От диплома до продакшена: Как я создавал архитектуру ИИ-проекта для…

Автор: Алексей Бобрешов, руководитель отдела искусственного интеллекта в федеральном холдинге Категория: Искусственный интеллект, безопасность, умный дом, приватность *Это продолжение серии статей.

Введение: Ошибки, которые я осознал (слишком поздно - нет, нет ничего слишком, есть цена ошибки)

Когда я начинал работу над дипломным проектом «Умный дом» в 2020–2021 годах, моя голова была забита другими вопросами:

Как добиться точности распознавания выше 90%?
Как оптимизировать нейросеть для работы на слабом железе?
Как интегрировать распознавание команд с реальными устройствами?

**О безопасности я практически не думал. Ну это логично… Зачем - это же диплом-проект?! **

Сегодня, имея опыт работы над коммерческими ИИ-проектами в крупных компаниях, я понимаю: безопасность — это не базовый набор, это фундамент. И если вы не заложили его с самого начала, перестройка будет болезненной.

В этой статье (Часть 6) я расскажу:

Какие уязвимости я обнаружил в своем дипломном проекте постфактум
Как защитить голосовое управление от утечек и взломов (ИМХО)
Какие архитектурные решения я бы изменил, начни я проект сегодня
Практические рекомендации для тех, кто создает ИИ-системы

Глава 1. Взгляд в прошлое: Что я упустил при прототипировании

1.1. Мои «слепые зоны» в 2020–2021

Давайте честно: когда ты студент, работающий над дипломом, твои приоритеты выглядят так:

Функциональность — чтобы работало
Точность — чтобы работало хорошо
Производительность — чтобы работало быстро
Безопасность — а что это вообще такое?

В моем дипломе были реализованы:

Распознавание голосовых команд с точностью 94.06%
Интеграция с устройствами умного дома
Обучение до 250 эпох, в борьбе с переобучением

Но не было:

Шифрования голосовых данных
Защиты от replay-атак
Аудита и логирования доступа
Изоляции сетевых сегментов

1.2. Уязвимости, которые я обнаружил позже

Когда я начал работать над коммерческими проектами, мой взгляд на безопасность кардинально изменился. Вот что я понял:

Уязвимость №1: Голосовые данные передаются в открытом виде

В моем дипломе аудиопоток передавался от микрофона к нейросети без шифрования. В локальной сети это еще норм, но если представить, что система выходит в интернет…

Риск: Перехват голосовых команд, включая потенциально чувствительную информацию (пароли, адреса, персональные данные).

Уязвимость №2: Нет разграничения прав доступа

Система выполняла команды любого, кто их произнес. Нет понятия «пользователь», «администратор», «гость». (поправочка: предусматривалась разработка, т.е. я думал про этот пункт)

Риск: Любой человек в радиусе слышимости может выключить сигнализацию, открыть дверь или получить доступ к конфиденциальной информации.

Уязвимость №3: Отсутствие защиты от replay-атак

Если злоумышленник запишет вашу голосовую команду «открой дверь», он сможет воспроизвести ее позже.

Риск: Обход системы аутентификации через запись и воспроизведение команд.

Уязвимость №4: Нейросеть как black box

Я не логировал, какие команды были распознаны, кто их отдал, когда и при каких обстоятельствах.

Риск: Невозможность расследования инцидентов, отсутствие аудита.

Глава 2. Безопасность голосового управления: Угрозы и решения

2.1. Типы угроз для голосовых систем ИИ

Давайте систематизируем угрозы:

Тип угрозы	Описание	Пример
Перехват данных	Перехват голосовых команд при передаче	Сниффинг трафика в Wi-Fi сети
Replay-атаки	Запись и воспроизведение команд	Запись команды «открой дверь»
Spoofing	Подделка голоса	Deepfake аудио, синтез голоса
Несанкционированный доступ	Выполнение команд посторонними	Гость отдает команды хозяина
Утечка данных	Компрометация хранимых данных	Кража базы голосовых профилей
Adversarial attacks	Специально созданные команды	Скрытые команды в аудио

2.2. Архитектура безопасности: Многоуровневая защита

На основе моего опыта, я рекомендую следующую архитектуру:

