Tehisintellekti turvariskid: mida DevSecOpsi meeskonnad peavad teadma tehisintellekti süsteemide turvamiseks
Tehisintellekti turvariskid ei piirdu enam mudeli käitumise või andmete privaatsusega. Tänapäeval mõjutavad need ka tarkvara kirjutamise, ülevaatamise, loomise ja tarnimise viisi. Tehisintellektil põhinevate kodeerimisvahendite, agentsete tehisintellektisüsteemide ja tehisintellektil põhinevate töövoogude tulekuga... SDLC, DevSecOpsi meeskonnad seisavad silmitsi uut tüüpi riskidega: kiirem kood, kiirem automatiseerimine ja kiiremad vead.
See aga ei tähenda, et meeskonnad peaksid tehisintellekti kasutuselevõttu aeglustama. Selle asemel vajavad nad turvameetmeid, mis vastavad tehisintellektiga toetatud arenduse kiirusele. Selles juhendis selgitame olulisemaid tehisintellekti turvariske, kuidas need reaalsetes inseneritöövoogudes ilmnevad ja kuidas meeskonnad saavad vähendada kokkupuudet koodi, sõltuvuste, saladuste jms kaudu. pipelines ja agendid.
Laiema ülevaate saamiseks sellest, kuidas tehisintellekt muudab ohumaastikku, vaadake meie juhendit AI küberturvalisus.
Mis on tehisintellekti turvariskid?
Tehisintellekti turvariskid on nõrkused, ohud või tõrked, mis ilmnevad tehisintellekti kavandamisel, treenimisel, integreerimisel või kasutamisel reaalsetes süsteemides. Need riskid võivad mõjutada mudeleid, andmeid, juhiseid, API-sid, koodi, pipelineja neid ühendavad tööriistad.
. NCSC juhised tehisintellekti ja küberturvalisuse kohta selgitab, et küberturvalisus on ohutute ja usaldusväärsete tehisintellekti süsteemide põhinõue. Samamoodi NIST AI riskijuhtimise raamistik annab organisatsioonidele struktuuri tehisintellekti riski haldamiseks juhtimise, mõõtmise ja praktiliste kontrollimeetmete kaudu.
DevSecOpsi meeskondade jaoks on probleem spetsiifilisem. Tehisintellekt on nüüd osa tarkvara tarneahelast. See kirjutab koodi, pakub välja sõltuvusi, genereerib konfiguratsiooni, kutsub API-sid ja tegutseb mõnikord autonoomselt. Seetõttu tuleb tehisintellekti turvariskidega tegeleda seespool. SDLC, mitte ainult mudeli kihil.
Miks tehisintellekti turvariskid on nüüd erinevad
Traditsioonilised küberturvalisuse riskid tulenevad tavaliselt inimese kirjutatud koodist, haavatavatest pakettidest, nõrkadest volitustest või valesti konfigureeritud infrastruktuurist. Need riskid on endiselt olemas. Tehisintellekt muudab aga seda, kui kiiresti need ilmnevad ja kui raskesti neid tuvastatakse.
Tehisintellekti loodud kood võib küll korrektne välja näha, kuid autoriseerimiskontrollid siiski mööda lasta. Tehisintellekti abil loodud kodeerimisassistent võib soovitada haavatavat paketti. Agentne töövoog võib kutsuda vale tööriista, pääseda juurde valele failile või paljastada logis oleva saladuse. Lisaks sõltuvad tehisintellekti süsteemid sageli kontekstist, viipadest, konnektoritest ja välistest tööriistadest, mis loob rohkem kohti, kus turvalisus võib ebaõnnestuda.
. OWASP 10 parimat LLM-i rakenduste jaoks toob esile sellised riskid nagu kiire süstimine, tundliku teabe avalikustamine, tarneahela probleemid ja liigne tegutsemisvabadus. Need kategooriad on kasulikud, kuna need seovad tehisintellekti käitumise reaalsete rakenduste turvaprobleemidega.
Teisisõnu, tehisintellekti turvariskid ei puuduta ainult mudelit, vaid kogu mudelit ümbritsevat süsteemi.
DevSecOpsi meeskondade peamised tehisintellekti turvariskid
Allpool on toodud riskid, mis on kõige olulisemad tehisintellekti kasutamisel arenduses, rakenduste turvalisuses ja CI/CD tööprotsesse.
