人工智能的未來在哪里?

人工智能和機器學習在帶來好處的同時也帶來了新的漏洞。本文敘述了幾家公司將風險降至最低的方法。

當企業(yè)采用新技術(shù)時，安全性往往被放在次要位置，以最低的成本盡快將新產(chǎn)品或服務(wù)提供給客戶似乎更為重要。

人工智能（AI）和機器學習（ML）提供了與早期技術(shù)進步相同的漏洞和錯誤配置的機會，而且還有其特有的風險。隨著企業(yè)開始進行以人工智能驅(qū)動的數(shù)字化轉(zhuǎn)型，這些風險可能會變得更大。博思艾倫漢密爾頓公司（Booz Allen Hamilton）的首席科學家愛德華?拉夫（Edward Raff）表示：“不要倉促地進入這個領(lǐng)域。”

與其他技術(shù)相比，人工智能和機器學習需要更多的數(shù)據(jù)，也需要更復雜的數(shù)據(jù)。數(shù)學家和數(shù)據(jù)科學家開發(fā)的算法來自研究項目。拉夫表示，在科學界，直到最近才開始認識到人工智能存在安全問題。

云平臺通常要處理大量的工作負載，從而增加了另一個級別的復雜性和脆弱性。毫不奇怪，網(wǎng)絡(luò)安全是人工智能采用者最令人擔憂的風險。德勤上月公布的一項調(diào)查顯示，62%的采納者認為網(wǎng)絡(luò)安全風險是主要的擔憂，但只有39%的人表示他們準備應(yīng)對這些風險。

讓問題變得更加復雜的是，網(wǎng)絡(luò)安全是人工智能使用的首要功能之一。德勤技術(shù)、媒體和電信中心的執(zhí)行董事杰夫?洛克斯（Jeff Loucks）表示，企業(yè)在人工智能方面的經(jīng)驗越豐富，他們就越擔心網(wǎng)絡(luò)安全風險。

此外，即使是經(jīng)驗更豐富的企業(yè)，也沒有遵循基本的安全做法，例如對所有AI和ML項目進行完整的審計和測試。Loucks表示，公司目前在實施這些方面做得不是很好。

AI和ML對數(shù)據(jù)的需求帶來了風險

AI和ML系統(tǒng)需要三組數(shù)據(jù)：

?訓練數(shù)據(jù)以建立預測模型

?測試數(shù)據(jù)以評估模型的運行情況

?當模型投入使用時運營數(shù)據(jù)

雖然實時交易或運營數(shù)據(jù)顯然是一項有價值的企業(yè)資產(chǎn)，但很容易忽略也包含敏感信息的訓練和測試數(shù)據(jù)池。

許多用于保護其他系統(tǒng)中的數(shù)據(jù)的原則可以應(yīng)用于AI和ML項目，包括匿名化、令牌化和加密。第一步是詢問是否需要數(shù)據(jù)。在準備AI和ML項目時，收集所有可能的數(shù)據(jù)，然后看看可以做些什么。

關(guān)注業(yè)務(wù)成果可以幫助企業(yè)將收集的數(shù)據(jù)限制在所需的范圍內(nèi)。為教育機構(gòu)分析學生數(shù)據(jù)的Othot公司的首席技術(shù)官約翰?阿巴蒂科（John Abbatico）表示，數(shù)據(jù)科學團隊非?？释麛?shù)據(jù)，他們在處理學生數(shù)據(jù)時明確表示，高度敏感的PII（個人身份信息）不是必需的，也永遠不應(yīng)該包含在提供給他們團隊的數(shù)據(jù)中。

當然，錯誤是會發(fā)生的。例如，客戶有時會提供敏感的個人信息，如社會保險號。這些信息不會提高模型的性能，但會帶來額外的風險。阿巴蒂科表示，他的團隊已經(jīng)制定了一套程序來識別PII，將其從所有系統(tǒng)中清除，并將錯誤通知客戶。