┌─────────────────────────────────────────────────────────────┐
│                    УРОВЕНЬ 1: ФИЗИЧЕСКАЯ                    │
├─────────────────────────────────────────────────────────────┤
│ • Изоляция микрофонов (аппаратное отключение)               │
│ • Индикаторы активности микрофона (LED)                     │
│ • Физическая защита устройств                               │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                  УРОВЕНЬ 2: СЕТЕВАЯ БЕЗОПАСНОСТЬ            │
├─────────────────────────────────────────────────────────────┤
│ • Шифрование трафика (TLS 1.3)                              │
│ • Сегментация сети (VLAN для IoT)                           │
│ • Firewall и фильтрация трафика                             │
│ • VPN для удаленного доступа                                │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                  УРОВЕНЬ 3: АУТЕНТИФИКАЦИЯ                  │
├─────────────────────────────────────────────────────────────┤
│ • Распознавание голоса (speaker verification)               │
│ • Multi-factor authentication (голос + PIN/биометрия)       │
│ • Session management (таймауты сессий)                      │
│ • Защита от replay-атак (nonce, timestamps)                 │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                  УРОВЕНЬ 4: АВТОРИЗАЦИЯ                     │
├─────────────────────────────────────────────────────────────┤
│ • RBAC (Role-Based Access Control)                          │
│ • Гранулярные права доступа                                 │
│ • Контекстная авторизация (время, место, устройство)        │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                  УРОВЕНЬ 5: ЗАЩИТА ДАННЫХ                   │
├─────────────────────────────────────────────────────────────┤
│ • Шифрование данных at rest (AES-256)                       │
│ • Анонимизация и псевдонимизация                            │
│ • Secure storage (HSM, TPM)                                 │
│ • Data retention policies                                   │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                  УРОВЕНЬ 6: МОНИТОРИНГ И АУДИТ              │
├─────────────────────────────────────────────────────────────┤
│ • Логирование всех команд и событий                         │
│ • SIEM системы (Security Information & Event Management)    │
│ • Аномалии детекшн (ML-based)                               │
│ • Регулярные security audits                                │
└─────────────────────────────────────────────────────────────┘

2.3. Практическая реализация: Что я бы изменил в своем дипломе

Если бы я начинал проект сегодня, вот конкретные изменения:

Изменение №1: Speaker Verification (распознавание говорящего)

Планировал но не сделал: Система распознавала только команду, но не того, кто ее отдал.

Стало бы: Двухэтапная проверка:

Кто говорит? (Speaker Verification)
Что говорит? (Speech Recognition)

# Пример архитектуры
class SecureVoiceControl:
    def __init__(self):
        self.speaker_verifier = SpeakerVerificationModel()
        self.command_recognizer = CommandRecognitionModel()
        self.authorizer = AuthorizationEngine()
    
    def process_command(self, audio):
        # Этап 1: Верификация диктора
        speaker_id = self.speaker_verifier.identify(audio)
        if not speaker_id:
            raise UnauthorizedError("Unknown speaker")
        
        # Этап 2: Распознавание команды
        command = self.command_recognizer.recognize(audio)
        
        # Этап 3: Авторизация
        if not self.authorizer.can_execute(speaker_id, command):
            raise ForbiddenError(f"User {speaker_id} cannot execute {command}")
        
        # Этап 4: Выполнение с логированием
        self.audit_log(speaker_id, command)
        return self.execute(command)

Изменение №2: Защита от Replay-атак

Было: Команды выполнялись без проверки уникальности.