1. Tehisintellekti loodud koodi haavatavused
Tehisintellekti kodeerimistööriistad võivad genereerida küll toimivat, aga mitte turvalist koodi. Näiteks võivad need luua SQL-päringuid ilma korraliku parameetriteta, vahele jätta sisendi valideerimise või rakendada nõrka autentimisloogikat.
See juhtub seetõttu, et paljud tehisintellekti süsteemid genereerivad treeningandmete põhjal tõenäolisi koodimustreid. Tõenäoline kood ei ole aga alati turvaline kood. Praktikas võib mudel reprodutseerida ebaturvalisi näiteid, kuna need on avalikes repositooriumides levinud.
Ühine näited:
- SQL süstimine
- Saididevaheline skriptimine
- Puuduvad autoriseerimiskontrollid
- Nõrk seansihaldus
- Ebaturvaline deserialiseerimine
- Puudub CSRF-kaitse
Seetõttu tuleks tehisintellekti loodud koodi käsitleda ebausaldusväärsena, kuni see läbib testi. SAST, poliitika kontrollimine ja läbivaatamine.
Sisemise lingi soovitus: ühenda see jaotis oma postitusega saidil AI SAST.
2. Tarneahela ja sõltuvusriskid
Tehisintellekti tööriistad ei genereeri mitte ainult koodi, vaid pakuvad ka pakette, versioone, skripte ja installikäsklusi. See loob otsese tee tehisintellekti soovitustest tarkvara tarneahela riskini.
Näiteks võib tehisintellekti tööriist soovitada:
- Vananenud pakend
- Trükiveaga sõltuvus
- Hallutsinatsiooniga pakendi nimi
- Kahtlaste installiskriptidega pakett
- Raamatukogu, mis on haavatav, aga siiski laialdaselt kasutatav
Lisaks saavad ründajad seda käitumist ära kasutada, registreerides paketinimesid, mida tehisintellekti tööriistad tõenäoliselt välja mõtlevad. Seda riski nimetatakse sageli lohakaks kükitamiseks. See muudab mudeli hallutsinatsiooni paketi tarneahela rünnakuks.
Selle riski vähendamiseks peavad meeskonnad SCA, pahavara tuvastamine, sõltuvuspoliitika jõustamine ja kättesaadavuse analüüs. Samuti peaksid nad kasutama ärakasutatavuse signaale, näiteks EPSS ja aktiivse ärakasutamise luureandmed CISTeadaolevate ärakasutatud haavatavuste kataloog.
3. Saladuste paljastamine tehisintellekti töövoogudes
Saladuste avalikustamine on üks praktilisemaid tehisintellekti turvariske. Arendajad kleebivad konteksti sageli tehisintellekti tööriistadesse. See kontekst võib hõlmata API-võtmeid, märke, volitusi, URL-e või sisemist konfiguratsiooni.
Lisaks võib tehisintellekti loodud kood sisaldada kohahoidjaid, mis näevad välja päris või, mis veelgi hullem, kopeerivad saladusi tagasi lähtekoodifailidesse, pipeline skripte või logisid. Kui saladused sisestatakse Giti ajalukku või CI/CD logid, võivad need jääda kasutatavaks veel kaua pärast algse commit.
Levinud kokkupuutepunktide hulka kuuluvad:
- Küsi ajalugu
- Genereeritud kood
- Git commits
- CI/CD logisid
- IaC failid
- Konteineri pildid
- Jagatud tööruumid
Sel põhjusel peaksid meeskonnad kombineerima IDE-taseme skannimise, pre-commit kontrollid, hoidla ajaloo skaneeringud, CI/CD logide skaneerimine ja automaatne tühistamine.
Sisemise lingi soovitus: ühendage see jaotis oma salajaste turvatoodete või seotud sisuga.
4. Tehisintellekti agendi ja tööriista väärkasutamine
Agent AI toob kaasa uue riskikihi, sest agendid mitte ainult ei soovita tegevusi, vaid saavad ka ise tegutseda.
Tehisintellekti agent võib käivitada shellikäsklusi, redigeerida faile, kutsuda API-sid, avada pull requests, muuta CI töövooge või suhelda pilveteenustega. Kuigi see loob tohutu tootlikkuse kasvu, suurendab see ka vigade leviku raadiust.
