https://hria.eu/assets/stage1a-DLrGibt3.js

1const a="Analiza sistema veštačke inteligencije",i="Razumevanje tehničkih karakteristika i konteksta primene vašeg sistema veštačke inteligencije",e="Navedite sveobuhvatne detalje o svrsi, karakteristikama i tokovima podataka vašeg sistema veštačke inteligencije",o={notSpecified:"Nije navedeno"},n={describeSystem:{title:"💡 Kako opisati vaš sistem veštačke inteligencije",primaryPurposeExamples:{heading:"Primeri primarne svrhe",goodExamplesLabel:"Dobri primeri:",body:'"Automatizovana provera prijava za posao radi identifikacije kvalifikovanih kandidata i smanjenja pristrasnosti u zapošljavanju" ili "Analiza medicinskih snimaka radi pomoći radiolozima u ranoj detekciji raka pluća"'},technicalArchitecture:{heading:"Primeri tehničke arhitekture",examplesLabel:"Primeri:",body:'"Model dubokog učenja koji koristi CNN arhitekturu, obučen na 100.000 medicinskih snimaka. Primena putem cloud API-ja sa mogućnostima obrade u realnom vremenu."',primerPrompt:"📚 Potrebno vam je više smernica? Pogledajte naš <1>Tehnički praktikum</1> za detaljne okvire analize sistema veštačke inteligencije."},difficulty:{heading:"⚠️ Ovo vam je teško?",body:"Ako niste sigurni kako da opišete tehničke detalje vašeg sistema veštačke inteligencije, preporučujemo da prvo završite naš <1>Tehnički praktikum</1>. On pruža korak-po-korak smernice za analizu sistema veštačke inteligencije i pomoći će vam da razumete koje informacije treba uključiti ovde."}},understandingData:{title:"Razumevanje podataka u vašem sistemu veštačke inteligencije",trainingData:"<strong>Podaci za obuku</strong> koriste se van mreže za izgradnju ili ažuriranje modela (istorijski skupovi podataka, oznake, karakteristike). Oni oblikuju ono što sistem može da nauči, ali ne moraju nužno biti ono što prolazi kroz sistem u produkciji.",ingestion:"<strong>Unos (ulaz u realnom vremenu)</strong> je ono što primenjeni sistem prima uživo — različito od podataka za obuku. Primeri uključuju dokumente, statistike, lične podatke, ponašanja, lokaciju i druge relevantne tačke podataka (upite, forme, senzorske feedove, API-je).",output:"<strong>Izlaz</strong> je ono što sistem proizvodi u radu — npr. rezultati, rangiranja, klasifikacije, preporuke, upozorenja, mape rizika, prognoze, generisani izveštaji, automatizovane akcije ili API payload. Opišite ko ih prima; uticaj na ljudska prava procenjuje se u kasnijim fazama."}},r={aiSystemPurpose:{label:"Primarna svrha i izjava o problemu",placeholder:"Primer: 'Automatizovani sistem provere koji pomaže HR odeljenjima da identifikuju kvalifikovane k

