Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Συμμόρφωση και Ίχνος Ελέγχου

Μάθημα 22 / 22 Ενημερώθηκε 29 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Συμμόρφωση και Ίχνος Ελέγχου
  2. Γιατί ένα Ίχνος Ελέγχου;
  3. Δομή μιας Εγγραφής Ελέγχου
  4. Πλήρες Σύστημα Ελέγχου
  5. Ερωτήματα Ελέγχου
  6. Διατήρηση και Αρχειοθέτηση
  7. Ευρωπαϊκός Νόμος για την Τεχνητή Νοημοσύνη: Τι Αλλάζει
  8. Λίστα Ελέγχου Συμμόρφωσης
  9. Βασικά σημεία
  10. Δοκιμάστε τις Γνώσεις σας

Συμμόρφωση και Ίχνος Ελέγχου

Για τις εφαρμογές Τεχνητής Νοημοσύνης σε παραγωγικό περιβάλλον, η ιχνηλασιμότητα είναι απαραίτητη. Ένα πλήρες ίχνος ελέγχου (audit trail) σας προστατεύει κατά τη διάρκεια επιθεώρησης, διαφοράς ή περιστατικού. Αυτό το μάθημα σας δείχνει πώς να υλοποιήσετε ένα αξιόπιστο σύστημα ελέγχου, ολοκληρώνοντας το μάθημα συνδυάζοντας όλα όσα έχετε κατασκευάσει μέχρι τώρα—καταγραφή, δια moderation και προστασία δεδομένων—σε ένα ενιαίο, υπερασπίσιμο πλαίσιο.

Γιατί ένα Ίχνος Ελέγχου;

Τέσσερις διακριτές ανάγκες συγκλίνουν στην ίδια υποδομή. Πρώτον, η κανονιστική συμμόρφωση: ο GDPR, ο Ευρωπαϊκός Νόμος για την Τεχνητή Νοημοσύνη (AI Act) και τα βιομηχανικά πρότυπα απαιτούν όλα να αποδεικνύετε τι κάνει το σύστημά σας, και μια απόδειξη χωρίς αρχεία καταγραφής είναι άνευ αξίας. Δεύτερον, η ιχνηλασιμότητα με την αυστηρή έννοια—να γνωρίζετε ποιος έκανε τι, πότε, με ποιο αποτέλεσμα, ακόμη και έξι μήνες αργότερα. Η αποσφαλμάτωση ωφελείται καθημερινά από αυτό, καθώς η κατανόηση της απροσδόκητης συμπεριφοράς του μοντέλου απαιτεί την ανάκτηση των ακριβών συνθηκών της κλήσης. Τέλος, η λογοδοσία: η τεκμηρίωση των αποφάσεων που λαμβάνει η ΤΝ είναι αυτό που θα σας επιτρέψει, όταν έρθει η στιγμή, να δείξετε ότι μια αμφισβητούμενη σύσταση βασίστηκε σε μια ελεγχόμενη διαδικασία.

Δομή μιας Εγγραφής Ελέγχου

Η dataclass παρακάτω λειτουργεί τόσο ως συμβόλαιο όσο και ως δομή δεδομένων. Ομαδοποιεί αναγνωριστικά, το πλαίσιο της εφαρμογής, το αίτημα, την απάντηση, την ετυμηγορία δια moderation και τα τεχνικά μεταδεδομένα. Δύο επιλογές αξίζουν την προσοχή σας. Το αναγνωριστικό χρήστη εμφανίζεται μόνο σε μορφή hash, ποτέ σε απλό κείμενο. Και το prompt δεν αποθηκεύεται: αποθηκεύεται μόνο το hash και το μήκος του. Αυτό διατηρεί την ικανότητά σας να αποδεικνύετε ότι δύο κλήσεις αφορούσαν το ίδιο περιεχόμενο χωρίς ποτέ να δημιουργείτε ένα αρχείο με ό,τι έγραψαν οι χρήστες σας.

from dataclasses import dataclass, field, asdict
from datetime import datetime
from typing import Optional
import json
import uuid
import hashlib