人工智能系統(tǒng)還需要情景數(shù)據(jù)，這可能會極大地擴大公司的暴露風險。假設(shè)一家保險公司想要更好地掌握客戶的駕駛習慣，它可以購買購物、駕駛、位置和其他數(shù)據(jù)集，這些數(shù)據(jù)集可以很容易地交叉關(guān)聯(lián)并與客戶賬戶匹配。這種新的、呈指數(shù)級增長的數(shù)據(jù)集對黑客更具吸引力，如果被攻破，對公司的聲譽也會造成更大的破壞。

人工智能的安全設(shè)計

有很多數(shù)據(jù)需要保護的一家公司是在線文件共享平臺Box。Box使用AI提取元數(shù)據(jù)，并提高搜索、分類等能力。Box的CISO拉克希米?漢斯帕爾（Lakshmi Hanspal）表示，Box可以從合同中提取條款、續(xù)訂和定價信息。Box的大多數(shù)客戶內(nèi)容分類要么是用戶定義的分類，要么是被完全忽視。他們坐在堆積如山的數(shù)據(jù)上，這些數(shù)據(jù)可能對數(shù)字化轉(zhuǎn)型有用。

漢斯帕爾說，保護數(shù)據(jù)是Box的一個重要事項，同樣的數(shù)據(jù)保護標準也適用于人工智能系統(tǒng)，包括訓練數(shù)據(jù)。Box建立信任并保持信任。

這意味著所有系統(tǒng)，包括新的人工智能項目，都是圍繞核心數(shù)據(jù)安全原則構(gòu)建的，包括加密、日志記錄、監(jiān)控、身份驗證和訪問控制。漢斯帕爾指出，數(shù)字信任是其平臺與生俱來的，他們將其付諸于實踐。

Box對傳統(tǒng)代碼和新的AI和ML支持的系統(tǒng)都有一個安全的開發(fā)流程。漢斯帕爾說：“我們在開發(fā)安全產(chǎn)品方面與ISO的行業(yè)標準保持一致。設(shè)計上的安全性是內(nèi)置的，而且有制衡機制，包括滲透測試和紅色團隊。”

數(shù)學家和數(shù)據(jù)科學家在編寫AI和ML算法代碼時通常不擔心潛在的漏洞。當企業(yè)構(gòu)建AI系統(tǒng)時，他們會借鑒現(xiàn)有的開源算法，使用商業(yè)的“黑匣子”AI系統(tǒng)，或者從零開始構(gòu)建自己的AI系統(tǒng)。

對于開放源碼，攻擊者有可能嵌入惡意代碼，或者代碼包含漏洞或易受攻擊的依賴項。專有商業(yè)系統(tǒng)還使用開放源代碼，以及企業(yè)客戶通常無法查看的新代碼。

逆向攻擊是一個主要威脅

AI和ML系統(tǒng)通常是由非安全工程師創(chuàng)建的開源庫和新編寫的代碼的組合。此外，不存在用于編寫安全AI算法的標準最佳實踐?？紤]到安全專家和數(shù)據(jù)科學家的短缺，這兩方面的專家供應(yīng)更少。

AI和ML算法是最大的潛在風險之一，也是博思艾倫?漢密爾頓（Booz Allen Hamilton）的Raff最擔心的長期威脅之一，其有可能將訓練數(shù)據(jù)泄露給攻擊者。他表示：“有一些逆向攻擊，可以讓人工智能模型向你提供關(guān)于它自身以及它所接受的訓練的信息。如果它是根據(jù)PII數(shù)據(jù)進行訓練的，你就可以讓模型向你泄露這些信息。實際的PII可能會暴露出來。”

Raff說，這是一個被積極研究的領(lǐng)域，也是一個巨大的潛在痛點。有些工具可以保護訓練數(shù)據(jù)免受逆向攻擊，但它們太昂貴了。他表示：“我們知道如何阻止這種威脅，但這樣做會使培訓模型的成本增加100倍，這并不夸張，所以沒人會這么做?！?/p>

