From aaf95cf8946873cc083d11496c1b5b5762cfbfa2 Mon Sep 17 00:00:00 2001 From: Benjamin Admin Date: Tue, 10 Mar 2026 07:24:05 +0100 Subject: [PATCH] feat(use-case-wizard): Sonstige Datentypen, bessere Erklaerungen und Glossar - Step 2: Dynamische Textfelder fuer eigene Datentypen (Kennzeichen, VIN etc.) - Step 4: Konkrete Beispiele fuer Automatisierungsgrade + Art. 22 DSGVO Info - Step 5: Ausfuehrliche Erklaerungen mit Beispielen + aufklappbares Glossar (ML, DL, NLP, LLM, RAG, Fine-Tuning) Co-Authored-By: Claude Opus 4.6 --- .../app/sdk/use-cases/new/page.tsx | 179 ++++++++++++++++-- 1 file changed, 159 insertions(+), 20 deletions(-) diff --git a/admin-compliance/app/sdk/use-cases/new/page.tsx b/admin-compliance/app/sdk/use-cases/new/page.tsx index 978d06e..147de79 100644 --- a/admin-compliance/app/sdk/use-cases/new/page.tsx +++ b/admin-compliance/app/sdk/use-cases/new/page.tsx @@ -62,6 +62,7 @@ function NewUseCasePageInner() { health_data: false, biometric_data: false, financial_data: false, + custom_data_types: [] as string[], // Purpose purpose_profiling: false, purpose_automated_decision: false, @@ -116,6 +117,7 @@ function NewUseCasePageInner() { health_data: intake.data_types?.health_data || false, biometric_data: intake.data_types?.biometric_data || false, financial_data: intake.data_types?.financial_data || false, + custom_data_types: intake.data_types?.custom_data_types || [], purpose_profiling: intake.purpose?.profiling || false, purpose_automated_decision: intake.purpose?.automated_decision || intake.purpose?.decision_making || false, purpose_marketing: intake.purpose?.marketing || false, @@ -159,6 +161,7 @@ function NewUseCasePageInner() { health_data: form.health_data, biometric_data: form.biometric_data, financial_data: form.financial_data, + custom_data_types: form.custom_data_types.filter(s => s.trim()), }, purpose: { profiling: form.purpose_profiling, @@ -374,6 +377,46 @@ function NewUseCasePageInner() { ))} + + {/* Sonstige Datentypen */} +
+
Sonstige Datentypen
+

+ z.B. Kennzeichen, Fahrzeug-Identifikationsnummer (VIN), Geraete-IDs, IP-Adressen +

+ {form.custom_data_types.map((dt, idx) => ( +
+ { + const updated = [...form.custom_data_types] + updated[idx] = e.target.value + updateForm({ custom_data_types: updated }) + }} + placeholder="Datentyp eingeben..." + className="flex-1 px-3 py-2 border border-gray-300 rounded-lg text-sm focus:ring-2 focus:ring-purple-500 focus:border-transparent" + /> + +
+ ))} + +
)} @@ -426,10 +469,28 @@ function NewUseCasePageInner() { {currentStep === 4 && (

Grad der Automatisierung

+

+ Wie stark greift die KI in Entscheidungen ein? Je hoeher der Automatisierungsgrad, desto strenger die regulatorischen Anforderungen. +

{[ - { value: 'assistive', label: 'Assistiv', desc: 'KI unterstuetzt, Mensch entscheidet immer' }, - { value: 'semi_automated', label: 'Teilautomatisiert', desc: 'KI schlaegt vor, Mensch prueft und bestaetigt' }, - { value: 'fully_automated', label: 'Vollautomatisiert', desc: 'KI entscheidet autonom, Mensch ueberwacht nur' }, + { + value: 'assistive', + label: 'Assistiv (Mensch entscheidet)', + desc: 'Die KI liefert Informationen oder Vorschlaege, aber ein Mensch trifft immer die finale Entscheidung.', + examples: 'Rechtschreibkorrektur, Suchvorschlaege, Zusammenfassungen, Uebersetzungshilfe', + }, + { + value: 'semi_automated', + label: 'Teilautomatisiert (Mensch prueft)', + desc: 'Die KI erstellt Ergebnisse oder Entwuerfe, die ein Mensch vor der Ausfuehrung prueft und bestaetigt.', + examples: 'E-Mail-Entwuerfe mit manueller Freigabe, vorgeschlagene Diagnosen mit Arztbestaetigung, KI-generierte Vertraege mit juristischer Pruefung', + }, + { + value: 'fully_automated', + label: 'Vollautomatisiert (KI entscheidet)', + desc: 'Die KI trifft Entscheidungen eigenstaendig. Ein Mensch ueberwacht nur stichprobenartig oder bei Ausnahmen.', + examples: 'Automatische Kreditentscheidungen, automatisierte Bewerbungs-Vorauswahl, autonome Chatbot-Antworten ohne Pruefung', + }, ].map(item => (
))} + + {/* Info-Box: Warum ist das wichtig? */} +
+
Warum ist das wichtig?
+

