Résiko Kaamanan AI: Naon anu Kedah Dipikanyaho ku Tim DevSecOps pikeun Ngamankeun Sistem AI
Résiko kaamanan AI henteu deui diwatesan ku paripolah modél atanapi privasi data. Ayeuna, éta ogé mangaruhan cara parangkat lunak ditulis, diulas, diwangun, sareng dikirim. Nalika alat coding AI, sistem AI agéntik, sareng alur kerja anu dikuatkeun ku AI lebet kana SDLC, tim DevSecOps nyanghareupan résiko anyar: kode anu langkung gancang, otomatisasi anu langkung gancang, sareng kasalahan anu langkung gancang.
Nanging, ieu sanés hartosna tim kedah ngalambatkeun panggunaan AI. Sabalikna, aranjeunna peryogi kontrol kaamanan anu cocog sareng kecepatan pamekaran anu dibantuan AI. Dina pituduh ieu, kami ngajelaskeun résiko kaamanan AI anu paling penting, kumaha éta muncul dina alur kerja rékayasa nyata, sareng kumaha tim tiasa ngirangan paparan dina kode, dependensi, rahasia, pipelines, sareng agén.
Kanggo gambaran anu langkung lega ngeunaan kumaha AI ngarobih bentang ancaman, tingali pituduh kami pikeun Kaamanan siber AI.
Naon Ari Résiko Kaamanan AI?
Résiko kaamanan AI nyaéta kalemahan, ancaman, atanapi modeu kagagalan anu muncul nalika kecerdasan jieunan dirancang, dilatih, diintegrasikeun, atanapi dianggo di jero sistem nyata. Résiko ieu tiasa mangaruhan modél, data, pituduh, API, kode, pipelines, sareng alat-alat anu nyambungkeunana.
nu Pituduh NCSC ngeunaan AI sareng kaamanan siber ngajelaskeun yén kaamanan siber mangrupikeun sarat inti pikeun sistem AI anu aman sareng tiasa dipercaya. Nya kitu deui, Kerangka Manajemén Risiko NIST AI méré struktur ka organisasi pikeun ngatur résiko AI ngaliwatan tata kelola, pangukuran, sareng kontrol praktis.
Pikeun tim DevSecOps, masalahna langkung spésifik. AI ayeuna janten bagian tina ranté pangiriman parangkat lunak. Éta nyerat kode, nyarankeun dependensi, ngahasilkeun konfigurasi, nyauran API, sareng sakapeung bertindak sacara mandiri. Hasilna, résiko kaamanan AI kedah diurus di jero SDLC, teu ngan ukur dina lapisan modél.
Naha Résiko Kaamanan AI Béda Ayeuna
Résiko kaamanan siber tradisional biasana asalna tina kode anu ditulis ku manusa, pakét anu rentan, kredensial anu lemah, atanapi infrastruktur anu salah konfigurasi. Résiko éta masih aya. Nanging, AI ngarobih sabaraha gancangna muncul sareng sabaraha héséna dideteksi.
Kode anu dihasilkeun ku AI sigana mah bener tapi tetep teu hasil dina pamariksaan otorisasina. Asisten coding AI bisa jadi nyarankeun pakét anu rentan. Alur kerja agéntik bisa jadi nyauran alat anu salah, ngaksés file anu salah, atawa ngalaan rusiah dina log. Salian ti éta, sistem AI mindeng gumantung kana kontéks, ajakan, konektor, jeung alat éksternal, anu nyiptakeun leuwih loba tempat dimana kaamanan bisa gagal.
nu 10 Teratas OWASP pikeun Aplikasi LLM nyorot résiko sapertos suntikan anu gancang, panyingkepan inpormasi sénsitip, masalah ranté suplai, sareng agénsi anu kaleuleuwihi. Kategori ieu mangpaat sabab ngahubungkeun paripolah AI sareng masalah kaamanan aplikasi nyata.
Ku kituna, résiko kaamanan AI teu ngan ukur ngeunaan modélna. Éta ngeunaan sakabéh sistem di sabudeureun modélna.
Résiko Kaamanan AI Inti pikeun Tim DevSecOps
Di handap ieu résiko anu paling penting nalika AI dianggo dina pamekaran, AppSec, sareng CI/CD workflows.
