Compliance, met een bonnetje.
De meeste „AI-compliance" stopt bij toegangslogs en prompt-niveau guardrails. Divinci gaat ín het model. Elke entiteitsassociatie is een doorzoekbare feature; elke wijziging is een draagbare, controleerbare patch — en de vindex is het technische documentatie-artefact dat uw toezichthouder zo gaat opvragen.
Wat de regelgeving vraagt · wat LarQL levert
Hetzelfde artefact — de vindex — beantwoordt eisen rond transparantie, toezicht, documentatie en verwijdering in de vier grote AI-regelgevingen waar Divinci-klanten mee te maken hebben.
| Regelgeving | Eis | Wat concurrenten bieden | Wat LarQL/vindex biedt |
|---|---|---|---|
 EU AI Act §13 Transparantie | „Voldoende transparantie zodat gebruikers de uitvoer kunnen interpreteren" | Model cards, prozaïsche systeembeschrijvingen | De vindex IS een doorzoekbaar transparantie-artefact — elk feitendragend feature geïdentificeerd via (layer, feature, gate_score) |
| EU AI Act §14 Menselijk toezicht | Operators moeten zinvol kunnen ingrijpen | Prompt-niveau guardrails (te omzeilen via jailbreak) | DELETE-patches op gewichtsniveau op het feature, niet op de prompt — niet te omzeilen via jailbreak |
| EU AI Act Bijlage IV Technische documentatie | „Algemene logica van het AI-systeem" | Architectuurdiagrammen + samenvattingen van trainingsdata | Bit-exacte mechanistische documentatie: het geprojecteerde vocabulaire van elk feature, de structurele metriek van elke laag (C1–C5) |
 AVG Artikel 17 Recht op gegevenswissing | Verifieerbare verwijdering van persoonsgegevens | Fine-tuning om te „vergeten" — niet verifieerbaar; data kan adversarieel weer opduiken | DELETE-patch met audit-trail = aantoonbare onderdrukking van een specifieke named-entity-associatie tegen +0,02% perplexiteit. Het patch-bestand is het bonnetje. |
 HIPAA · PCI · AVG De-identificatie | PII uit dataproducten verwijderen | Tokenfiltering bij I/O (lekken mogelijk) | Feature-niveau identificatie van richtingen die PII coderen; chirurgische verwijdering op de gewichtenlaag |
 NIST AI RMF Beheren | Restrisico kwantificeren en beheren | Risicobeoordelingen op gevoel | De universele constanten C1–C5 geven u een meetbare structurele basislijn; verifieer opnieuw na elke patch |
Hoe een „bonnetje" er werkelijk uitziet
Een LarQL-patch is een draagbaar JSON-bestand met SHA-256-checksum. Pas hem toe om een feit te onderdrukken; verwijder hem om het model bit voor bit te herstellen. De patch IS het auditlog — operators, toezichthouders en downstream-consumenten kunnen dezelfde operatie onafhankelijk verifiëren.
Hieronder: de echte Gate-3 patch die we leveren in onze publieke testsuite, met de Paris→capital-associatie onderdrukt en hersteld met meetbaar, herhaalbaar effect op een echte Gemma 4 E2B vindex.
{
"name": "gdpr-art17-paris-capital",
"version": 1,
"base_model": "google/gemma-4-E2B-it",
"created_at": "2026-04-22T22:34:00Z",
"operations": [{
"op": "delete",
"entity": "Paris",
"relation": "capital",
"target": "서울",
"weight": -1.0,
"layer": 27,
"feature": 11179
}]
}
# ── Verifiable result ──
# before: feature 11179 score 18.10 target='서울' (rank #1)
# after: feature 11179 ABSENT from top-25
# Δ perplexity (WikiText-103, 1024 tok): +0.02%
# vindex sha256: 9abaeaf6...Compliance die u kunt bewijzen. Op elke open transformer.
Vandaag acht gepubliceerde vindexes over Gemma, Qwen, Llama, Mistral, OpenAI MoE en Microsoft 1-bit. Breng uw model — wij bouwen het bonnetje.