Una ML-BOM (distinta base per l'apprendimento automatico) è un inventario leggibile da una macchina dei modelli, dei dataset, dei framework e delle dipendenze che compongono un sistema di intelligenza artificiale, insieme alla provenienza di ciascuno di essi.
- Perché esiste: tradizionale SBOM Elenca le librerie di codice. Non descrive un modello, i suoi dati di addestramento o la sua provenienza.
- I formati: CycloneDX ML-BOM (standard(standardizzato come ECMA-424) e i profili SPDX 3.0 AI e Dataset.
- La guida: il G7 SBOM per l'IA: Elementi minimiIl documento, pubblicato nel maggio 2026, definisce sette cluster di dati. L'adesione è volontaria.
- La parte difficile: Non è il formato il problema. È innanzitutto trovare tutte le risorse di intelligenza artificiale.
Definizione: cos'è un ML-BOM? #
Chiedi alla maggior parte dei team di ingegneri quali librerie open-source utilizza la loro applicazione e possono rispondere in pochi minuti, perché la loro SBOM Glielo dice. Se chiedi da quali modelli, set di dati e framework di intelligenza artificiale dipende la stessa applicazione, la risposta di solito inizia con "fammi controllare".
Un ML-BOM colma questa lacuna. È l'equivalente AI di una distinta base del software: un record strutturato e leggibile da una macchina di ogni componente di apprendimento automatico in un sistema. Per ogni modello cattura identità, versione, fornitore e licenza, oltre ai dettagli e SBOM mai avuto bisogno, come i set di dati su cui è stato addestrato, il suo utilizzo previsto e i suoi limiti noti.
Il termine deriva da CicloneDX, che ha aggiunto il supporto ML-BOM nella versione 1.5. Vedrai anche AI-BOM and SBOM per l'IA Utilizzato per esprimere lo stesso concetto, solitamente con un ambito più ampio che include agenti, prompt e servizi di intelligenza artificiale, non solo modelli addestrati.
Cosa contiene un ML-BOM #
I campi esatti dipendono dal formato, ma una distinta base di machine learning (ML-BOM) utile risponde a cinque domande su ciascun componente di intelligenza artificiale:
- Che cos'è? Nome del modello, versione, tipo e architettura.
- Da dove proviene? Fornitore, repository di sorgenti o hub di modelli e licenza.
- Su cosa è stato addestrato? I set di dati utilizzati, la loro origine e qualsiasi informazione sensibile nota.
- Da cosa dipende? I framework, le librerie e l'infrastruttura necessari per il suo funzionamento.
- Quali sono i suoi limiti? Uso previsto, rischi noti e caratteristiche prestazionali.
Le linee guida del G7 raggruppano le stesse idee in sette categorie: metadati, proprietà a livello di sistema, modelli, proprietà dei set di dati, infrastruttura, proprietà di sicurezza e indicatori chiave di prestazione.
ML-BOM vs SBOM #
Un ML-BOM non sostituisce un SBOM. I sistemi di IA sono ancora software, quindi ne hanno ancora bisogno. L'ML-BOM aggiunge il livello e SBOM non riesco a vedere.
| Dimensioni | SBOM | ML-BOM |
|---|---|---|
| descrive | Componenti e librerie software | Modelli, set di dati e componenti di apprendimento automatico |
| Campi chiave | Nome, versione, fornitore, licenza, hash | Inoltre dati di addestramento, provenienza, uso previsto, limitazioni |
| Il rischio principale che monitora | Dipendenze vulnerabili o dannose | Modelli inaffidabili, dati compromessi o sensibili, provenienza sconosciuta |
| Cambia quando | Una dipendenza viene aggiornata | Un modello viene riaddestrato, scambiato o perfezionato |
| formati | CycloneDX, SPDX | Profili di CycloneDX ML-BOM, SPDX 3.0 AI e Dataset |
Perché i ML-BOM sono importanti ora #
L'intelligenza artificiale viene inserita nei codebase senza alcuna revisione. Gli sviluppatori prelevano modelli da piattaforme pubbliche, aggiungono framework di intelligenza artificiale e connettono i server MCP con la stessa facilità con cui aggiungono una libreria. Ognuno di questi elementi apporta codice, pesi e dati che l'organizzazione non ha scritto e che potrebbe non aver verificato.