1. Karentanan Kodeu Anu Dihasilkeun ku AI
Pakakas coding AI tiasa ngahasilkeun kode anu tiasa dianggo tapi henteu aman. Salaku conto, aranjeunna tiasa nyiptakeun query SQL tanpa paraméterisasi anu leres, ngalangkungan validasi input, atanapi nerapkeun logika auténtikasi anu lemah.
Ieu kajadian kusabab seueur sistem AI ngahasilkeun pola kode anu kamungkinan dumasar kana data latihan. Nanging, kode anu kamungkinan henteu salawasna kode anu aman. Dina praktékna, modél ieu tiasa ngahasilkeun deui conto anu henteu aman sabab umum di sakumna repositori umum.
Conto umum nyaéta:
- Suntikan SQL
- Skrip cross-site
- Cék otorisasina leungit
- Penanganan sesi anu lemah
- Désérialisasi anu teu aman
- Protéksi CSRF leungit
Ku kituna, kode anu dihasilkeun ku AI kedah dianggap teu dipercaya dugi ka lulus. SAST, pamariksaan kawijakan, sareng tinjauan.
Saran tautan internal: sambungkeun bagian ieu kana postingan anjeun dina AI SAST.
2. Rantai Pasokan sareng Résiko Katergantungan
Pakakas AI henteu ngan ukur ngahasilkeun kode. Éta ogé nyarankeun pakét, vérsi, skrip, sareng paréntah pamasangan. Ieu nyiptakeun jalur langsung tina rekomendasi AI ka résiko ranté suplai parangkat lunak.
Contona, alat AI tiasa nyarankeun:
- Pakét anu geus kadaluwarsa
- Gumantungna salah ketik
- Ngaran pakét anu halusinasi
- Pakét anu ngandung skrip pamasangan anu curiga
- Perpustakaan anu rentan tapi masih seueur dianggo
Leuwih ti éta, panyerang tiasa ngamangpaatkeun paripolah ieu ku cara ngadaptarkeun nami pakét anu kamungkinan diciptakeun ku alat AI. Résiko ieu sering disebut slopsquatting. Éta ngarobih halusinasi modél janten serangan ranté suplai pakét.
Pikeun ngirangan résiko ieu, tim peryogi SCA, deteksi malware, penegakan kawijakan katergantungan, sareng analisis jangkauan. Aranjeunna ogé kedah nganggo sinyal eksploitasi sapertos EPSS sareng intelijen eksploitasi aktif ti CISKatalog Karentanan anu Dieksploitasi anu Dipikanyaho.
3. Paparan Rahasia dina Alur Kerja AI
Paparan rusiah mangrupikeun salah sahiji résiko kaamanan AI anu paling praktis. Pamekar sering nempelkeun kontéks kana alat AI. Kontéks éta tiasa kalebet konci API, token, kredensial, URL, atanapi konfigurasi internal.
Salian ti éta, kode anu dihasilkeun ku AI tiasa ngalebetkeun placeholder anu katingalina nyata, atanapi langkung parah, nyalin rahasia deui kana file sumber, pipeline skrip, atanapi log. Sakali rusiah asup kana riwayat Git atanapi CI/CD log, éta tiasa tetep tiasa dimanfaatkeun lami saatos aslina commit.
Titik paparan umum kalebet:
- Riwayat ajakan
- Kode anu dihasilkeun
- indit commits
- CI/CD log
- IaC payil
- Gambar wadah
- Ruang kerja anu dibagi
Ku sabab kitu, tim kedah ngagabungkeun pamindaian tingkat IDE, pre-commit pamariksaan, scan riwayat repositori, CI/CD pamindaian log, sareng panyabutan otomatis.
Saran tautan internal: sambungkeun bagian ieu kana produk kaamanan rahasia anjeun atanapi eusi anu aya hubunganana.
4. Penyalahgunaan Agen sareng Alat AI
Agén AI ngenalkeun lapisan résiko anyar sabab agén henteu ngan ukur nyarankeun tindakan. Aranjeunna tiasa ngalakukeun tindakan.
Agén AI tiasa ngajalankeun paréntah shell, ngédit file, nelepon API, muka pull requests, ngarobih alur kerja CI, atanapi berinteraksi sareng layanan awan. Sanaos ieu nyiptakeun paningkatan produktivitas anu ageung, éta ogé ningkatkeun radius ledakan kasalahan.