@dataclass
class AuditRecord:
    """Audit record for an API call."""
    # Identifiers
    audit_id: str = field(default_factory=lambda: str(uuid.uuid4()))
    timestamp: str = field(
        default_factory=lambda: datetime.now().isoformat()
    )

    # Context
    user_id_hash: str = ""  # Never the plain ID
    session_id: str = ""
    application: str = ""

    # Request (no sensitive data)
    model: str = ""
    prompt_hash: str = ""  # Hash of the prompt, not the prompt itself
    prompt_length: int = 0

    # Response
    response_id: str = ""
    output_length: int = 0
    input_tokens: int = 0
    output_tokens: int = 0

    # Moderation
    input_flagged: bool = False
    output_flagged: bool = False

    # Metadata
    duration_ms: int = 0
    status: str = "success"
    error: Optional[str] = None

    def to_json(self) -> str:
        return json.dumps(asdict(self), ensure_ascii=False)

Πλήρες Σύστημα Ελέγχου

Ο πελάτης που αξιοποιεί αυτή τη δομή αλυσιδώνει τη δια moderation εισόδου, την κλήση API, τη δια moderation εξόδου και εγγράφει σε κάθε περίπτωση. Η σημαντική λέξη είναι append-only: το αρχείο JSONL ανοίγει σε λειτουργία προσάρτησης, ποτέ ξαναγράφεται, κάτι που αποτελεί την προϋπόθεση για να έχει ένα αρχείο καταγραφής αποδεικτική αξία. Σημειώστε τη διαδρομή μιας επισημασμένης εγγραφής—η εγγραφή αποθηκεύεται πριν εγερθεί η εξαίρεση, με την κατάσταση blocked_input. Ένας αποκλεισμός αφήνει επομένως ίχνος ακριβώς όπως μια επιτυχία, και το τελικό μπλοκ except εγγυάται ότι κανένα σφάλμα, όποια και αν είναι η προέλευσή του, δεν διαφεύγει της προσοχής.

import time
from openai import OpenAI

class AuditedClient:
    """OpenAI client with integrated audit trail."""

    def __init__(self, application: str, audit_store: str = "audit.jsonl"):
        self.client = OpenAI()
        self.application = application
        self.audit_store = audit_store

    def _hash(self, text: str) -> str:
        """Truncated SHA-256 hash for auditing."""
        return hashlib.sha256(text.encode()).hexdigest()[:16]

    def _save_audit(self, record: AuditRecord):
        """Saves an audit record (append-only)."""
        with open(self.audit_store, "a", encoding="utf-8") as f:
            f.write(record.to_json() + "\n")

    def create(self, user_id: str, session_id: str,
               model: str, input: str, **kwargs) -> object:
        """API call with automatic auditing."""

        record = AuditRecord(
            user_id_hash=self._hash(user_id),
            session_id=session_id,
            application=self.application,
            model=model,
            prompt_hash=self._hash(input),
            prompt_length=len(input),
        )

        start = time.monotonic()

        try:
            # Input moderation
            mod = self.client.moderations.create(
                model="omni-moderation-latest",
                input=input
            )
            record.input_flagged = mod.results[0].flagged

            if record.input_flagged:
                record.status = "blocked_input"
                self._save_audit(record)
                raise ValueError("Inappropriate input content")

            # API call
            response = self.client.responses.create(
                model=model,
                input=input,
                **kwargs
            )

            # Output moderation
            mod_out = self.client.moderations.create(
                model="omni-moderation-latest",
                input=response.output_text
            )
            record.output_flagged = mod_out.results[0].flagged

            # Fill metrics
            record.response_id = response.id
            record.output_length = len(response.output_text)
            record.input_tokens = response.usage.input_tokens
            record.output_tokens = response.usage.output_tokens
            record.duration_ms = round((time.monotonic() - start) * 1000)
            record.status = "success"

            self._save_audit(record)
            return response

        except Exception as e:
            record.duration_ms = round((time.monotonic() - start) * 1000)
            record.status = "error"
            record.error = type(e).__name__
            self._save_audit(record)
            raise

