Data som skapas och kontrolleras inom myndigheten, t.ex. ärenden, inspektionsprotokoll, labbrapporter, incidentrapporter och åtgärdshistorik.

Data utanför myndigheten, t.ex. plattformsdata, företagens egna recalls, Safety Gate‑varningar och internationella varningssystem.

En översikt som visar vilka datamängder som finns, vilka nyckelfält de innehåller och hur de hänger ihop (relationer), t.ex. via produkt‑ID.

Data organiserad i tydliga fält och tabeller (t.ex. produktkategori, risktyp, åldersgrupp) som är direkt användbar för analys och AI‑modeller.

EU:s offentliga varningssystem för farliga produkter (tidigare RAPEX). Innehåller information om farliga GPSR‑produkter, leksaker, PPE m.m.

En förenklad modell som visar vilka datakällor som finns, deras viktigaste fält och hur de är kopplade till varandra.

EU:s varningssystem där medlemsstater rapporterar farliga produkter. Innehåller beskrivning av produkten, risktyp, vidtagna åtgärder m.m.

What is Plattformsdata?

Data från onlineplattformar, t.ex. produktlistningar, säljare, recensioner och försäljningsinformation, som kan användas för AI‑baserad övervakning.

What is Marknadskontroll?

Myndigheters arbete med att kontrollera att produkter på marknaden uppfyller gällande säkerhets- och regelkrav, samt att vidta åtgärder mot farliga eller otillåtna produkter.

Data som bränsle: Vilken information behövs för AI‑driven marknadskontroll? — AI-drivna arbetssätt för marknadskontroll av GPSR‑produkter, leksaker och PPE i internationell e‑handel

Överblick: Data som bränsle i AI‑driven marknadskontroll

Varför data är bränsle

Nu flyttar vi fokus från vad AI kan göra till vad AI behöver: data. Utan rätt data blir även den mest avancerade modell värdelös i marknadskontroll.

Regler som driver databehovet

GPSR och sektorsregler som leksaksdirektivet och PPE‑förordningen kräver snabb hantering av risker. Det pressar myndigheter att använda data mer systematiskt och AI‑stöd.

Det här lär du dig

Du kommer att se vilka interna och externa datakällor som är viktigast, vilka datakvalitetskrav AI ställer, och hur du kan skissa en enkel datakarta för GPSR‑produkter, leksaker och PPE.

Interna datakällor: Vad finns redan i myndigheten?

Var börjar vi?

Börja med att inventera vilken data som redan finns i myndigheten: ärenden, inspektioner, prover, incidenter och åtgärdshistorik.

Ärenden och inspektioner

Ärendehanteringssystem och inspektionsprotokoll innehåller tips, klagomål, beslut och checklista‑resultat. Dessa ger AI signaler om var risker brukar dyka upp.

Provtagning och incidenter

Labbrapporter och incidentdata kopplar produkter till faktiska brister och skador. Det gör dem centrala som "facit" när AI ska lära sig känna igen riskabla produkter.

Nyckeln: att kunna koppla ihop

AI blir stark först när ärenden, inspektioner, prover och incidenter kan länkas till samma produkt via ID, GTIN eller en standardiserad beskrivning.

Exempel: Intern dataresa för en riskabel leksak

Steg 1–2: Klagomål och inspektion

En förälder klagar på en batteribil. Ärendet registreras, en inspektör beställer produkten och fyller i ett detaljerat inspektionsprotokoll.

Steg 3–4: Prov och beslut

Labbet konstaterar att smådelar lossnar och innebär kvävningsrisk. Myndigheten beslutar om försäljningsförbud och markerar ärendet som farlig leksak.

Steg 5: AI:s lärande

AI kan använda hela kedjan – text, bilder, pris, säljkanal, labbresultat – som träningsdata för att senare hitta liknande riskabla leksaker automatiskt.

Externa datakällor: Plattformsdata, recalls och varningssystem

Varför externa källor?

Intern data räcker sällan. För att hitta nya risker tidigt behöver myndigheten data från plattformar, recalls och internationella varningssystem.

Plattformsdata

E‑handelsplattformar ger produkttexter, bilder, säljardata och recensioner. GPSR skärper deras skyldigheter att samarbeta och ta bort farliga produkter.

Safety Gate och recalls

Safety Gate, nationella recall‑register och företagens egna återkallelser visar vilka produkter som redan bedömts som farliga och varför.

Matchningsproblemet

AI måste kunna känna igen att en produkt i Safety Gate är samma (eller liknande) som en produkt på en plattform, trots olika namn och bilder.

Övning: Identifiera interna och externa datakällor

Föreställ dig att du jobbar på en marknadskontrollmyndighet som fokuserar på GPSR‑produkter, leksaker och PPE.

Uppgift 1: Sortera datakällor

Fundera tyst och skriv gärna ner två kolumner.

