אבטחת סוכני AI הופכת לתנאי ייצור בארגון

אבטחת סוכני בינה מלאכותית בענן ארגוני

ארגונים שמתקדמים מסביבת ניסוי לסביבת ייצור עם סוכני בינה מלאכותית מגלים מהר מאוד שהאתגר אינו רק איכות המודל. הסוכן צריך לקרוא מערכות CRM, לפתוח קריאות שירות, לשלוח הודעות, לעדכן מערכות כספים ולעיתים לבצע פעולות בשם משתמשים. כל פעולה כזו דורשת סוד, הרשאה, מפתח API או רכיב OAuth. ברגע שהאישורים האלה מנוהלים מחוץ למסגרת האבטחה הארגונית, פרויקט שנראה מבריק במצגת הופך לסיכון תפעולי ומשפטי.

ניהול סודות בסוכני AI הופך לשכבת ממשל

ההכרזה האחרונה של AWS מוסיפה ל-Amazon Bedrock AgentCore Identity יכולת להשתמש ישירות בסודות קיימים מתוך AWS Secrets Manager לצורך אימות מול שירותים חיצוניים. במקום ש-AgentCore ייצור סוד חדש וינהל אותו במסלול נפרד, הארגון יכול להפנות את הסוכן ל-ARN של סוד קיים ולשם המפתח בתוך מבנה JSON. בזמן ריצה AgentCore שולף את הערך המעודכן, ולכן רוטציה של מפתח אינה מחייבת בנייה מחדש של ספק האישורים או שינוי בקוד הסוכן.

הערך העסקי כאן ברור מאוד. צוותי אבטחת מידע יכולים להחיל על סוכני AI את אותם מנגנונים שמגנים על יישומי ייצור: הצפנה באמצעות KMS, הרשאות IAM מצומצמות, שימוש ב-secretsmanager:GetSecretValue, דרישת kms:Decrypt כאשר נדרש, תגיות לציות ועלויות, מדיניות רוטציה ובקרת גישה ברמת משאב. זהו שינוי קטן בממשק, אבל שינוי גדול ביכולת להכניס Agentic AI לסביבת ייצור בלי לעקוף את שכבות הממשל הקיימות.

אבטחת מידע ב-Agentic AI דורשת יותר מטכנולוגיה

כאשר מלווים ארגונים בהקמת סוכנים, הפער חוזר על עצמו כמעט בכל פעם. צוות החדשנות רוצה מהירות, צוות האבטחה דורש שליטה, והעסק מצפה לתוצאה מדידה. הפתרון אינו לבחור צד, אלא לבנות תשתית סוכנים שמכבדת את מדיניות הארגון מראש. סוכן שמסוגל לבצע פעולה לא דטרמיניסטית חייב לפעול בתוך גבולות ברורים: איזה סוד מותר לו לקרוא, לאיזה שירות מותר לו להתחבר, מי מאשר הרחבת הרשאות, ואיך מתועדת כל פעולה.

חשוב להדגיש ש-AI אינו עניין טכני בלבד. סוכן טוב משלב הבנת תהליך עסקי, תכנון הרשאות, הנדסת פרומפטים, מדיניות אדם בלולאה ותפעול יציב. אדם בלולאה אינו אמור לאשר כל פעולה קטנה, אחרת לא הרווחנו אוטומציה אמיתית. התכנון הנכון הוא שמנהל או עובד בכיר יפקח על מאות תהליכים באמצעות חריגים, מדדי סיכון ורמות אישור, ולא יחליף ידנית כל החלטה של הסוכן.

אינטגרציה בטוחה היא תנאי להתרחבות עסקית

היכולת להשתמש גם בסודות מחשבון AWS אחר באותו אזור, לצד תמיכה במחברים חיצוניים של Secrets Manager, משמעותית במיוחד לארגונים גדולים. בפועל, לא כל מערכת סודות יושבת באותו חשבון ענן, ולעיתים כספות סודות מנוהלות בכלים צד שלישי או כחלק מארכיטקטורה רב עננית. תמיכה כזו מפחיתה חיכוך מול צוותי תשתיות ומאפשרת להקים סוכנים בלי לשכפל אישורים, בלי להעתיק סודות לקבצים ובלי ליצור מסלולי חריגה שקשה לבקר.