Resiko utama kalebet:
- Éksekusi cangkang anu teu aman
- Konci API anu kaleuleuwihi idinna
- Parobahan kode anu teu diidinan
- Salah konfigurasi konektor MCP atanapi API
- Panggero alat di luar ruang lingkup anu disatujuan
- Aksés lingkungan saluareun anu diperyogikeun ku tugas
Kategori OWASP LLM Top 10 pikeun agénsi anu kaleuleuwihi hususna relevan di dieu. Upami agén gaduh aksés anu kaleuleuwihi, instruksi anu goréng, suntikan anu gancang, atanapi alat anu dikompromi tiasa janten kajadian kaamanan anu nyata.
5. CI/CD jeung Pipeline resiko
Kode anu dihasilkeun ku AI pamustunganana ngahontal pipelineDina titik éta, résiko pindah tina kode sumber kana ngawangun, artefak, rusiah, katergantungan, sareng alur kerja palaksanaan.
Contona, parobahan anu dibantuan ku AI tiasa:
- Tambahkeun léngkah ngawangun anu teu aman
- Ngarobih alur kerja GitHub Actions
- Tarik pakét jahat nalika pamasangan
- Cetak rusiah kana log wangunan
- Nonaktipkeun kontrol kaamanan
- Robah logika palaksanaan
akibatna, CI/CD kaamanan janten penting pikeun diadopsi AI. Pipeline guardrails kedah meungpeuk pola anu teu aman sateuacan ngahontal produksi. Pikeun kontéks anu langkung jero, tingali eusi kami dina CI/CD kaamanan jeung software supply chain security.
6. Bocor Data sareng Injeksi Prompt
Suntikan gancang mangrupikeun salah sahiji résiko kaamanan AI anu paling dikenal, tapi sering disalahpahami. Éta sanés ngan ukur masalah chatbot. Éta tiasa mangaruhan alur kerja AI naon waé anu nampi input éksternal teras nganggo input éta pikeun nungtun tindakan.
Contona, pedaran masalah jahat, file README, tikét dukungan, atanapi halaman dokuméntasi dependensi tiasa ngalebetkeun pitunjuk anu disumputkeun. Upami agén AI maca eusi éta sareng nuturkeun éta, panyerang tiasa mangaruhan panggero alat, parobihan kode, atanapi aksés data.
Bocor data tiasa kajantenan ku cara anu sami. Modél ieu tiasa ngungkabkeun kontéks anu sénsitip, ngaringkes file pribadi, atanapi ngirim data rahasia ka layanan éksternal. Ku alatan éta, sistem AI peryogi panyaringan anu gancang, kontrol kaluaran, larangan alat, sareng wates anu jelas ngeunaan data naon anu tiasa diaksés.
Résiko Kaamanan AI di Sakuliah SDLC
Résiko kaamanan AI muncul dina tahapan anu béda-béda dina siklus hirup parangkat lunak. Kuncina nyaéta pikeun ngamankeun unggal tahapan, sanés ngan ukur aplikasi ahir.
| SDLC Panggung | Résiko Kaamanan AI | conto | Kontrol anu Disarankeun |
|---|---|---|---|
| IEUH | Kode anu dihasilkeun ku AI anu teu aman | Asisten coding AI nyarankeun logika auténtikasi anu teu aman. | Langsung SAST sareng eupan balik coding anu aman. |
| Commit | Pambongkaran rusiah | Token némbongan dina kode anu dihasilkeun atanapi commit sajarah. | Deteksi rusiah, pre-commit cék, sareng panyabutan otomatis. |
| Pull Request | Ngaliwatan kawijakan | Kode anu dihasilkeun ngarobih aturan kontrol aksés tanpa ulasan. | PR guardrails sareng palaksanaan kawijakan. |
| ngawangun | Katergantungan jahat | Paket anu disarankeun ku AI ngawengku paripolah pamasangan anu curiga. | SCA, deteksi malware, sareng pamariksaan kawijakan katergantungan. |
| CI/CD | Pipeline manipulasi | Agén ngarobih file alur kerja atanapi skrip palaksanaan. | CI/CD cék kaamanan sareng deteksi anomali. |
| Runtime | Suntikan gancang atanapi bocor data | Input éksternal nyababkeun alur kerja AI ngungkabkeun kontéks anu sénsitip. | Kontrol anu gancang, larangan aksés, sareng pangawasan. |
Résiko Kaamanan AI vs Résiko Kaamanan Siber Tradisional
Kaamanan siber tradisional masih penting. Nanging, AI nambihan pola paripolah anyar anu meryogikeun kontrol anu béda.
