This is the Trace Id: 2da540d04b5e2ad50e9194e4c9dbdf57

Mākslīgā intelekta lietojumprogrammu drošība, 1. sērija – drošības apsvērumi, ieviešot mākslīgā intelekta rīkus

Sieviete skatās datora ekrānā.

Mākslīgā intelekta risku un ieguvumu līdzsvarošana

Mākslīgais intelekts (AI) ir strauji attīstījies no eksperimentēšanas līdz praktiskai izmantošanai, pārveidojot to, kā organizācijas veic operācijas, pieņem lēmumus un pārvalda riskus. Mākslīgajam intelektam kļūstot par produktivitātes, sadarbības un drošības darbplūsmu neatņemamu sastāvdaļu, tas maina gan darba izpildes ātrumu, gan mērogu.

Taču šis paātrinājums rada arī papildu iespējas ļaunprātīgai izmantošanai. Draudu izpildītāji jau izmanto mākslīgo intelektu izlūkošanas, sociālās inženierijas un automatizācijas vajadzībām, pārvēršot jaudīgu aizsardzības rīku potenciālā uzbrukuma ierocī. Tāpēc drošība vairs nav vien tradicionālo sistēmu un datu aizsardzība; drošība ir arī izpratne par to, kā jūsu organizācijā tiek nodrošināta piekļuve mākslīgajam intelektam, kā tas tiek izmantots un ieviests darbībā.

Mākslīgā intelekta rīki rada arī smalkākus izaicinājumus. Sistēmas var nepareizi interpretēt datus, kļūdīties vai uzrādīt negaidītas preferences. Rezultāti var laika gaitā mainīties, kad modeļi tiek atjaunināti vai atkārtoti apmācīti. Tas nozīmē, ka drošība nav tikai programmatūras aizsardzība; tā ir arī uzvedības pārraudzība, rezultātu validēšana un pārvaldības struktūru ieviešana, kas nodrošina atbildīgu mākslīgā intelekta rīku lietošanu. Bez šiem pasākumiem pat ar labu mērķi izstrādātas lietojumprogrammas var radīt operatīvos riskus.

Šajā rakstā aplūkoti praktiski drošības apsvērumi, kas organizācijām jāpatur prātā, mākslīgajam intelektam kļūstot par darba centrālo elementu. No ļaunprātīgas izmantošanas novēršanas un pārvaldības ieviešanas līdz piekļuves pārraudzībai un kontrolei – aplūkosim, kā organizācijas var droši un efektīvi gūt maksimālu labumu no mākslīgā intelekta.

Plašākas iespējas mākslīgā intelekta lietojumprogrammu izmantošanai uzbrukumos

Arvien pieaugošā paļaušanās uz mākslīgo intelektu nodrošina draudu izpildītājiem lielāku skaitu potenciāli izmantojamu ieejas punktu. Draudu izpildītāji tagad var izmantot mākslīgo intelektu pikšķerēšanas kampaņu mērogošanai, sociālās inženierijas ziņojumu pielāgošanai vai atkārtotu uzbrukuma uzdevumu automatizācijai.

Mākslīgā intelekta rīkiem kļūstot par neatņemamu uzņēmējdarbības operāciju sastāvdaļu, organizācijām jāapzinās, ka to ieviešana paplašina uzbrukuma tvērumu un pastiprina pastāvošos riskus. Četras galvenās jomas, kas raisa potenciālas bažas:

Datu risks: ar pareizajām atļaujām Microsoft Copilot var piekļūt jūsu e-pastiem, dokumentiem un Teams ziņojumiem, lai nodrošinātu kontekstam atbilstošu reakciju. Šāda piekļuve var netīši atklāt sensitīvu informāciju. Piemēram, ja lietotājs iekļauj uzvednē sensitīvu informāciju, piem., paroles, kodu, uz kuru attiecas īpašumtiesības, vai konfidenciālus datus, tā var tikt atklāta. Organizācijas var mazināt šo risku, izmantojot datu zuduma novēršanas (DLP) politikas platformā Microsoft Purview, vismazāko nepieciešamo piekļuvi un obligātu datu klasifikāciju.

