תוכן העניינים
מדוע אבטחת AI שונה מסייבר מסורתי
רוב תוכניות האבטחה הארגוניות תוכננו עבור סביבה דטרמיניסטית, שבה קוד מתנהג באופן צפוי, בקרות גישה ניתנות להגדרה ברורה ויומני ביקורת משמשים כמקור אמת. מערכות AI מערערות הנחות אלו: הפלט של מודלי שפה הוא הסתברותי, תהליך קבלת ההחלטות של המודל אינו ניתן למיפוי ישיר לשורת קוד ספציפית, ונתוני האימון המשפיעים על התנהגותו נאספים לעיתים זמן רב לפני הפריסה.
משמעות הדבר היא שגם חולשות שמקורן בנתוני האימון, כגון מידע מוטה או נתונים מורעלים, עלולות להישאר בלתי מזוהות באמצעות כלי אבטחה מסורתיים הדורשים ניתוח סטטי של קוד או תצורה.
Gartner צופה שאירועי אבטחת AI יוכפלו עד 2027, אך פחות מ-30% מהארגונים מחזיקים כיום במסגרת בקרות אבטחה ייעודית ל-AI. הפער בין קצב הפריסה למוכנות האבטחתית אינו בעיה טכנולוגית. זו בעיית ממשל וסגירתה מחייבת גישה שונה מן היסוד.
| ממד | סייבר מסורתי | אבטחת AI |
|---|---|---|
| משטח תקיפה | קוד, תשתיות, זהויות | מודל, נתונים, פרומפטים, פלטים, סוכנים |
| מקור האיום | גורמים חיצוניים, גורמי פנים | קלטים אדברסריאליים, מתקפות בשלב האימון, שרשרת אספקה |
| גילוי חולשות | ניתוח סטטי, בדיקות חדירות | Red-teaming, בדיקות אדברסריאליות, ניטור פלטים |
| מסגרת ציות | ISO 27001, NIS2, SOC 2 | EU AI Act, NIST AI RMF, OWASP LLM Top 10 |
| ראיות באירוע | לוגים, ממצאים פורנזיים | פלטים הסתברותיים, סחיפת התנהגות מודל |
| מנגנון תיקון | עדכון תוכנה | אימון מחדש, Fine-tuning, RLHF, עדכון Guardrails |
| וקטור איום פנימי | ניצול לרעה של גישה מורשית | Shadow AI, דליפת פרומפטים, זליגת מידע דרך צ’אט |
| בשלות רגולטורית | עשרות שנים של חקיקה מבוססת | בראשיתית — EU AI Act בתוקף מלא מ-2026 |
שישה משטחי תקיפה של AI שכל CTO חייב להכיר
1. הזרקת פרומפט (Prompt Injection)
תוקף משלב הוראות זדוניות בתוך תוכן שהמערכת מעבדת, כגון קלט משתמש, מסמך שנשלף או מקור מידע חיצוני. המודל עלול לפרש הוראות אלו כחלק מההנחיות הלגיטימיות שלו, ובכך לחשוף הנחיות מערכת, לעקוף מנגנוני הגנה או לבצע פעולות בלתי רצויות.
הזרקת פרומפט עקיפה, שבה התוכן הזדוני מגיע ממקור חיצוני כגון דף אינטרנט או רשומה במסד נתונים ולא מהמשתמש עצמו, מהווה סיכון משמעותי במיוחד בארכיטקטורות מבוססות RAG, שבהן המודל משלב מידע חיצוני כחלק מתהליך יצירת התשובה.
2. הרעלת נתונים (Data Poisoning)
הרעלת נתונים היא למעשה מתקפת שרשרת אספקה נגד בסיס הידע של המודל, שבה פגיעה במקור הנתונים עלולה להשפיע על החלטות המערכת לאורך זמן.
3. היפוך מודל (Model Inversion) וחילוץ מודל
כאשר לתוקף קיימת גישה מספקת ל־API, הוא עשוי לנסות לשחזר מידע רגיש שעליו המודל אומן באמצעות מתקפות היפוך מודל, או להסיק מאפיינים של המודל עצמו באמצעות שאילתות שיטתיות בתהליך המכונה חילוץ מודל (Model Extraction).
ארגונים המבצעים Fine-tuning למודלי בסיס באמצעות מידע קנייני או מפוקח, כגון נתוני לקוחות, מידע פיננסי או רשומות רפואיות, חשופים לסיכון משמעותי של חשיפת מידע רגיש דרך ערוץ זה.