| wewengkon | Résiko Kaamanan Siber Tradisional | Résiko Kaamanan AI |
|---|---|---|
| Code | Karentanan anu ditulis ku manusa. | Pola teu aman anu dihasilkeun ku AI dina kecepatan anu langkung luhur. |
| Depéndensi | Paket anu rentan anu dipikanyaho. | Paket anu disarankeun ku AI anu halusinasi, jahat, atanapi henteu aman. |
| Rahasia | Kredensial teu kahaja commitdikokolakeun ku pamekar. | Rahasia disalin kana prompt, kode anu dihasilkeun, atanapi log. |
| pakakas | Penyalahgunaan alat pamekar sacara manual. | Agén otonom anu salah ngagunakeun alat atanapi API. |
| Pipelines | Salah konfigurasi CI/CD workflows. | Parobahan alur kerja anu dihasilkeun ku agén atanapi otomatisasi anu teu aman. |
Conto Résiko Kaamanan AI Dunya Nyata
Résiko kaamanan AI sanés téoritis. Sababaraha kerangka umum sareng upaya panalungtikan ayeuna ngalacak masalah ieu sacara langkung formal.
nu Repositori Résiko AI MIT ngakatalogkeun langkung ti 1,700 résiko AI dina rupa-rupa sabab sareng domain. Samentawis éta, OWASP nyayogikeun kategori praktis pikeun résiko aplikasi LLM, kalebet suntikan anu gancang, panyingkepan inpormasi sénsitip, kerentanan ranté suplai, sareng agénsi anu kaleuleuwihi.
Pikeun tim DevSecOps, conto anu paling relevan sering muncul dina pangiriman parangkat lunak:
- Parabot AI anu nyarankeun kode anu rentan
- Agén AI anu ngarobih file alur kerja
- Katergantungan anu dihasilkeun ku AI ngenalkeun paparan ranté suplai
- Rahasia bocor ngaliwatan prompts, log, atanapi commits
- Alur kerja agén anu nelepon alat di luar ruang lingkup anu disatujuan
Singkatna, résiko kaamanan AI janten langkung serius nalika sistem AI tiasa nyabak kode, kredensial, pakét, pipelines, atanapi infrastruktur.
Kumaha Ngurangan Résiko Kaamanan AI dina Praktekna
Cara pangsaéna pikeun ngirangan résiko kaamanan AI nyaéta ku cara nganggap pamekaran anu dibantuan AI salaku bagian tina SDLCÉta hartosna nyeken ti mimiti, sering ngavalidasi, sareng ngalaksanakeun kawijakan dimana pamekar sabenerna damel.
1. Scan Kodeu Anu Dihasilkeun AI dina IDE
Pamekar kedah ningali eupan balik kaamanan nalika aranjeunna nyerat atanapi nampi kode anu dihasilkeun AI. Ieu ngirangan pergantian kontéks sareng ngabantosan ngalereskeun masalah sateuacan dugi ka Git.
Paké:
- SAST dina IDE-na
- Panjelasan kerentanan inline
- Saran perbaikan anu aman
- Remediasi anu sadar kawijakan
Ieu penting pisan pikeun asistén coding AI, dimana saran anu teu aman tiasa gancang lebet kana basis kode.
2. Validasi Dependensi Sateuacan Diwangun
Dependensi anu disarankeun ku AI kedah diverifikasi sateuacan dipasang atanapi dikirim. Ku alatan éta, tim kedah ngalaksanakeun kontrol dependensi salami pamekaran sareng CI/CD.
Paké:
- SCA
- Deteksi malware
- Deteksi typosquat
- Skor EPSS
- Analisis jangkauan
- Blokir dumasar kawijakan
Ieu ngabantosan ngutamakeun pakét anu ngagambarkeun résiko nyata, sanés ngan ukur paparan téoritis.
3. Deteksi sareng Cabut Rahasia sacara Otomatis
Pamindaian rusiah kedah nutupan langkung ti ngan ukur kode sumber. Alur kerja anu dibantuan AI tiasa ngalaan kredensial di seueur tempat.