Mākslīgā intelekta izturēšanās un satura risks: Copilot tieši reaģē uz saņemtajām ievadēm. Ļaunprātīgas vai maldinošas instrukcijas – neatkarīgi no tā, vai tās ir iegultas vai arī paslēptas dokumentos vai zināšanu bāzēs – var radīt nedrošus rezultātus. Uzvedņu injekcijas uzbrukumi vai bojāts saturs var potenciāli atklāt sensitīvu informāciju vai izraisīt nepareizu ieteikumu sniegšanu. Ārējie pretinieki nav vienīgais risks – sistēmas var ļaunprātīgi izmantot arī darbinieki ar likumīgu piekļuvi. Organizācijas var mazināt risku, izmantojot ievades validāciju, iekšējā riska pārraudzību, metadatu skenēšanu, kontrolētu satura pieņemšanu un cilvēka veiktu pārskatīšanu.

Automatizācija un operacionāla nepareiza izmantošana:
mākslīgais intelekts ātri izpilda atkārtotus uzdevumus – sākot ar e-pasta ziņojumu melnrakstu sagatavošanu un beidzot ar pārskatu ģenerēšanu. Šī efektivitāte var palielināt kļūdu mērogu vai tikt ļaunprātīgi izmantota no iekšpuses. Piemēram, drošības analītiķis, strādājot stresa apstākļos, var pārmērīgi paļauties uz Security Copilot rezultātiem un nepamanīt izšķiroši svarīgu kontekstu. Apvienojot cilvēka veiktu pārskatīšanu, uzraudzību un pārvaldības politikas, piemēram, obligātu darbinieku apmācību, tiek nodrošināts, ka mākslīgais intelekts palīdz cilvēka spriedumam, nevis to aizstāj.

Izvietošanas un infrastruktūras risks:
Copilot dziļi integrējas Microsoft 365, Azure un trešo pušu lietojumprogrammās. Nepareizi konfigurēti savienotāji vai pārāk plašas integrācijas var paplašināt piekļuvi, radot potenciālus ieejas punktus uzbrucējiem. Regulāras konfigurācijas pārbaudes, nosacītās piekļuves politikas un API uzraudzība palīdz uzturēt drošu vidi.

AI incidenti reālajā pasaulē: no īstiem uzbrukumiem gūtās mācības

Mākslīgā intelekta rīkiem, piemēram, Microsoft Copilot, kļūstot arvien nozīmīgākiem uzņēmuma operāciju izpildē, izpēte un praktiskie testi atklāj jaunas ievainojamības. Draudu izpildītāji ātri atrod papildu veidus, kā izmantot šos rīkus, piemēram, iekļaujot tos savā uzbrukuma ķēdē, kas darbojas līdzīgi kā sistēmā pieejamo resursu izmantošanas tehnika tradicionālos uzbrukumos. Neskatoties uz to, ka šī tehnoloģija ir jauna, Microsoft to integrē zināmos un pārbaudītos procesos, piemēram, koordinētā ievainojamību atklāšanā, lai droši identificētu un mazinātu riskus. Šie gadījumi sniedz vērtīgas mācības organizācijām nevis tāpēc, ka rīki tradicionālā nozīmē “nenostrādāja”, bet tāpēc, ka tie atklāj negaidītus veidus, kā mākslīgais intelekts var tikt ļaunprātīgi izmantots mijiedarbībā ar datiem un cilvēku darbplūsmām.

CVE-2025-32711 (2025)
EchoLeak – tagad novērsts – bija paņēmiens daudzpakāpju injekcijas uzbrukumam ar uzvedņu starpniecību, kas noteiktos apstākļos var veikt tādu datu eksfiltrāciju, kuriem upurim jau ir piekļuve. Rūpīgi sagatavots e-pasta ziņojums – izstrādāts tā, lai šķistu labvēlīgs – var nemanāmi “saindēt” uzvedni, ko redz Copilot, liekot tam bez upura ziņas nopludināt ierobežotas piekļuves iekšējos datus. Microsoft ātri izlaida atjauninājumus, lai novērstu šo trūkumu CVE-2025-32711. Šī ievainojamība izgaismoja smalku, bet nopietnu risku: mākslīgā intelekta sistēmas, netieši manipulējot ar uzvednēm, var neviļus atklāt sensitīvus klientu datus.

