แนวปฏิบัติการพัฒนาอย่างปลอดภัย
AI Security and Risk Management
Angeline Corvaglia
Founder and Digital Transformation Expert
รับมือกับช่องโหว่เฉพาะของ AI
Data provenance และ Traceability
- Data provenance: แหล่งที่มาของข้อมูล
- Traceability: ติดตามเส้นทางของข้อมูล
ช่วยด้านความปลอดภัยอย่างไร
- การโจมตีด้วยการวางยาข้อมูล (Data poisoning)
- ข้อมูลที่ถูกแก้ไขโดยไม่ถูกต้อง
การตรวจสอบและการทำความสะอาดข้อมูล
- ตรวจสอบข้อมูล
- ทำความสะอาดข้อมูล
ช่วยให้มั่นใจว่าข้อมูล:
- ถูกต้องแม่นยำ
- เกี่ยวข้องกับงาน
- ปราศจากการปลอมแปลงที่เป็นอันตราย
การลดปริมาณข้อมูล
- จำกัดปริมาณข้อมูลที่เก็บรวบรวมและประมวลผล
- เฉพาะสิ่งที่จำเป็นอย่างแท้จริงเท่านั้น
ช่วยลดความเสี่ยงของ:
- การละเมิดความเป็นส่วนตัว
- การโจรกรรมข้อมูล
การเข้ารหัสและการทำให้ไม่ระบุตัวตน
- การเข้ารหัส: แปลงข้อมูลสำคัญให้อยู่ในรูปแบบที่ปลอดภัย
- การทำให้ไม่ระบุตัวตน: ลบข้อมูลที่ระบุตัวบุคคลได้
ช่วยด้านความปลอดภัยอย่างไร:
- การโจมตีที่มุ่งดึงข้อมูลสำคัญออกไป
แนวปฏิบัติการเขียนโค้ดอย่างปลอดภัย
- ลดช่องโหว่ในฐานโค้ด
- การรีวิวโค้ดอย่างสม่ำเสมอ
- การสแกนหาช่องโหว่
- ปฏิบัติตามมาตรฐานการเขียนโค้ด
ช่วยด้านความปลอดภัยอย่างไร
- การโจมตีโครงสร้างพื้นฐาน
การควบคุมการเข้าถึง
- จำกัดผู้ที่สามารถโต้ตอบกับระบบ
- บุคคลหรือหน่วยงานที่น่าเชื่อถือและผ่านการยืนยันแล้ว
ช่วยด้านความปลอดภัยอย่างไร
- การโจมตีจากภายนอกที่ใช้ประโยชน์จากช่องโหว่
โครงสร้างพื้นฐานที่ปลอดภัย
- ปกป้องทั้งฮาร์ดแวร์และซอฟต์แวร์
- Firewall
- ระบบตรวจจับการบุกรุก
- บริการคลาวด์ที่ปลอดภัย
ช่วยด้านความปลอดภัยอย่างไร
- ภัยคุกคามที่มุ่งโจมตีโครงสร้างพื้นฐาน
ความปลอดภัยไม่ใช่หน้าที่ของทีมเทคนิคเพียงฝ่ายเดียว
ความร่วมมือจากทุกฝ่ายช่วยให้ระบบ AI ปลอดภัย น่าเชื่อถือ และไว้วางใจได้