你不能確保你不能解釋的東西安全

另一個研究領(lǐng)域是可解釋性。今天，許多AI和ML系統(tǒng)，包括許多主要網(wǎng)絡(luò)安全供應(yīng)商提供的AI和ML支持的工具，都是“黑匣子”系統(tǒng)。YL Ventures的CISO Sounil Yu表示：“供應(yīng)商沒有在其中建立可解釋性。在安全方面，能夠解釋所發(fā)生的事情是一個基本的組成部分。如果我不能解釋為什么會發(fā)生這種情況，我怎么能補救呢？“。

對于構(gòu)建自己的AI或ML系統(tǒng)的公司來說，當出現(xiàn)問題時，他們可以回到訓練數(shù)據(jù)或使用的算法來解決問題。Yu指出，如果你是從別人那里構(gòu)建的，你根本不知道訓練數(shù)據(jù)是什么。

需要保護的不僅僅是算法

人工智能系統(tǒng)不僅僅是一個自然語言處理引擎，或者僅僅是一個分類算法，或者僅僅是一個神經(jīng)網(wǎng)絡(luò)。即使這些部分是完全安全的，系統(tǒng)仍然必須與用戶和后端平臺交互。

系統(tǒng)是否使用強身份驗證和最低權(quán)限原則？到后端數(shù)據(jù)庫的連接是否安全？與第三方數(shù)據(jù)源的連接情況如何？用戶界面對注入攻擊是否有彈性？

另一個與人相關(guān)的不安全感來源是人工智能和機器學習項目獨有的：數(shù)據(jù)科學家。奧托特的阿巴蒂科表示，優(yōu)秀的數(shù)據(jù)科學家對數(shù)據(jù)進行實驗，得出有洞察力的模型。然而，當涉及到數(shù)據(jù)安全時，實驗可能會導致危險的行為。使用完數(shù)據(jù)后，他們可能會傾向于將數(shù)據(jù)移動到不安全的位置或刪除樣本數(shù)據(jù)集。Othot在早期就投資于獲得SOC II認證，這些控制有助于在整個公司實施強有力的數(shù)據(jù)保護實踐，包括在移動或刪除數(shù)據(jù)時。

人工智能機構(gòu)Urvin AI的產(chǎn)品經(jīng)理、國際非營利性安全研究組織ISECOM的聯(lián)合創(chuàng)始人彼得?赫爾佐格（Peter Herzog）表示：“事實是，所有地方的大多數(shù)人工智能模型中最大的風險并不在人工智能中，問題出在人身上。沒有安全問題的人工智能模型幾乎沒有，因為人們決定如何訓練他們，人們決定包括什么數(shù)據(jù)，人們決定他們想要預測和預測什么，以及人們決定暴露多少信息。”

另一個特定于AI和ML系統(tǒng)的安全風險是數(shù)據(jù)中毒，即攻擊者將信息輸入系統(tǒng)，迫使系統(tǒng)做出不準確的預測。例如，攻擊者可能會通過向系統(tǒng)提供具有類似惡意軟件指示器的合法軟件示例來欺騙系統(tǒng)，使其認為惡意軟件是安全的。

拉夫說：“這是大多數(shù)企業(yè)高度關(guān)注的問題。目前，我沒有意識到任何人工智能系統(tǒng)在現(xiàn)實生活中受到攻擊。從長遠來看，這是一個真正的威脅，但現(xiàn)在攻擊者用來逃避殺毒軟件的經(jīng)典工具仍然有效，所以他們不需要變得更花哨?！?/p>

避免偏差和模型漂移

當AI和ML系統(tǒng)用于企業(yè)安全時，例如，用于用戶行為分析、監(jiān)控網(wǎng)絡(luò)流量或檢查數(shù)據(jù)泄露，偏差和模型漂移可能會產(chǎn)生潛在風險。很快過時的訓練數(shù)據(jù)集可能會使組織變得脆弱，特別是在越來越依賴人工智能進行防御的情況下。企業(yè)需要不斷更新模型，讓更新模型成為一件持續(xù)的事情。

