Utlösare: AI måste verka över organisationer eller federerade miljöer.
Bevis-Ripple för AI i dataspaces
AI över dataspaces
utan att förlora suveränitet.
Federerade bevis för AI över delade dataspaces - råa tillgångar stannar lokalt, bevisposter reser, deltagarnas suveränitet bevaras.
Federated Ripple - one passport, three jurisdictions
Node ES
Art. 10 bias exam ✓
Node DE
Art. 15 accuracy ✓
Node FI
Art. 12 log sample ✓
Federated Ripple
Federated Evidenceraw_data: never leaves the node that holds it
evidence_records: Ed25519-signed per node, aggregated into one Ripple
verifiable_offline: true - a reviewer checks the signature, not our word
Känsligt sammanhang
Varför dataspaces kräver en suverän bevisinfrastruktur.
Deltagare i ett dataspace delar rätten att komma åt data - inte data i sig. AI-system som verkar över noderna i ett dataspace måste producera bevis utan att centralisera råa tillgångar, äventyra deltagarnas suveränitet eller skapa dolda beroenden av en enskild parts förtroendepåståenden.
Datakategorier inom omfattningen
Berörda personer
Riskscenarier
Vad som vanligtvis går fel.
Specifika felmoder som ses i detta känsliga sammanhang - utan strukturerade bevis.
En federerad inlärningsmodell aggregerar uppdateringar utan deltagarbevis på lokal träningsomfattning.
Inga lokala bevisposter per deltagare. Den centrala aggregatorn kan inte verifiera vilken data varje nod använde. Förtroende baserat på påståenden.
En AI-plattform i ett dataspace centraliserar inferens för att sänka kostnaderna.
Rå deltagardata lämnar den enskildes kontroll utan bevis på rättslig grund, DPA eller deltagarens samtycke till central behandling.
Ett RAG-system mellan organisationer matar in dokument från flera deltagare utan en dokumentgräns per deltagare.
En deltagares konfidentiella dokument åtkomliga via frågor från en annan deltagares session. Ingen hämtningsgräns. Inga bevis på förankring av hämtningen per nod.
En dataspace-koppling ger AI-rekommendationer utan verifieringskedja per deltagare.
Inga bevis på deltagarnivå. Ingen härkomst. Rekommendationens ursprung oklart. Deltagarnas förtroende för utrymmet undergrävt.
Gränskontroll, tillämpad här
Skanna systemet. Utfärda passet. Bevilja visumet.
Vad skanningen finner i detta sammanhang, vad passet registrerar och vilka villkor visumet fäster.
Currents
skanningenVilken AI körs, och vad vet vi inte om den?
Currents körs vid varje deltagarnod och öppnar akten lokalt: vilka AI-system som når vilka dataprodukter, vad varje nod faktiskt bidrar med till en federerad modell, var ett hämtningsindex korsar en deltagargräns, och vilka noder som saknar bevis helt eftersom ingen lokal körare är driftsatt där.
Ripples
passetVad är detta system, och vad är bevisat om det?
En Ripple aggregerar endast det som noderna signerade: bevisposter per deltagare, federerad modellproveniens, den rättsliga grunden för varje överföring, och hämtningsgränsen per deltagare. Luckor i täckningen förblir synliga i posten i stället för att jämnas ut.
Droplets
visumetFår det köras HÄR, på DESSA data, under VILKA villkor?
En Droplet klarerar systemet per deltagare och per dataprodukt: endast lokal inferens, resultat aggregerade men råa tillgångar suveräna, en avanmälan som fungerar, och återkallelse av vilken deltagare som helst utan att utrymmet kollapsar för de övriga.
Omfattning
Vad som behöver en Ripple.
Arbetsflöde för intressenter
Från utlösare till åtkomstbeslut.
Scan
Art. 6 route · Annex III test
Evidence call
Annex IV · Art. 10 bias file
Seal Review
DPO · CISO · Art. 14 owner
Droplet
Conditions bound · expiring
Re-scan
On retrain, drift or model swap
Scan
Art. 6 route · Annex III test
Evidence call
Annex IV · Art. 10 bias file
Seal Review
DPO · CISO · Art. 14 owner
Droplet
Conditions bound · expiring
Re-scan
On retrain, drift or model swap
Styrningsansvarig för dataspacet
“AI driftsätts inom eller över dataspacet.”
Kräv en Ripple per AI-system. Den federerade bevisstrukturen måste visa lokala bevisposter per deltagare.
Deltagarens DPO / dataansvarig
“Organisationens dataprodukter är åtkomliga för AI inom dataspacet.”
Bekräfta att datagräns, rättslig grund och avanmälningsmekanism är dokumenterade i en Ripple.
Ansvarig för teknisk integration
“En lokal körare måste driftsättas vid varje deltagarnod.”
