Υπάλληλος οικονομικών σε εταιρεία μηχανικών Ο Arup συμμετείχε σε βιντεοκλήση. με αρκετούς συναδέλφους, συμπεριλαμβανομένου του CFO της εταιρείας. Κάθε ένας από αυτούς ήταν ένα deepfake που δημιουργήθηκε από τεχνητή νοημοσύνη. Η κλήση έληξε με 25 εκατομμύρια δολάρια που μεταφέρθηκαν στους επιτιθέμενους. Κανένα κακόβουλο λογισμικό, κανένας σύνδεσμος ηλεκτρονικού "ψαρέματος" (phishing), καμία ευπάθεια που εκμεταλλεύτηκε: μόνο η Τεχνητή Νοημοσύνη, που χρησιμοποιήθηκε αρκετά πειστικά ώστε η εμπιστοσύνη να κάνει τα υπόλοιπα. Αυτό το μεμονωμένο περιστατικό καταγράφει γιατί η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια έχει γίνει το καθοριστικό θέμα στον τομέα. Η ίδια τεχνολογία που δημιούργησε το deepfake, σε άλλα μέρη του κλάδου, εντοπίζει την ανωμαλία που θα την είχε σταματήσει. Αυτός ο οδηγός ασφάλειας για την Τεχνητή Νοημοσύνη καλύπτει και τις δύο πλευρές: πώς επιτίθεται η Τεχνητή Νοημοσύνη, πώς αμύνεται η Τεχνητή Νοημοσύνη και τι σημαίνει αυτό για το πού πρέπει να επικεντρωθούν στη συνέχεια οι ομάδες ασφαλείας.
Η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια, σε μία παράγραφο
Η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια αναφέρεται στη χρήση μηχανικής μάθησης, επεξεργασίας φυσικής γλώσσας και μεγάλων γλωσσικών μοντέλων και στις δύο πλευρές της ίδιας μάχης: για την έναρξη επιθέσεων και την ανίχνευση και την αποτροπή τους. Οι επιτιθέμενοι χρησιμοποιούν την Τεχνητή Νοημοσύνη (ΤΝ) για να δημιουργήσουν πειστικό περιεχόμενο ηλεκτρονικού "ψαρέματος" (phishing), να κλωνοποιήσουν φωνές και πρόσωπα και να ανιχνεύσουν συστήματα ταχύτερα από ό,τι θα μπορούσε μια ανθρώπινη ομάδα. Οι επιτιθέμενοι χρησιμοποιούν τις ίδιες υποκείμενες τεχνικές (αναγνώριση μοτίβων σε τεράστιους όγκους δεδομένων, κατανόηση φυσικής γλώσσας, μοντελοποίηση συμπεριφοράς) για να εντοπίσουν ανωμαλίες, να διακόψουν τον θόρυβο συναγερμού και να ανταποκριθούν πριν επιδεινωθεί η ζημιά. Το αποτέλεσμα είναι πραγματικά τεχνολογία διπλής χρήσης μέσα σε έναν μόνο κλάδο, γι' αυτό και η ΤΝ στην κυβερνοασφάλεια δεν είναι μια κατηγορία με σαφή "καλή" και "κακή" πλευρά. Είναι μια δυνατότητα, και όποιος την εφαρμόζει πιο γρήγορα και πιο έγκαιρα...cisΗ Ely έχει αυτή τη στιγμή το πλεονέκτημα.
