ML-BOM（機械学習部品表）とは、AIシステムを構成するモデル、データセット、フレームワーク、依存関係、およびそれぞれの入手元を機械が読み取れる形でまとめたものです。
- なぜ存在するのか： 伝統的な SBOM これはコードライブラリの一覧です。モデル、その学習データ、またはその由来については説明していません。
- フォーマット： CycloneDX ML-BOM (standardECMA-424として標準化されたもの）とSPDX 3.0 AIおよびデータセットプロファイル。
- ガイダンス： G7 SBOM AI向け：最小限の要素2026年5月に公開されたこの文書は、7つのデータクラスターを定義している。これは任意参加である。
- 難しいところ： フォーマットの問題ではない。そもそも、すべてのAIアセットを見つけ出すことが重要なのだ。
定義：ML-BOMとは何か？ #
ほとんどのエンジニアリングチームに、アプリケーションで使用しているオープンソースライブラリを尋ねれば、数分で答えることができます。なぜなら、 SBOM 彼らにそう伝えてください。同じアプリケーションがどのモデル、データセット、AIフレームワークに依存しているかを尋ねると、たいてい「確認してみます」という返事が返ってきます。
ML-BOM はそのギャップを埋めます。これは、ソフトウェア部品表の AI 版です。システム内のすべての機械学習コンポーネントの構造化された機械可読記録です。各モデルについて、ID、バージョン、サプライヤー、ライセンス、詳細、 SBOM 学習に使用されたデータセット、意図された用途、既知の制限など、これまで必要とされなかった情報。
この用語の由来は サイクロンDXバージョン1.5でML-BOMのサポートが追加されました。 AI-BOM (NAIST) と SBOM AI向け 同じアイデアで使用されるが、通常は訓練済みモデルだけでなく、エージェント、プロンプト、AIサービスなどを含むより広い範囲を指す。
ML-BOMの内容 #
具体的な項目はフォーマットによって異なりますが、有用なML-BOMは各AIコンポーネントについて以下の5つの質問に答えます。
- それは何ですか？ モデル名、バージョン、タイプ、アーキテクチャ。
- それはどこから来たの？ サプライヤー、ソースリポジトリまたはモデルハブ、およびライセンス。
- 何を使って学習させたのですか？ 使用したデータセット、その出所、および既知の機密情報。
- それは何に依存していますか？ 動作に必要なフレームワーク、ライブラリ、インフラストラクチャ。
- その限界は何でしょうか? 使用目的、既知のリスク、および性能特性。
G7のガイダンスでは、同じ概念をメタデータ、システムレベルの特性、モデル、データセットの特性、インフラストラクチャ、セキュリティの特性、主要業績評価指標という7つのグループに分類している。
ML-BOM対 SBOM #
ML-BOMは SBOMAI システムは依然としてソフトウェアであるため、やはり 1 つが必要です。ML-BOM はレイヤーを追加し、 SBOM 見えません。
| 次元 | SBOM | ML-BOM |
|---|---|---|
| 説明 | ソフトウェアコンポーネントとライブラリ | モデル、データセット、および機械学習コンポーネント |
| 主なフィールド | 名前、バージョン、サプライヤー、ライセンス、ハッシュ | さらに、トレーニングデータ、出所、使用目的、制限事項 |
| 主なリスクを追跡しています | 脆弱または悪意のある依存関係 | 信頼できないモデル、汚染されたデータまたは機密データ、出所不明 |
| いつ変化するか | 依存関係が更新されました | モデルが再学習、交換、または微調整される |
| フォーマット | サイクロンDX、SPDX | CycloneDX ML-BOM、SPDX 3.0 AI、およびデータセットプロファイル |
ML-BOMが今重要な理由 #
AIはレビューなしにコードベースに取り込まれている。 開発者は、公開ハブからモデルを取得し、AIフレームワークを追加し、MCPサーバーを接続するのを、ライブラリを追加するのと同じくらい簡単に行える。それぞれが、組織が作成しておらず、検証もしていない可能性のあるコード、重み、データをもたらす。
AIサプライチェーンは攻撃対象領域である。 その LLM アプリケーション向け OWASP トップ 10 サプライチェーンをリスク要因として挙げています（LLM03）：AIスタック内のモデル改ざん、データ汚染、悪意のあるパッケージ。存在を知らないコンポーネントを評価することはできません。
買い手や監査担当者が質問し始めている。 ML-BOM を明示的に義務付ける規制はありません。しかし、EU AI 法は高リスク AI システムに対する技術文書を求めており、サイバーレジリエンス法は、 SBOMまた、スペインのENSのようなフレームワークでは、資産目録の作成が義務付けられています。ML-BOMはこれら3つのフレームワークすべてを裏付ける実践的な証拠であり、調達チームはこれをアンケート項目に追加しています。
ML-BOMの作成方法 #
手書きで作成する方法は、単一のモデルには有効ですが、組織には適していません。持続可能なアプローチは、次の3つの要素から構成されます。
- それをリスクと結びつけなさい。 誰も活用しないインベントリは、単なる書類に過ぎない。各コンポーネントは、脆弱性、ライセンス、および出所とリンクさせるべきである。
- 自動的に発見します。 開発者が使用しているものを報告してくれるのを待つのではなく、コード、宣言された依存関係、および設定ファイルをスキャンする。
- 継続的に生成する。 モデル、データセット、または依存関係が変更されるたびに、成熟したチームが再生成するのと同じように、ML-BOMを再生成します。 SBOMCI の s。
誰かに聞かれる前に、自分がどんなAIを使っているのかを知っておきましょう #
Xygeni AIセキュリティ リポジトリ全体 (モデル、AI フレームワーク、データセット、推論エンドポイント、エージェント、MCP サーバー、スキル、プロンプト、 guardrails アプリケーションコード、宣言された依存関係、およびAIツールが残す構成ファイルから、使用されているAIコーディングツールなどの情報を取得します。開発者が使用するツールを宣言する必要はありません。
Xygeniは、そのインベントリから、監査担当者や顧客に提供できる機械可読なAI-BOMを生成します。AIスタックの依存関係は、ソフトウェア構成分析によるCVEの検出や、シグネチャが存在する前に悪意のあるパッケージの検出など、コードの他の部分と同様に扱われます。
デモを予約する 自分のコードベースのAI-BOMを確認する。
FAQ #
ML-BOMは、AIの構成要素リストです。システムが使用するモデル、データセット、フレームワーク、そしてそれぞれの入手元を記録することで、セキュリティ、法務、コンプライアンスチームがリスクを評価できるようにします。
ほとんどの場合そうです。LLM レッドチームは言語モデルとそれに基づいて構築されたアプリケーションに焦点を当てています。AI レッドチームは、用語が重複しています。ML-BOM は CycloneDX の名称で、機械学習モデルとデータセットに焦点を当てています。AI-BOM はより広範で、エージェント、プロンプト、MCP サーバー、AI サービスも含まれることがよくあります。
名前ではなく、EU AI Actの高リスクシステムに関する技術文書や、実際に存在する義務の実例です。 SBOM サイバーレジリエンス法で義務付けられている。G7の最低限の要素 SBOM AIに関するものは任意です。
確立された2つのフォーマットはCycloneDX ML-BOMです。 standardECMA-424として制定され、 SPDX3.0 AIとデータセットのプロファイル。既存のものを選択してください。 SBOM ツールは既にサポートしているため、ソフトウェアとAIのインベントリは一緒に管理されます。
