Säkerhet och integritet för lokalt drivna AI-modeller (SPLAIM)

Forskningsprojektet SPLAIM (Säkerhet och integritet för lokalt drivna AI-modeller) gör det möjligt för svenska organisationer att driftsätta stora språkmodeller (LLM:er) säkert, integritetsskyddande och resurseffektivt på egen lokal infrastruktur. Många företag kan idag inte fullt ut tillgodogöra sig molnbaserade AI-tjänster på grund av strikta krav på dataskydd, regelefterlevnad och digital suveränitet. SPLAIM adresserar denna strukturella barriär genom att utveckla vetenskapliga grunder för hur säkerhet, integritet, styrning och resurseffektivitet kan integreras i lokala AI-system som verkar under verkliga organisatoriska och regulatoriska begränsningar. 

Projektet förenar tre sammanflätade forskningsspår: (1) systematisk analys av säkerhets- och integritetsrisker för lokalt drivna LLM:er; (2) design och utvärdering av integritetsskyddande finjustering och RAG (retrieval-augmented generation); samt (3) empiriska studier och design av adoptions- och styrningsmodeller som förankrar organisatoriska, regulatoriska och användbarhetsrelaterade krav i systemdesignen. 

SPLAIM följer en iterativ, kooperativ designcykel med kravarbete, teknisk utveckling, prototypframtagning och utvärdering utifrån realistiska användningsområden. Projektets målsättning är att leverera validerade hotmodeller, metoder och verktyg för integritetsskyddande lokala LLM-pipelines, tillsammans med benchmarkresultat och riktlinjer för säker och resurseffektiv driftsättning.