eu-ai-act-specialist

EU AI Act コンプライアンス専門家

規則（EU）2024/1689（EU人工知能法）に対応する、本番環境ですぐに使えるコンプライアンスパターンです。リスク分類、プロバイダーおよび導入者の義務、GPAI モデルの要件、適合性評価、AI ガバナンスを扱います。

---

まず確認すること

義務を分類または対応付ける前に、以下の入力情報を確認してください。情報が欠けている、または曖昧で、結果が変わり得る場合は質問してください。結果に影響しない場合は、妥当なデフォルト値を使用し、その内容を明記してください。

• 意図された目的と分野： システムが何を行うか、および附属書 III のどの分野に該当するか（リスク分類と適用される義務を左右します）。
• 役割： プロバイダー、導入者、GPAI プロバイダー、または輸入者（適用される義務を決定します）。
• 生体認証／GPAI の特性： 生体認証を使用するか、GPAI モデルであるか、または 10^25 FLOPs を超える計算量で学習されているか（禁止／高リスク／システミックリスクの区分と適合性評価ルートを左右します）。

リクエストにとって重要な情報を 2、3 点確認し、一覧全体を質問しないでください。ユーザーがすぐに結果を求める場合は、結果を提示し、冒頭に前提条件を記載してください。

AI システムのインベントリと分類ワークフロー

エージェントは、EU AI Act のリスクベースの枠組みに従って AI システムを分類し、適用される義務を対応付けます。

ワークフロー：分類と義務の対応付け

1. すべての AI システムをインベントリ化する -- 各システムについて、名前、プロバイダー／開発者、説明、意図された目的、導入状況、影響を受ける人々、地理的範囲、処理するデータ、意思決定への影響度を記録します。
2. 各システムに分類の決定木を適用する：
   • Art. 3(1) の AI システムの定義を満たしますか？満たさない場合は、除外理由を記録します。
   • 禁止される行為（Art. 5）に該当しますか？該当する場合は、UNACCEPTABLE RISK としてフラグを立て、使用を中止する必要があります。
   • 附属書 I の製品の安全コンポーネントですか？該当する場合は、高リスク（製品法令ルート）です。
   • 附属書 III のカテゴリーに該当しますか？該当する場合は、Art. 6(3) の例外分析を適用します。例外が適用されない場合は、高リスクです。
   • Art. 50 の透明性義務が適用されますか？適用される場合は、限定的リスクです。それ以外は、最小リスクです。
3. 分類に基づいて義務を対応付ける -- 各義務のコンプライアンス担当者を割り当てます。
4. scripts/ai_compliance_checker.py を使用してギャップ分析を実行し、コンプライアンス上のギャップを特定します。
5. 是正措置の優先順位を決める： 期限の緊急度、罰則の重大度、影響を受ける人々の数を基準にします。
6. 検証チェックポイント： すべての AI システムが分類済みであること、禁止される行為に直ちに対応するためのフラグが立てられていること、高リスクシステムにコンプライアンス担当者と是正措置のスケジュールが割り当てられていることを確認します。

例：AI システムの分類結果

{
  "system_name": "Resume Screener v2.1",
  "provider": "Internal ML Team",
  "intended_purpose": "Screen job applications and rank candidates for recruiter review",
  "ai_act_classification": "HIGH-RISK",
  "classification_rationale": "Annex III Category 4 - Employment: AI for recruitment and screening of job applicants",
  "art_6_3_exception": false,
  "exception_rationale": "System directly influences which candidates proceed to interview stage - not a narrow procedural task",
  "applicable_obligations": [
    "Risk management system (Art. 9)",
    "Data governance (Art. 10)",
    "Technical documentation (Art. 11)",
    "Record-keeping / automatic logging (Art. 12)",
    "Transparency and information to deployers (Art. 13)",
    "Human oversight (Art. 14)",
    "Accuracy, robustness, cybersecurity (Art. 15)",
    "Quality management system (Art. 17)",
    "Conformity assessment (Art. 43)",
    "CE marking (Art. 48)",
    "EU database registration (Art. 49)",
    "Post-market monitoring (Art. 72)"
  ],
  "compliance_deadline": "2027-12-02",
  "assigned_owner": "Head of AI Governance"
}

