SkarpChapter 2 of 10
Grunderna: Vad kan AI faktiskt göra för en marknadskontrollmyndighet?
Bakom alla buzzwords döljer sig ett fåtal konkreta AI‑förmågor – här bryts begreppen ned till praktiska byggstenar som kan kopplas direkt till vardagliga tillsynsproblem.
1. Från buzzword till verktygslåda
Varför denna modul?
Du har sett varför AI behövs i marknadskontroll. Nu fokuserar vi på vad AI faktiskt kan göra i praktiken, bortom buzzwords och hype.
Tre huvudtyper
Bakom modeorden finns tre byggstenar: regelbaserade system, maskininlärning (ML) och generativ AI. De kombineras för att lösa tillsynsproblem.
Vad används AI till?
AI hjälper främst till att: 1) sortera och prioritera information, 2) hitta mönster och avvikelser, 3) stötta handläggare i texttunga uppgifter.
Koppling till din vardag
Vi kopplar byggstenarna till konkreta situationer: leksaker och PPE i e‑handel, inom ramen för dagens EU‑regler som GPSR.
2. Regelbaserade system – den enkla, men viktiga AI‑kusinen
Vad är ett regelbaserat system?
Ett regelbaserat system är som ett automatiserat regelhäfte: du formulerar "om–så"‑regler som körs snabbt på stora datamängder.
Exempel: leksaker
Om produkttyp = leksak, målgrupp = 0–3 år och texten innehåller "små delar" kan systemet automatiskt flagga för kvävningsrisk.
Exempel: PPE
Om kategori = andningsskydd och inget CE nämns i text eller bild kan systemet flagga för manuell granskning enligt PPE‑krav.
Styrkor och svagheter
Styrkor: transparent, förutsägbart, bra för tydliga krav. Svagheter: hittar bara det ni redan tänkt på och kräver löpande underhåll.
3. Maskininlärning – att lära av historiska ärenden
Vad är maskininlärning?
Maskininlärning låter systemet lära sig mönster från data istället för att du kodar alla regler. Det passar bra när det finns många historiska ärenden.
Vilken data används?
Data kan vara tidigare ärenden, e‑handelsannonser, labbtester och Safety Gate‑anmälningar. Systemet hittar samband mellan dessa och riskutfall.
Vad kan ML göra?
ML kan ge riskscore på annonser, hitta nya riskmönster och hjälpa till att prioritera vilka produkter som ska granskas först.
Styrkor och svagheter
Styrkor: skalar till miljontals produkter, hittar oväntade mönster. Svagheter: mindre transparent, kräver bra data och uppföljning.
4. Fyra kärnförmågor: prediktion, klassificering, klustring, generativ AI
Prediktiv analys
Prediktion svarar på: "Hur sannolikt är X?". I tillsyn kan det vara sannolikheten att en annons leder till ett farligt fynd, uttryckt som en riskscore.
Klassificering
Klassificering svarar på: "Vilken kategori hör detta till?". Exempel: är produkten leksak, PPE eller annat? Är annonsen troligen compliant eller inte?
Klustring
Klustring grupperar liknande objekt utan fördefinierade etiketter. Det kan avslöja grupper av säljare eller produkter med liknande riskmönster.
Generativ AI
Generativ AI skapar nytt innehåll, t.ex. sammanfattar testprotokoll eller skriver utkast till brev. Den ger textförslag men ersätter inte beslut.
Varför detta spelar roll
Genom att förstå dessa fyra förmågor kan du ställa rätt typ av fråga till AI‑team: behöver vi prediktion, klassificering, klustring eller generering?
5. Konkreta användningsfall: leksaker i e‑handel
Prediktion för leksaker
Prediktiv analys kan ge varje leksaksannons en riskscore baserat på historiska ärenden. De mest riskabla annonserna hamnar överst i handläggarens kö.
Klassificera vad som är leksak
AI kan avgöra om en produkt sannolikt är en leksak trots att den marknadsförs som t.ex. "samlarfigur" och därmed borde omfattas av leksaksregler.
Klustring av säljare
Genom att klustra säljare efter beteende kan AI avslöja nätverk av konton som tillsammans sprider farliga leksaker via olika plattformar.
Generativ AI för dokumentation
Generativ AI kan ta testprotokoll och anteckningar och skapa ett första utkast till beslutsunderlag, som sedan granskas av handläggaren.
6. Konkreta användningsfall: PPE (t.ex. andningsskydd) i e‑handel
Klassificera PPE korrekt
AI kan avgöra om en produkt egentligen är PPE, trots att den marknadsförs som något annat, och därmed borde följa PPE‑förordningens krav.
Prediktion för labbresurser
Genom prediktiv analys kan myndigheten styra provtagning mot PPE‑produkter med högst sannolik risk för allvarliga brister.
Klustring av märkning
Klustring kan avslöja mönster i felaktig CE‑märkning eller återanvända certifikatnummer över många PPE‑annonser.