Pārāk plašu atļauju riski
Copilot pārmanto tā lietotāju atļaujas. Ja kādam ir saglabājusies piekļuve iepriekšējās nodaļas datiem, Copilot var iekļaut šo informāciju ģenerētajā saturā. Tāpat sensitīvi dati, kas pieejami vienam darbiniekam, var parādīties mākslīgā intelekta kopsavilkumos, radot atbilstības un privātuma riskus. Organizācijas var mazināt šo risku, izmantojot vismazāko nepieciešamo piekļuvi, uz lomām balstītu kontroli un DLP politikas platformā Microsoft Purview. Turklāt, izmantojot M365 Copilot pētnieka režīmu, iespējams palīdzēt proaktīvi identificēt atļauju noplūdes, pirms tās kļūst par drošības problēmu. Galvenais princips ir uzticēt mākslīgajam intelektam tikai tos datus, piekļuve kuriem jums ir pieņemama – būtībā informāciju, ko varat atļauties atklāt. Organizācijām vajadzētu ieviest riska modeļu novērtēšanas un mazināšanas plānu, lai rūpīgi izvērtētu, ar kādiem datiem Copilot var droši mijiedarboties, neizvietojot to augstas konfidencialitātes darbplūsmu centrā.

Nepareiza izmantošana un operatīvas kļūdas uzņēmuma iekšienē
Ne visu incidentu cēlonis ir ārējs apdraudējums. Dažos gadījumos iekšējie lietotāji var izmantot tādus rīkus kā Copilot, lai ģenerētu pārskatus, kas satur sensitīvus datus, tos nepietiekami pārbaudot. Mazināšana ietver apmācību, pārraudzību, anomāliju noteikšanu un pārvaldības politikas, lai nodrošinātu, ka mākslīgais intelekts darbojas kā uzticams asistents, nevis kļūst par nekontrolētu rīku.

Netieša datu sagrozīšana un uzvedņu manipulācija
Mākslīgā intelekta sistēmas ir ievainojamas dažādos veidos, tostarp, izmantojot smalkas, bet efektīvas metodes, piemēram, netiešu datu sagrozīšanu un uzvedņu manipulāciju, kas var klusi ietekmēt modeļa izturēšanos bez acīmredzamām brīdinājuma pazīmēm. Šīs metodes paredz tādu ievaddatu veidošanu, kas virza rezultātus riskantos virzienos, piemēram, lai atklātu sensitīvu informāciju vai ieviestu aizspriedumus. Slēptas uzvednes, piemēram, heksadecimālā formātā kodēts teksts vai neredzams formatējums, var nemanāmi ietekmēt Copilot kopsavilkumus, reizēm iekļaujot tajos novecojušu vai negaidītu informāciju. Piemērojot kontrolētu satura ievadi, metadatu validēšanu un rūpīgu mākslīgā intelekta mijiedarbību uzraudzību, organizācijas var saglabāt mākslīgā intelekta rīku uzticamību un nodrošināt, ka tie turpina radīt vērtību, neradot neparedzētus riskus.

Šie piemēri parāda, ka mākslīgā intelekta drošība nereti ir saistīta arī ar cilvēka uzvedību, datu apstrādi un interpretāciju, ne tikai ar programmatūras nepilnībām. Īstenojot pareizus aizsardzības pasākumus, organizācijas var efektīvi gūt labumu no Copilot rīku izmantošanas, vienlaikus līdz minimumam samazinot neparedzētu datu atklāšanu. Papildinformāciju skatiet tīmekļa vietnē Drošais mākslīgais intelekts spēcīgam pamatam – apmācība | Microsoft Learn.

Gatavība incidentiem mākslīgā intelekta laikmetā: novēršanas–noteikšanas–reakcijas kartēšana


Turpmākā attīstība nenozīmē katra iespējamā drauda pilnīgu novēršanu – tas nav reāli. Svarīgi ir veikt izstrādi, jau no pirmsākumiem domājot par drošību. Tas nozīmē Nulles uzticamības domāšanas veida piemērošanu. Ilgtermiņā visnoturīgākās būs tās organizācijas, kas šos incidentus uztvers kā iespēju mācīties un pielāgoties, iekļaujot katru gūto atziņu savās drošības struktūrās.

Tālāk ir iekļauts praktisku apdraudējuma scenāriju kartējums, kas norāda uz preventīvas kontroles, noteikšanas signālu un reaģēšanas rokasgrāmatām, ko organizācijas var izmantot, lai veidotu noturību jau no paša sākuma.
  • Novēršana: piemērot Purview sensitivitātes etiķetes un DLP kārtulas; bloķēt Copilot iespēju apstrādāt failus, kas apzīmēti kā “Highly Confidential”.

    Noteikšana:
    Purview/UAL žurnāli, kuros reģistrēti Copilot vaicājumi, kas attiecināmi uz ierobežotiem failiem; Sentinel DLP brīdinājumi.

