En ML-BOM (maskinlæringsliste) er en maskinlesbar oversikt over modellene, datasettene, rammeverkene og avhengighetene som utgjør et AI-system, sammen med hvor hver enkelt kom fra.
- Hvorfor det finnes: en tradisjonell SBOM lister opp kodebiblioteker. Den beskriver ikke en modell, dens treningsdata eller dens opprinnelse.
- Formatene: CycloneDX ML-BOM (standardisert som ECMA-424) og SPDX 3.0 AI- og datasettprofilene.
- Veiledningen: G7 SBOM for AI: Minimumselementer, publisert i mai 2026, definerer sju dataklynger. Det er frivillig.
- Den vanskelige delen: ikke formatet. Det handler om å finne alle AI-ressurser i utgangspunktet.
Definisjonen: hva er en ML-BOM? #
Spør de fleste ingeniørteam hvilke åpen kildekode-biblioteker applikasjonen deres bruker, og de kan svare på få minutter, fordi deres SBOM forteller dem. Spør hvilke modeller, datasett og AI-rammeverk den samme applikasjonen er avhengig av, og svaret starter vanligvis med «la meg sjekke».
En ML-BOM tetter dette gapet. Det er AI-ekvivalenten til en programvareliste: en strukturert, maskinlesbar oversikt over alle maskinlæringskomponenter i et system. For hver modell registrerer den identitet, versjon, leverandør og lisens, pluss detaljer om en SBOM aldri trengt, for eksempel datasettene den ble trent på, dens tiltenkte bruk og dens kjente begrensninger.
Begrepet kommer fra CycloneDX, som la til støtte for ML-BOM i versjon 1.5. Du vil også se AI-BOM og SBOM for AI brukes for den samme ideen, vanligvis med et bredere omfang som inkluderer agenter, ledetekster og AI-tjenester, ikke bare trente modeller.
Hva en ML-BOM inneholder #
De nøyaktige feltene avhenger av formatet, men en nyttig ML-BOM svarer på fem spørsmål om hver AI-komponent:
- Hva er det? Modellnavn, versjon, type og arkitektur.
- Hvor kom det fra? Leverandør, kildelager eller modellknutepunkt og lisens.
- Hva ble den trent på? Datasettene som ble brukt, deres opprinnelse og eventuell kjent sensitivitet.
- Hva er det avhengig av? Rammeverkene, bibliotekene og infrastrukturen den trenger for å kjøre.
- Hva er grensene? Tiltenkt bruk, kjente risikoer og ytelsesegenskaper.
G7-veiledningen grupperer de samme ideene i sju klynger: metadata, egenskaper på systemnivå, modeller, datasettegenskaper, infrastruktur, sikkerhetsegenskaper og viktige ytelsesindikatorer.
ML-BOM vs. SBOM #
En ML-BOM erstatter ikke en SBOMAI-systemer er fortsatt programvare, så de trenger det fortsatt. ML-BOM legger til laget og SBOM kan ikke se.
| Dimensjon | SBOM | ML-BOM |
|---|---|---|
| Beskriver | Programvarekomponenter og biblioteker | Modeller, datasett og ML-komponenter |
| Nøkkelfelt | Navn, versjon, leverandør, lisens, hash | Pluss treningsdata, opprinnelse, tiltenkt bruk, begrensninger |
| Hovedrisikoen den sporer | Sårbare eller ondsinnede avhengigheter | Upålitelige modeller, forgiftede eller sensitive data, ukjent opprinnelse |
| Endringer når | En avhengighet oppdateres | En modell blir omtrent, byttet ut eller finjustert |
| Formater | CycloneDX, SPDX | CycloneDX ML-BOM, SPDX 3.0 AI og datasettprofiler |
Hvorfor ML-BOM-er er viktige nå #
AI går inn i kodebaser uten gjennomgang. Utviklere henter modeller fra offentlige huber, legger til AI-rammeverk og kobler til MCP-servere like enkelt som de legger til et bibliotek. Hver av dem bringer med seg kode, vekter og data som organisasjonen ikke skrev og kanskje ikke har kontrollert.
AI-forsyningskjeden er en angrepsflate. Ocuco OWASP Topp 10 for LLM-applikasjoner lister opp forsyningskjeden som risiko LLM03: kompromitterte modeller, forgiftede data og ondsinnede pakker i AI-stakken. Du kan ikke vurdere en komponent du ikke vet finnes der.
Kjøpere og revisorer begynner å spørre. Ingen forskrift pålegger en ML-BOM ved navn. Men EUs AI-lov krever teknisk dokumentasjon for AI-systemer med høy risiko, mens Cyber Resilience Act krever en SBOM, og rammeverk som Spanias ENS krever en aktivaoversikt. En ML-BOM er det praktiske beviset bak alle tre, og innkjøpsteamene legger den til i spørreskjemaene sine.
Hvordan bygge en ML-BOM #
Å skrive én for hånd fungerer for én enkelt modell. Det fungerer ikke for en organisasjon. En bærekraftig tilnærming har tre deler:
- Koble det til risiko. En inventarliste ingen handler på er papirarbeid. Hver komponent bør være knyttet til sine sårbarheter, sin lisens og sin opprinnelse.
- Oppdag automatisk. Skann kode, deklarerte avhengigheter og konfigurasjonsfiler i stedet for å stole på at utviklere rapporterer hva de bruker.
- Generer kontinuerlig. Regenerer ML-BOM når en modell, et datasett eller en avhengighet endres, på samme måte som modne team regenererer SBOMs i CI.
Vit hvilken AI du kjører før noen spør #
Xygeni AI-sikkerhet oppdager AI-ressursene på tvers av databasene dine (modeller, AI-rammeverk, datasett, inferensendepunkter, agenter, MCP-servere, ferdigheter, ledetekster, guardrails og AI-kodingsverktøyene som er i bruk) fra applikasjonskode, deklarerte avhengigheter og konfigurasjonsfilene AI-verktøy etterlater seg. Ingenting er avhengig av at utviklere deklarerer hva de bruker.
Fra dette inventaret genererer Xygeni en maskinlesbar AI-BOM som du kan gi til revisorer og kunder. AI-stakkens avhengigheter får samme behandling som resten av koden din: CVE-er gjennom analyse av programvaresammensetning og skadelige pakker oppdaget før en signatur finnes.
Planlegg en demo for å se AI-BOM-en til din egen kodebase.
FAQ #
En ML-BOM er en ingrediensliste for AI. Den registrerer hvilke modeller, datasett og rammeverk et system bruker, og hvor hvert av dem kommer fra, slik at sikkerhets-, juridiske og compliance-team kan vurdere risikoen.
For det meste. LLM red teaming fokuserer på språkmodeller og applikasjonene som er bygget på dem. AI red teaming er Begrepene overlapper hverandre. ML-BOM er navnet på CycloneDX og fokuserer på maskinlæringsmodeller og datasett. AI-BOM er bredere og inkluderer ofte agenter, ledetekster, MCP-servere og AI-tjenester også.
Ikke ved navn. Det er de praktiske bevisene for forpliktelser som eksisterer, slik som teknisk dokumentasjon i henhold til EUs KI-lov for høyrisikosystemer og SBOM kreves av Cyber Resilience Act. G7-minimumselementene for en SBOM for AI er frivillige.
De to etablerte formatene er CycloneDX ML-BOM, standardisert som ECMA-424, og SPDX 3.0 AI- og datasettprofiler. Velg den du har i din eksisterende profil. SBOM Verktøy støtter allerede, så programvare og AI-inventar lever sammen.