La catena di fornitura dell'IA rappresenta una superficie di attacco. Migliori OWASP Top 10 per le domande di LLM LLM03 elenca la catena di approvvigionamento come rischio: modelli compromessi, dati infetti e pacchetti dannosi nello stack di IA. Non è possibile valutare un componente di cui non si conosce l'esistenza.
Acquirenti e revisori dei conti cominciano a fare domande. Nessun regolamento impone un ML-BOM per nome. Ma l'EU AI Act prevede la documentazione tecnica per i sistemi di IA ad alto rischio, il Cyber Resilience Act richiede un SBOMe framework come l'ENS spagnolo richiedono un inventario dei beni. Un ML-BOM è la prova pratica alla base di tutti e tre, e i team di approvvigionamento lo stanno aggiungendo ai loro questionari.
Come creare una distinta base di machine learning (ML-BOM) #
Scriverne uno a mano funziona per un singolo modello. Non funziona per un'organizzazione. Un approccio sostenibile si compone di tre parti:
- Collegalo al rischio. Un inventario su cui nessuno agisce è solo carta. Ogni componente dovrebbe essere collegato alle sue vulnerabilità, alla sua licenza e alla sua provenienza.
- Scopri automaticamente. Analizza il codice sorgente, le dipendenze dichiarate e i file di configurazione, anziché affidarti alle segnalazioni degli sviluppatori riguardo alle risorse utilizzate.
- Genera in modo continuo. Rigenerare l'ML-BOM ogni volta che cambia un modello, un dataset o una dipendenza, nello stesso modo in cui i team maturi rigenerano SBOMs in CI.
Assicurati di sapere quale IA utilizzi prima che qualcuno te lo chieda. #
Xygeni AI Security scopre le risorse di IA nei tuoi repository (modelli, framework di IA, set di dati, endpoint di inferenza, agenti, server MCP, competenze, prompt, guardrails e gli strumenti di programmazione IA in uso) dal codice dell'applicazione, dalle dipendenze dichiarate e dai file di configurazione lasciati dagli strumenti IA. Nulla dipende dal fatto che gli sviluppatori dichiarino ciò che utilizzano.
A partire da tale inventario, Xygeni genera una distinta base basata sull'IA (AI-BOM) leggibile automaticamente, che puoi fornire ad auditor e clienti. Le dipendenze dello stack AI ricevono lo stesso trattamento del resto del codice: vengono rilevate le vulnerabilità CVE tramite l'analisi della composizione del software e i pacchetti dannosi vengono individuati prima ancora che esista una firma.
Programma una demo per visualizzare la distinta base AI del proprio codice sorgente.
FAQ #
Una ML-BOM è un elenco degli ingredienti per l'IA. Registra quali modelli, set di dati e framework utilizza un sistema e da dove proviene ciascuno di essi, in modo che i team di sicurezza, legali e di conformità possano valutare il rischio.
Principalmente. Il red teaming LLM si concentra sui modelli linguistici e sulle applicazioni basate su di essi. Il red teaming AI è... I termini si sovrappongono. ML-BOM è il nome di CycloneDX e si concentra sui modelli di machine learning e sui dataset. AI-BOM è più ampio e spesso include anche agenti, prompt, server MCP e servizi di intelligenza artificiale.
Non per nome. Si tratta della prova pratica degli obblighi che esistono, come la documentazione tecnica dell'EU AI Act per i sistemi ad alto rischio e l' SBOM richiesto dal Cyber Resilience Act. Gli elementi minimi del G7 per un SBOM per l'IA sono volontari.
I due formati consolidati sono CycloneDX ML-BOM, standarddesignato come ECMA-424 e il SPDX 3.0 Profili AI e Dataset. Scegli quello che stai utilizzando SBOM Gli strumenti sono già supportati, quindi gli inventari del software e dell'IA coesistono.