---

リスク分類システム

AI Act は、4 段階のリスクベースのアプローチを採用しています。

Tier 1：禁止される行為（Art. 5）-- 2025 年 2 月 2 日から禁止

禁止される行為	条項
公的機関によるソーシャルスコアリング	Art. 5(1)(c)
公共空間におけるリアルタイム遠隔生体識別（限定的な例外を除く）	Art. 5(1)(h)
職場および教育機関における感情認識（医療／安全目的を除く）	Art. 5(1)(f)
プロファイリングのみに基づく個人の予測的警察活動	Art. 5(1)(d)
脆弱性（年齢、障害、社会的／経済的状況）の悪用	Art. 5(1)(b)
重大な危害を引き起こすサブリミナル操作	Art. 5(1)(a)
識別データベース作成を目的とした、対象を限定しない顔画像のスクレイピング	Art. 5(1)(e)
機微な属性（人種、宗教など）による生体認証上の分類	Art. 5(1)(g)

Tier 2：高リスク AI システム（Art. 6、Annex III）

AI システムが Annex III のカテゴリーに該当する場合、または Annex I の整合法令の対象となる製品の安全コンポーネントである場合、その AI システムは高リスクです。

Annex III のカテゴリー：

#	カテゴリー	例
1	生体識別および分類	リモート生体 ID、感情認識
2	重要インフラの管理	道路交通、水道／ガス／電力供給、デジタルインフラ
3	教育および職業訓練	入学選考、学習成果の評価、試験監視
4	雇用および労働者の管理	採用／選考、昇進／解雇、パフォーマンス監視
5	必須の民間および公共サービス	信用力、保険リスク、公的支援の受給資格
6	法執行	ポリグラフ、ディープフェイク検出、犯罪分析
7	移住、庇護、国境管理	庇護リスク評価、ビザ／許可証の審査
8	司法の運営	司法上の事実認定、選挙への影響

Tier 3：限定的リスク — 透明性義務（Art. 50）

システムの種類	透明性要件
チャットボット／人と対話する AI	AI と対話していることを本人に知らせる
感情認識／生体分類	システムの稼働について、影響を受ける人に知らせる
ディープフェイク／AI 生成コンテンツ	AI による生成を開示する。機械可読なラベルを付ける
公共の利益に関する事項についての AI 生成テキスト	編集上の審査を受けている場合を除き、AI による生成を開示する

Tier 4：最小限のリスク

必須要件はありません。自主的な行動規範が推奨されます（Art. 95）。

---

高リスク AI のプロバイダーの義務

高リスク AI システムのプロバイダーは、以下のすべてを遵守する必要があります。

#	義務	条項	主な要件
1	リスク管理システム	Art. 9	ライフサイクル全体を通じた継続的かつ反復的なプロセス。定義された指標に照らしてテストする
2	データガバナンス	Art. 10	学習／検証／テスト用データセットが、品質、代表性、バイアスに関する基準を満たす
3	技術文書	Art. 11	市場投入前に作成し、ライフサイクル全体を通じて最新の状態に保つ
4	記録保持／ログ記録	Art. 12	トレーサビリティを可能にするイベントを自動記録する
5	透明性	Art. 13	能力、制限、監督措置を記載した使用説明書
6	人間による監督	Art. 14	リスクに応じて、Human-in-the-loop、on-the-loop、または in-command を採用する
7	精度、堅牢性、サイバーセキュリティ	Art. 15	適切な水準を明示し、維持する。敵対的攻撃への耐性を確保する
8	品質マネジメントシステム	Art. 17	設計、開発、テスト、データ管理、市販後対応を網羅する文書化された QMS
9	適合性評価	Art. 43	内部管理（Annex VI）または第三者評価（Annex VII）
10	CE マーキング	Art. 48	市場投入前に CE マーキングを付す
11	EU データベースへの登録	Art. 49	市場投入前に EU データベースに登録する
12	市販後モニタリング	Art. 72	積極的かつ体系的なデータ収集。重大インシデントを15日以内に報告する