4. קלטים אדברסריאליים (Adversarial Inputs)
קלטים שעברו מניפולציה מכוונת, כגון תמונות עם שינויים זעירים שאינם נראים לעין, קובצי שמע המכילים אותות סמויים או טקסט עם תווי Unicode מוסתרים, עלולים לגרום למודלי AI לבצע סיווגים או פרשנויות שגויות הנשלטות על ידי התוקף.
ביישומים רגישים כמו זיהוי הונאות, אימות זהות או סינון תוכן, מתקפות אדברסריאליות עלולות לפגוע באמינות המודל ואף לעקוף את מנגנוני הבקרה המבוססים עליו.
5. מתקפות שרשרת אספקה של AI
מחסניות AI ארגוניות בנויות משכבות של רכיבי צד שלישי: מודלי בסיס של ההיפרסקיילרים, ספריות קוד פתוח (Hugging Face, LangChain), מסדי נתונים וקטוריים, מסגרות אורקסטרציה ועטיפות API. פריצה בכל אחת מהשכבות מתפשטת במורד הזרם. מודל זדוני שהועלה למאגר ציבורי, תלות נגועה בדלת אחורית בספריית אורקסטרציה או API של Embedding שנפרץ – כל אחד מאלה יכול להשפיע על אלפי פריסות במורד הזרם בו-זמנית.
6. AI אג’נטי ופעולה אוטונומית
המעבר מ־AI כיועץ ל־AI כמבצע, כלומר מערכות המסוגלות לגלוש באינטרנט, להריץ קוד, לקרוא ל־APIs חיצוניים ולנהל קבצים ללא אישור אנושי, משנה באופן מהותי את רמת הסיכון ואת היקף ההשפעה של אירוע אבטחה.
מערכות AI אג׳נטיות הפועלות עם הרשאות רחבות מדי עלולות להיות מנוצלות לצורך זליגת מידע, שינוי תצורות מערכת או התפשטות בין מערכות מחוברות במהירות גבוהה. לכן ניהול הרשאות, בקרת פעולות וניטור פעילות הם מרכיבים חיוניים באבטחת סביבות AI מתקדמות.
OWASP LLM Top 10 (2025): רשימת האיומים המחייבת
ה-OWASP LLM Top 10 (מהדורת 2025) הוא הדבר הקרוב ביותר שיש לתעשייה לסיווג חולשות קנוני עבור יישומי מודלי שפה גדולים. כל CTO שפורס מוצר מבוסס LLM צריך להתייחס אליו כאל היקף המינימום לכל סקירת אבטחה.
- LLM01: הזרקת פרומפט (Prompt Injection) – מניפולציה ישירה ועקיפה של התנהגות המודל באמצעות קלטים מעוצבים.
- LLM02: טיפול לא מאובטח בפלטים – אי-אימות או אי-סינון של פלטי המודל לפני העברתם במורד הזרם (XSS, SSRF, הרצת קוד).
- LLM03: הרעלת נתוני אימון – השחתת נתוני אימון לצורך הטמעת דלתות אחוריות או הטיות.
- LLM04: מניעת שירות למודל (Model Denial of Service) – מיצוי משאבים באמצעות פרומפטים יקרים חישובית.
- LLM05: חולשות שרשרת אספקה – מודלים מאומנים מראש, תוספים או ספריות צד שלישי שנפרצו.
- LLM06: חשיפת מידע רגיש – מודלים החושפים בשוגג PII, אישורי גישה או מידע קנייני מתוך קורפוס האימון שלהם.
- LLM07: תכנון תוספים לא מאובטח – הרשאות תוספים בתיחום לקוי המאפשרות הסלמת הרשאות או פעולות לא מכוונות.
- LLM08: סוכנות עודפת (Excessive Agency) – הענקת יכולות או הרשאות לסוכני AI מעבר לנדרש למשימותיהם.
- LLM09: הסתמכות יתר (Overreliance) – ארגונים המקבלים את פלט המודל ללא אימות, ויוצרים נקודות כשל יחידות.
- LLM10: גניבת מודל (Model Theft) – חילוץ מודלים קנייניים שעברו Fine-tuning באמצעות ניצול לרעה של ה-API.
סקירת ארכיטקטורת AI איכותית ממפה כל רכיב במחסנית ה-AI שלכם מול כל אחת מהקטגוריות הללו, ומפיקה תוכנית תיקון מתועדפת.