Η Τεχνητή Νοημοσύνη ως φορέας επίθεσης
- Ηλεκτρονικό ψάρεμα (phishing) που δημιουργείται από τεχνητή νοημοσύνη σε βιομηχανική κλίμακα. Το ηλεκτρονικό ψάρεμα (phishing) ήταν κάποτε ανιχνεύσιμο από τα μηνύματα που χρησιμοποιούσε: αδέξια διατύπωση, γενικοί χαιρετισμοί, προφανή πλαστογραφημένα domains. Η τεχνητή νοημοσύνη αφαίρεσε τα περισσότερα από αυτά τα μηνύματα. Σύμφωνα με Χότζχαντς Έκθεση για τις τάσεις ηλεκτρονικού "ψαρέματος" του 2026, Το ηλεκτρονικό ψάρεμα (phishing) που δημιουργείται από τεχνητή νοημοσύνη αυξήθηκε από 4% όλων των αναφερόμενων προσπαθειών ηλεκτρονικού "ψαρέματος" τον Νοέμβριο του 2025 σε 56% τον Δεκέμβριο του 2025, σημειώνοντας αύξηση 14 φορές σε έναν μόνο μήνα, και έχει συγκρατήσει περίπου το 40% όλων των αναφερόμενων προσπαθειών ηλεκτρονικού "ψαρέματος" μέχρι τα μέσα του 2026. Το χάσμα αποτελεσματικότητας είναι εξίσου έντονο: ένα μελέτη σε ανθρώπους από ερευνητές της Σχολής Κένεντι του Χάρβαρντ διαπίστωσαν ότι τα πλήρως αυτοματοποιημένα με τεχνητή νοημοσύνη email spear phishing πέτυχαν ποσοστό κλικ 54%, φτάνοντας στο ίδιο επίπεδο με τους έμπειρους ανθρώπινους εμπειρογνώμονες και ξεπερνώντας κατά πολύ το ποσοστό κλικ 12% των γενικών email phishing της ομάδας ελέγχου. Η τεχνητή νοημοσύνη δεν γράφει απλώς περισσότερα email phishing. Γράφει και αυτά που λειτουργούν.
- Deepfakes που στοχεύουν στην εμπιστοσύνη, όχι στις υποδομές. The Υπόθεση Arup Τα παραπάνω δεν αποτελούν πλέον εξαίρεση. Είναι ένα πρότυπο. Η φωνή και το βίντεο που παράγονται από την τεχνητή νοημοσύνη είναι αρκετά πειστικά ώστε να περάσουν σαν ένα πραγματικό στέλεχος σε μια ζωντανή κλήση, μετατρέποντας την κοινωνική μηχανική από το «ξεγελάστε κάποιον να κάνει κλικ» στο «ξεγελάστε κάποιον να πιστέψει ότι κοιτάζει τον οικονομικό διευθυντή του». Αυτό είναι ένα θεμελιωδώς πιο δύσκολο πρόβλημα για την εκπαίδευση ευαισθητοποίησης σε θέματα ασφάλειας, επειδή η εξαπάτηση συμβαίνει σε αντιληπτικό επίπεδο, όχι σε τεχνικό.
- Ταχύτερη αναγνώριση και προσαρμοστικό κακόβουλο λογισμικό. Πέρα από την κοινωνική μηχανική, η Τεχνητή Νοημοσύνη μειώνει την απόσταση μεταξύ του «ο εισβολέας έχει μια ιδέα» και του «ο εισβολέας έχει ένα λειτουργικό exploit». Τα μεγάλα γλωσσικά μοντέλα μπορούν να επιταχύνουν την έρευνα ευπαθειών στον δημόσιο κώδικα και την υποδομή ενός στόχου, και το προσαρμοστικό κακόβουλο λογισμικό μπορεί να αλλάξει τη συμπεριφορά του κατά τη διάρκεια της εκτέλεσης, εάν ανιχνεύσει ότι αναλύεται σε ένα sandbox, μια δυνατότητα που παλαιότερα απαιτούσε έναν έμπειρο ανθρώπινο χειριστή που να παρακολουθεί σε πραγματικό χρόνο.
- Επιθέσεις διαπιστευτηρίων με την ταχύτητα του μηχανήματος. Η τροφοδοσία διαρροών σε σύνολα διαπιστευτηρίων σε ένα μοντέλο για να μάθει τα μοτίβα που χρησιμοποιούν στην πραγματικότητα οι άνθρωποι όταν νομίζουν ότι είναι «έξυπνοι» με έναν κωδικό πρόσβασης μετατρέπει την «ελέγχοντας και μαντεύοντας» σε κάτι που πλησιάζει περισσότερο στην πρόβλεψη. Σε συνδυασμό με την αυτοματοποιημένη συμπλήρωση διαπιστευτηρίων, αυτό συμπιέζει αυτό που κάποτε ήταν μια αργή, θορυβώδης επίθεση σε κάτι γρήγορο και αθόρυβο.