---

デプロイヤーの義務（Art. 26）

義務	詳細
使用説明書に従った使用	プロバイダーの使用説明書に従って運用する
人間による監督	能力があり、訓練を受け、権限を付与された監督担当者を任命する
入力データの関連性	入力データが関連性と代表性を備えていることを確認する
モニタリング	運用を監視し、リスク／インシデントをプロバイダーに知らせる
記録保持	自動生成ログを保持する（最低6か月）
労働者への通知	高リスク AI の導入前に、労働者／代表者に通知する
DPIA	必要な場合、GDPR Art. 35 に基づくデータ保護影響評価を実施する
基本的権利影響評価	公的機関／公共サービスを提供する民間事業体に必要（Art. 27）

---

汎用AIモデル（GPAI）

GPAI プロバイダーの義務（第53条）――2025年8月2日から適用

義務	詳細
技術文書	モデルのトレーニング／テストプロセスに関する文書を維持する
下流事業者向け情報	下流のAIシステムプロバイダーに十分な情報を提供する
著作権遵守	EU著作権法を遵守し、オプトアウトの仕組みを尊重する
トレーニングデータの概要	AI Officeのテンプレートに従って、トレーニング内容の詳細な概要を公開する
EU代表者	EU域外のプロバイダーは、EU域内に拠点を置く代表者を任命する

システミックリスクをもたらすGPAIモデル（第51条、第55条）

影響の大きい能力、AI Officeによる指定、または10^25 FLOPsを超える計算量でトレーニングされた場合、システミックリスクがあると分類されます（反証可能な推定）。

追加の義務： 敵対的テストによるモデル評価、リスクに応じたレッドチーミング、システミックリスクの評価と軽減、インシデントの追跡と報告、サイバーセキュリティ保護、エネルギー消費量の報告。

---

適合性評価ワークフロー

エージェントは、組織が高リスクAIシステムの適合性評価を進めるのを支援します。

ワークフロー：内部管理（附属書VI）

1. QMSを確立する（第17条に基づく）――設計、開発、テスト、データ管理、市販後モニタリングのプロセスを文書化します。
2. 技術文書を作成する（第11条に基づく）――システムの説明、開発プロセス、リスク管理、データガバナンス、性能指標を記載します。
3. 第III章第2節のすべての要件を実施する――各義務が満たされていることを確認します。
4. 内部評価を実施する：
   • リスク管理システムが、特定されたすべてのリスクに対処していることを確認します（第9条）
   • データガバナンスが第10条の要件を満たしていることを確認します
   • 技術文書が完全かつ最新であることを確認します（第11条）
   • ログ記録機能を確認します（第12条）
   • 透明性および使用上の説明を確認します（第13条）
   • 人間による監視の設計を確認します（第14条）
   • 精度、堅牢性、サイバーセキュリティを確認します（第15条）
   • QMSが必須要素をすべて網羅していることを確認します（第17条）
5. EU適合宣言に署名し（第47条）、CEマーキングを貼付し（第48条）、EUデータベースに登録します（第49条）。
6. 市販後モニタリングを実施し（第72条）、文書を最新の状態に保ちます。
7. 検証チェックポイント： プロバイダーの12の義務すべてを確認済みであること、適合宣言に署名済みであること、CEマーキングを貼付済みであること、EUデータベースへの登録が完了していること、市販後モニタリングが稼働していること。

ワークフロー：第三者評価（附属書VII）

生体認証による識別システム（附属書IIIの1）および整合規格が不十分な場合に必要です。

1. 上記の内部管理の手順をすべて完了します。
2. 関連するAIシステムの専門知識を持つ指定機関を選定し、依頼します。
3. QMS評価――指定機関がQMSを審査・評価し、証明書を発行するか、是正措置を要求します。年次監視が実施されます。
4. 技術文書評価――指定機関が文書を審査し、システムをテストして、型式審査証明書を発行します。
5. CEマーキングに指定機関の識別番号を付して、EU適合宣言に署名します。
6. 継続的なコンプライアンスを維持する――指定機関の監視を受け、重大な変更を通知し、すべての文書を維持します。
7. 検証チェックポイント： 指定機関の証明書が発行済みであること、NB番号付きのCEマーキングを貼付済みであること、継続的な監視の予定が設定されていること。