Peamised riskid hõlmavad järgmist:
- Ebaturvaline kesta käivitamine
- Liigselt lubatud API-võtmed
- Volitamata koodimuudatused
- MCP või API pistiku vale konfiguratsioon
- Tööriistakutsed väljaspool heakskiidetud ulatust
- Keskkonnale juurdepääs, mis ulatub ülesande nõudmistest kaugemale
OWASP LLM-i 10 parima liigse agentiivsuse kategooria on siin eriti asjakohane. Kui agendil on liiga palju ligipääsu, võib vale juhis, kiire süstimine või ohustatud tööriist muutuda tõeliseks turvaintsidendiks.
5. CI/CD ja Pipeline Riskid
Tehisintellekti loodud kood jõuab lõpuks kohale pipelineSel hetkel liigub risk lähtekoodist järkudesse, artefaktidesse, saladustesse, sõltuvustesse ja juurutamise töövoogudesse.
Näiteks võib tehisintellekti abil tehtud muudatus:
- Lisa ebaturvaline ehitusetapp
- GitHub Actionsi töövoo muutmine
- Tõmba installimise ajal pahatahtlik pakett välja
- Prindi saladused ehituslogidesse
- Turvakontrolli keelamine
- Muudatuste juurutamise loogikat
Järelikult CI/CD Turvalisus muutub tehisintellekti kasutuselevõtuks ülioluliseks. Pipeline guardrails peaksid enne tootmisse jõudmist blokeerima ohtlikud mustrid. Põhjalikuma konteksti saamiseks vaadake meie sisu CI/CD turvalisus ja software supply chain security.
6. Andmete lekkimine ja kiire süstimine
Kiire süstimine on üks tuntumaid tehisintellekti turvariske, kuid seda mõistetakse sageli valesti. See pole ainult vestlusroboti probleem. See võib mõjutada mis tahes tehisintellekti töövoogu, mis võtab vastu välist sisendit ja seejärel kasutab seda sisendit tegevuste juhtimiseks.
Näiteks pahatahtliku probleemi kirjeldus, README-fail, tugiteenuse pilet või sõltuvuse dokumentatsiooni leht võib sisaldada peidetud juhiseid. Kui tehisintellekti agent seda sisu loeb ja seda järgib, võib ründaja mõjutada tööriistakõnesid, koodimuudatusi või andmetele juurdepääsu.
Andmeleke võib toimuda sarnasel viisil. Mudel võib paljastada tundlikku konteksti, kokku võtta privaatseid faile või saata konfidentsiaalseid andmeid välistele teenustele. Seetõttu vajavad tehisintellekti süsteemid kiiret filtreerimist, väljundi kontrolli, tööriistade piiranguid ja selgeid piire selle kohta, millistele andmetele nad juurde pääsevad.
Tehisintellekti turvariskid kogu maailmas SDLC
Tehisintellekti turvariskid ilmnevad tarkvara elutsükli eri etappides. Oluline on kaitsta iga etappi, mitte ainult lõplikku rakendust.
| SDLC Stage | Tehisintellekti turvarisk | Näide | Soovitatav kontroll |
|---|---|---|---|
| IDE | Ebaturvaline tehisintellekti loodud kood | Tehisintellekti kodeerimisassistent pakub välja ebaturvalist autentimisloogikat. | Reaalajas SAST ja turvaline kodeerimise tagasiside. |
| Commit | Saladuste paljastamine | Token ilmub genereeritud koodis või commit ajalugu. | Saladuste avastamine, pre-commit kontrollid ja automaatne tühistamine. |
| Pull Request | Poliitika möödahiilimine | Genereeritud kood muudab juurdepääsukontrolli reegleid ilma ülevaatuseta. | PR guardrails ja poliitika jõustamine. |
| Ehitama | Pahatahtlik sõltuvus | Tehisintellekti soovitatud pakett sisaldab kahtlast installikäitumist. | SCA, pahavara tuvastamine ja sõltuvuspoliitika kontrollid. |
| CI/CD | Pipeline manipuleerimine | Agent muudab töövoo faile või juurutusskripte. | CI/CD turvakontrollid ja anomaaliate tuvastamine. |
| Runtime | Kiire süstimine või andmete lekkimine | Väline sisend põhjustab tehisintellekti töövoo tundliku konteksti paljastamise. | Kiired kontrollid, juurdepääsupiirangud ja jälgimine. |
Tehisintellekti turvariskid vs traditsioonilised küberturvalisuse riskid
Traditsiooniline küberturvalisus on endiselt oluline. Tehisintellekt lisab aga uusi käitumismustreid, mis nõuavad teistsuguseid kontrolle.