Η Τεχνητή Νοημοσύνη ως αμυντικό εργαλείο
- Ανίχνευση ανωμαλιών σε κλίμακα που οι άνθρωποι δεν μπορούν να συναγωνιστούν. Η βασική αμυντική αξία της Τεχνητής Νοημοσύνης είναι η επεξεργασία όγκων δικτυακής κίνησης, login δραστηριότητας και αρχεία καταγραφής συστήματος που καμία ομάδα αναλυτών δεν θα μπορούσε να εξετάσει χειροκίνητα και να επισημάνει τι αποκλίνει από μια καθορισμένη γραμμή βάσης. Αυτό εντοπίζει επιθέσεις χωρίς γνωστή υπογραφή ακόμη, συμπεριλαμβανομένων επιθέσεων μηδενικών ημερών και κατάχρησης από εσωτερικούς χρήστες που δεν θα ενεργοποιούσαν μια ειδοποίηση βασισμένη σε κανόνες.
- Διακόπτοντας την ουρά ειδοποιήσεων, όχι προσθέτοντας σε αυτήν. Εδώ είναι επίσης το σημείο όπου η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια έχει την πιο άμεση επιχειρησιακή απόδοση και όπου ο κλάδος έχει ακόμη πραγματική δουλειά να κάνει. Έρευνα της Vectra AI για το 2026 διαπίστωσαν ότι οι οργανισμοί λαμβάνουν κατά μέσο όρο 2,992 ειδοποιήσεις ασφαλείας την ημέρα, με το 63% να μην διερευνάται, και Η Microsoft και η Omdia Κατάσταση της SOC: Ενοποίηση τώρα ή πληρωμή αργότερα αναφέρουν διαπίστωσε ότι το 46% όλων των ειδοποιήσεων αποδεικνύονται ψευδώς θετικά και το 42% δεν διερευνάται καθόλου. Η διαλογή που βασίζεται στην τεχνητή νοημοσύνη δεν προσθέτει απλώς έναν ακόμη ανιχνευτή σε αυτήν τη στοίβα. Όταν γίνεται σωστά, συσχετίζει τις σχετικές ειδοποιήσεις με ένα μόνο περιστατικό, βαθμολογεί τι πραγματικά αξίζει την προσοχή ενός ανθρώπου και επιτρέπει στους αναλυτές να αφιερώνουν τον χρόνο τους στο κλάσμα των ειδοποιήσεων που αντιπροσωπεύουν πραγματικό κίνδυνο αντί να κλείνουν χειροκίνητα τα υπόλοιπα.
- Κακόβουλο λογισμικό και ταξινόμηση συμπεριφοράς πέρα από γνωστές υπογραφές. Η ίδια προσέγγιση ανάλυσης συμπεριφοράς που επισημαίνει ανώμαλη δραστηριότητα δικτύου λειτουργεί και σε αρχεία και πακέτα: αντί να αντιστοιχίζει μια λίστα με γνωστά κακές υπογραφές, η Τεχνητή Νοημοσύνη μπορεί να βαθμολογήσει τη συμπεριφορά κατά την εγκατάσταση, τις ασυνήθιστες κλήσεις συστήματος και τα μοτίβα συσκότισης για να εντοπίσει κακόβουλο λογισμικό που δεν έχει ξαναδεί, τη στιγμή που εμφανίζεται και όχι μετά την αποτύπωση του δακτυλικού του αποτυπώματος.
- Αυτοματοποιημένη, περιορισμένη απόκριση. Η ανίχνευση χωρίς δράση απλώς κινεί τον χρόνο. Η απόκριση που βασίζεται στην τεχνητή νοημοσύνη μπορεί να απομονώσει μια επηρεαζόμενη συσκευή, να μπλοκάρει την ύποπτη κίνηση και να ξεκινήσει αυτόματα τον περιορισμό, γεφυρώνοντας το χάσμα μεταξύ του «το είδαμε» και του «το σταματήσαμε» από ώρες σε δευτερόλεπτα στις περιπτώσεις που έχουν τη μεγαλύτερη σημασία.
Γιατί οι ίδιες τεχνικές κόβουν και προς τις δύο κατευθύνσεις;
Η δυσάρεστη αλήθεια σε αυτόν τον οδηγό ασφάλειας τεχνητής νοημοσύνης είναι ότι οι εισβολείς και οι υπερασπιστές χρησιμοποιούν συχνά την ίδια υποκείμενη δυνατότητα προς αντίθετα άκρα. Η μοντελοποίηση φυσικής γλώσσας που γράφει ένα πειστικό email ηλεκτρονικού "ψαρέματος" (phishing) είναι η ίδια τεχνολογία που διαβάζει ένα ύποπτο email και το ταξινομεί σωστά ως τέτοιο. Η αναγνώριση προτύπων που επιτρέπει στο κακόβουλο λογισμικό να προσαρμόζεται για να αποφύγει ένα sandbox είναι αρχιτεκτονικά παρόμοια με την αναγνώριση προτύπων που επισημαίνει εξαρχής τη συμπεριφορά του κακόβουλου λογισμικού ως ανώμαλη. Καμία πλευρά δεν έχει το μονοπώλιο στην τεχνολογία, πράγμα που σημαίνει ότι το πλεονέκτημα πηγαίνει σε όποιον την ενσωματώνει πληρέστερα στην πραγματική ροή εργασίας της, όχι σε όποιον έχει πρόσβαση σε ένα πιο προηγμένο μοντέλο.