ההמלצה למנהלים ברורה: לפני הרחבת פרויקטי סוכנים, הגדירו מודל ניהול סודות אחיד, מיפוי הרשאות לפי תהליך עסקי, מדיניות רוטציה, לוגים ובקרות חריגה. התחילו בסוכנים בעלי ערך תפעולי גבוה אך סיכון מוגבל, למשל פתיחת משימות, סיווג פניות או עדכון סטטוסים, ואז הרחיבו לפעולות רגישות יותר. ארגון שיבנה יכולת פנימית להקמה וניהול של סוכני AI ינוע מהר יותר, אבל רק אם מחלקת מערכות המידע תתפקד כמחלקת משאבי אנוש של הסוכנים: מגייסת, מעניקה הרשאות, מודדת ביצועים ומוציאה משימוש כשצריך.

2 דק׳ קריאה

מודל AI מקומי על 25 גיגהבייט זיכרון מוכיח זמינות, לא כדאיות

הניסוי של קוליברי אינו מוכיח שמודל חזית יכול לרוץ בזול על מחשב ביתי. הוא מוכיח שאפשר להחליף מחסור בזיכרון בזמן המתנה, ולהעביר את העלות מחומרת האצה אל האחסון ומשך העיבוד. מודל GLM-5.2 כולל 744 מיליארד פרמטרים ומשקלו כ-1.5 טרהבייט, אך הוא הופעל עם 25 גיגהבייט זיכרון בלבד. ההישג ההנדסי אמיתי. הכדאיות העסקית עדיין רחוקה. ארכיטקטורת MoE הופכת את האחסון לזיכרון איטי במודל המבוסס על תערובת מומחים, ארכיטקטורת MoE, כל טוקן אינו עובר דרך כל הפרמטרים. נתב פנימי מדרג תתי-מודלים מתמחים ובוחר רק את המומחים...

2 דק׳ קריאה

זיכרון AI נוירוני לא יהרוג את RAG, הוא יפריד בין ידע למצב

הוויכוח על מותו של RAG מוקדם מדי, וגם מחמיץ את הנקודה. זיכרון AI נוירוני לא יחליף את שכבת הידע הארגונית, אלא בעיקר את הצורך לבנות מחדש מצב חישובי שכבר נוצר. ההבחנה הזאת קובעת אילו תשתיות יישארו, היכן תיחסך השהיה ואילו סיכונים חדשים ייכנסו לארכיטקטורה. מערכת RAG מפרקת מסמכים למקטעים, ממירה אותם לווקטורים, שולפת התאמות ומחזירה טקסט לחלון ההקשר. המודל נדרש אז לחשב מחדש ייצוג פנימי של מידע שכבר עובד קודם. התהליך מצוין לחיפוש ראיות, אך מסורבל כשסוכן צריך להמשיך פעולה שהחלה ברכיב אחר לפני שניות...

2 דק׳ קריאה

כימות דינמי ב-SageMaker מוזיל את המודל, לא את האחריות ההנדסית

כימות דינמי ב-SageMaker הוא קודם כל מבחן למשמעת ההנדסית של הארגון, ורק אחר כך תרגיל בחיסכון בענן. נתון של כ-80% פחות בעלות לשעה נראה כמו אישור מיידי לעבור למכונה קטנה, אבל עלות נמוכה של נקודת קצה אינה מבטיחה עלות נמוכה לבקשה תקינה. תבנית צ'אט שגויה, הקשר ארוך או התרחבות איטית יכולים למחוק את החיסכון בלי לשנות אפילו משקולת אחת. כימות דינמי חוסך זיכרון באמצעות אי שוויון מכוון מודל בן 8 מיליארד פרמטרים בדיוק של 16 ביט דורש כ-16 ג'יגה-בייט רק עבור המשקולות. בכימות אחיד כל השכבות נדחסות לאותה רמת...

צור קשר

בואו נדבר על הפרויקט הגדול הבא שלכם

השאירו פרטים ונחזור אליכם. שיחת היכרות קצרה עם הצוות של KO AI, כדי להבין את התהליך, את היעד ואת הדרך הנכונה להגיע אליו.

ערוץ פניה מועדף

נחזור אליכם תוך יום עסקים אחד.

בואו נדבר

השאירו פרטים, ונחזור אליכם תוך יום עסקים אחד.

ערוץ פניה מועדף

נחזור אליכם תוך יום עסקים אחד.