| Piirkond | Traditsiooniline küberturvalisuse risk | Tehisintellekti turvarisk |
|---|---|---|
| kood | Inimese kirjutatud haavatavused. | Tehisintellekti loodud ebaturvalised mustrid suuremal kiirusel. |
| Sõltuvad | Teadaolevad haavatavad paketid. | Hallutsinatsiooniga seotud, pahatahtlikud või ohtlikud tehisintellekti soovitatud paketid. |
| saladused | Volitused kogemata commitarendajate poolt. | Saladused kopeeritakse viipadesse, genereeritud koodi või logidesse. |
| TÖÖRIISTAD | Arendustööriistade käsitsi väärkasutamine. | Autonoomsed agendid kasutavad tööriistu või API-sid valesti. |
| Pipelines | Valesti konfigureeritud CI/CD tööprotsesse. | Agendi loodud töövoo muudatused või ohtlik automatiseerimine. |
Näited tehisintellekti turvariskidest reaalses maailmas
Tehisintellekti turvarisk ei ole teoreetiline. Mitmed avalikud raamistikud ja uuringud jälgivad neid probleeme nüüd ametlikumalt.
. MIT tehisintellekti riskide hoidla kataloogib enam kui 1,700 tehisintellekti riski erinevatel põhjustel ja valdkondades. Samal ajal pakub OWASP praktilisi kategooriaid LLM-i rakenduste riskide jaoks, sealhulgas kiire süstimine, tundliku teabe avalikustamine, tarneahela haavatavused ja liigne tegutsemisvõime.
DevSecOps meeskondade jaoks esinevad kõige olulisemad näited sageli tarkvara tarnimises:
- Tehisintellekti tööriistad, mis viitavad haavatavale koodile
- Tehisintellekti agendid muudavad töövoo faile
- Tehisintellekti loodud sõltuvused, mis toovad kaasa tarneahela avatuse
- Saladuste lekkimine viipade, logide või muu kaudu commits
- Agentide töövood, mis kutsuvad väljapoole kinnitatud ulatust kuuluvaid tööriistu
Lühidalt öeldes muutuvad tehisintellekti turvariskid palju tõsisemaks, kui tehisintellekti süsteemid saavad puudutada koodi, volitusi, pakette, pipelines ehk infrastruktuur.
Kuidas tehisintellekti turvariske praktikas leevendada
Parim viis tehisintellekti turvariskide vähendamiseks on käsitleda tehisintellekti abil arendatud arendust osana SDLCSee tähendab varajast skannimist, sagedast valideerimist ja poliitikate jõustamist seal, kus arendajad tegelikult töötavad.
1. Skannige tehisintellekti loodud koodi IDE-s
Arendajad peaksid tehisintellekti loodud koodi kirjutamise või vastuvõtmise ajal nägema turvalisuse tagasisidet. See vähendab konteksti vahetamist ja aitab probleeme enne Gitini jõudmist lahendada.
Kasutage:
- SAST IDE-s
- Tekstisiseste haavatavuste selgitused
- Turvalise parandamise soovitused
- Poliitikateadlik parandus
See on eriti oluline tehisintellektil põhinevate kodeerimisassistentide jaoks, kus ohtlikud ettepanekud võivad kiiresti koodibaasi sattuda.
2. Enne ehitamist kontrollige sõltuvusi
Tehisintellekti soovitatud sõltuvused tuleb enne nende installimist või saatmist kontrollida. Seetõttu peaksid meeskonnad arenduse ajal sõltuvuste kontrollimeetmeid rakendama. CI/CD.
Kasutage:
- SCA
- Pahavara tuvastamine
- Tüüpvea tuvastamine
- EPSS-i punktiarvestus
- Saavutatavuse analüüs
- Poliitikapõhine blokeerimine
See aitab prioriseerida pakette, mis kujutavad endast reaalset riski, mitte ainult teoreetilist kokkupuudet.
3. Saladuste automaatne tuvastamine ja tühistamine
Salajaste andmete skannimine peab hõlmama enamat kui lihtsalt lähtekoodi. Tehisintellekti abil teostatavad töövood võivad paljastada volitusi paljudes kohtades.