Αυτή η συμμετρία είναι επίσης ο λόγος για τον οποίο η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια εισάγει τους δικούς της κινδύνους από την αμυντική πλευρά. Τα συστήματα Τεχνητής Νοημοσύνης μπορούν να δημιουργήσουν ψευδώς θετικά αποτελέσματα που θάβουν το πραγματικό σήμα σε θόρυβο εάν είναι κακώς συντονισμένα, να κληρονομήσουν μεροληψία από ατελή δεδομένα εκπαίδευσης και να χάσουν ολόκληρες κατηγορίες απειλών ως αποτέλεσμα, και μπορούν τα ίδια να στοχευθούν μέσω τεχνικών αντιπαράθεσης, όπου ένας εισβολέας τροφοδοτεί σκόπιμα ένα μοντέλο ανίχνευσης με παραπλανητικά δεδομένα για να χειραγωγήσει αυτό που επισημαίνει. Κανένα από αυτά δεν είναι λόγος για να αποφεύγεται η Τεχνητή Νοημοσύνη αμυντικά. Είναι ένας λόγος για να κρατάτε έναν άνθρωπο ενήμερο για κρίσεις και να αντιμετωπίζετε το ίδιο το σύστημα Τεχνητής Νοημοσύνης ως κάτι που χρειάζεται παρακολούθηση, όχι κάτι που αναπτύσσετε μία φορά και εμπιστεύεστε επ' αόριστον.
Τι σημαίνει αυτός ο οδηγός ασφάλειας τεχνητής νοημοσύνης για την ομάδα σας
Πέντε κινήσεις διαχωρίζουν τις ομάδες που αποκομίζουν πραγματική αξία από την Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια από τις ομάδες που μόλις πρόσθεσαν ένα ακόμη εργαλείο:
- Μην περιμένετε οι επιθέσεις που υποστηρίζονται από την τεχνητή νοημοσύνη να γίνουν η πλειοψηφία προτού επενδύσετε αμυντικά. Τα παραπάνω δεδομένα ηλεκτρονικού "ψαρέματος" (phishing) δείχνουν πόσο γρήγορα μια τακτική μειοψηφίας μπορεί να γίνει η κυρίαρχη. Δημιουργήστε ικανότητα ανίχνευσης πριν από την έξαρση, όχι κατά τη διάρκειά της.
- Στρέψτε την Τεχνητή Νοημοσύνη πρώτα στην ουρά διαλογής σας, όχι μόνο στην περίμετρό σας. Η ταχύτερη και πιο μετρήσιμη νίκη για τις περισσότερες ομάδες είναι η μείωση του όγκου των ψευδώς θετικών που πρέπει να διαγράψει χειροκίνητα ένας αναλυτής, όχι η προσθήκη ενός νέου επιπέδου ανίχνευσης.
- Αντιμετωπίστε τον κίνδυνο deepfake και κλωνοποίησης φωνής ως πρόβλημα διαδικασίας και όχι ως τεχνολογικό πρόβλημα. Κανένα εργαλείο ανίχνευσης δεν καλύπτει πλήρως το κενό τύπου Arup. Επαλήθευση εκτός ζώνης για οποιοδήποτε αίτημα που αφορά κίνηση χρημάτων ή αλλαγές διαπιστευτηρίων.
- Επεκτείνετε την ίδια συμπεριφορική σκέψη που βασίζεται στην Τεχνητή Νοημοσύνη στον κώδικα και pipelines, όχι μόνο η κίνηση δικτύου. Οι εισβολείς στοχεύουν ολοένα και περισσότερο απευθείας την αλυσίδα εφοδιασμού λογισμικού (κακόβουλα πακέτα, παραισθησιογόνες εξαρτήσεις, μη ελεγμένες οδηγίες πρακτόρων), μια κατηγορία κινδύνου με τη δική της δυναμική, η οποία καλύπτεται σε βάθος στον οδηγό μας για την ασφάλεια της αλυσίδας εφοδιασμού τεχνητής νοημοσύνης.
