Yapay zekâ asistanınıza güvenmeden evvel iki sefer düşünmelisiniz çünkü bilgi tabanı zehirlenmesi asistanınızın çıktılarını değerli ölçüde hatta tehlikeli bir halde değiştirebilir.  Siber güvenlik şirketi ESET güvenlik, kapalılık ve itimattan ödün vermeden yapay zekânın potansiyelini nasıl ortaya çıkarabilirizi araştırdı, tekliflerini paylaştı.

Sürekli ortaya çıkan sayısız güvenlik açığından da görebileceğimiz üzere çağdaş teknoloji kusursuz olmaktan çok uzak. Tasarım açısından inançlı sistemler tasarlamak denenmiş ve doğrulanmış bir en uygun uygulama olsa da bunu yapmak kaynakları kullanıcı tecrübesi (UX) tasarımı, performans optimizasyonu ve başka tahliller ve hizmetlerle birlikte çalışabilirlik üzere öbür alanlardan uzaklaştırabilir. Bu nedenle, güvenlik ekseriyetle art planda kalır ve sadece taban uyumluluk gerekliliklerini yerine getirir. Bu değiş tokuş bilhassa hassas datalar kelam konusu olduğunda telaş verici hale gelir zira bu tıp bilgiler kritiklikleriyle orantılı müdafaalar gerektirir. Günümüzde, yetersiz güvenlik tedbirlerinin riskleri, dataların fonksiyonelliklerinin temelini oluşturduğu yapay zekâ ve makine tahsili (AI/ML) sistemlerinde giderek daha bariz hale gelmektedir. 

Veri zehirlenmesi nedir?

Yapay zekâ ve makine tahsili modelleri, kontrollü ve kontrolsüz öğrenme yoluyla daima olarak güncellenen temel eğitim bilgi kümeleri üzerine inşa edilir. Makine tahsili yapay zekânın gelişmesinde değerli rol oynar. Makine tahsili sayesinde gerçekleşen derin öğrenme, başka etkenlerle birlikte yapay zekânın yeteneklerini ilerletmesini mümkün kılar. Bilgiler ne kadar çeşitli ve sağlam olursa modelin çıktıları da o kadar hakikat ve kullanışlı olacaktır. Bu nedenle, eğitim sırasında bu modellerin büyük ölçüde bilgiye erişmesi gerekir. Öte yandan, doğrulanmamış yahut âlâ incelenmemiş bilgi kümeleri güvenilmez sonuçların ortaya çıkma mümkünlüğünü artırdığından bilgi yığınlarına güvenmek riskleri de beraberinde getirmektedir. Üretken yapay zekânın, bilhassa de büyük lisan modellerinin (LLM’ler) ve bunların yapay zekâ asistanları formundaki uzantılarının, modelleri makus niyetli gayelerle kurcalayan hücumlara karşı bilhassa savunmasız olduğu bilinmektedir.  En sinsi tehditlerden biri, düşmanların modelin davranışını değiştirmeye çalıştığı ve yanlış, önyargılı ve hatta ziyanlı çıktılar üretmesine neden olduğu bilgi (veya bilgi tabanı) zehirlenmesidir. Bu cins tahrifatların sonuçları uygulamalar ortasında dalgalanarak itimadı sarsabilir ve hem beşerler hem de kuruluşlar için sistemik riskler doğurabilir.

Veri zehirlenmesi türleri

Veri zehirleme hücumlarının çeşitli çeşitleri vardır, örneğin:

·       Veri enjeksiyonu: Saldırganlar, bir yapay zekâ modelinin davranışını değiştirmesini sağlamak için eğitim bilgilerine makûs emelli bilgi noktaları enjekte eder. Çevrimiçi kullanıcıların Tay Twitter botunu saldırgan tweetler atacak formda yavaşça değiştirmesi buna âlâ bir örnektir.