# Usage
audited = AuditedClient(application="support-chatbot")

response = audited.create(
    user_id="[email protected]",
    session_id="sess-abc123",
    model="gpt-5.6-terra",
    input="How do I return a product?"
)
print(response.output_text)

Σε αυτό το παράδειγμα, η διεύθυνση email που περνάει ως user_id δεν φτάνει ποτέ στο αρχείο: γίνεται hash μόλις κατασκευαστεί η εγγραφή. Ένα αρχείο JSONL λειτουργεί καλά για να ξεκινήσετε και για μία μόνο instance· μόλις πολλές διεργασίες γράφουν παράλληλα, κατευθύνετε αυτή τη ροή σε μια βάση δεδομένων ή σε έναν συλλέκτη αρχείων καταγραφής.

Ερωτήματα Ελέγχου

Ένα αρχείο καταγραφής που δεν μπορείτε να ερωτήσετε χρησιμεύει μόνο για να καταλαμβάνει χώρο στο δίσκο. Η ανάγνωση γραμμή προς γραμμή της μορφής JSONL καθιστά την εκμετάλλευση τετριμμένη, και η αναφορά παρακάτω συνοψίζει την καλυπτόμενη περίοδο, την κατανομή μεταξύ επιτυχιών, σφαλμάτων και αποκλεισμών, την κατανάλωση token και τη μέση καθυστέρηση. Ο αριθμός των μοναδικών χρηστών βασίζεται σε hashes, κάτι που αποδεικνύει παρεμπιπτόντως ότι ένα ψευδωνυμοποιημένο αρχείο καταγραφής παραμένει απόλυτα αναλύσιμο.

import json

def read_audit(file: str = "audit.jsonl") -> list[dict]:
    """Reads all audit records."""
    records = []
    try:
        with open(file, "r", encoding="utf-8") as f:
            for line in f:
                if line.strip():
                    records.append(json.loads(line))
    except FileNotFoundError:
        pass
    return records

def audit_report(file: str = "audit.jsonl") -> dict:
    """Generates an audit report."""
    records = read_audit(file)

    if not records:
        return {"message": "No records"}

    total = len(records)
    errors = sum(1 for r in records if r["status"] == "error")
    blocked = sum(1 for r in records if r["status"] == "blocked_input")
    tokens_total = sum(
        r.get("input_tokens", 0) + r.get("output_tokens", 0)
        for r in records
    )
    durations = [r["duration_ms"] for r in records if r["duration_ms"] > 0]

    return {
        "period": {
            "start": records[0]["timestamp"],
            "end": records[-1]["timestamp"],
        },
        "total_calls": total,
        "successes": total - errors - blocked,
        "errors": errors,
        "moderation_blocks": blocked,
        "tokens_consumed": tokens_total,
        "avg_latency_ms": round(sum(durations) / max(len(durations), 1)),
        "unique_users": len(set(r["user_id_hash"] for r in records)),
    }

print(json.dumps(audit_report(), indent=2, ensure_ascii=False))

Διατήρηση και Αρχειοθέτηση

Η διατήρηση δεδομένων επ’ αόριστον αντιβαίνει στην αρχή του περιορισμού της αποθήκευσης· η διαγραφή πολύ νωρίς σας στερεί την απόδειξη που μπορεί να χρειαστείτε. Η περιστροφή λύνει αυτό το δίλημμα: πέρα από μια διάρκεια που ορίζετε εσείς—εδώ ενενήντα ημέρες—οι εγγραφές μεταφέρονται από το ενεργό αρχείο σε ένα χρονολογημένο αρχείο, ενώ το τρέχον αρχείο καταγραφής ξαναγράφεται μόνο με τις πρόσφατες. Προγραμματίστε αυτή τη συνάρτηση ως περιοδική εργασία και ευθυγραμμίστε το retention_days με την πολιτική που επικυρώθηκε από τον νομικό σας σύμβουλο, όχι με μια τιμή επιλεγμένη τυχαία.