- Κρατήστε έναν άνθρωπο υπόλογο για ό,τι αποφασίζει η Τεχνητή Νοημοσύνη. Η αυτοματοποιημένη απόκριση είναι πολύτιμη ακριβώς επειδή είναι γρήγορη, γι' αυτό και χρειάζεται μια σαφή διαδρομή κλιμάκωσης όταν κάτι πάει στραβά.
Προς τα πού οδεύει η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια
Δύο αλλαγές θα καθορίσουν τα επόμενα χρόνια. Πρώτον, η πλευρά του εισβολέα συγκεντρώνεται γύρω από λιγότερες, πιο πειστικές τακτικές αντί για πιο πολυάριθμες ακατέργαστες: Το phishing και τα deepfakes που δημιουργούνται από την τεχνητή νοημοσύνη δεν αποτελούν ένα ευρύτερο δίχτυ. Είναι ένα πιο κοφτερό αγκίστρι. Δεύτερον, η πλευρά του αμυνόμενου μετακινείται από την «εντοπισμό και ειδοποίηση ενός ανθρώπου» στην «εντοπισμό, αξιολόγηση και δράση πριν υπάρξει κλήση», η οποία είναι ακριβώς η αλλαγή που γεφυρώνει το χάσμα μεταξύ των 2,992 καθημερινών ειδοποιήσεων που αντιμετωπίζουν οι περισσότερες SOC και του ποσοστού εκείνων που λαμβάνουν ποτέ μια πραγματική εικόνα. Οι οργανισμοί που προχωρούν είναι αυτοί που εφαρμόζουν αυτή την αλλαγή παντού όπου η Τεχνητή Νοημοσύνη αγγίζει ήδη το περιβάλλον τους, συμπεριλαμβανομένου του κώδικα που στέλνουν οι προγραμματιστές τους, όχι μόνο της κίνησης που διασχίζει την περίμετρο του δικτύου τους.
Η άποψη του Xygeni: Η ασφάλεια της τεχνητής νοημοσύνης πρέπει να καλύπτει τον κώδικα, όχι μόνο τα εισερχόμενα
Το μεγαλύτερο μέρος της κάλυψης της Τεχνητής Νοημοσύνης στην κυβερνοασφάλεια σταματά στο SOC: ηλεκτρονικό ψάρεμα (phishing), κακόβουλο λογισμικό, ανωμαλίες δικτύου. Αυτό είναι απαραίτητο και είναι επίσης ελλιπές, επειδή ένα αυξανόμενο μερίδιο του κινδύνου που προκαλείται από την Τεχνητή Νοημοσύνη βρίσκεται πλέον μέσα στον ίδιο τον κύκλο ζωής ανάπτυξης λογισμικού, όπου τα εργαλεία SOC δεν φαίνονται.
Ξυγένης CoreAI εφαρμόζει την ίδια συμπεριφορική, βασισμένη σε ανωμαλίες σκέψη που περιγράφεται σε αυτόν τον οδηγό συγκεκριμένα στην ασφάλεια εφαρμογών: συσχετίζοντας τα ευρήματα σε όλους τους υπάρχοντες σαρωτές σας (όχι μόνο Ξυγένης δικό τους), βαθμολογώντας τι είναι πραγματικά εκμεταλλεύσιμο αντί να κατακλύζουν τις ομάδες με ακατέργαστο όγκο ειδοποιήσεων, εξηγώντας γιατί ένας δεδομένος κίνδυνος έχει σημασία και δημιουργώντας μια αποκατάσταση pull request αντί για ένα ακόμη αίτημα εκκρεμότητας. DevAI επεκτείνει την ίδια αμυντική στάση στο νεότερο μέρος της επιφάνειας επίθεσης: κωδικοποίηση πρακτόρων και βοηθών από την Τεχνητή Νοημοσύνη, επικύρωση αρχείων δεξιοτήτων και οδηγιών πρακτόρων και αποκλεισμός μιας κακόβουλης εγκατάστασης πριν καν ενεργήσει ένας πράκτορας σε αυτήν. Ο στόχος είναι ο ίδιος που υποστηρίζει αυτός ο οδηγός σε επίπεδο SOC, εφαρμοζόμενος στο pipeline: μετατρέπει το πλεονέκτημα της Τεχνητής Νοημοσύνης έναντι του όγκου και της ταχύτητας σε πλεονέκτημα αμυντικού αντί για πλεονέκτημα επιτιθέμενου.