---

バイアス検出と公平性テスト

エージェントは、第10条のデータガバナンス要件に従ってバイアスを検出します。

ワークフロー：バイアステスト

1. 保護対象属性を定義する -- 年齢、性別、民族、障害、宗教、およびシステムの利用状況に関連するその他の特性を定義します。
2. データ分布を分析する -- 構成比（目標：母集団に対して0.8～1.25）、クラス不均衡比（>0.5）、および既知のすべてのグループが網羅されているかを確認します。
3. 次の指標を使用して結果の公平性を評価する：
   • 人口統計的パリティ：グループ間で肯定的な結果の確率が等しい（80％／5分の4ルールの範囲内）
   • イコライズドオッズ：グループ間でTPRとFPRが等しい（80％の範囲内）
   • 予測パリティ：グループ間でPPVが等しい（80％の範囲内）
   • キャリブレーション：すべてのグループで予測確率が正確である（5pp以内）
4. 代理変数を特定する -- 保護対象属性と相関する特徴量がないか確認します。
5. 緩和策を実施する -- 適切に、データ拡張、再サンプリング、再重み付け、敵対的デバイアス、しきい値調整、または棄却オプション分類を行います。
6. 検証する -- 分析を再実行して改善を確認します。
7. 文書化する -- すべての調査結果、実施した対策、および残存するバイアスのレベルを技術文書に記録します。
8. 検証チェックポイント： すべての保護対象属性をテスト済みであること。公平性指標がしきい値内であること、または残存するバイアスが根拠とともに文書化されていること。緩和策が記録されていること。

例：バイアス検出コマンド

# Analyze dataset statistics for bias indicators
python scripts/ai_bias_detector.py --input dataset_stats.json \
  --protected-attributes gender,age_group,ethnicity

# Output as JSON for integration with compliance documentation
python scripts/ai_bias_detector.py --input dataset_stats.json --json

---

実施スケジュール

日付	マイルストーン	主な要件
2024年8月1日	発効	規則の公布
2025年2月2日	禁止される慣行＋AIリテラシー	第5条の禁止事項、第4条のAIリテラシー
2025年8月2日	GPAIの義務＋ガバナンス	第53条、第55条のGPAI義務、AI Officeの運用開始
2026年8月2日	透明性＋一般適用	第50条の透明性（チャットボット、ディープフェイク、AI生成コンテンツ）、罰則およびガバナンス
2026年12月2日	第50条(2)の表示、既存システム	2026年8月2日より前に市場に投入されたシステムへの機械可読な表示
2027年12月2日	高リスク、附属書III	独立型の高リスクシステム（雇用、教育、信用、法執行、およびその他の附属書IIIの分野）：提供者と導入者のすべての義務、適合性評価、CEマーキング、登録。2026年8月2日から延期
2028年8月2日	高リスク、附属書I	EU製品安全法に基づく製品の安全コンポーネントであるAI。2027年8月2日から延期

日付は、Digital Omnibus on AI（規則（EU）2026/1744、2026年7月27日発効）による改正後のものです。日付を根拠として使用する前に、官報の本文を確認してください。2026年7月より前に作成された二次ガイダンスには、旧日付が記載されています。

罰則（第99条）

違反の種類	最高罰金額	世界売上高に占める割合
禁止されるAIの慣行	3,500万ユーロ	7％（いずれか高い方）
高リスクに関する不遵守	1,500万ユーロ	3％（いずれか高い方）
当局への誤解を招く情報提供	750万ユーロ	1％（いずれか高い方）

中小企業およびスタートアップには、比例原則に基づく取り扱いが適用されます（定額または割合のうち低い方）。

---

AIモデルの文書テンプレート

テンプレート：AIシステムの説明

AI SYSTEM DESCRIPTION
=====================
System Name:
Version:
Provider:
Date:

1. GENERAL INFORMATION
   - Intended purpose:
   - Target users (deployers):
   - Affected persons:
   - Geographic scope:
   - AI Act classification:
   - Annex III category (if applicable):

2. TECHNICAL ARCHITECTURE
   - Model type:
   - Input data modalities:
   - Output description:
   - Key design choices and rationale:

3. TRAINING AND DATA
   - Training data sources:
   - Data volume and characteristics:
   - Data preparation methods:
   - Bias examination results:

4. PERFORMANCE
   - Accuracy metrics:
   - Robustness testing results:
   - Known limitations:
   - Performance across demographic groups:

5. HUMAN OVERSIGHT
   - Oversight level: [human-in-the-loop / on-the-loop / in-command]
   - Override mechanism:
   - Automation bias safeguards:

テンプレート：リスク管理文書

RISK MANAGEMENT SYSTEM -- AI SYSTEM
====================================
System Name:
Version:
Risk Management Lead:
Date:

1. RISK IDENTIFICATION
   | Risk ID | Description | Likelihood | Severity | Risk Level |
   |---------|-------------|------------|----------|------------|
   | R-001   |             |            |          |            |

2. RISK CONTROL MEASURES
   | Risk ID | Measure | Type | Verification | Status |
   |---------|---------|------|-------------|--------|
   | R-001   |         |      |             |        |

3. RESIDUAL RISK ASSESSMENT
   - Acceptability determination:
   - Overall risk-benefit analysis:

4. POST-MARKET DATA INTEGRATION
   - Review frequency:
   - Trigger conditions for update:

---

ツール

AIリスク分類器

# Classify AI system from JSON description
python scripts/ai_risk_classifier.py --input system_description.json

# Classify from inline JSON
python scripts/ai_risk_classifier.py --inline '{
  "name": "Resume Screener",
  "description": "AI system that screens job applications and ranks candidates",
  "domain": "employment",
  "uses_biometrics": false,
  "decision_type": "automated_with_review",
  "affected_persons": "job applicants",
  "eu_deployment": true
}'

# JSON output for programmatic use
python scripts/ai_risk_classifier.py --input system.json --json

AIコンプライアンスチェッカー

# Full compliance check with gap analysis
python scripts/ai_compliance_checker.py --input compliance_status.json

# Check deployer obligations only
python scripts/ai_compliance_checker.py --input compliance_status.json --role deployer

# JSON output with remediation steps
python scripts/ai_compliance_checker.py --input compliance_status.json --json

AIバイアス検出器

# Analyze dataset for bias indicators mapped to Art. 10
python scripts/ai_bias_detector.py --input dataset_stats.json

# Specify protected attributes explicitly
python scripts/ai_bias_detector.py --input dataset_stats.json \
  --protected-attributes gender,age_group,ethnicity --json

---

参照ドキュメント

ドキュメント	パス	説明
分類ガイド	references/ai-act-classification-guide.md	Annex III の全カテゴリー、判断ツリー、禁止されている行為、GPAI の分類
ガバナンスフレームワーク	references/ai-governance-framework.md	組織体制、倫理委員会、モデルのライフサイクル、適合性評価の手順
ドキュメントテンプレート	references/ai-technical-documentation-templates.md	システムの説明、リスク管理、データガバナンス、テスト、監督、市販後モニタリング、インシデント報告、FRIA の完全なテンプレート

---

---

トラブルシューティング

問題	考えられる原因	解決方法
AI システムが HIGH-RISK に分類されたが、組織は Art. 6(3) の例外に該当すると考えている	例外の分析が不完全、または分野のマッピングが誤っている	Art. 6(3) の例外基準をすべて照合して再評価します。システムは、限定的な手続き上のタスクを実行するか、すでに完了した人間の活動の結果を改善するか、純粋に準備的なものである必要があります。法的レビューを経て根拠を文書化します
バイアス検出器が差別的影響を報告するが、モデル全体の性能は良好	集計指標によってサブグループ間の格差が隠れている。特定の保護対象属性で五分の四ルールに違反している	--protected-attributes フラグを使用してグループごとの肯定的な結果率を分析します。影響を受けるグループに対して、対象を絞った緩和策（再サンプリング、しきい値の調整）を実施します。残存するバイアスとその正当化理由を文書化します
広範なドキュメントがあるにもかかわらず、コンプライアンスチェッカーのスコアが低い	ドキュメントは存在するが、主要なコンプライアンス項目が未完了または最新でないとマークされている	入力 JSON の各義務項目に現在の状態が反映されていることを確認します。kept_up_to_date と lifecycle_coverage のフラグが設定されていることを確認します。再評価の前に Art. 11 に従って技術ドキュメントを更新します
システムが複数の Annex III カテゴリーに同時に該当する	AI システムが複数の分野（例：雇用と教育）で利用されている	該当するカテゴリーのうち、最もリスクの高いものに分類します。最も厳格な義務を適用します。各カテゴリーの分類根拠を文書化します
下流プロバイダーにとって GPAI モデルの義務が不明確	上流の GPAI プロバイダーから Art. 53 に基づく十分なドキュメントが提供されていない	GPAI プロバイダーに技術ドキュメント、トレーニングデータの概要、著作権コンプライアンス情報を請求します。入手できない場合は、その不足を文書化し、独立した義務を評価します
適合性評価の手順（内部評価か第三者評価か）が不明確	生体認証システム、または整合規格が不十分	生体認証 ID システム（Annex III point 1）には第三者評価が必要です（Annex VII）。その他のシステムは、整合規格が利用できない場合を除き、内部管理を利用できます（Annex VI）。認証機関に相談してください
市販後モニタリングでモデルの性能低下が判明した	データドリフト、コンセプトドリフト、または初回評価後に導入環境が変化した	Art. 72 の市販後モニタリング手順を開始します。重大なインシデントは15日以内に報告します。リスク管理システムと技術ドキュメントを更新し、適合性評価の再実施を検討します