Kasutage:
- Pre-commit skaneerimine
- Hoidla ajaloo skannimine
- Pipeline logide skaneerimine
- IaC skaneerimine
- Konteineri pildi skaneerimine
- Automaatne tühistamine
Selle tulemusel vähendavad meeskonnad kokkupuute ja ohjeldamise vahelist aega.
4. Jõustage Guardrails in CI/CD
Guardrails peaks otsustama, kas muudatus on jätkamiseks piisavalt ohutu. Teatamine on kasulik, kuid kriitilise riski korral on blokeerimine vajalik.
Guardrails peaks hõlmama:
- Uued kriitilised haavatavused
- saladused
- Pahatahtlikud sõltuvused
- Kinnitamata või ebausaldusväärsed paketid
- Ebaturvalised töövoo muudatused
- Puuduvad SBOMs
- Eeskirjade rikkumised
Lisaks peaksid meeskonnad vajadusel alustama ainult aruandlusrežiimiga ja seejärel enesekindluse kasvades liikuma blokeerimise poole.
5. Jälgige agentide tööriista käitumist
Agentsed tehisintellekti süsteemid vajavad jälgitavust. Kui agent saab faile redigeerida, järke käivitada või API-sid kutsuda, peavad meeskonnad teadma, mida ta tegi, millal ta seda tegi ja kas toimingut oodati.
Monitor:
- Tööriistakutsed
- Töövoo faili muudatused
- Hoidla kirjutamistegevus
- Võrgu sihtkohad
- Saladuste ligipääs
- Pull request loomine
- Pipeline käivitab
Ilma selle nähtavuseta on agendi autonoomiat raske usaldada.
Kus Xygeni aitab vähendada tehisintellekti turvariske
Xygeni keskendub tehisintellektiga toetatud arenduse turvamisele kogu tarkvara tarneahelas. Tehisintellekti riski eraldi kategooriana käsitlemise asemel seob see koodi, sõltuvused, saladused, pipelineja ärikontekst.
Näiteks:
- SAST aitab varakult tuvastada ebaturvalist tehisintellekti loodud koodi.
- SCA valideerib sõltuvusi ja tuvastab pahatahtlikke pakette.
- Saladused Turvalisus tuvastab repositooriumides avalikustatud volitusi ja pipelines.
- CI/CD TURVALISUS jõustab poliitikad enne ohtlike muudatuste edasist jõustumist.
- Anomaalia tuvastamine tuvastab ebatavalist käitumist arendus- ja teostusprotsessides.
- ASPM seob leiud üheks riskivaateks, et meeskonnad saaksid seada prioriteediks olulise.
See on oluline, sest tehisintellekti turvariskid on oma olemuselt kihilised. Haavatav sõltuvus, avalikustatud märk ja ohtlik töövoo muutus võivad punkttööriistades tunduda eraldiseisvad. Koos võivad need aga kujutada endast palju suuremat rünnakuteed.
Tehisintellekti turvariskide haldamise raamistikud, mida teada
Mitmed raamistikud aitavad meeskondadel oma tööd struktureerida.
. NIST AI riskijuhtimise raamistik aitab organisatsioonidel kaardistada, mõõta, hallata ja reguleerida tehisintellektiga seotud riske. See on kasulik juhtimise, vastavuse ja riskiprogrammide jaoks.
. OWASP 10 parimat LLM-i rakenduste jaoks on rakenduste turvalisuse meeskondade jaoks praktilisem, kuna see on otseselt seotud tehniliste riskidega, nagu kiire süstimine, tundlike andmete avalikustamine, tarneahela haavatavused ja liigne tegutsemisvabadus.
. NCSC tehisintellekti ja küberturvalisuse juhised on kasulik turvajuhtidele, kes peavad mõistma, kuidas tehisintellekt muudab organisatsiooni küberriske.
Need ressursid näitavad kokkuvõttes ühte selget punkti: tehisintellekti turvalisust tuleb hallata inimeste, protsesside, süsteemide ja tarkvara tarnimise töövoogude lõikes.