Paké:
- Pre-commit scanning
- Nyeken riwayat gudang
- Pipeline pamindaian log
- IaC scanning
- Nyeken gambar wadah
- Panyabutan otomatis
Hasilna, tim ngirangan waktos antara paparan sareng panahanan.
4. Ngalaksanakeun Guardrails in CI/CD
Guardrails kedah mutuskeun naha parobihan éta cukup aman pikeun diteruskeun. Pelaporan memang mangpaat, tapi meungpeuk diperyogikeun pikeun résiko kritis.
Guardrails kedah ngawengku:
- Karentanan kritis anyar
- Rahasia
- Katergantungan jahat
- Paket anu teu disematkeun atanapi teu dipercaya
- Parobahan alur kerja anu teu aman
- leungit SBOMs
- Palanggaran palanggaran
Salian ti éta, tim kedah ngamimitian ku modeu laporan hungkul nalika diperyogikeun, teras ngalih ka arah meungpeuk nalika kapercayaan diri ningkat.
5. Mantau Paripolah Alat Agentik
Sistem AI Agentik peryogi kamampuan pikeun dititénan. Upami agén tiasa ngédit file, micu ngawangun, atanapi nyauran API, tim kedah terang naon anu dilakukeunana, iraha dilakukeunana, sareng naha tindakan éta dipiharep.
Monitor:
- Panggilan alat
- Parobihan file alur kerja
- Kagiatan nulis di gudang
- Tujuan jaringan
- Aksés rusiah
- Pull request ciptaan
- Pipeline micu
Tanpa pisibilitas ieu, otonomi agén janten hésé dipercaya.
Dimana Xygeni Ngabantosan Ngurangan Résiko Kaamanan AI
Xygeni museur kana ngamankeun pamekaran anu dibantuan AI di sakumna ranté pangiriman perangkat lunak. Tinimbang nganggap résiko AI salaku kategori anu misah, éta nyambungkeun kode, dependensi, rahasia, pipelines, sareng kontéks bisnis.
Salaku conto:
- SAST ngabantosan ngadeteksi kode anu dihasilkeun ku AI anu teu aman langkung awal.
- SCA ngavalidasi dependensi sareng ngadeteksi paket jahat.
- Kaamanan Rahasia ngadeteksi kredensial anu kakeunaan di sakumna repositori sareng pipelines.
- CI/CD kaamanan ngalaksanakeun kawijakan sateuacan parobahan anu teu aman lumangsung.
- Pangwanoh Anomaly ngaidéntifikasi paripolah anu teu biasa dina alur kerja pamekaran sareng pangiriman.
- ASPM ngahubungkeun papanggihan kana hiji pandangan résiko supados tim tiasa ngutamakeun anu penting.
Ieu penting sabab résiko kaamanan AI sacara alami aya dina lapisan-lapisan anu béda. Gumantungna anu rentan, token anu kakeunaan, sareng parobahan alur kerja anu teu aman tiasa katingali misah dina alat-alat titik. Nanging, babarengan éta tiasa ngawakilan jalur serangan anu langkung ageung.
Kerangka Kerja Manajemen Risiko Kaamanan AI anu Kedah Dipikanyaho
Aya sababaraha kerangka kerja anu ngabantosan tim nyusun padamelanna.
nu Kerangka Manajemén Risiko NIST AI ngabantosan organisasi memetakan, ngukur, ngatur, sareng ngatur résiko AI. Éta mangpaat pikeun program kapamingpinan, patuh kana aturan, sareng résiko.
nu 10 Teratas OWASP pikeun Aplikasi LLM langkung praktis pikeun tim AppSec sabab langsung patali sareng résiko téknis sapertos suntikan anu gancang, paparan data sénsitip, kerentanan ranté suplai, sareng agénsi anu kaleuleuwihi.
nu Pituduh NCSC AI sareng kaamanan siber mangpaat pikeun pamimpin kaamanan anu kedah ngartos kumaha AI ngarobih résiko siber organisasi.
Babarengan, sumber daya ieu nunjukkeun hiji hal anu jelas: Kaamanan AI kedah dikokolakeun di sakumna jalma, prosés, sistem, sareng alur kerja pangiriman parangkat lunak.