from datetime import datetime, timedelta
import shutil
import os

def archive_audit(file: str = "audit.jsonl",
                  retention_days: int = 90):
    """Archives and purges old records."""
    records = read_audit(file)
    limit = datetime.now() - timedelta(days=retention_days)

    recent = []
    archives = []

    for record in records:
        date_record = datetime.fromisoformat(record["timestamp"])
        if date_record > limit:
            recent.append(record)
        else:
            archives.append(record)

    if archives:
        # Archive old ones
        archive_name = f"audit_archive_{datetime.now().strftime('%Y%m%d')}.jsonl"
        with open(archive_name, "w", encoding="utf-8") as f:
            for record in archives:
                f.write(json.dumps(record, ensure_ascii=False) + "\n")

        # Rewrite main file with recent ones
        with open(file, "w", encoding="utf-8") as f:
            for record in recent:
                f.write(json.dumps(record, ensure_ascii=False) + "\n")

        print(f"Archived {len(archives)} records to {archive_name}")
        print(f"Kept {len(recent)} recent records")

Ευρωπαϊκός Νόμος για την Τεχνητή Νοημοσύνη: Τι Αλλάζει

Ο Ευρωπαϊκός Νόμος για την Τεχνητή Νοημοσύνη (AI Act) επιβάλλει υποχρεώσεις βάσει του επιπέδου κινδύνου της εφαρμογής σας. Η λογική είναι διαβαθμισμένη: όσο περισσότερο το σύστημά σας επηρεάζει τη ζωή των ανθρώπων, τόσο αυστηρότερες είναι οι απαιτήσεις. Ένα chatbot FAQ, μια σύνοψη ή μια μετάφραση εμπίπτουν στον ελάχιστο κίνδυνο και απαιτούν μόνο βασική διαφάνεια. Μόλις υπάρχει συνομιλία ή ανάλυση συναισθήματος, μεταβαίνετε σε περιορισμένο κίνδυνο, με την υποχρέωση να ενημερώνετε τον χρήστη ότι αλληλεπιδρά με ΤΝ. Το άλμα είναι απότομο για υψηλό κίνδυνο—βαθμολόγηση πιστοληπτικής ικανότητας, προσλήψεις, ιατρική διάγνωση—όπου προστίθενται η αξιολόγηση συμμόρφωσης, η διαχείριση κινδύνου, η τεκμηρίωση των δεδομένων εκπαίδευσης, η πλήρης ιχνηλασιμότητα, η ανθρώπινη εποπτεία και η απόδειξη της ακρίβειας. Ορισμένες χρήσεις, όπως η κοινωνική βαθμολόγηση ή η υπολιμνιακή χειραγώγηση, απαγορεύονται ρητά.

# Assess the risk level of your application
RISK_LEVELS = {
    "minimal": {
        "examples": ["FAQ chatbot", "text summary", "translation"],
        "obligations": ["Basic transparency"]
    },
    "limited": {
        "examples": ["customer service chatbot", "sentiment analysis"],
        "obligations": ["Inform the user they are interacting with an AI"]
    },
    "high": {
        "examples": ["credit scoring", "recruitment", "medical diagnosis"],
        "obligations": [
            "Conformity assessment",
            "Risk management system",
            "Documented training data",
            "Logging and complete traceability",
            "Mandatory human supervision",
            "Demonstrated accuracy and robustness"
        ]
    },
    "unacceptable": {
        "examples": ["social scoring", "subliminal manipulation"],
        "obligations": ["PROHIBITED"]
    }
}

Τοποθετήστε ειλικρινά το έργο σας σε αυτό το πλέγμα πριν γράψετε την πρώτη γραμμή κώδικα: μια εφαρμογή που κατατάσσεται ως υψηλού κινδύνου επιβάλλει αρχιτεκτονικούς περιορισμούς—εξαντλητική καταγραφή, σημείο ανθρώπινου ελέγχου—που δεν μπορούν να προσαρμοστούν εκ των υστέρων σε ένα σύστημα σχεδιασμένο χωρίς αυτούς.