---

成功基準

• すべてのAIシステムの棚卸しと分類が完了している -- すべてのシステムをリスクベースの枠組みに照らして評価し、該当する場合はArt. 6(3)の例外分析を含め、分類の根拠を文書化している
• 禁止行為を特定し、停止している -- 2025年2月2日までにArt. 5で禁止されている行為をすべて特定し、停止または適法な例外適用を示す証拠を文書化している
• 高リスクシステムが期限までに完全に準拠している（Annex IIIのシステムは2027年12月2日、Annex Iの製品は2028年8月2日） -- 12項目のプロバイダー義務をすべて確認し、EU適合宣言に署名し、CEマーキングを貼付し、EUデータベースへの登録を完了している
• すべての高リスクシステムのバイアス検査が完了している -- すべての保護対象属性について、人口統計学的均衡、均等化オッズ、予測的均衡の指標が5分の4基準内にあるか、残存バイアスとその根拠を文書化している
• GPAIモデルの義務を2025年8月2日までに満たしている -- 技術文書を維持し、下流のプロバイダーに情報を提供し、著作権遵守を確認し、学習データの概要を公開している
• 適切なルートに従って適合性評価を完了している -- システム分類に基づいて内部統制（Annex VI）または第三者評価（Annex VII）を選択し、すべての証明書を発行して提出している

---

対象範囲と制限事項

対象範囲：

• 4つのリスクレベル（禁止、高リスク、限定的リスク、最小リスク）すべてにわたるAIシステムのリスク分類
• Annex IIIのカテゴリー分析とArt. 6(3)の例外評価
• プロバイダーおよび導入者の義務の整理とコンプライアンスギャップ分析
• システミックリスクの判定（10^25 FLOPsのしきい値）を含むGPAIモデルの分類
• Art. 10のデータガバナンス要件に対応したバイアス検出と公平性検査
• 適合性評価のワークフローに関するガイダンス（Annex VIの内部統制およびAnnex VIIの第三者評価）
• 罰則リスクの評価を伴う実施スケジュールの追跡

対象外：

• 実際のMLモデルのトレーニング、再トレーニング、または敵対的テスト -- このスキルが提供するのはコンプライアンスの枠組みであり、MLエンジニアリングツールではありません
• 通知機関の選定、契約、または監査の実施
• 国の規制サンドボックスへの申請、または実験的AIシステムの免除
• 義務の整理を超える、GPAI実施規範の詳細な実装
• CEマーキングの物理的な貼付、またはEUデータベース登録システムの操作
• AI法上の義務に関する責任、保険、または契約上の配分についての法的助言

重要事項：

• デジタル・オムニバス（規則（EU）2026/1744）により、高リスクに関する期限はAnnex IIIが2027年12月2日、Annex Iが2028年8月2日に変更されました。Art. 50の透明性要件は延期されておらず、2026年8月2日から適用されます。高リスクシステムの適合性対応には数か月かかるため、分類とギャップ分析には今すぐ着手してください
• 罰則は重く、禁止行為には最大3,500万ユーロまたは全世界の売上高の7％、高リスクに関する不遵守には最大1,500万ユーロまたは3％が科される可能性があります
• 中小企業およびスタートアップには、比例的な罰則が適用されます（定額または割合のうち低い方）

