Reseñas y detalles del producto de Payatu AI/ML Security Audit

Probar sistemas de IA/ML requiere conocimiento del dominio. En Payatu, nuestros expertos en el dominio de IA/ML han orquestado formas de ayudarle a asegurar su aplicación inteligente contra amenazas de seguridad y privacidad esotéricas y potencialmente severas. Cobertura de evaluación de seguridad de ML 1) Comprensión de la Aplicación a) Caso de uso b) Capacidades del producto c) Implementaciones 2) Identificación de la Superficie de Ataque a) Comprensión del Pipeline de ML b) Reunir casos de prueba si los hay 3) Modelado de Amenazas a) Actores y Límites de Entidades b) Identificación de posibles ataques en puntos finales expuestos c) Posibles vectores de ataque 4) Puntos Finales del Modelo a) Comprender las formas en que los usuarios finales se comunican con el modelo b) Simular la interacción del usuario final 5) Ataque de Aprendizaje Adversarial a) Crear entradas para engañar a los clasificadores b) Usar herramientas personalizadas c) Generación automatizada de muestras de día cero teóricamente infinitas según sea posible 6) Ataque de Robo de Modelo a) Modelo desplegado localmente o remotamente b) Ingeniería inversa de la aplicación desplegada Scripts personalizados para ataques de robo de modelo de caja negra 7) Ataque de Sesgo de Modelo y Envenenamiento de Datos a) Simular bucles de retroalimentación abusados por atacantes b) Cuantificar el sesgo del modelo 8) Inversión e Inferencia del Modelo a) Obtener acceso al modelo a través de canales de comunicación válidos o comprometidos b) Inferir muestras sensibles del conjunto de datos de entrenamiento desde el modelo 9) Evaluación de Marco/Red/Aplicación a) Identificar vulnerabilidades tradicionales en la aplicación b) Aprovecharlas para los ataques mencionados 10) Informe y Mitigación a) Propuesta de Mitigación Integral b) Trabajar con el Desarrollador/SME para implementaciones