Λίστα Ελέγχου Συμμόρφωσης

  • Ίχνος ελέγχου append-only με χρονοσήμανση
  • Hash προσωπικών δεδομένων στα αρχεία καταγραφής (ποτέ σε απλό κείμενο)
  • Συστηματική δια moderation εισόδων και εξόδων
  • Επικαιροποιημένο μητρώο δραστηριοτήτων επεξεργασίας GDPR
  • Ορισμένη πολιτική διατήρησης και αρχειοθέτησης
  • Πραγματοποιημένη αξιολόγηση επιπέδου κινδύνου AI Act
  • Ενημέρωση χρηστών ότι αλληλεπιδρούν με ΤΝ
  • Ανθρώπινη εποπτεία για αποφάσεις με αντίκτυπο

Βασικά σημεία

  • Ένα ίχνος ελέγχου είναι υποχρεωτικό για κανονιστική συμμόρφωση
  • Καταγραφή σε λειτουργία append-only: μην τροποποιείτε ποτέ υπάρχουσες εγγραφές
  • Κάντε hash όλων των προσωπικών δεδομένων στα αρχεία ελέγχου
  • Ο Ευρωπαϊκός Νόμος για την Τεχνητή Νοημοσύνη κατατάσσει τις εφαρμογές ανά επίπεδο κινδύνου
  • Υλοποιήστε αυτόματη δια moderation ΚΑΙ ανθρώπινη εποπτεία
  • Ορίστε μια πολιτική διατήρησης και αρχειοθετήστε τακτικά

Δοκιμάστε τις Γνώσεις σας

Είκοσι δύο μαθήματα API: επικυρώστε τους μηχανισμούς που συγκρατούν την παραγωγή.

1. Γιατί να μεταβείτε στο Responses API αντί να παραμείνετε στο Chat Completions;

Απάντηση: Είναι το σύγχρονο API της OpenAI: ενσωματωμένη διαχείριση κατάστασης συνομιλίας, εγγενή εργαλεία και εξέλιξη εστιασμένη σε αυτό—το Chat Completions παραμένει υποστηριζόμενο αλλά παρωχημένο.

2. Πώς επιλέγετε μεταξύ Sol, Terra και Luna στην πλευρά του API;

Απάντηση: gpt-5.6-sol για απαιτητικές εργασίες, terra για ισορροπία κόστους/ποιότητας, luna για οικονομικό όγκο—και το επίπεδο συλλογιστικής (none→max) προσαρμόζεται στη συνέχεια ανά αίτημα.

3. Τι εγγυάται η Δομημένη Έξοδος (Structured Output);

Απάντηση: Έξοδο σύμφωνη με το παρεχόμενο σχήμα JSON—πεδία, τύποι, δομή—εκμεταλλεύσιμη από πρόγραμμα χωρίς αμυντική ανάλυση ή επιδιόρθωση.

4. Τι κάνετεαπέναντι σε ένα σφάλμα 429;

Απάντηση: Σεβαστείτε τα όρια ρυθμού: επαναλάβετε με εκθετική καθυστέρηση (και jitter), θέστε όριο στις προσπάθειες και σχεδιάστε για έναν διακόπτη κυκλώματος—ποτέ άμεσο βρόχο επανάληψης.

5. Ονομάστε δύο απαραίτητες προστασίες στην πλευρά της ασφάλειας της εφαρμογής.

Απάντηση: Δια moderation εισερχόμενου/εξερχόμενου περιεχομένου μέσω του ειδικού API, και άμυνα κατά της έγχυσης prompt: απομονώστε τις οδηγίες από τα δεδομένα, επικυρώστε τις εξόδους, περιορίστε τις εκτεθειμένες δυνατότητες.

Παραγωγή, ασφάλεια, συμμόρφωση: τα τελευταία τρία μπλοκ του μαθήματος κάνουν τη διαφορά μεταξύ ενός πρωτοτύπου και μιας υπηρεσίας—κρατήστε τα ως λίστα ελέγχου.