Eine ML-BOM (Machine Learning Bill of Materials) ist ein maschinenlesbares Verzeichnis der Modelle, Datensätze, Frameworks und Abhängigkeiten, aus denen ein KI-System besteht, sowie der jeweiligen Herkunft der einzelnen Komponenten.
- Warum es existiert: ein traditionelles SBOM Es werden Codebibliotheken aufgelistet. Es wird weder ein Modell noch dessen Trainingsdaten oder Herkunft beschrieben.
- Die Formate: CycloneDX ML-BOM (standardized as ECMA-424) und die SPDX 3.0 AI- und Dataset-Profile.
- Die Führung: der G7 SBOM für KI: Minimale ElementeDie im Mai 2026 veröffentlichte Studie definiert sieben Datencluster. Die Teilnahme ist freiwillig.
- Das Schwierige daran: Nicht das Format ist entscheidend. Es geht darum, überhaupt erst einmal alle KI-Ressourcen zu finden.
Die Definition: Was ist eine ML-BOM? #
Fragt man die meisten Entwicklerteams, welche Open-Source-Bibliotheken ihre Anwendung verwendet, können sie innerhalb von Minuten antworten, denn ihre SBOM Fragt man sie, auf welche Modelle, Datensätze und KI-Frameworks dieselbe Anwendung angewiesen ist, beginnt die Antwort meist mit „Lass mich das überprüfen“.
Eine ML-BOM schließt diese Lücke. Sie ist das KI-Äquivalent einer Software-Stückliste: ein strukturierter, maschinenlesbarer Datensatz aller Machine-Learning-Komponenten eines Systems. Für jedes Modell erfasst sie Identität, Version, Lieferant und Lizenz sowie weitere Details. SBOM nie benötigt, wie zum Beispiel die Datensätze, mit denen es trainiert wurde, sein Verwendungszweck und seine bekannten Einschränkungen.
Der Begriff stammt von CycloneDX, das in Version 1.5 die Unterstützung für ML-BOM hinzugefügt hat. Sie werden auch sehen KI-BOM und SBOM für KI Wird für die gleiche Idee verwendet, in der Regel mit einem breiteren Anwendungsbereich, der Agenten, Eingabeaufforderungen und KI-Dienste umfasst, nicht nur trainierte Modelle.
Was eine ML-Stückliste enthält #
Die genauen Felder hängen vom Format ab, aber eine nützliche ML-BOM beantwortet fünf Fragen zu jeder KI-Komponente:
- Was ist das? Modellname, Version, Typ und Architektur.
- Woher ist es gekommen? Lieferant, Quellcode-Repository oder Modell-Hub und Lizenz.
- Worauf wurde es trainiert? Die verwendeten Datensätze, deren Herkunft und etwaige bekannte Sensibilitäten.
- Wovon hängt es ab? Die Frameworks, Bibliotheken und die Infrastruktur, die zum Ausführen benötigt werden.
- Wo liegen seine Grenzen? Verwendungszweck, bekannte Risiken und Leistungsmerkmale.
Die G7-Leitlinien gruppieren dieselben Ideen in sieben Cluster: Metadaten, Systemeigenschaften, Modelle, Datensatzeigenschaften, Infrastruktur, Sicherheitseigenschaften und Leistungskennzahlen.
ML-BOM vs SBOM #
Eine ML-BOM ersetzt keine SBOMKI-Systeme sind nach wie vor Software und benötigen daher eine solche. Die ML-BOM fügt diese Schicht hinzu. SBOM Ich kann nichts sehen.
| Abmessungen | SBOM | ML-BOM |
|---|---|---|
| Beschreibt | Softwarekomponenten und Bibliotheken | Modelle, Datensätze und ML-Komponenten |
| Schlüsselfelder | Name, Version, Lieferant, Lizenz, Hash | Hinzu kommen Trainingsdaten, Herkunft, Verwendungszweck und Einschränkungen. |
| Hauptrisiko, das es verfolgt | Anfällige oder bösartige Abhängigkeiten | Nicht vertrauenswürdige Modelle, manipulierte oder sensible Daten, unbekannte Herkunft |
| Ändert sich wann | Eine Abhängigkeit wird aktualisiert | Ein Modell wird neu trainiert, ausgetauscht oder feinabgestimmt. |
| Formate | CycloneDX, SPDX | CycloneDX ML-BOM, SPDX 3.0 KI- und Datensatzprofile |
Warum ML-BOMs jetzt wichtig sind #
Künstliche Intelligenz wird ohne Überprüfung in Quellcodes integriert. Entwickler greifen auf Modelle aus öffentlichen Datenbanken zurück, fügen KI-Frameworks hinzu und verbinden MCP-Server genauso einfach wie Bibliotheken. Jede dieser Komponenten bringt Code, Gewichtungen und Daten mit sich, die die Organisation nicht selbst erstellt und möglicherweise nicht geprüft hat.
