a testování.
Výjimka má přísné podmínky a nejde o širokou autorizaci.
Dokumentace podporuje správu, ale není univerzálním důkazem.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Článek 4 zákona EU o umělé inteligenci Požadavek na gramotnost v oblasti umělé inteligence
Společnost