    Reakcija:
    ievietot rezultātu karantīnā, informēt faila īpašnieku, pielāgot DLP politiku.

    Praktiska scenārija piemērs:
    finanšu direktors lūdz Copilot “apkopot visus ceturkšņa pārskatus.” Sensitīvo valdes dokumentu iekļaušana tiek bloķēta.
  • Novēršana: iespējot uzvedņu vairogu; attīrīt no e-pasta ziņojumiem, žurnāliem un ārējiem avotiem iegūtos datus, pirms Copilot veic to apstrādi.

    Noteikšana:
    Sentinel brīdinājumi par aizdomīgām vai ielaušanās stila lietotāja ievadēm, ko reģistrējis tērzēšanas robots.

    Reakcija:
    bloķēt ļaunprātīgo sesiju, noņemt nedrošos rezultātus, pastiprināt aizsargmehānismus.

    Praktiska scenārija piemērs:
    draudu izpildītājs nosūta izstrādātu uzvedni, lai manipulētu ar organizācijas mākslīgā intelekta klientu apkalpošanas tērzēšanas robotu; tērzēšanas robots ignorē injicētās instrukcijas.
  • Novēršana: validēt pieņemšanas avotus, ieviest avota paraksta pievienošanu un ierobežot piekļuvi rakstīšanai.

    Noteikšana: audita žurnālu un kontrolvērtības dokumentācijas piekļuves brīdinājumi; Sentinel konstatē neparastus zināšanu bāzes atjauninājumus.

    Reakcija:
    atritināt sagrozīto zināšanu bāzi, atsaukt pieņemšanas atslēgas, brīdināt reakcijas uz incidentu komandu.

    Praktiska scenārija piemērs:
    negodprātīgs iekšējais lietotājs augšupielādē viltotu “atbildes uz incidentu” rokasgrāmatu; kontrolvērtības dokumentācija aktivizē noteikšanu.
  • Novēršana: validēt pieņemšanas avotus, ieviest avota paraksta pievienošanu un ierobežot piekļuvi rakstīšanai.

    Noteikšana:
    audita žurnālu un kontrolvērtības dokumentācijas piekļuves brīdinājumi; Sentinel konstatē neparastus zināšanu bāzes atjauninājumus.

    Reakcija:
    nomainīt atklātos akreditācijas datus, noņemt nedrošo izpildi, atkārtoti apmācīt komandu.

    Praktiska scenārija piemērs:
    jaunākais izstrādātājs ielīmē kodā API atslēgu; Copilot ierosina to ielīmēt citur, taču slēpta skenēšana aptur sapludināšanu.
  • Novēršana: nodrošināt uz lomām balstītu piekļuves kontroli un minimālo privilēģiju režīmu savienotājiem; ierobežot piekļuvi sensitīvām sistēmām.

    Noteikšana:
    Sentinel anomālijas noteikšana lielapjoma vaicājumos no Copilot.

    Reakcija:
    atspējot savienotāju, aizturēt kontu, veikt cilvēkresursu/drošības pārskatīšanu.

    Praktiska scenārija piemērs:
    pārdošanas lietotājs ar Copilot starpniecību izgūst tūkstošiem klientu datu; anormāls vaicājumu apjoms izraisa brīdinājumu.
  • Novēršana: ierobežot Copilot savienotāju atļaujas; pārraudzīt kustību starp nomniekiem, kā arī ārējo datu kustību.

    Noteikšana: Purview un Sentinel brīdinājumi par lieliem failu pārsūtīšanas gadījumiem vai neparastu savienotāju lietošanu.

    Reakcija: bloķēt savienotāju, atsaukt marķierus, ievietot rezultātus karantīnā.

    Praktiska scenārija piemērs: Copilot, kas savienots ar OneDrive, mēģina nosūtīt marķētus dokumentus uz personisku Gmail savienotāju.
  • Novēršana: piemērot nosacīto piekļuvi un Defender for Cloud Apps, lai bloķētu nesankcionētus mākslīgā intelekta pakalpojumus.

    Noteikšana: Microsoft Cloud App Security / Defender brīdinājumi par mākslīgā intelekta lietojumprogrammu trafiku; Sentinel analīze par OAuth piešķires notikumiem.

    Reakcija:
    atsaukt marķierus, informēt lietotāju, ieviest sankcionētu Copilot lietošanu.