Placera följande i intern eller extern kolumn:

a) Ärenden från konsumenter
b) Safety Gate‑varningar
c) Inspektionsprotokoll från fysiska butiker
d) Produktlistor från en stor e‑handelsplattform
e) Labbrapporter från myndighetens eget laboratorium
f) Företagens egna återkallelser på deras webbplatser

Jämför sedan med facit nedan:

Interna: a, c, e (förutsatt att labbet är en del av myndigheten)
Externa: b, d, f

Uppgift 2: Saknas något?

Skriv ner minst två ytterligare datakällor (en intern och en extern) som skulle kunna vara värdefulla för AI‑driven marknadskontroll av leksaker och PPE.

Exempel när du vill kontrollera dig själv:

möjlig intern källa: historik över sanktionsavgifter
möjlig extern källa: branschorganisationers varningslistor

Fundera kort på: Hur lätt skulle dessa källor vara att få tillgång till och strukturera?

Datakvalitet, struktur och etik: Vad kräver AI i praktiken?

Struktur spelar roll

AI fungerar bäst när viktiga uppgifter finns i strukturerade fält, inte bara som fritext eller PDF:er. Standardiserade risk- och produktkoder är centrala.

Kompletthet och aktualitet

Saknade fält och gammal data försämrar modellens träffsäkerhet. Uppdaterad och så komplett data som möjligt ger mer robusta AI‑modeller.

Etik och AI‑förordningen

Personuppgifter måste hanteras enligt GDPR. AI‑system för marknadskontroll kan klassas som hög risk och kräver god datastyrning och bias‑kontroll.

Spårbarhet

Det ska gå att följa varje dataposts resa: källa, tidpunkt, bearbetning. Det är viktigt både juridiskt och för att kunna förbättra AI‑modellen.

Övning: Förbättra datakvalitet i ett enkelt exempel

Här är en förenklad tabell över tre produkter i ett internt system (föreställ dig att den finns i Excel eller en databas):

Produkt A: "Toy car", kategori: "Leksak", risktyp: "okänd", åldersgrupp: tom, beslut: "Ingen åtgärd".
Produkt B: "Mask", kategori: "Skydd", risktyp: "andning", åldersgrupp: "vuxen", beslut: "Förbud".
Produkt C: "Baby rattle", kategori: "Leksak", risktyp: "kvävning", åldersgrupp: "0–3", beslut: "Recall".

Uppgift 1: Identifiera tre dataproblem

Fundera: vilka problem ser du ur ett AI‑perspektiv?

Möjliga svar (kontrollera dig själv):

risktyp "okänd" för Produkt A – ger ingen signal till modellen
åldersgrupp saknas för Produkt A – svårt att bedöma om det är en småbarnsprodukt
kategori "Skydd" för Produkt B är otydlig – borde vara mer specifik, t.ex. "PPE‑andningsskydd"
risktyp "andning" är ostandardiserad – borde vara något som "otillräcklig filtrering" eller liknande kod

Uppgift 2: Förbättra tabellen

Försök att skriva om Produkt A och B med:

tydligare kategori
standardiserad risktyp
ifylld åldersgrupp där det är rimligt

Exempel på förbättring:

Produkt B: kategori "PPE – andningsskydd", risktyp "otillräcklig filtrering", åldersgrupp "vuxen".

Reflektera kort: Hur skulle dessa små förbättringar påverka en AI‑modells möjlighet att hitta mönster?

Datakarta: Byggblocken för GPSR, leksaker och PPE

Vad är en datakarta?

En datakarta visar vilka datamängder som finns, hur de hänger ihop och vilka fält som binder dem samman. Den är ett praktiskt planeringsverktyg.

Centrala tabeller

För GPSR, leksaker och PPE är kärnan: produktdata, ärenden/incidenter, inspektioner/prover, plattformsdata och varnings-/recall‑data.

Referensdata

Kodlistor för risktyper, produktkategorier och åldersgrupper behövs för att allt ska tala samma språk och bli användbart för AI.

Relationerna är viktigast

Det viktiga är att kunna koppla produkter till incidenter, labbresultat, plattformslistningar och varningar – det är dessa länkar AI lär sig av.

Rita din egen enkla datakarta (mental whiteboard)

Nu får du öva på att skissa en enkel datakarta för en myndighet som jobbar med GPSR‑produkter, leksaker och PPE.

Föreställ dig att du har ett tomt papper (eller öppna ett riktigt):

Rita fem rutor och döp dem till:

"Produkter"
"Ärenden/incidenter"
"Inspektioner/prover"
"Plattformar"
"Varningar/recalls"

I varje ruta, skriv in minst tre fält som du tycker är viktigast. Exempel:

Produkter: `produkt‑ID`, `kategori (GPSR/leksak/PPE)`, `åldersgrupp`
Ärenden/incidenter: `ärende‑ID`, `produkt‑ID`, `risktyp`
Inspektioner/prover: `inspektions‑ID`, `produkt‑ID`, `prov‑ID`
Plattformar: `plattforms‑produkt‑ID`, `produkt‑ID (matchad)`, `säljare‑ID`
Varningar/recalls: `varnings‑ID`, `produkt‑ID (matchad)`, `åtgärd`

Dra pilar mellan rutorna där du tycker att data bör kopplas.