Die KI-Lieferkette stellt eine Angriffsfläche dar. Das OWASP Top 10 für LLM-Bewerbungen Die Lieferkette wird als Risiko LLM03 aufgeführt: kompromittierte Modelle, verfälschte Daten und schädliche Pakete im KI-Stack. Man kann eine Komponente nicht bewerten, deren Existenz man nicht kennt.
Käufer und Wirtschaftsprüfer fangen an, Fragen zu stellen. Keine Verordnung schreibt eine ML-Stückliste explizit vor. Das EU-KI-Gesetz verlangt jedoch eine technische Dokumentation für KI-Systeme mit hohem Risiko, und das Cyber Resilience Act fordert eine solche Dokumentation. SBOMRahmenwerke wie das spanische ENS fordern ein Anlageninventar. Eine ML-BOM liefert den praktischen Nachweis für alle drei, und Beschaffungsteams integrieren sie in ihre Fragebögen.
Wie man eine ML-Stückliste erstellt #
Das handschriftliche Erstellen eines Dokuments funktioniert für ein einzelnes Modell. Für eine Organisation ist es nicht geeignet. Ein nachhaltiger Ansatz besteht aus drei Teilen:
- Verbinde es mit Risiko. Ein Inventar, das niemand nutzt, ist nichts weiter als Papierkram. Jede Komponente sollte mit ihren Schwachstellen, ihrer Lizenz und ihrer Herkunft verknüpft sein.
- Automatisch entdecken. Scannen Sie Code, deklarierte Abhängigkeiten und Konfigurationsdateien, anstatt sich darauf zu verlassen, dass Entwickler angeben, was sie verwenden.
- Kontinuierlich generieren. Generieren Sie die ML-BOM immer dann neu, wenn sich ein Modell, ein Datensatz oder eine Abhängigkeit ändert, genauso wie erfahrene Teams sie neu generieren. SBOMs in CI.
Informieren Sie sich über Ihre KI, bevor Sie jemand fragt. #
Xygeni KI-Sicherheit Erkennt die KI-Ressourcen in Ihren Repositories (Modelle, KI-Frameworks, Datensätze, Inferenzendpunkte, Agenten, MCP-Server, Fähigkeiten, Eingabeaufforderungen, guardrails und die verwendeten KI-Codierungswerkzeuge) aus dem Anwendungscode, deklarierten Abhängigkeiten und den Konfigurationsdateien, die KI-Werkzeuge hinterlassen. Nichts hängt davon ab, dass Entwickler angeben, was sie verwenden.
Aus diesem Inventar generiert Xygeni eine maschinenlesbare KI-Stückliste, die Sie Prüfern und Kunden aushändigen können. Die Abhängigkeiten des KI-Stacks werden genauso behandelt wie Ihr übriger Code: CVEs werden durch Software Composition Analysis erkannt und schädliche Pakete werden identifiziert, noch bevor eine Signatur existiert.
Buchen Sie eine Demo um die KI-Stückliste Ihrer eigenen Codebasis anzuzeigen.
FAQ #
Eine ML-BOM ist eine Zutatenliste für KI. Sie erfasst, welche Modelle, Datensätze und Frameworks ein System verwendet und woher diese jeweils stammen, damit Sicherheits-, Rechts- und Compliance-Teams das Risiko bewerten können.
Größtenteils. LLM Red Teaming konzentriert sich auf Sprachmodelle und darauf basierende Anwendungen. AI Red Teaming ist... Die Begriffe überschneiden sich. ML-BOM ist der Name von CycloneDX und fokussiert auf Modelle und Datensätze des maschinellen Lernens. AI-BOM ist umfassender und beinhaltet oft auch Agenten, Prompts, MCP-Server und KI-Dienste.
Nicht namentlich genannt. Es sind die praktischen Belege für bestehende Verpflichtungen, wie beispielsweise die technische Dokumentation des EU-KI-Gesetzes für Hochrisikosysteme und die SBOM Erforderlich gemäß dem Cyber Resilience Act. Die G7-Mindestanforderungen für ein SBOM Die Teilnahme an KI-Projekten ist freiwillig.
Die beiden etablierten Formate sind CycloneDX ML-BOM, standardals ECMA-424 bezeichnet, und die SPDX 3.0 KI- und Datensatzprofile. Wählen Sie dasjenige aus, das Ihren bestehenden Profilen entspricht. SBOM Die Tools unterstützen dies bereits, daher existieren Software- und KI-Inventare nebeneinander.
