在大多數(shù)組織中，人工智能模型是“黑匣子"，只有數(shù)據(jù)科學(xué)家知道人工智能到底做什么。這可能會給組織帶來重大風(fēng)險。
大型、敏感的數(shù)據(jù)集經(jīng)常被用于訓(xùn)練AI模型，從而產(chǎn)生隱私和數(shù)據(jù)泄露風(fēng)險。人工智能的使用增加了組織的威脅向量，并擴(kuò)大了其攻擊面。人工智能進(jìn)一步為良性錯誤創(chuàng)造了新的機(jī)會，對模式和業(yè)務(wù)結(jié)果產(chǎn)生不利影響。
不了解的風(fēng)險無法減輕。Gartner最近對信息安全官的一項調(diào)查顯示，大多數(shù)組織沒有考慮到人工智能帶來的新的安全和業(yè)務(wù)風(fēng)險，或者他們必須采取新的控制措施來降低這些風(fēng)險。人工智能需要新型風(fēng)險和安全管理措施以及緩解框架。
以下是安全和風(fēng)險應(yīng)該關(guān)注的五大優(yōu)先事項，以有效管理其組織內(nèi)的人工智能風(fēng)險和安全:
1、捕捉AI暴露程度
機(jī)器學(xué)習(xí)模型對大多數(shù)用戶來說是不透明的，并且與一般的軟件系統(tǒng)不同，它們的內(nèi)部工作原理甚至連最熟練的專家都不知道。數(shù)據(jù)科學(xué)家和模型開發(fā)人員通常理解他們的機(jī)器學(xué)習(xí)模型試圖做什么，但他們不能總是破譯模型處理數(shù)據(jù)的內(nèi)部結(jié)構(gòu)或算法手段。
這種理解能力的缺乏嚴(yán)重限制了組織管理AI風(fēng)險的能力。人工智能風(fēng)險管理的步是列出組織中使用的所有人工智能模型，無論它們是第三方軟件的組件、內(nèi)部開發(fā)或通過軟件即服務(wù)應(yīng)用程序訪問。這應(yīng)該包括識別各種模型之間的相互依賴關(guān)系。然后根據(jù)運營影響對模型進(jìn)行排序，并考慮到風(fēng)險管理控制可以根據(jù)確定的優(yōu)先級逐步應(yīng)用。
一旦模型被列出，下一步就是使它們盡可能的可解釋或可解釋性。“可解釋性"意味著產(chǎn)生細(xì)節(jié)、原因或解釋的能力，為特定的受眾闡明模型的功能。這將為風(fēng)險和安全管理者提供管理和減輕由模型結(jié)果帶來的業(yè)務(wù)、社會、責(zé)任和安全風(fēng)險的環(huán)境。
2、通過人工智能風(fēng)險教育活動提高員工意識
員工意識是人工智能風(fēng)險管理的一個重要組成部分。首先，讓所有參與者，包括CISO、隱私官、數(shù)據(jù)官以及法律和合規(guī)官，重新調(diào)整他們對AI的心態(tài)。他們應(yīng)該明白，人工智能“不像任何其他應(yīng)用程序"——它會帶來的風(fēng)險，需要特定的控制來減輕此類風(fēng)險。然后，與業(yè)務(wù)利益相關(guān)者聯(lián)系，以擴(kuò)大對需要管理的AI風(fēng)險的認(rèn)識。
與這些利益相關(guān)者一起，確定跨團(tuán)隊和隨著時間的推移構(gòu)建AI知識的方式。例如，看看是否可以在企業(yè)的學(xué)習(xí)管理系統(tǒng)中添加一門關(guān)于基本AI概念的課程。與應(yīng)用程序和數(shù)據(jù)安全部門合作，幫助在所有組織成員中培養(yǎng)AI知識。
3、通過隱私計劃消除人工智能數(shù)據(jù)暴露
根據(jù)Gartner最近的一項調(diào)查，隱私和安全一直被視為人工智能實現(xiàn)的主要障礙。采用數(shù)據(jù)保護(hù)和隱私程序可以有效地消除AI內(nèi)部和共享數(shù)據(jù)的暴露。
有一系列方法可以用于訪問和共享基本數(shù)據(jù)，同時仍然滿足隱私和數(shù)據(jù)保護(hù)要求。確定哪種數(shù)據(jù)隱私技術(shù)或技術(shù)組合，對組織的特定用例意義。例如，調(diào)查諸如數(shù)據(jù)屏蔽、合成數(shù)據(jù)生成或差分隱私等技術(shù)。
在向外部組織導(dǎo)出或?qū)霐?shù)據(jù)時，應(yīng)滿足數(shù)據(jù)隱私要求。在這些場景中，像同態(tài)加密和安全多方計算等技術(shù)，應(yīng)該比保護(hù)數(shù)據(jù)不受內(nèi)部用戶和數(shù)據(jù)科學(xué)家的影響更有用。
4、將風(fēng)險管理納入模型運營
AI模型需要特殊用途的流程作為模型操作或ModelOps的一部分，以使人工智能可靠且高效。隨著環(huán)境因素的不斷變化，AI模型必須持續(xù)監(jiān)測業(yè)務(wù)價值泄漏和不可預(yù)測的(有時是不利的)結(jié)果。
有效的監(jiān)控需要對AI模型的理解。專門的風(fēng)險管理流程必須成為ModelOps的一個組成部分，以使AI更值得信任、準(zhǔn)確、公平，并對對抗性攻擊或良性錯誤更有彈性。
控制措施應(yīng)該持續(xù)應(yīng)用——例如，貫穿模型開發(fā)、測試和部署以及持續(xù)運營的整個過程。有效的控制將檢測到惡意行為、良性錯誤和AI數(shù)據(jù)或模型的意外變化，這些變化會導(dǎo)致平、損壞、不準(zhǔn)確、模型性能和預(yù)測不佳，以及其他意想不到的后果。
5、采用人工智能安全措施應(yīng)對對抗性攻擊
檢測和阻止對人工智能的攻擊需要新的技術(shù)。對AI的惡意攻擊可能導(dǎo)致重大的組織損害和損失，包括財務(wù)、聲譽或與知識產(chǎn)權(quán)、敏感客戶數(shù)據(jù)或?qū)Ｓ袛?shù)據(jù)相關(guān)的數(shù)據(jù)。與安全部門合作的應(yīng)用程序負(fù)責(zé)人必須在他們的AI應(yīng)用程序中添加控制，以檢測異常數(shù)據(jù)輸入、惡意攻擊和良性輸入錯誤。
圍繞AI模型和數(shù)據(jù)實施一整套傳統(tǒng)的企業(yè)安全控制，以及針對AI的全新完整性措施，如容忍對抗性AI的訓(xùn)練模型。最后，使用欺詐、異常檢測和機(jī)器人檢測技術(shù)，防止AI數(shù)據(jù)中毒或輸入錯誤檢測。
來源：網(wǎng)絡(luò)
版權(quán)歸原作者所有，如有侵權(quán)，請聯(lián)系刪除