Generativ AI i dialog
Generativ AI kan föreslå brev till näringsidkare på flera språk, men handläggaren granskar och ansvarar för det slutliga innehållet.
7. Vad lämpar sig för AI – och vad kräver mänskligt omdöme?
Fundera själv innan du läser vidare. För varje punkt: skulle du främst använda AI, människa eller en kombination?
- Välja ut 500 riskabla annonser bland 5 miljoner leksaksannonser.
- Avgöra om en viss produktuppställning juridiskt sett är en leksak enligt EU‑definitionen.
- Skriva ett första utkast till ett beslutsunderlag om försäljningsförbud.
- Bedöma proportionaliteten i ett föreläggande enligt nationell förvaltningsrätt.
- Hålla överblick över alla nya Safety Gate‑anmälningar och se vilka som liknar tidigare svenska ärenden.
Förslag på svar att jämföra med:
- Främst AI (prediktion/klassificering) – uppgiften är massiv och repetitiv, AI kan rangordna, människa granskar toppträffar.
- Kombination – AI kan ge förslag baserat på text och bild, men slutlig juridisk kvalificering kräver mänskligt omdöme.
- Främst AI (generativ) – bra för utkast och struktur, men människa måste granska fakta, rättslig analys och ton.
- Främst människa – proportionalitet och avvägningar mot nationell rätt, praxis och politiska mål kräver mänsklig bedömning.
- Kombination – AI (klustring/likhetssökning) hittar liknande ärenden, människa värderar relevans och prioriterar åtgärder.
Nyckelinsikt: AI är starkt i mönsterigenkänning, prioritering och textstöd, medan normativa avvägningar och ansvar ligger kvar hos människor.
8. Snabbcheck: Kan du skilja på AI‑förmågorna?
Besvara frågan nedan för att testa din förståelse.
Du vill hitta grupper av säljare i e‑handel som beter sig likartat (t.ex. många klagomål, ofta namnbyte), utan att du i förväg vet vilka grupper som finns. Vilken AI‑förmåga är mest central här?
- Prediktiv analys
- Klassificering
- Klustring
- Generativ AI
Show Answer
Answer: C) Klustring
Klustring används när du vill gruppera objekt som liknar varandra utan att ha fördefinierade etiketter. Prediktiv analys och klassificering kräver kända målvariabler, och generativ AI skapar nytt innehåll snarare än grupperar data.
9. Snabb repetition av nyckelbegrepp
Använd korten för att repetera centrala termer innan du går vidare.
- Regelbaserat system
- Ett system som följer förhandsskrivna "om–så"‑regler. Mycket transparent och bra för tydliga krav, men hittar bara det du redan definierat.
- Maskininlärning (ML)
- AI‑metoder där systemet lär sig mönster från data, t.ex. vilka annonser som oftast leder till farliga produkter.
- Prediktiv analys
- ML‑förmåga som uppskattar sannolikheten att något händer, t.ex. att en viss produkt är farlig, ofta uttryckt som riskscore.
- Klassificering
- ML‑förmåga som tilldelar etiketter, t.ex. "leksak" eller "PPE", eller "hög risk" kontra "låg risk".
- Klustring
- ML‑förmåga som grupperar liknande objekt utan fördefinierade etiketter, t.ex. nätverk av oseriösa säljare.
- Generativ AI
- AI‑system (ofta stora språkmodeller) som skapar nytt innehåll, t.ex. sammanfattningar, brevutkast eller kod.
- Beslutsstöd i marknadskontroll
- Användning av AI för att prioritera, hitta mönster och ge textstöd, där mänskliga handläggare fortfarande fattar och ansvarar för besluten.
Key Terms
- GPSR
- EU:s General Product Safety Regulation, den allmänna produktsäkerhetsförordningen som skärper kraven på bl.a. online‑marknadsplatser och gäller för konsumentprodukter.
- Klustring
- ML‑uppgift där objekt grupperas efter likhet utan att det finns fördefinierade etiketter.
- Generativ AI
- AI‑modeller, ofta stora språkmodeller, som kan skapa nytt innehåll som text, kod eller bilder baserat på träningsdata.
- Klassificering
- ML‑uppgift där varje objekt tilldelas en eller flera etiketter, t.ex. produktkategori eller riskklass.
- Prediktiv analys
- Användning av ML för att förutsäga sannolikheter eller framtida utfall, t.ex. risknivå för en produkt.
- Regelbaserat system
- Ett system som använder explicita if–then‑regler för att fatta beslut eller flagga ärenden.
- Maskininlärning (ML)
- Samlingsnamn för metoder där datorer lär sig mönster ur data utan att alla regler programmeras manuellt.
- PPE (Personlig skyddsutrustning)
- Produkter avsedda att bäras eller hållas av en person för att skydda mot en eller flera hälso‑ eller säkerhetsrisker.