LLM-y a bezpieczeństwo IT: Jak im przeciwdziałać?

 

Rozpoznanie zagrożeń związanych z LLM-ami

Duże modele językowe i ich infrastruktura mogą stanowić potencjalne cele ataków. Najbardziej narażone są publiczne usługi LLM, gdzie interfejs aplikacji internetowej może zostać wykorzystany do wykradania wrażliwych danych wprowadzanych w promptach. Wewnętrzne wdrożenie LLM-ów zwiększa kontrolę organizacji nad bezpieczeństwem, jednak nadal istnieje ryzyko, że cyberprzestępcy mogą naruszyć łańcuch dostaw, kradnąc dane lub manipulując wynikami.

Choć skuteczne zarządzanie danymi i polityki bezpieczeństwa odgrywają kluczową rolę w ochronie LLM, to specyfika systemów AI wymaga dodatkowych warstw zabezpieczeń.

Oto trzy największe zagrożenia związane z dynamicznym rozwojem LLM oraz sposoby ich minimalizacji:

Ataki na łańcuch dostaw i fałszowanie danych

Tak jak incydent związany z SolarWinds ujawnił istotne luki w tradycyjnych łańcuchach dostaw oprogramowania, tak modele LLM są podatne na podobne zagrożenia w swoich procesach tworzenia i trenowania. Oba przypadki pokazują, że naruszenie nawet jednego elementu skomplikowanego systemu może prowadzić do poważnych konsekwencji. Na przykład, jeśli atakujący zafałszują dane używane do trenowania modelu AI, mogą wpłynąć na jego działanie, sprawiając, że będzie generował błędne odpowiedzi. Skutki mogą być poważne – od niepoprawnych prognoz biznesowych po chatboty rozpowszechniające nieprawdziwe informacje. Co więcej, jeśli cyberprzestępcy zdołają dodać do kodu modelu furtkę (backdoor), mogą uzyskać dostęp do przetwarzanych przez niego poufnych danych firmy, co stwarza ogromne ryzyko wycieku informacji.

Publiczne usługi LLM a bezpieczeństwo

Wybór między korzystaniem z publicznych usług LLM a wdrażaniem modeli wewnętrznie wiąże się z różnymi konsekwencjami dla bezpieczeństwa. Firmy nie mają bezpośredniej kontroli nad zabezpieczeniami publicznych usług LLM, co oznacza, że muszą polegać na dostawcy w kwestii ochrony danych wprowadzanych przez pracowników. Podobne ryzyko dotyczy zewnętrznych usług wykorzystujących generatywną sztuczną inteligencję do takich zadań jak transkrypcja nagrań audio czy podsumowywanie spotkań. Może to prowadzić do zjawiska „shadow AI”, gdzie pracownicy nieświadomie przekazują poufne informacje nieautoryzowanym podmiotom. Coraz szersza dostępność AI to zarówno szansa, jak i zagrożenie – z jednej strony zapewnia potężne narzędzia, z drugiej - generuje nowe luki w bezpieczeństwie, które organizacje muszą świadomie monitorować i kontrolować.

Osłabianie systemów zabezpieczeń opartych na sztucznej inteligencji

Kolejnym zagrożeniem jest możliwość naruszenia przez hakerów narzędzi bezpieczeństwa, które wzmacniają zdolność wykrywania zagrożeń. Coraz częściej wykorzystują one sztuczną inteligencję i uczenie maszynowe do analizy ruchu sieciowego, plików dziennika oraz innych danych w celu identyfikacji wzorców i anomalii mogących świadczyć o naruszeniu bezpieczeństwa. Cyberprzestępcy mogą jednak używać AI do obchodzenia tych zabezpieczeń, wykorzystując te same technologie, które miały chronić organizacje. Na przykład mogą zmanipulować model językowy (LLM), aby przestał wykrywać określone typy zdarzeń lub wzorców, co skutkuje powstaniem luki w zabezpieczeniach organizacji. Złośliwe podmioty mogą również trenować model LLM tak, aby generował ruch sieciowy wyglądający na nieszkodliwy, ale faktycznie maskujący atak.

Strategie zapobiegania zagrożeniom związanym z LLM

Generatywna sztuczna inteligencja wciąż jest stosunkowo nowa, ale podstawowe zagrożenia i obawy – utrata danych, ryzyko utraty reputacji oraz odpowiedzialność prawna są już dobrze rozpoznane. Dlatego osoby odpowiedzialne za bezpieczeństwo powinny wdrożyć ścisłe, formalne zasady, aby skutecznie chronić organizację przed tymi zagrożeniami. Oznacza to zastosowanie kompleksowych strategii bezpieczeństwa, które uwzględniają zarówno tradycyjne luki w zabezpieczeniach, jak i specyficzne ryzyka związane ze sztuczną inteligencją. Co więcej, strategie te muszą ewoluować w tempie odpowiadającym szybkiemu postępowi technologicznemu. Podczas definiowania środków ochronnych dyrektorzy ds. bezpieczeństwa informacji (CISO) powinni zwrócić szczególną uwagę na następujące kluczowe obszary:

Zarządzanie i zgodność z regulacjami: Solidne ramy zarządzania są kluczowe w zarządzaniu ryzykiem związanym z modelami LLM. Nowo wdrożony standard ISO 42001 dostarcza wytycznych dotyczących zarządzania sztuczną inteligencją, kładąc szczególny nacisk na ciągły nadzór ludzki, zwłaszcza w krytycznych obszarach, takich jak sprawozdawczość finansowa i weryfikacja kodu. Dyrektorzy ds. bezpieczeństwa informacji (CISO) muszą zapewnić, że praktyki zarządzania nadążają za szybkim postępem w dziedzinie AI.

Należy wdrożyć kompleksowe środki ochrony na wszystkich etapach cyklu życia modelu AI, aby zapobiec infiltracji łańcucha dostaw i naruszenia bezpieczeństwa modeli LLM. Obejmuje to zabezpieczenie całego procesu automatyzacji kroków w rozwoju oprogramowania, który składa się z ciągłej integracji (CI) i ciągłego dostarczania (CD), od repozytoriów kodu po środowiska produkcyjne.

Zarządzanie powinno również obejmować kontrolę dostępu i uprawnień. Wiele zagrożeń związanych z modelami LLM i generatywną sztuczną inteligencją dotyczy ochrony danych. Kluczowe jest wdrożenie najlepszych praktyk, aby zapewnić, że pracownicy mają dostęp tylko do danych, które są im niezbędne, a możliwość zmiany tych uprawnień posiada jedynie ograniczona grupa administratorów. Choć powinno to być standardem, rozwój modeli LLM i generatywnej AI czyni to jeszcze bardziej istotnym.

Kontrola nieautoryzowanego użycia generatywnej AI: Organizacje muszą wzmocnić monitorowanie nakierowane na wykrywanie nieautoryzowanego użycia generatywnej sztucznej inteligencji, aby zapobiegać wyciekom danych. Dyrektorzy ds. bezpieczeństwa informacji powinni dokładnie zapoznać się z polityką tych usług i ograniczyć dostęp jedynie do tych, które są zgodne z ich standardami dotyczącymi prywatności i bezpieczeństwa danych. Ponadto pracownicy nigdy nie powinni mieć dostępu do wrażliwych danych, jeśli nie jest to absolutnie konieczne. W przypadkach, gdy dostęp jest wymagany, należy ich szkolić w zakresie nieudostępniania poufnych informacji publicznym platformom.

Integracja wszystkich stron procesu: Zespoły ds. bezpieczeństwa muszą skutecznie komunikować się ze wszystkimi stronami zaangażowanymi w rozwój i wykorzystanie sztucznej inteligencji, w tym z pracownikami, użytkownikami końcowymi, inwestorami i partnerami, aby zapewnić zgodność z oczekiwaniami i najlepszymi praktykami w zakresie bezpieczeństwa. Poprzez edukowanie każdej grupy na temat działania AI, jej zastosowań oraz potencjalnych korzyści i zagrożeń, organizacje mogą zwiększyć transparentność i budować zaufanie wśród osób korzystających z AI na co dzień. Wdrożenie formalnych zasad dotyczących interakcji z AI pomoże określić sposób zarządzania komunikacją oraz zapewnić pełną zgodność z polityką organizacji.

Rozwój kompetencji analityków bezpieczeństwa: Pomimo ryzyka, że narzędzia oparte na AI mogą stać się celem ataków, generatywna sztuczna inteligencja pozostaje skutecznym sposobem na podnoszenie kwalifikacji analityków bezpieczeństwa i zmniejszanie niedoboru specjalistów. Modele językowe (LLM) mogą ułatwiać dostęp do danych, umożliwiając mniej doświadczonym analitykom uzyskiwanie cennych informacji. Dzięki uproszczeniu procesu zapytań i analizy danych, narzędzia AI mogą również wspierać zespoły ds. bezpieczeństwa w szybkim wykrywaniu podatności oraz skuteczniejszym reagowaniu na incydenty.

Równowaga między bezpieczeństwem a innowacją

Wraz z ewolucją dużych modeli językowych (LLM) przed dyrektorami ds. bezpieczeństwa informacji (CISO) pojawia się podwójne wyzwanie: jak wykorzystać potencjał sztucznej inteligencji, jednocześnie minimalizując zagrożenia bezpieczeństwa. Organizacje mogą czerpać korzyści z LLM, jeśli wdrożą odpowiednie mechanizmy ochronne i zasady zarządzania. W obliczu postępu technologii AI, czujność i zdolność do adaptacji pozostają kluczowe, aby zespoły ds. bezpieczeństwa mogły skutecznie chronić swoje organizacje.

Autor: Brad Jones, dyrektor ds. bezpieczeństwa informacji w Snowflake