Daptar Pariksa: Kumaha Ngurangan Résiko Kaamanan AI
Anggo daptar cék ieu salaku titik awal anu praktis.
| Area Kontrol | Naon anu kedah dilakukeun | Kunaon eta Perkara |
|---|---|---|
| Kode dihasilkeun AI | lalumpatan SAST dina IDE, PR, sareng CI/CD pipeline. | Nyegah kode anu teu aman dugi ka produksi. |
| Depéndensi | make SCA, deteksi malware, EPSS, sareng jangkauan. | Meungpeuk paket anu disarankeun ku AI anu résiko. |
| Rahasia | Scan commits, log, sajarah, IaC, jeung wadah. | Ngurangan paparan sareng panyalahgunaan kredensial. |
| CI/CD | Nerapkeun pipeline guardrails jeung gerbang kawijakan. | Nyegah pangwangunan sareng palaksanaan anu teu aman. |
| Pakakas agéntik | Awasi panggero alat, aksés API, sareng parobahan alur kerja. | Ngawatesan agénsi anu kaleuleuwihi sareng paripolah anu teu disangka-sangka. |
| Manajemén risiko | make ASPM pikeun ngahubungkeun papanggihan di sakuliah lapisan. | Ngabantosan tim fokus kana résiko bisnis anu nyata. |
Takeaways Key
- Résiko kaamanan AI ayeuna mangaruhan kode, katergantungan, rusiah, pipelines, sareng agén.
- Pakakas AppSec tradisional masih diperyogikeun, tapi éta kedah dijalankeun langkung awal sareng langkung seueur kontéksna.
- Kode anu dihasilkeun AI kedah dianggap teu dipercaya dugi ka divalidasi.
- Alur kerja agén AI peryogi guardrails, idin, sareng tiasa dititénan.
- Tim DevSecOps peryogi visibilitas anu ngahiji di sakumna SDLC pikeun ngatur résiko AI sacara efektif.
FAQ: Résiko Kaamanan AI
Naon waé résiko kaamanan AI?
Résiko kaamanan AI nyaéta ancaman atanapi kalemahan anu muncul nalika sistem AI diwangun, diintegrasikeun, atanapi dianggo. Éta tiasa mangaruhan modél, data, prompt, kode, dependensi, API, sareng pipelines.
Naon résiko kaamanan AI panggedéna pikeun tim DevSecOps?
Résiko panggedéna kalebet kode anu dihasilkeun ku AI anu teu aman, katergantungan anu rentan, paparan rahasia, suntikan anu gancang, idin agén anu kaleuleuwihi, sareng… CI/CD otomatisasi.
Naha résiko kaamanan AI béda sareng résiko kaamanan siber tradisional?
Sistem AI tiasa ngahasilkeun kode, nyarankeun katergantungan, nelepon alat, sareng bertindak sacara mandiri. Hasilna, résiko muncul langkung gancang sareng meuntas langkung seueur lapisan SDLC.
Kumaha tim tiasa ngirangan résiko kaamanan AI?
Tim tiasa ngirangan résiko ku cara nyeken kode anu dihasilkeun ku AI, ngavalidasi katergantungan, ngadeteksi rusiah, ngalaksanakeun CI/CD guardrails, ngawaskeun paripolah agén, sareng ngorélasikeun panemuan ngalangkungan ASPM.
Naha kode anu dihasilkeun ku AI aman?
Kode anu dihasilkeun ku AI sacara standar henteu aman. Éta kedah ditinjau, di-scan, diuji, sareng divalidasi sateuacan diproduksi.
Pamikiran Pamungkas: Perlu Résiko Kaamanan AI SDLC-Kontrol Tingkat
AI ngarobah kecepatan sareng bentuk résiko perangkat lunak. Éta ngabantosan tim ngawangun langkung gancang, tapi ogé ngenalkeun cara énggal pikeun kode anu teu aman, rahasia anu kakeunaan, katergantungan anu teu aman, sareng otomatisasi anu résiko pikeun lebet kana ranté pangiriman.
Ku kituna, kaamanan AI teu tiasa diurus ngan ukur ku tata kelola modél atanapi dokumén kawijakan. Éta peryogi kontrol praktis di jero SDLC: eupan balik IDE, SAST, SCA, deteksi rusiah, CI/CD guardrails, deteksi anomali, sareng ASPMkorélasi tingkat-.
Tim anu ngatur résiko kaamanan AI kalayan saé sanés anu ngahalangan panggunaan AI. Aranjeunna anu bakal ngawangun lapisan kaamanan anu pas di sabudeureunna.