Kontrollnimekiri: kuidas vähendada tehisintellekti turvariske
Kasutage seda kontrollnimekirja praktilise alguspunktina.
| Juhtimisala | Mida teha | Miks see on oluline |
|---|---|---|
| AI loodud kood | jooks SAST IDE-s, PR-is ja CI/CD pipeline. | Hoiab ära ebaturvalise koodi jõudmise tootmiskeskkonda. |
| Sõltuvad | Kasutama SCA, pahavara tuvastamine, EPSS ja ligipääsetavus. | Blokeerib riskantseid tehisintellekti soovitatud pakette. |
| saladused | skaneerimine commits, logid, ajalugu, IaCja konteinerid. | Vähendab volituste nähtavust ja väärkasutamist. |
| CI/CD | jõustama pipeline guardrails ja poliitikaväravad. | Peatab ohtlikud järgud ja juurutused. |
| Agentide tööriistad | Jälgige tööriistakõnesid, API-le juurdepääsu ja töövoo muudatusi. | Piirab liigset tegutsemisvabadust ja ootamatut käitumist. |
| Riskijuhtimine | Kasutama ASPM leidude korreleerimiseks kihtide vahel. | Aitab meeskondadel keskenduda tegelikele äririskidele. |
Võtme tagasivõtmine
- Tehisintellekti turvariskid mõjutavad nüüd koodi, sõltuvusi, saladusi, pipelines ja agendid.
- Traditsioonilisi rakenduste turvalisuse tööriistu on endiselt vaja, kuid need peavad käivituma varem ja laiema kontekstiga.
- Tehisintellekti loodud koodi tuleks käsitleda ebausaldusväärsena kuni selle valideerimiseni.
- Tehisintellekti agendi töövood vajavad guardrails, õigused ja jälgitavus.
- DevSecOpsi meeskonnad vajavad ühtset nähtavust kogu SDLC tehisintellektiga seotud riskide tõhusaks haldamiseks.
KKK: tehisintellekti turvariskid
Mis on tehisintellekti turvariskid?
Tehisintellekti turvariskid on ohud või nõrkused, mis ilmnevad tehisintellekti süsteemide loomisel, integreerimisel või kasutamisel. Need võivad mõjutada mudeleid, andmeid, viipasid, koodi, sõltuvusi, API-sid ja... pipelines.
Millised on DevSecOpsi meeskondade suurimad tehisintellekti turvariskid?
Suurimate riskide hulka kuuluvad ebaturvaline tehisintellekti loodud kood, haavatavad sõltuvused, saladuste avalikustamine, kiire süstimine, liigsed agentide õigused ja ebaturvaline CI/CD automaatika.
Miks erinevad tehisintellekti turvariskid traditsioonilistest küberturvalisuse riskidest?
Tehisintellekti süsteemid saavad genereerida koodi, pakkuda välja sõltuvusi, kutsuda tööriistu ja tegutseda autonoomselt. Selle tulemusena ilmnevad riskid kiiremini ja rohkemates kihtides. SDLC.
Kuidas saavad meeskonnad tehisintellektiga seotud turvariske vähendada?
Meeskonnad saavad riske vähendada tehisintellekti loodud koodi skannimise, sõltuvuste valideerimise, saladuste tuvastamise ja nõuete jõustamise abil. CI/CD guardrails, agentide käitumise jälgimine ja tulemuste korreleerimine ASPM.
Kas tehisintellekti loodud kood on ohutu?
Tehisintellekti loodud kood ei ole vaikimisi turvaline. Enne tootmisse jõudmist tuleks see üle vaadata, skaneerida, testida ja valideerida.
Lõppmõtted: tehisintellekti turvariskid vajavad SDLC-Taseme juhtnupud
Tehisintellekt muudab tarkvarariskide kiirust ja kuju. See aitab meeskondadel kiiremini ehitada, kuid toob kaasa ka uusi viise ebaturvalise koodi, avalikustatud saladuste, ohtlike sõltuvuste ja riskantse automatiseerimise sisenemiseks tarneahelasse.
Seetõttu ei saa tehisintellekti turvalisust hallata ainult mudeljuhtimise või poliitikadokumentide abil. See vajab praktilisi kontrollimeetmeid ettevõtte sees. SDLCIDE tagasiside SAST, SCA, saladuste avastamine, CI/CD guardrails, anomaaliate tuvastamine ja ASPMtaseme korrelatsioon.
Meeskonnad, kes tehisintellekti turvariske hästi haldavad, ei ole need, kes tehisintellekti kasutuselevõttu takistavad. Nemad on need, kes loovad selle ümber õige turvakihi.