Shadow AI: הסיכון שלא מופיע בתרשים הרשת שלכם
Shadow AI הוא אתגר אבטחה ארגוני שנראה בתחילה ככלי להגברת פרודוקטיביות, אך עלול להפוך במהירות לערוץ חשיפה משמעותי. עובדים במחלקות שונות, כגון משפטית, כספים, משאבי אנוש, מוצר ושירות לקוחות, משתמשים בכלי LLM ציבוריים להזנת מסמכים ומידע פנימי כדי לייעל תהליכים, לעיתים ללא ידיעת צוותי האבטחה וממשל הנתונים.
הבעיה המרכזית היא שהשימוש בכלים אלו מתבצע לעיתים ללא בחינת מדיניות שמירת המידע של ספק ה־AI, ללא בקרת סיווג מידע וללא התאמה לדרישות הארגוניות והרגולטוריות.
משטח הסיכון של Shadow AI כולל:
זליגת מידע: עובדים המעבירים חוזים, קוד מקור, מודלים פיננסיים או מידע אישי של לקוחות לכלי AI ציבוריים.
חשיפת הרשאות גישה: הזנת מפתחות API, סיסמאות, פרטי התחברות או כתובות URL פנימיות כחלק מהקשר שניתן למודל.
חשיפה רגולטורית: העברת מידע למערכות AI עשויה להיחשב עיבוד מידע הכפוף לדרישות רגולטוריות כגון GDPR ורגולציות ענפיות, לעיתים ללא בסיס משפטי מתאים או הסכם עיבוד מידע נדרש.
סיכון עסקי ותדמיתי: חשיפת מידע רגיש כגון אסטרטגיות עסקיות, תהליכי מיזוגים ורכישות או מידע הנוגע לעובדים.
התמודדות אפקטיבית עם Shadow AI דורשת שילוב של בקרות טכניות, כגון DLP עם נראות לשימוש בדפדפן, AI Gateway ואכיפת מדיניות ברמת הרשת, לצד מדיניות שימוש ברורה ותוכנית AI ארגונית מאושרת המאפשרת לעובדים להשתמש בכלים אלה באופן מבוקר ומאובטח.
EU AI Act: לאיזו דרגת סיכון משתייכת המערכת שלכם?
ה-EU AI Act, רגולציית ה-AI המקיפה הראשונה בעולם, נכנס לתוקף מלא בהדרגה החל מ-2025. הבנת דרגת הסיכון שאליה משתייכות מערכות ה-AI שלכם היא הצעד הראשון בתכנון הציות.
מערכות אסורות (בתוקף מפברואר 2025): דירוג חברתי על ידי ממשלות, מעקב ביומטרי בזמן אמת במרחבים ציבוריים, AI המבצע מניפולציה על התנהגות אנושית באמצעות טכניקות תת-סיפיות, ומערכות המנצלות פגיעויות פסיכולוגיות. אלה אסורות לחלוטין. פריסתן גוררת קנסות של עד 35 מיליון אירו או 7% מהמחזור השנתי הגלובלי, הגבוה מביניהם.
מערכות בסיכון גבוה (בתוקף מאוגוסט 2026): AI המשמש בתשתיות קריטיות, בהחלטות תעסוקה (מיון, קידום, פיטורים), בחינוך, בשירותים חיוניים (אשראי, ביטוח), באכיפת חוק, בניהול גבולות ובמערכת המשפט. מערכות בסיכון גבוה חייבות להשלים הערכת התאמה (Conformity Assessment), לתחזק תיק טכני, ליישם מערכת ניהול איכות, להבטיח פיקוח אנושי ולהירשם במאגר ה-EU לפני הפריסה.
מערכות בסיכון מוגבל: צ’אטבוטים ומערכות ליצירת Deepfake הנושאות חובות שקיפות, יש ליידע משתמשים שהם מתקשרים עם AI.
מערכות בסיכון מזערי: מרבית יישומי ה-AI. ללא חובות מחייבות, אם כי חלים קודים וולונטריים של התנהגות.
עבור ארגונים ישראליים המשרתים לקוחות ב-EU או מפעילים ישויות ב-EU, התחולה הטריטוריאלית של ה-EU AI Act רחבה. אם הפלט של מערכת ה-AI שלכם משפיע על אנשים ב-EU, אתם בתחולת החוק ללא קשר למקום שבו מאוחסנת התשתית שלכם.
