آخرین اخبار
همهٔ اخبار
امنیت هوش مصنوعی گزارش بحرانیت ۳/۱۰

ادغام مدل Mythos شرکت Anthropic در محصولات امنیتی Cisco و IBM برای شناسایی پیشرفته آسیب‌پذیری‌ها

ادغام مدل Mythos شرکت Anthropic در محصولات امنیتی Cisco و IBM برای شناسایی پیشرفته آسیب‌پذیری‌ها

شرکت Anthropic با ادغام مدل تخصصی خود در حوزه شناسایی باگ (bug-finding) با نام Mythos، دسترسی به قابلیت‌های این مدل را از طریق محصولات امنیتی شرکت‌های Cisco و IBM گسترش داده است. این رویکرد به مشتریان اجازه می‌دهد بدون داشتن دسترسی مستقیم به خودِ مدل، از توانمندی‌های آن در شناسایی نقاط ضعف بهره‌مند شوند.

ادغام در اکوسیستم Cisco و IBM

شرکت Cisco اعلام کرده است که ابزارهای Red Teaming در مجموعه AI Defense خود را به Mythos مجهز می‌کند. این مجموعه که وظیفه شناسایی نقاط ضعف و فعالیت‌های نامتعارف در مدل‌ها، عامل‌ها (Agents) و اپلیکیشن‌های مبتنی بر هوش مصنوعی را بر عهده دارد، اکنون می‌تواند از Mythos برای تست دقیق‌تر زیرساخت‌های مشتریان استفاده کند. این قابلیت بدون هزینه اضافی و تحت لایسنس‌های فعلی در دسترس خواهد بود.

در همین راستا، IBM نیز اعلام کرد که مدل Mythos را در ابزار Concert خود ادغام خواهد کرد. این ابزار از هوش مصنوعی برای اسکن اپلیکیشن‌ها جهت یافتن ریسک‌ها و نقاط ضعفی استفاده می‌کند که معمولاً از دید اسکنرهای سنتی پنهان می‌مانند. IBM همچنین قصد دارد با استفاده از این مدل، راهکارهای اصلاحی (fixes) را برای تایید توسعه‌دهندگان تولید کند.

کنترل دسترسی و امنیت مدل

دسترسی به Mythos پیش از این تحت برنامه Project Glasswing تنها برای سازمان‌های تایید شده محدود بود. محدودیت دسترسی به خودِ مدل، با هدف جلوگیری از سوءاستفاده مهاجمان برای اکسپلویت (Exploit) کردن نقص‌های نرم‌افزاری اتخاذ شده است. در مدل جدید همکاری با Cisco و IBM، کاربران تنها به عملکرد (Functionality) مدل دسترسی دارند و نه خودِ مدل.

به‌روزرسانی‌های فنی و مقابله با کپی‌برداری

همزمان با این خبر، نسخه 5.2 از مدل‌های Mythos و Fable معرفی شد که سرعت تولید خروجی آن‌ها تا ۳۰ درصد افزایش یافته و هزینه‌های عملیاتی آن‌ها نیز کاهش یافته است. Anthropic تأکید کرده است که در این نسخه‌ها، تست‌های ایمنی گسترده‌ای برای مقابله با رفتارهای خطرناک مانند Sandbox Escapes انجام شده است.

علاوه بر این، محافظت‌های جدیدی در برابر حملات تقطیری (Distillation Attacks) پیاده‌سازی شده است؛ تکنیکی که در آن آزمایشگاه‌های هوش مصنوعی تلاش می‌کنند مدل‌ها را بدون صرف هزینه‌های سنگین آموزش، کپی‌برداری کنند.