全新的 AI 攻擊途徑
由於實作新的管道和基礎結構，加上欠缺統一的可視性，導致企業容易遭受新的攻擊。
搜尋
為何如此重要
了解我們的 AI 安全方法。閱讀部落格
AI/ML 的快速採用會導致模型受損、AI 模型濫用和不必要的數據暴露。
了解我們的 AI 安全方法。閱讀部落格
處理模型蔓延問題
欠缺 AI 庫存可能會導致影子 AI 模型、合規性違規以及透過 AI 支援的應用程式進行數據外洩。
欠缺監管
以 AI 為重點的新立法要求嚴格控制 AI 的使用和輸入 AI 應用程式的客戶數據。
高層級效益
保護和控制 AI 基礎結構、使用和數據
儘可能發揮 AI 和大型語言模型 (LLM) 的變革效益，而不會導致企業面臨風險。Prisma® Cloud AI 安全狀況管理 (AI-SPM) 可供您掌握和控制 AI 安全性的三個關鍵組成部分 - 用於訓練或推理的數據、AI 模型的完整性以及對已部署的模型進行的存取。
- 偵測不安全或未經授權的模型使用。
- 降低 AI 系統數據暴露的風險。
- 務必遵循目前和即將到來的法規。
AI 應用程式生態系統可視性
探索全部 AI 應用程式、模型和相關資源。識別並追蹤應用程式中使用的 AI 元件運作。
AI 應用程式堆疊探索
探索全部 AI 應用程式、模型和相關資源。
AI 運作
識別並追蹤應用程式中使用的 AI 元件和數據來源運作。
模型庫存
對部署的 AI 模型編排目錄並識別更新。
AI 模型風險分析
識別 AI 供應鏈中的弱點，並且找到由於錯誤設定而可能導致操縱、濫用和竊取的模型和相關雲端資源。
防止模型入侵和竊取
透過識別攻擊者的風險來發揮同等的功能。
找出錯誤設定
透過減少過度授權的運算執行個體和模型。
避免不安全的外掛程式設計
透過識別過度授權和易受攻擊的代理程式/工作負載。
涵蓋模型資源的數據安全性
操縱模型數據可能會造成弱點和偏見、暴露數據，並導致數據隱私權侵犯、合規性和安全風險。
對 AI 堆疊進行分類
確定敏感數據存在於為 AI 模型提供支援的訓練和參考數據、程式庫、API 和數據管道中的位置。
監控敏感數據
監控和監管數據暴露、污染風險、隱私權侵犯和安全漏洞。
優先考量弱點
在託管正在存取敏感數據的 AI 所用的基礎結構中。
深受創新者信賴
了解這些客戶如何使用 Prisma Cloud 確保數據更加安全
請 AI 專業人員進行示範。
來源
Data Security Tip Sheet，Palo Alto Networks，2023 年 8 月；The Total Economic Impact™ Of Palo Alto Networks Prisma Cloud，Forrester Consulting，2023 年 11 月。