מסגרת ניהול הסיכונים NIST AI RMF: Govern, Map, Measure, Manage
מסגרת ניהול סיכוני ה-AI של NIST (AI RMF 1.0) מספקת מבנה ניטרלי-ספקים ולא-כופה לניהול סיכוני AI על פני כלל הפורטפוליו הארגוני. ארבע פונקציות הליבה שלה מתורגמות ישירות לבקרות תפעוליות:
Govern (ממשל): הקמת מבני אחריותיות, מדיניות ותרבות סביב סיכוני AI. זה כולל הגדרה של מי הבעלים של סיכון ה-AI (בדרך כלל ה-CISO בשותפות עם המוצר והייעוץ המשפטי), יצירת מצאי AI וקביעת ספי סבילות סיכון לפי קטגוריית מערכת.
Map (מיפוי): זיהוי ההקשרים שבהם פועלת כל מערכת AI, האנשים שהיא משפיעה עליהם והסיכונים שהיא מייצרת, כולל סיכונים לזכויות אזרח, לבטיחות ולמוניטין הארגוני, החורגים מהיקף הסייבר המסורתי.
Measure (מדידה): כימות והערכה של סיכוני AI באמצעות מתודולוגיה מוגדרת. זה כולל תרגילי Red-teaming, הערכות הטיה והוגנות, בדיקות עמידות מול קלטים אדברסריאליים וניטור ביצועים שוטף.
Manage (ניהול): תיעדוף וטיפול בסיכונים שזוהו באמצעות בקרות מידתיות. הטיפולים נעים משינויים ארכיטקטוניים (בידוד מערכות אג’נטיות ב-Sandbox, הידוק הרשאות API) ועד בקרות תפעוליות (שערי אישור אנושיים, סינון פלטים, ספרי תרחישים לתגובה לאירועים הייעודיים לכשלי AI).
ה-NIST AI RMF הוא המסגרת המועדפת עבור ארגונים הפועלים תחת דרישות חוזים פדרליים בארה”ב, והוא מקובל באופן רחב כמשלים לתקנים הטכניים של ה-EU AI Act.
בניית ארכיטקטורת AI ברת-הגנה: שבע בקרות
אבטחת AI אפקטיבית אינה מושגת על ידי הוספת חומת אש סביב ה-LLM שלכם. היא מחייבת בקרות בכל שכבה של מחסנית ה-AI.
- מצאי וסיווג AI: הכירו כל מערכת ומודל AI בשימוש, כולל Shadow AI. סווגו כל אחד לפי דרגות הסיכון של OWASP ושל ה-EU AI Act. אי אפשר למשול במה שלא רואים.
- תיחום כלים בהרשאות מינימליות לסוכנים: כל מערכת AI אג’נטית צריכה לפעול עם סט הכלים וההרשאות המינימלי הנדרש למשימתה המוגדרת. גישת קריאה בלבד ככל האפשר. ללא יכולת לכתוב, למחוק או להריץ ללא שער אישור אנושי.
- צינורות אימות קלט ופלט: יישמו סינון ואימות שיטתיים של כל הקלטים הנכנסים למודל ושל כל הפלטים היוצאים ממנו, במיוחד כאשר פלטים מוצגים בדפדפן, מועברים למערכת אחרת או משמשים להפעלת פעולות במורד הזרם.
- זיהוי הזרקות פרומפט: פרסו שכבות ייעודיות לזיהוי הזרקות פרומפט, מסווגים מבוססי-חוקים ומבוססי-מודל כאחד, בגבול שבין קלט המשתמש ל-LLM. תעדו והתריעו על ניסיונות הזרקה.
- ממשל נתונים לאימון ול-RAG: החילו את מדיניות סיווג המידע הקיימת שלכם על כל הנתונים הזורמים למערכי אימון, לקורפוסי Fine-tuning ולאינדקסי אחזור של RAG. יש לזהות, למזער ולמשול ב-PII, בנתונים פיננסיים ובקניין רוחני לפני שהם מגיעים למודל.
- ספרי תרחישים לתגובה לאירועים ייעודיים ל-AI: ספרי תרחישי IR סטנדרטיים אינם מביאים בחשבון מצבי כשל ייחודיים ל-AI כגון דיסאינפורמציה מונעת הזיות, חילוץ מודל או מניפולציה אדברסריאלית. הרחיבו את תוכנית ה-IR שלכם בתרחישים ייעודיים ל-AI.