1andidate za posao uz smanjenje nesvesne pristrasnosti u procesu zapošljavanja. Sistem analizira biografije, propratna pisma i odgovore na prijave kako bi bodovao kandidate na osnovu kriterijuma relevantnih za posao.'",helper:"💡 Budite precizni u pogledu poslovnog problema i načina na koji veštačka inteligencija rešava problem. Uključite ciljne korisnike i očekivane ishode."},aiSystemCharacteristics:{label:"Ključne karakteristike i tehničke komponente",placeholder:"Primer: 'Sistem računarskog vida koji koristi duboko učenje (CNN arhitektura) za analizu medicinskih snimaka. Karakteristike uključuju: automatizovanu detekciju lezija, bodovanje pouzdanosti (0–100%), mogućnosti grupne obrade i integraciju sa postojećim PACS sistemima. Izgrađen pomoću TensorFlow okvira, primenjen na cloud infrastrukturi sa SLA dostupnosti od 99,9%. Obrađuje DICOM snimke do 512x512 piksela sa prosečnim vremenom obrade od 2,3 sekunde po snimku.'",helper:"💡 Uključite: tip AI modela, korišćene algoritme, ključne mogućnosti, metrike performansi, arhitekturu primene i detalje integracije."},deploymentCountry:{placeholder:"Dodajte zemlju ili region"},trainingDataDescription:{label:"Opis podataka za obuku",placeholder:"Primer: 'Skup od 150.000 snimaka grudnog koša iz 5 bolnica u 3 zemlje (SAD, UK, Kanada). Snimci označeni od strane sertifikovanih radiologa sa anotacijama za 14 različitih patologija. Podaci uključuju: demografiju pacijenata (starost, pol), parametre snimanja (podešavanja ekspozicije, tip opreme) i kliničke ishode. Period prikupljanja: 2018–2022. Pretprocesiranje podataka uključivalo je normalizaciju, augmentaciju (rotacija, okretanje) i filtriranje kvaliteta. Potencijalna pristrasnost: 65% muških pacijenata, 78% kaukaskog porekla, različit kvalitet snimaka između ustanova.'",helper:"💡 Uključite: veličinu skupa podataka, izvore podataka, metode prikupljanja, demografiju, proces označavanja, korake pretprocesiranja i potencijalne pristrasnosti."},ingestionDataDescription:{label:"Unos / ulazni podaci u realnom vremenu",placeholder:"Primer: 'Prihvat uživo putem bezbednog API-ja i web formi: dokumenti (prijave, prateći fajlovi), statistike (agregati prihoda), lični podaci (identifikatori, sastav domaćinstva), ponašanja (obrazci korišćenja, istorija transakcija), lokacija (jurisdikcija, adresa) i druga relevantna polja. Grupni upload noću; validacija u realnom vremenu za označene slučajeve — nije istorijski korpus za obuku.'",helper:"💡 Koji podaci se unose u sistem tokom rada — različito od podataka za obuku. Primeri: dokumenti, statistike, lični podaci, ponašanja, lokacija i druge relevantne tačke podataka (upiti, feedovi, forme, senzori, API-ji)."},operationDataDescription:{label:"Izlaz / operativni rezultati",placeholder:"Primer: 'Po studiji: verovatnoćni rezultati za 14 stanja, heatmape koje ističu regione zabrinutosti i strukturirani izveštaj prosleđen na radnu stanicu radiologa i bolnički EMR (~500/dan). Primaoci: licencirani kliničari i revizorski tim; pacijenti konačnu dijagnozu dobijaju samo preko lekara. Zadržavanje: rezultati se čuvaju 10 godina; API izlaže read-only sažetke regionalnom registru.'",helper:"💡 Šta sistem izlazi u radu. Primeri: rezultati, rangiranja, klasifikacije, preporuke, upozorenja, mape rizika, prognoze, generisani tekst/izveštaji, automatizovane akcije, API odgovori — i ko ih prima (operateri, korisnici, regulatori, downstream sistemi)."}},t={add:"Dodaj"},s={deploymentCountries:{title:"Zemlje/regioni primene"},trainingData:{heading:"Opis podataka za obuku"},ingestionData:{heading:"Unos / ulazni podaci u realnom vremenu"},outputData:{heading:"Izlaz / operativni rezultati"},dataFlow:{title:"Pregled toka podataka",caption:"Obuka je poseban offline proces. Nakon primene, podaci u realnom vremenu teku: Unos → Analiza u realnom vremenu → Izlaz.",training:{title:"Obuka (offline)",buildsModel:"gradi model ↓"},ingestion:{title:"Unos"},runtimeAnalysis:{title:"Analiza u realnom vremenu",summary:"AI model obrađuje ulaze u realnom vremenu"},output:{title:"Izlaz"}},euHighRisk:{title:"Uredba EU o veštačkoj inteligenciji: Da li je vaš sistem visokog rizika? (klasifikacija)",intro:"Ova HRIA procena se bavi uticajima na ljudska prava za bilo koji sistem veštačke inteligencije. Odvojeno, <strong>Uredba EU o veštačkoj inteligenciji</strong> može klasifikovati vaš sistem kao <strong>visokog rizika</strong> (Prilog III), što pokreće dodatne obaveze pružaoca/primenitelja (čl. 9–15) — dokumentovane u kontrolama Faze 1D. Koristite <1>

1nacrt smernica za klasifikaciju Komisije (maj 2026.)</1> za procenu obima; one nisu obavezujuće dok ne budu konačne.",employmentLikelyHighRisk:{title:"Zapošljavanje i regrutacija — često visokog rizika (Prilog III §4)",items:["Automatizovano uparivanje poslova, rangiranje ili skraćivanje liste kandidata","Bodovanje odgovora kandidata ili rangiranje performansi na intervjuu","Ciljani oglasi za posao zasnovani na profilisanju ili širokim karakteristikama korisnika","Praćenje ili procena performansi ili ponašanja radnika (Prilog III §4(b))","Profilisanje obrazaca odlučivanja regrutera ili ličnih karakteristika kandidata"]},employmentOftenNotHighRisk:{title:"Primeri koji mogu biti van kategorije visokog rizika (uključujući uske zadatke iz čl. 6(3))",items:["Generisanje opisa posla na osnovu ljudski definisane liste zadataka i potrebnih veština (uzak proceduralni zadatak, čl. 6(3))","Provera akreditacija u odnosu na zvanični registar bez uticaja na selekciju","Isključivo pripremni koraci bez materijalnog uticaja na to ko se zapošljava ili unapređuje"]},footer:"Ako se primenjuje kategorija visokog rizika, planirajte zaštitne mere u <strong>Kontrolama i analizi praznina</strong> (Faza 1D). Oblasti Priloga III uključuju i obrazovanje, kredit, biometriju, osnovne usluge i sprovođenje zakona — pogledajte <1>pregled Priloga III</1>. Mnoge obaveze iz Priloga III primenjuju se od <strong>2. decembra 2027.</strong> (proverite najnovije rokove Komisije).",links:{draftGuidelines:"nacrt smernica za klasifikaciju (maj 2026.)",annexIII:"pregled Priloga III"}}},u={trainingData:"Podaci za obuku",ingestionData:"Podaci za unos",outputData:"Izlazni podaci"},k={technicalPrimer:"Tehnički praktikum"},l={title:a,subtitle:i,titleTooltip:e,common:o,guidance:n,fields:r,buttons:t,sections:s,termLabels:u,links:k};export{t as buttons,o as common,l as default,r as fields,n as guidance,k as links,s as sections,i as subtitle,u as termLabels,a as title,e as titleTooltip};