По мере развития искусственного интеллекта меняется и подход организаций к обеспечению безопасности корпоративных данных, пишет на портале Information Age Стюарт Ханвик, технический директор Dell Technologies по платформам и решениям для хранения данных.

ИИ оказывает на корпоративные данные давление нового типа. В тот самый момент, когда организации пытаются извлечь больше пользы из своих данных, они также концентрируют все больше этих данных в общих хранилищах, базах знаний и конвейерах ИИ.

По мере перехода ИИ от экспериментов к производству, наборы данных, которые ранее были разделены по бизнес-функциям, уровню конфиденциальности или операционному использованию, все чаще объединяются для обучения моделей и поддержки принятия решений в режиме реального времени.

Этот сдвиг меняет подход организаций к своей инфраструктуре данных. То, что когда-то было в основном платформой для хранения и восстановления информации, все чаще становится точкой консолидации, управления и доступа к данным ИИ, что влечет за собой новые вопросы отказоустойчивости, соответствия нормативным требованиям и безопасности.

Большая часть дискуссий об инфраструктуре ИИ по-прежнему сосредоточена на моделях и вычислениях. Это важные соображения, но они могут заслонить более фундаментальный вопрос: насколько хорошо подготовлена основа данных, которая их поддерживает?

Вот пять способов, которыми ИИ меняет безопасность корпоративных хранилищ.

1. ИИ объединяет данные новыми способами

Обучение базовой модели или ее тонкая настройка обычно означает объединение интеллектуальной собственности, регулируемых данных клиентов, внутренних знаний и контента, такого как текст, документы, фотографии, аудио и видео, в единое хранилище, открытое для запросов. Это именно тот тип концентрированной цели, который позволяет злоумышленникам быстро повышать градус, как только они получат к ней доступ. Контроль этого риска начинается еще до того, как данные будут сохранены. Сегментация обучающих данных и анонимизация или удаление конфиденциальных входных данных, где это возможно, ограничивают уязвимость, создаваемую таким агрегированием, а блокировка наборов данных с помощью неизменяемых версий снижает риск скрытого вмешательства.

2. Генерация с расширенными возможностями извлечения (RAG) делает хранилище активным участником, а не пассивным архивом

Подключите большую языковую модель к корпоративной базе знаний, и хранилище перестанет быть чем-то, к чему пользователи получают прямой доступ. Это становится частью каждого взаимодействия системы ИИ. Неправильно настроенный контроль доступа к индексу RAG может раскрыть конфиденциальную информацию через совершенно корректный запрос, что делает аудит крайне важным. Регистрация того, к каким данным осуществляется доступ и какие данные отображаются, поддерживает расследование и соблюдение нормативных требований, но, что более важно, предотвращает структурные уязвимости, которые легко пропустить, пока они не будут раскрыты.

3. Рабочие нагрузки инференса создают проблему скорости, которую ручной контроль не может решить

Производственные системы, такие как агенты ИИ или системы обнаружения мошенничества, зависят от непрерывного доступа к данным с низкой задержкой. Конвейеры, обеспечивающие это, работают с такой скоростью, что ручной мониторинг становится нецелесообразным, подобно тому, как горизонтальное перемещение по сети может оставаться незамеченным в течение нескольких дней, если не установлены соответствующие средства контроля. Защита этих систем требует обеспечения безопасности данных при передаче, применения контроля доступа во время выполнения и обеспечения достаточной устойчивости систем хранения данных, чтобы инцидент безопасности не перерос в операционный инцидент.

4. Отсутствие видимости — это пробел, который не устранен в большинстве организаций

Исследование Dell Technologies «Innovation Catalyst» показало, что 82% лиц, принимающих решения в сфере ИТ, признают данные ключевым фактором интеграции ИИ и считают, что их необходимо защищать соответствующим образом. Однако только каждый третий утверждает, что может преобразовать эти данные в инсайты реального времени. Большая часть этого пробела связана с уровнем хранения данных, и от этого может зависеть, удастся ли быстро локализовать проблему или она останется нерешенной на несколько дней. Без устранения этого пробела системы управления и политики контроля работают на основе неполной информации, как бы хорошо они ни были разработаны на бумаге.

5. Восстановление необходимо перестраивать с учетом зависимостей ИИ

Организации должны задать себе вопрос: могут ли их системы ИИ быстро возобновить доверенную работу? Это означает восстановление правильных наборов данных и версий моделей, перестройку конвейеров обработки данных и тестирование восстановления на реальных рабочих нагрузках, а не на стандартных резервных копиях системы. Технически успешное восстановление, в результате которого возвращается не та версия модели или нарушается работа конвейера, все равно является сбоем во всех важных для бизнеса аспектах.

Практические последствия

Хранение данных стало основным уровнем контроля рисков, связанных с ИИ. Основы хорошей безопасности, видимости, неизменяемости, сегментации, концепции нулевого доверия и устойчивого восстановления не изменились. Изменилось лишь то, где и как именно их необходимо применять. Например, британские регуляторы все чаще ожидают именно такой специфичности: решение правительства добавить «сбой цифровой устойчивости» в Национальный реестр рисков в июле 2026 г. свидетельствует о том, насколько серьезно к этому относятся на национальном уровне.

Организации, которые понимают потоки данных ИИ, обеспечивают надлежащую защиту хранилищ и согласовывают механизмы контроля с рабочими нагрузками ИИ, будут лучше подготовлены к снижению рисков, выполнению требований регулирующих органов и укреплению обоснованного доверия к своим системам ИИ по мере расширения их внедрения.