+ Art. 22 DSGVO regelt automatisierte Einzelentscheidungen. Vollautomatisierte Systeme, die Personen + erheblich beeinflussen (z.B. Kreditvergabe, Bewerbungsauswahl), unterliegen strengen Auflagen: + Informationspflicht, Recht auf menschliche Ueberpruefung und Anfechtungsmoeglichkeit. +

+
)} @@ -488,26 +560,93 @@ function NewUseCasePageInner() { -

Modell-Nutzung

+ +

Wie wird das KI-Modell genutzt?

+

Waehlen Sie alle zutreffenden Optionen. Klicken Sie auf die Info-Symbole fuer Erklaerungen.

+ {[ - { key: 'model_inference', label: 'Inferenz', desc: 'Vortrainiertes Modell nutzen (Standard)' }, - { key: 'model_rag', label: 'RAG (Retrieval-Augmented)', desc: 'Eigene Daten als Kontext bereitstellen' }, - { key: 'model_finetune', label: 'Fine-Tuning', desc: 'Modell mit eigenen Daten nachtrainieren' }, - { key: 'model_training', label: 'Training', desc: 'Eigenes Modell von Grund auf trainieren' }, + { + key: 'model_inference', + label: 'Inferenz', + desc: 'Ein fertiges, vortrainiertes Modell wird direkt genutzt — z.B. ChatGPT, Claude, DeepL. Das Modell wird nicht veraendert.', + example: 'Sie nutzen die OpenAI API, um Texte zusammenzufassen.', + }, + { + key: 'model_rag', + label: 'RAG (Retrieval-Augmented Generation)', + desc: 'Das Modell erhaelt zusaetzlichen Kontext aus Ihren eigenen Dokumenten (z.B. Wissensdatenbank, Handbuecher). Das Modell selbst wird nicht veraendert.', + example: 'Ein Chatbot durchsucht Ihre Firmen-FAQ und beantwortet Fragen basierend auf den gefundenen Dokumenten.', + }, + { + key: 'model_finetune', + label: 'Fine-Tuning', + desc: 'Ein bestehendes Modell wird mit Ihren eigenen Daten nachtrainiert, um es an Ihre spezifischen Anforderungen anzupassen. Die Originaldaten fliessen ins Modell ein.', + example: 'Sie trainieren GPT-3.5 mit 1.000 Ihrer Support-Tickets, damit es Ihren Kommunikationsstil uebernimmt.', + }, + { + key: 'model_training', + label: 'Training (eigenes Modell)', + desc: 'Sie trainieren ein komplett eigenes KI-Modell von Grund auf mit Ihren Daten. Hoechster Kontrollgrad, aber auch hoechster Aufwand und Datenrisiko.', + example: 'Sie trainieren ein eigenes Bilderkennungsmodell fuer Qualitaetskontrolle in der Produktion.', + }, ].map(item => ( - +
+ +
))} + + {/* Info-Box: Begriffe erklaert */} +
+ + Begriffe erklaert: ML, DL, NLP, LLM — Was bedeutet das? + +
+
+ ML (Machine Learning) — + Computer lernt Muster aus Daten, statt explizit programmiert zu werden. + Beispiel: Spam-Filter, der aus markierten E-Mails lernt. +
+
+ DL (Deep Learning) — + Spezielle Form von ML mit kuenstlichen neuronalen Netzen (viele Schichten). + Beispiel: Bilderkennung, Spracherkennung, Textgenerierung. +
+
+ NLP (Natural Language Processing) — + KI, die menschliche Sprache versteht und verarbeitet. + Beispiel: ChatGPT, DeepL, Sentiment-Analyse von Kundenbewertungen. +
+
+ LLM (Large Language Model) — + Sehr grosses Sprachmodell, trainiert auf riesigen Textmengen. Kann Texte verstehen, generieren und uebersetzen. + Beispiel: GPT-4, Claude, Llama, Gemini. +
+
+ RAG (Retrieval-Augmented Generation) — + Das LLM erhaelt vor der Antwort relevante Dokumente aus einer Datenbank als Kontext. + Vorteil: Aktuelle und firmenspezifische Antworten, ohne das Modell neu zu trainieren. +
+
+ Fine-Tuning — + Ein bestehendes Modell wird mit eigenen Daten weiter trainiert, um es zu spezialisieren. + Achtung: Ihre Trainingsdaten werden Teil des Modells. +
+
+
)}