Samordna integrationsdriftsättningen. Bevis kan inte samlas in utan en lokal körare vid varje relevant nod.
Åtkomstbeslut
Villkor för kontext-Droplet.
De åtkomstbeslut som gäller i detta känsliga sammanhang - och de bevisvillkor som ger upphov till dem.
- Lokala bevisposter insamlade från varje deltagarnod
- Råa tillgångar stannar inom deltagarens perimeter
- Aggregerad Ripple återspeglar endast federerade bevis
- Mekanism för deltagarens anmälan/avanmälan dokumenterad
- AI-inferens körs endast inom varje deltagarnod
- Ingen dataöverföring mellan noder - endast resultataggregering
- Datagräns per deltagare bekräftad
- Deltagarbevis saknas från en eller flera noder
- Dokumentgräns inte konfigurerad för RAG
- Dataöverföring mellan noder utan bekräftad rättslig grund
- Rå deltagardata överförd centralt utan bekräftad rättslig grund och DPA
- Aggregering av en enskild part utan deltagarens samtycke till centralisering
Mätning
Bevisfamiljer vi kan strukturera.
De mätbara beviskategorier som är relevanta för detta sammanhang och de bevissignaler de ger upphov till.
Lokala bevisposter
Signerade bevisposter per deltagare - bevis på att bedömningen kördes lokalt utan att rådata lämnade deltagarens perimeter.
Härkomst och proveniens
Härkomst för dataprodukter över deltagare, federerad modellproveniens och bevis på datamängders version per nod.
Integritet och datasuveränitet
Rättslig grund per deltagare, bevis på dataöverföring och åtkomstkontrollpolicy för AI-åtkomst mellan organisationer.
RAG-dokumentgräns
Hämtningsgräns per deltagare - bevis på att en deltagares dokument inte är åtkomliga i en annans session.
Federerad bedömning
Där federerad inlärning används: bevis på bidrag per runda, transparens i aggregeringen och alternativ för att utesluta deltagare.
Åtkomstkontroll
Policy-som-kod som styr vilka AI-system som kan komma åt vilka deltagares dataprodukter och under vilka villkor.
Ärlig omfattning
Vad som fortfarande inte kan bedömas.
AffectLog överdriver inte. Dessa punkter kräver extern expertis, regulatorisk process eller långsiktig studie.
Deltagarsystem som inte är anslutna till en lokal körare eller integration
Bevisinsamling kräver den lokala köraren driftsatt inom deltagarens miljö. Utan integration kan AffectLog inte generera bevisposter för den noden.
I stället: Tillhandahåll stöd för driftsättning av den lokala köraren och integrationsdokumentation till deltagarorganisationerna.
Efterlevnad över jurisdiktioner för dataöverföringar
Rättslig adekvans, SCC:er och efterlevnad av dataöverföring kräver juridisk analys per jurisdiktion och deltagarkombination.
I stället: Anlita juridisk rådgivning för analys av gränsöverskridande överföring. AffectLogs bevis stöder den tekniska komponenten av granskningen.
Exempel
Exempel på Ripple för detta sammanhang.
Intelligenslager för leveranskedjan
Leveranskedjeanalys mellan deltagare · Industriellt dataspace
Åtkomstvillkor
Vad vi inte kommer att överdriva
AffectLog centraliserar inte deltagardata som standard. Vi samlar in lokala bevisposter - bevis på att bedömningen kördes inom varje deltagares perimeter. Vi verifierar inte deltagarsystem vi inte är integrerade med, och vi tillhandahåller inte slutsatser om efterlevnad över jurisdiktioner.
Vanliga frågor
Frågor som detta sammanhang väcker.
“Vårt dataspace har redan styrningsregler - deltagarna har godtagit villkoren.”
Styrningsvillkor beskriver vad deltagarna har enats om i princip. AffectLog strukturerar tekniska bevis på att avtalen efterlevs: vilken data som behandlas, vilka AI-system som har åtkomst, och om råa tillgångar förblir suveräna - per deltagare, per system.
“Vi kan inte driftsätta en lokal körare vid varje deltagarnod.”
Partiell täckning är bättre än ingen. Deltagare med en lokal körare bidrar med bevisposter. De utan markeras som 'bevis ännu inte insamlade' i en Ripple - vilket gör luckor i täckningen synliga i stället för dolda.
Kom igång
Bygg ett bevislager för AI i dataspaces
utan att centralisera deltagardata.
Utforma ett federerat bevisflöde för din portfölj av dataspace-AI - lokala bevisposter per deltagare, åtkomstvillkor per AI-system, och en Ripple som reser utan att ta med sig rådata.
AffectLog tillhandahåller tekniska och operativa bevis. Inte juridisk efterlevnad, adekvans för dataöverföring eller juridisk rådgivning över jurisdiktioner.