·       İçeriden taarruzlar: Normal içeriden tehditlerde olduğu üzere, çalışanlar erişimlerini berbata kullanarak bir modelin eğitim setini değiştirebilir, davranışını değiştirmek için modül kesim değiştirebilirler. İçeriden ataklar bilhassa sinsidir zira yasal erişimden faydalanırlar.

·       Tetikleyici enjeksiyonu: Bu atak, bir tetikleyici oluşturmak için yapay zekâ modelinin eğitim setine bilgi enjekte eder. Bu, saldırganların bir modelin güvenliğini aşmasına ve belirlenen tetikleyiciye nazaran durumlarda çıktısını manipüle etmesine imkan tanır. Bu atağın tespit edilmesindeki zorluk, tetikleyicinin tespit edilmesinin güç olabilmesinin yanı sıra tetikleyici etkinleştirilene kadar tehdidin uykuda kalmasıdır.

·       Tedarik zinciri saldırısı: Bu akınların tesirleri bilhassa dehşetli olabilir. Yapay zekâ modelleri ekseriyetle üçüncü taraf bileşenleri kullandığından tedarik zinciri sürecinde ortaya çıkan güvenlik açıkları sonuçta modelin güvenliğini tehlikeye atabilir ve onu istismara açık hale getirebilir.

Yapay zekâ modelleri hem iş hem de tüketici sistemlerine derinlemesine gömüldükçe asistanlar yahut verimlilik artırıcılar olarak hizmet verdikçe bu sistemleri gaye alan ataklar kıymetli bir kaygı kaynağı haline geliyor. Kurumsal yapay zekâ modelleri bilgileri üçüncü taraflarla paylaşmasa da çıktılarını uygunlaştırmak için şirket içi bilgileri silip süpürmeye devam ediyor. Bunu yapmak için hassas bilgi hazinesine erişmeleri gerekir, bu da onları yüksek pahalı gayeler haline getirir. Ekseriyetle hassas datalarla dolu olan kullanıcı komutlarını öbür taraflarla paylaşan tüketici modelleri için riskler daha da artmaktadır.

Makine tahsili ve yapay zekâ gelişimi nasıl garanti altına alınır?

ML/AI modelleri için önleyici stratejiler hem geliştiricilerin hem de kullanıcıların farkındalığını gerektirir. Temel stratejiler şunları içerir:

·       Sürekli denetimler ve kontroller: Kötü niyetli manipülasyon yahut önyargılı dataların onları tehlikeye atmasını önlemek için AI/ML modellerini besleyen data kümelerinin bütünlüğünü daima olarak denetim etmek ve doğrulamak kıymetlidir.

·       Güvenliğe odaklanın: Yapay zekâ geliştiricilerinin kendileri de saldırganların gayesinde olabilir, bu nedenle proaktif tedbire, erken tespit ve sistemik güvenlik denetimleri ile taarruz yüzeyini en aza indirmeye yönelik tedbire öncelikli bir yaklaşım sağlayabilecek bir güvenlik kurulumuna sahip olmak, inançlı geliştirme için olmazsa olmazdır.

·       Çekişmeli eğitim: Daha evvel de belirtildiği üzere, modeller çoklukla öğrenmelerini yönlendirmek için profesyoneller tarafından denetlenir. Tıpkı yaklaşım, modellere berbat niyetli ve geçerli bilgi noktaları ortasındaki farkı öğretmek için de kullanılabilir ve sonuçta zehirleme ataklarının engellenmesine yardımcı olur.

·       Sıfır itimat ve erişim yönetimi: Hem içeriden hem de dışarıdan gelen tehditlere karşı savunmak için bir modelin temel bilgilerine yetkisiz erişimi izleyebilen bir güvenlik tahlili kullanın. Bu halde kuşkulu davranışlar daha kolay tespit edilebilir ve önlenebilir. Ek olarak, sıfır itimat ile hiç kimseye varsayılan olarak güvenilmez ve erişim müsaadesi verilmeden evvel birden fazla doğrulama yapılması gerekir.

Kaynak: (BYZHA) Beyaz Haber Ajansı