- ניטור רציף ו-Red-teaming: מערכות AI סוחפות. מודל שעבר את סקירת האבטחה שלכם בעת הפריסה עשוי להתנהג אחרת לאחר עדכון ספק, מקור אחזור חדש או חשיפה לתעבורה אדברסריאלית. קבעו תרגילי Red-team רבעוניים המכוונים ספציפית למחסנית ה-AI שלכם.
כך IPV Security ניגשת לאבטחת ארכיטקטורת AI
סקירת ארכיטקטורת ה-AI של IPV Security היא הערכה מובנית הממפה את מחסנית ה-AI שלכם מול ה-OWASP LLM Top 10, ה-NIST AI RMF ומסגרת סיווג הסיכונים של ה-EU AI Act ומספקת מפת דרכים מתועדפת לתיקון, לצד הנחיות יישום.
הסקירה מכסה: מצאי וסיווג AI; מידול איומים ארכיטקטוני על פני כל שישת משטחי התקיפה; בקרות ממשל נתונים לצינורות אימון, Fine-tuning ו-RAG; תיחום הרשאות למערכות אג’נטיות; גילוי Shadow AI; ניתוח פערי התאמה ל-EU AI Act עבור מערכות בסיכון גבוה; ומוכנות לתגובה לאירועים ייעודית ל-AI.
הממצאים מנוהלים באופן רציף ב-CISOteria Cyber OS™ – פלטפורמת ניהול ה-CISO של IPV Security הפונה ללקוחות, כך שלהנהלה שלכם תמיד תהיה נראות בזמן אמת על תנוחת אבטחת ה-AI שלכם, על התקדמות התיקונים ועל סטטוס הציות.
עבודה זו משתלבת ישירות עם פרקטיקת ייעוץ הציות הרחבה של IPV Security ועם תוכנית ה-vCISO, עבור ארגונים הזקוקים לליווי אסטרטגי מתמשך ולא להתקשרות נקודתית.
על המחבר:
עידו גנור הוא המייסד והמנכ”ל של IPV Security ואחד מה-CISOs הארגוניים המנוסים בישראל, עם למעלה מ-21 שנות הובלת אסטרטגיית אבטחה עבור מוסדות פיננסיים גדולים ומפעילי תשתיות קריטיות. הוא יצר את פלטפורמת CISOteria Cyber OS™ כדי להביא את המשמעת והקפדנות של תוכנית אבטחה ארגונית לארגונים בשוק הביניים. עידו מייעץ לדירקטוריונים ולהנהלות בכירות בישראל וב-EU בנושאי אבטחת AI, ציות רגולטורי וחוסן סייבר.
מאמרים קשורים:
מדריך ציות: ISO 27001, NIS2 ו-DORA
מהי תוכנית vCISO?
מהו סקר סיכוני סייבר? מדריך 18 הדומיינים
זקוקים לסקירת אבטחה של ארכיטקטורת AI? דברו עם IPV Security ← מערכות ה-AI שלכם נעות מהר יותר מהבקרות שלכם. סקירת ארכיטקטורת ה-AI של IPV Security ממפה כל רכיב במחסנית ה-AI שלכם מול ה-OWASP LLM Top 10, ה-NIST AI RMF וה-EU AI Act ומספקת מפת דרכים קונקרטית לתיקון שהצוות שלכם יכול לפעול לפיה מיידית.
שאלות נפוצות
מהי אבטחת AI, ובמה היא שונה מסייבר רגיל?
אבטחת AI היא תחום המתמקד בהגנה על מערכות בינה מלאכותית, כולל מודלים, נתונים, פרומפטים, פלטים ותהליכי עבודה מבוססי AI, מפני ניצול, מניפולציה ושימוש בלתי מורשה. בשונה מאבטחת סייבר מסורתית, מערכות AI הן הסתברותיות ולא תמיד ניתנות לחיזוי מלא, ולכן דורשות גישות בקרה והגנה ייעודיות.
איומים כמו הזרקת פרומפטים, הרעלת נתונים והיפוך מודלים אינם מקבילים ישירות לחולשות באפליקציות מסורתיות, ודורשים התייחסות במסגרת ייעודית כגון EU AI Act ו־NIST AI RMF. ארגונים נדרשים לשלב בין אבטחת סייבר קלאסית לבין אבטחת AI כדי להגן על מערכות, מידע ותהליכים עסקיים בעידן הבינה המלאכותית.