Ξεκινήστε δωρεάν. Sign up with GitHub, GitLab ή Google και αποκτήστε ορατότητα σε έως και 25 αποθετήρια και 50 σαρώσεις τεχνητής νοημοσύνης το μήνα χωρίς κόστος, χωρίς να απαιτείται πιστωτική κάρτα.
Συχνές Ερωτήσεις
Τι είναι η Τεχνητή Νοημοσύνη στην κυβερνοασφάλεια;
Η Τεχνητή Νοημοσύνη (ΤΝ) στην κυβερνοασφάλεια είναι η χρήση μηχανικής μάθησης, επεξεργασίας φυσικής γλώσσας και μεγάλων γλωσσικών μοντέλων τόσο στην πλευρά της επίθεσης όσο και στην πλευρά της άμυνας. Οι εισβολείς τη χρησιμοποιούν για να δημιουργήσουν πειστικό περιεχόμενο ηλεκτρονικού "ψαρέματος" (phishing), deepfakes και προσαρμοστικό κακόβουλο λογισμικό. Οι υπερασπιστές χρησιμοποιούν τις ίδιες υποκείμενες τεχνικές για την ανίχνευση ανωμαλιών, την ταξινόμηση ειδοποιήσεων και την αυτοματοποιημένη απόκριση.
Είναι η Τεχνητή Νοημοσύνη πιο επικίνδυνη ως εργαλείο επίθεσης ή πιο χρήσιμη ως εργαλείο άμυνας;
Καμία πλευρά δεν έχει διαρκές πλεονέκτημα επειδή και οι δύο βασίζονται στην ίδια υποκείμενη δυνατότητα. Οι οργανισμοί που διατρέχουν μεγαλύτερο κίνδυνο είναι αυτοί που δεν έχουν ακόμη εφαρμόσει την Τεχνητή Νοημοσύνη αμυντικά με τον ίδιο ρυθμό που την έχουν εφαρμόσει επιθετικά οι επιτιθέμενοι, όχι αυτοί που αντιμετωπίζουν ένα τεχνολογικό κενό που δεν μπορούν να κλείσουν.
Μπορεί η Τεχνητή Νοημοσύνη να αντικαταστήσει πλήρως τους ανθρώπινους αναλυτές σε ένα SOC;
Όχι, και οι κίνδυνοι της προσπάθειας (ψευδώς θετικά αποτελέσματα από κακώς συντονισμένα μοντέλα, προκατάληψη από ελλιπή δεδομένα εκπαίδευσης και αντιφατική χειραγώγηση του ίδιου του συστήματος ανίχνευσης) είναι ακριβώς ο λόγος για τον οποίο η ανθρώπινη εποπτεία παραμένει απαραίτητη. Η πραγματική αξία της Τεχνητής Νοημοσύνης είναι η εκκαθάριση της ουράς, ώστε οι αναλυτές να μπορούν να επικεντρωθούν στις κρίσεις που εξακολουθούν να χρειάζονται ένα άτομο.
Πώς διαφέρει ο κίνδυνος επίθεσης που προκαλείται από την Τεχνητή Νοημοσύνη ειδικά για τις ομάδες ανάπτυξης λογισμικού;
Πέρα από το ηλεκτρονικό ψάρεμα (phishing) και τα deepfakes, οι ομάδες ανάπτυξης αντιμετωπίζουν κινδύνους που σχετίζονται με την Τεχνητή Νοημοσύνη εντός του... SDLC η ίδια: πράκτορες κωδικοποίησης τεχνητής νοημοσύνης που εγκαθιστούν παραισθησιογόνες ή κακόβουλες εξαρτήσεις, μη αναθεωρημένες οδηγίες πρακτόρων σε αρχεία δεξιοτήτων και κώδικας που δημιουργείται από την τεχνητή νοημοσύνη και αναπαράγει μυστικά με σκληρό κώδικα. Αυτή η πλευρά της τεχνητής νοημοσύνης στην κυβερνοασφάλεια καλύπτεται σε μεγαλύτερο βάθος στο Οδηγός ασφάλειας εφοδιαστικής αλυσίδας τεχνητής νοημοσύνης.