---

統合ポイント

スキル	統合内容	使用するタイミング
iso42001-ai-management	ISO 42001 AIMS は EU AI Act への準拠に向けた組織的な枠組みを提供します。認証によって Art. 17 QMS への適合を実証できます	ISO 42001 と EU AI Act の両方を満たす AI ガバナンスプログラムを構築する場合
gdpr-dsgvo-expert	Art. 10 のデータガバナンスは GDPR と重複します。個人データを処理する高リスク AI システムには、GDPR Art. 35 に基づく DPIA が必要です	AI システムが個人データを処理し、DPIA と適合性評価の両方が必要な場合
mdr-745-specialist	AI 医療機器には EU AI Act と MDR の両方が適用されます。MDR の適合性評価は Art. 120 に基づき AI Act の要件を満たす場合があります	AI 搭載の医療機器に MDR と AI Act の両方への準拠が必要な場合
fda-consultant-specialist	FDA PCCP と EU AI Act の間で、国境を越えた AI/ML SaMD 準拠要件をマッピングします	AI 医療機器を米国と EU の両方で販売する場合
infrastructure-compliance-auditor	Art. 15 の精度、堅牢性、サイバーセキュリティ要件を支える技術的なセキュリティ制御	導入済みの高リスク AI システムのインフラストラクチャセキュリティを検証する場合

---

ツールリファレンス

ai_risk_classifier.py

AI システムの JSON 記述に基づいて、EU AI Act のリスクカテゴリに分類します。

フラグ	必須	説明
--input <file>	はい（--inline を指定しない場合）	AI システムの記述を含む JSON ファイルのパス
--inline '<json>'	いいえ	迅速な分類に使用するインラインの JSON システム記述
--json	いいえ	プログラムで使用できる JSON 形式で結果を出力します
--output <file>	いいえ	指定したファイルパスに分類レポートをエクスポートします

入力フィールド： name、description、domain、sub_domain、uses_biometrics、biometric_type、biometric_context、interacts_with_persons、generates_content、content_type、decision_type、affected_persons、is_safety_component、product_legislation、eu_deployment、social_scoring、manipulates_behavior、targets_vulnerable_groups、predictive_policing_individual、untargeted_scraping、is_gpai、training_compute_flops、critical_infrastructure、infrastructure_type。

ai_compliance_checker.py

ギャップ分析を行い、AI システムが提供者と導入者のすべての義務に準拠しているかを検証します。

フラグ	必須	説明
--input <file>	はい	コンプライアンス状況を記載した JSON ファイルのパス
--role <role>	いいえ	特定の役割に対する義務を確認します：provider（デフォルト）または deployer
--json	いいえ	是正手順を含む JSON 形式で結果を出力します
--output <file>	いいえ	指定したファイルパスにコンプライアンスレポートをエクスポートします

出力： 全体的なコンプライアンススコア（0～100）、義務ごとの状況、Art. の参照を含むギャップ分析、優先順位付けされた是正の推奨事項。

ai_bias_detector.py

データセットの統計を分析し、Art. 10 のデータガバナンス要件に対応するバイアスの兆候を検出します。

フラグ	必須	説明
--input <file>	はい	データセットの統計（人口統計、結果、相関関係）を含む JSON ファイルのパス
--protected-attributes <attrs>	いいえ	分析する保護対象属性のカンマ区切りリスト（例：gender,age_group,ethnicity）
--json	いいえ	結果を JSON 形式で出力します
--output <file>	いいえ	指定したファイルパスにバイアス評価レポートをエクスポートします

しきい値： 代表性比率 0.8～1.25（母集団の値から 20％以内）、クラス不均衡 >0.5、異なる影響に関する 4/5 ルール（0.8）、代理変数検出のための代理相関 >0.5。

---

規制の参照： 2024 年 6 月 13 日付、欧州議会および理事会規則（EU）2024/1689
最終更新： 2026 年 3 月
バージョン： 1.0.0