כיצד מאבטחים מודל שפה גדול?
אבטחת LLM מחייבת בקרות במספר שכבות בו-זמנית. בשכבת הקלט: זיהוי הזרקות פרומפט, אימות קלט והפרדת הקשר קפדנית בין הוראות המערכת לקלט המשתמש. בשכבת המודל: בקרות גישה על API ההסקה, הגבלת קצב וניטור דפוסי שאילתות חריגים העשויים להעיד על חילוץ מודל. בשכבת הפלט: סינון פלטים לפני שימוש במורד הזרם, שערי בדיקה אנושיים להחלטות בעלות השלכות משמעותיות וזיהוי הזיות בטענות עובדתיות. בשכבת הנתונים: ממשל קפדני על מה שנכנס לקורפוס האימון ולאינדקס האחזור של ה-RAG. ובשכבה הארגונית: מדיניות שימוש נאות ב-AI, גילוי Shadow AI ותכנון תגובה לאירועים ייעודי ל-AI.
מהו ה-EU AI Act, והאם הוא חל על החברה שלי?
ה־EU AI Act הוא הרגולציה המקיפה של האיחוד האירופי בתחום הבינה המלאכותית, המבוססת על גישת ניהול סיכונים ומטילה דרישות בהתאם לרמת הסיכון של כל מערכת AI. החוק חל על ארגונים המפתחים, מפעילים או משווקים מערכות AI המשפיעות על משתמשים באיחוד האירופי, גם אם הארגון עצמו ממוקם מחוץ לאירופה.
בהתאם לכך, חברות ישראליות עם לקוחות באיחוד האירופי, פעילות עסקית באירופה או מוצרים דיגיטליים המיועדים לשוק האירופי עשויות להיכלל בתחולת החוק. הפרות הנוגעות למערכות AI אסורות או למערכות בסיכון גבוה עלולות להוביל לקנסות של עד 35 מיליון אירו או 7% מהמחזור השנתי הגלובלי.
מהו Shadow AI ומדוע הוא סיכון אבטחתי?
Shadow AI מתייחס לשימוש בכלי AI, במיוחד LLMs צרכניים כמו ChatGPT, Gemini או Claude, על ידי עובדים ללא אישור פורמלי של ה-IT או האבטחה. הסיכון האבטחתי מהותי: עובדים מדביקים באופן שגרתי מסמכים חסויים, קוד מקור, נתוני לקוחות ורשומות פיננסיות לכלים אלה כדי להאיץ את עבודתם, מבלי להבין שהנתונים עשויים להישמר אצל הספק, לשמש לאימון מודלים או להיות נגישים לעובדי הספק. Shadow AI הוא, הלכה למעשה, ערוץ זליגת מידע בלתי מבוקר העוקף כל בקרת DLP שתוכננה לדוא”ל ולהעברת קבצים.
מהו ה-OWASP LLM Top 10?
ה-OWASP LLM Top 10 הוא סיווג מבוסס-קהילה של עשרת סיכוני האבטחה הקריטיים ביותר ביישומי מודלי שפה גדולים, המתוחזק על ידי ה-Open Web Application Security Project. מהדורת 2025 מכסה הזרקת פרומפט, טיפול לא מאובטח בפלטים, הרעלת נתוני אימון, מניעת שירות למודל, חולשות שרשרת אספקה, חשיפת מידע רגיש, תכנון תוספים לא מאובטח, סוכנות עודפת, הסתמכות יתר וגניבת מודל. זוהי מסגרת הייחוס הסטנדרטית להערכות אבטחה ובדיקות חדירות של יישומי AI.
כמה זמן אורכת סקירת אבטחה של ארכיטקטורת AI?
סקירת אבטחה מקיפה של ארכיטקטורת AI בסביבה ארגונית נמשכת בדרך כלל שלושה עד חמישה שבועות, בהתאם למורכבות מחסנית ה-AI ולמספר המערכות בהיקף. ההתקשרות כוללת שלב מצאי וסיווג, מפגשי מידול איומים ארכיטקטוני, בדיקות טכניות של ממשקי AI חשופים, סקירת ממשל נתונים, ניתוח פערים מול ה-EU AI Act ומסירת מפת דרכים מתועדפת לתיקון. עבור ארגונים שכבר מחזיקים בתוכנית AI מוגדרת, ניתן לתחם את הסקירה באופן ממוקד יותר למערכות ספציפיות בסיכון גבוה או לנקודות אינטגרציה.