Exempel: "Produkter" ↔ "Ärenden/incidenter" via `produkt‑ID`.
"Produkter" ↔ "Plattformar" via matchad `produkt‑ID`.

Reflektera kort:

Vilken koppling tror du är viktigast för att hitta farliga leksaker tidigt?
Vilken koppling är troligen svårast tekniskt (t.ex. matchning mellan Safety Gate‑poster och plattformslistningar)?

Spara gärna din skiss – den är en första version av en datamodell som skulle kunna ligga till grund för ett riktigt AI‑projekt.

Snabbtest: Har du grepp om databehoven?

Besvara frågan för att kolla att du fångat kärnan i modulen.

Vilken kombination av datakällor är mest central för att en AI‑modell ska kunna upptäcka farliga leksaker på en e‑handelsplattform innan de når konsumenterna?

Endast interna ärenden och inspektionsprotokoll
Plattformsdata (produktlistningar, säljare, recensioner) kombinerat med interna incident- och labbdata samt Safety Gate‑varningar
Enbart Safety Gate‑varningar, eftersom de redan visar vilka produkter som är farliga

Show Answer

Answer: B) Plattformsdata (produktlistningar, säljare, recensioner) kombinerat med interna incident- och labbdata samt Safety Gate‑varningar

Det är kombinationen som är nyckeln: plattformsdata visar vad som säljs just nu, interna incident- och labbdata ger facit på vad som varit farligt tidigare, och Safety Gate‑varningar ger internationella signaler. Tillsammans gör de det möjligt för AI att känna igen riskmönster i nya plattformsprodukter.

Repetition av nyckelbegrepp

Använd korten för att repetera centrala begrepp från modulen.

Interna datakällor: Data som skapas och kontrolleras inom myndigheten, t.ex. ärenden, inspektionsprotokoll, labbrapporter, incidentrapporter och åtgärdshistorik.
Externa datakällor: Data utanför myndigheten, t.ex. plattformsdata, företagens egna recalls, Safety Gate‑varningar och internationella varningssystem.
Datakarta: En översikt som visar vilka datamängder som finns, vilka nyckelfält de innehåller och hur de hänger ihop (relationer), t.ex. via produkt‑ID.
Strukturerad data: Data organiserad i tydliga fält och tabeller (t.ex. produktkategori, risktyp, åldersgrupp) som är direkt användbar för analys och AI‑modeller.
Safety Gate: EU:s offentliga varningssystem för farliga produkter (tidigare RAPEX). Innehåller information om farliga GPSR‑produkter, leksaker, PPE m.m.
Datakvalitet för AI: Handlar om struktur, standardiserade kodlistor, kompletthet, aktualitet, spårbarhet och etisk hantering (inkl. GDPR och AI‑förordningen).

Key Terms

Datakarta: En förenklad modell som visar vilka datakällor som finns, deras viktigaste fält och hur de är kopplade till varandra.
Safety Gate: EU:s varningssystem där medlemsstater rapporterar farliga produkter. Innehåller beskrivning av produkten, risktyp, vidtagna åtgärder m.m.
Plattformsdata: Data från onlineplattformar, t.ex. produktlistningar, säljare, recensioner och försäljningsinformation, som kan användas för AI‑baserad övervakning.
Marknadskontroll: Myndigheters arbete med att kontrollera att produkter på marknaden uppfyller gällande säkerhets- och regelkrav, samt att vidta åtgärder mot farliga eller otillåtna produkter.
Strukturerad data: Data som är organiserad i tydliga fält och tabeller, vilket gör den enkel att söka i och använda i AI‑modeller.
Ostrukturerad data: Data utan fördefinierad struktur, t.ex. fritext, PDF:er, bilder och videor, som kräver extra bearbetning för att bli AI‑vänlig.
Data lineage (spårbarhet): Information om var data kommer ifrån, när den skapats eller ändrats och vilka processer som bearbetat den.
AI‑förordningen (EU AI Act): EU‑förordning som reglerar utveckling och användning av AI‑system, med särskilda krav på hög‑risk‑system som kan inkludera marknadskontrollapplikationer.
PPE (Personal Protective Equipment): Personlig skyddsutrustning, t.ex. andningsskydd, skyddshjälmar, skyddsglasögon. Regleras av särskild EU‑förordning utöver GPSR.
GPSR (General Product Safety Regulation): EU:s produktsäkerhetsförordning för konsumentprodukter. Ersätter det tidigare produktsäkerhetsdirektivet och skärper bl.a. krav på aktörer i e‑handelskedjan.