    Praktiska scenārija piemērs:
    darbinieks bez apstiprinājuma mēģina izveidot Copilot savienojumu ar ārēju mākslīgā intelekta kopsavilkumu veidošanas rīku.
  • Novēršana: konfigurēt drošās saites / drošos pielikumus, apmācīt darbiniekus par Copilot atbalstītas pikšķerēšanas riskiem.

    Noteikšana:
    Defender nosaka neparastus e-pasta ziņojumu nosūtīšanas apjomus vai Copilot veidotu formulējumu modeļus.

    Reakcija:
    bloķēt sūtītāju, atsaukt pastkastes marķierus, automātiski atspējot kārtulas.

    Praktiska scenārija piemērs:
    apdraudēts konts izmanto M365 Copilot pikšķerēšanas kampaņu ģenerēšanai.
  • Novēršana: apmācīt darbiniekus par Copilot ierobežojumiem; ieviest cilvēka iesaisti sensitīvu darbplūsmu izskatīšanas procesā.

    Noteikšana:
    Sentinel nosaka augsta riska darbības, ko aktivizē mākslīgā intelekta ieteikti vaicājumi.

    Reakcija:
    atritināt darbību, informēt apstiprinātāju, atkārtoti apmācīt lietotāju.

    Praktiska scenārija piemērs:
    Copilot iesaka nepareizu novēršanas komandu, parādot to drošības operāciju centra (SOC) brīdinājumā; analītiķa veikta pārskatīšana novērš kaitējumu.

Drošas mākslīgā intelekta vides veidošana jau no paša sākuma

Mākslīgā intelekta palīgi no jauna definē organizāciju darbību, palīdzot ātrāk gūt ieskatu, samazināt manuālā darba apjomu un ļauj komandām koncentrēties uz augstākas pievienotās vērtības uzdevumiem. Taču progresam bez aizsardzības nav ilgs mūžs. Patiesā konkurences priekšrocība nav visātrākajā mākslīgā intelekta ieviešanā, bet gan drošā un atbildīgā tā ieviešanā jau no pirmās dienas.

Microsoft Copilot ekosistēma, tostarp Security Copilot, demonstrē to, kā šis līdzsvars izskatās praksē: pārvaldības vadīta inovācija. Kad organizācijas ievieš stingras piekļuves kontroles, stabilas datu apstrādes politikas un nepārtrauktu uzraudzību pār to, kā tiek izmantoti palīgi, tās pārveido mākslīgo intelektu no produktivitāti uzlabojoša rīka uzticamā stratēģiskā resursā.

Droša mākslīgā intelekta veidošana jau no paša sākuma nav tikai tehniska prioritāte – tā ir vadības prasība. Vadītāji, kuri savās mākslīgā intelekta programmās iekļauj drošību, gatavību un caurspīdīgumu, ne tikai samazinās risku, bet arī stiprinās ieinteresēto pušu uzticību, regulatīvo uzticamību un ilgtermiņa noturību. Šajā modelī Security Copilot kļūst par ko vairāk nekā vienkārši rīku – tas kļūst par partneri drošas un atbildīgas uzņēmuma nākotnes veidošanā.

Vairāk līdzīgu šim

Grāmatas vāks, uz kura attēlota persona, kas strādā ar klēpjdatoru, norādot ar pirkstu uz tastatūru.

Darba sākšana ar mākslīgā intelekta lietojumprogrammām

Izveidojiet drošu pamatu mākslīgā intelekta lietojumprogrammām, izmantojot pakāpenisku pieeju.
Grāmatas vāks, uz kura redzams vīrietis, kas skatās datora ekrānā.

Mākslīgā intelekta pārvaldības stratēģijas

Praktiskas darbības uzticības veidošanai, risku mazināšanai, izmaksu samazināšanai un inovāciju veicināšanai.
Balts līniju zīmējums ar papīru aploksnē un uzrakstu Jauns uz zila fona.

Iegūt CISO ziņojumu īssavilkumu

Esiet soli priekšā ar ekspertu ieskatiem, nozares tendencēm un drošības pētījumiem šajā divreiz mēnesī izsūtītā e-pasta sērijā.

Sekot Microsoft drošībai

Latviešu (Latvija) Patērētāju veselības konfidencialitāte Sazināties ar Microsoft Konfidencialitāte Pārvaldīt sīkfailus Izmantošanas noteikumi Prečzīmes Par mūsu reklāmām EU Compliance DoCs