在某些情況下，訓練數(shù)據(jù)可以是自動的。例如，調(diào)整模型以適應(yīng)不斷變化的天氣模式或供應(yīng)鏈交付時間表，可以幫助使其隨著時間的推移變得更加可靠。當信息源涉及惡意行為者時，則需要仔細管理訓練數(shù)據(jù)集，以避免中毒和操縱。

企業(yè)已經(jīng)在處理造成道德問題的算法，例如當面部識別或招聘平臺歧視女性或少數(shù)族裔時。當偏見悄悄滲透到算法中時，它還可能造成合規(guī)問題，或者，在自動駕駛汽車和醫(yī)療應(yīng)用的情況下，可能會導致人員死亡。

就像算法可以在預測中注入偏差一樣，它們也可以用來控制偏差。例如，Othot幫助大學實現(xiàn)優(yōu)化班級規(guī)?；?qū)崿F(xiàn)財務(wù)目標。Othot的Abbatico說，在沒有適當約束的情況下創(chuàng)建模型很容易造成偏見。“對偏見進行審查需要多花精力。添加與多樣性相關(guān)的目標有助于建模理解目標，并有助于抵消偏見，如果不將多樣性目標作為約束因素包括在內(nèi)，偏見則很容易被納入?！?/p>

人工智能的未來在云端

AI和ML系統(tǒng)需要大量的數(shù)據(jù)、復雜的算法和強大的處理器，這些處理器可以在需要時進行擴展。所有主要的云供應(yīng)商都在爭先恐后地提供數(shù)據(jù)科學平臺，這些平臺將所有東西都放在一個方便的地方。這意味著數(shù)據(jù)科學家不需要等待IT為他們配置服務(wù)器。他們只需上網(wǎng)，填寫幾張表格，就可以開業(yè)了。

根據(jù)德勤的AI調(diào)查，93%的企業(yè)正在使用某種形式的基于云的AI。德勤的Loucks說：“這讓我們更容易上手?！比缓?，這些項目會變成運營系統(tǒng)，隨著規(guī)模的擴大，配置問題會成倍增加。有了最新的服務(wù)，集中化、自動化的配置和安全管理儀表盤可能不可用，公司必須自己編寫或等待供應(yīng)商加快步伐填補空白。

當使用這些系統(tǒng)的人是公民數(shù)據(jù)科學家或理論研究人員，而他們在安全方面沒有很強的背景時，這可能是一個問題。此外，供應(yīng)商歷來都是先推出新功能，然后再推出安全功能。當系統(tǒng)被快速部署，然后擴展得更快時，這可能會是一個問題。我們已經(jīng)在物聯(lián)網(wǎng)設(shè)備、云存儲和容器上看到了這種情況。

Raff說，人工智能平臺供應(yīng)商越來越意識到這一威脅，并從錯誤中吸取了教訓。他說：“我看到，考慮到歷史上的‘安全放在最后’的心態(tài)，納入安全內(nèi)容的計劃比我們原本預期的要積極得多。ML社區(qū)對此更為關(guān)注，延遲時間可能會更短。”

德勤（Deloitte）AI聯(lián)席主管Irfan Saif對此表示贊同，特別是在涉及到支持大型企業(yè)AI工作負載的主要云平臺時。就網(wǎng)絡(luò)安全能力的演變而言，它們可能比之前的技術(shù)更成熟。

人工智能項目安全檢查清單

以下這些幫助確保人工智能項目安全的清單摘自德勤的《企業(yè)中的人工智能狀況》（第3版）：

?保存所有人工智能實施的正式清單

?使人工智能風險管理與更廣泛的風險管理工作保持一致

?有一名高管負責與人工智能相關(guān)的風險

?進行內(nèi)部審計和測試

?利用外部供應(yīng)商進行獨立審計和測試

?培訓從業(yè)者如何認識和解決圍繞人工智能的倫理問題

?與外部各方合作，制定合理的人工智能道德規(guī)范

?確保人工智能供應(yīng)商提供不偏不倚的系統(tǒng)

?制定指導人工智能倫理的政策或委員會
責任編輯：tzh