Säker utvecklingspraxis
AI-säkerhet och riskhantering
Angeline Corvaglia
Founder and Digital Transformation Expert
Motverka AI:s unika sårbarheter
Dataursprung och spårbarhet
- Dataursprung: varifrån data kommer
- Spårbarhet: följer dess väg
Hur det stärker säkerheten
- Dataförgiftningsattacker
- Korrumperad data
Validering och sanering
- Kontrollera data
- Rensa data
Hjälper till att säkerställa att data är:
- korrekt
- relevant
- fri från skadlig manipulation
Dataminimering
- Begränsa mängden data som samlas in och bearbetas
- Endast det som är absolut nödvändigt
Hjälper till att minska risken för:
- integritetsintrång
- datastöld
Kryptering och anonymisering
- Kryptering: omvandlar känslig data till ett säkert format
- Anonymisering: tar bort personidentifierbar information
Hur de stärker säkerheten:
- Attacker som syftar till att utvinna känslig information
Säker kodningspraxis
- Minska sårbarheter i kodbasen
- Regelbundna kodgranskningar
- Skanning efter sårbarheter
- Följa kodningsstandarder
Hur det stärker säkerheten
- Infrastrukturattacker
Åtkomstkontroller
- Begränsa vem som kan interagera
- Betrodda, verifierade individer eller enheter
Hur det stärker säkerheten
- Externa attacker som utnyttjar sårbarheter
Säker infrastruktur
- Skydda både hårdvara och mjukvara
- Brandväggar
- Intrångsdetekteringssystem
- Säkra molntjänster
Hur det stärker säkerheten
- Infrastrukturinriktade hot
Säkerhet är inte bara teknikteamets ansvar
Gemensamma insatser säkerställer att AI-systemen är säkra, tillförlitliga och pålitliga.