Стало бы: Использование nonce и timestamps:

import time
import hashlib
import secrets

class ReplayProtection:
    def __init__(self):
        self.used_nonces = set()
        self.nonce_ttl = 300  # 5 минут
    
    def generate_challenge(self):
        """Генерация уникального challenge"""
        nonce = secrets.token_hex(16)
        timestamp = int(time.time())
        return f"{nonce}:{timestamp}"
    
    def verify_response(self, challenge, response, audio):
        """Проверка ответа на challenge"""
        nonce, timestamp = challenge.split(':')
        
        # Проверка свежести
        if time.time() - int(timestamp) > self.nonce_ttl:
            raise ReplayAttackError("Challenge expired")
        
        # Проверка уникальности nonce
        if nonce in self.used_nonces:
            raise ReplayAttackError("Nonce already used")
        
        # Проверка подписи
        expected_signature = hashlib.sha256(
            f"{nonce}{audio}".encode()
        ).hexdigest()
        
        if response != expected_signature:
            raise ReplayAttackError("Invalid signature")
        
        # Отметка nonce как использованного
        self.used_nonces.add(nonce)
        
        # Очистка старых nonce
        self.cleanup_old_nonces()

Изменение №3: Шифрование данных

Было: Аудиоданные передавались в открытом виде.

Стало бы: End-to-end шифрование:

from cryptography.hazmat.primitives.ciphers import Cipher, algorithms, modes
from cryptography.hazmat.backends import default_backend
import os

class EncryptedAudioStream:
    def __init__(self, key):
        self.key = key
        self.backend = default_backend()
    
    def encrypt_audio(self, audio_data):
        """Шифрование аудиопотока"""
        iv = os.urandom(16)
        cipher = Cipher(
            algorithms.AES(self.key),
            modes.GCM(iv),
            backend=self.backend
        )
        encryptor = cipher.encryptor()
        
        ciphertext = encryptor.update(audio_data) + encryptor.finalize()
        
        return {
            'ciphertext': ciphertext,
            'iv': iv,
            'tag': encryptor.tag
        }
    
    def decrypt_audio(self, encrypted_data):
        """Расшифровка аудиопотока"""
        cipher = Cipher(
            algorithms.AES(self.key),
            modes.GCM(
                encrypted_data['iv'],
                encrypted_data['tag']
            ),
            backend=self.backend
        )
        decryptor = cipher.decryptor()
        
        return decryptor.update(encrypted_data['ciphertext']) + decryptor.finalize()

Изменение №4: RBAC (Role-Based Access Control)

Было: Все команды выполнялись без проверки прав.

Стало бы: Гранулярная система прав:

from enum import Enum
from dataclasses import dataclass
from typing import Set, Dict

class Permission(Enum):
    LIGHT_ON = "light:on"
    LIGHT_OFF = "light:off"
    DOOR_UNLOCK = "door:unlock"
    THERMOSTAT_CHANGE = "thermostat:change"
    CAMERA_VIEW = "camera:view"
    ADMIN_ACCESS = "admin:all"

class Role(Enum):
    GUEST = "guest"
    FAMILY = "family"
    ADMIN = "admin"

@dataclass
class User:
    id: str
    name: str
    role: Role

class AuthorizationEngine:
    def __init__(self):
        self.role_permissions: Dict[Role, Set[Permission]] = {
            Role.GUEST: {
                Permission.LIGHT_ON,
                Permission.LIGHT_OFF,
            },
            Role.FAMILY: {
                Permission.LIGHT_ON,
                Permission.LIGHT_OFF,
                Permission.THERMOSTAT_CHANGE,
                Permission.CAMERA_VIEW,
            },
            Role.ADMIN: {
                Permission.LIGHT_ON,
                Permission.LIGHT_OFF,
                Permission.DOOR_UNLOCK,
                Permission.THERMOSTAT_CHANGE,
                Permission.CAMERA_VIEW,
                Permission.ADMIN_ACCESS,
            }
        }
    
    def can_execute(self, user: User, command: str) -> bool:
        """Проверка прав выполнения команды"""
        command_permission = self.command_to_permission(command)
        return command_permission in self.role_permissions[user.role]
    
    def command_to_permission(self, command: str) -> Permission:
        """Конвертация команды в permission"""
        mapping = {
            "включи свет": Permission.LIGHT_ON,
            "выключи свет": Permission.LIGHT_OFF,
            "открой дверь": Permission.DOOR_UNLOCK,
            "измени температуру": Permission.THERMOSTAT_CHANGE,
            "покажи камеру": Permission.CAMERA_VIEW,
        }
        return mapping.get(command, Permission.LIGHT_ON)

Изменение №5: Аудит и логирование

Было: Никакого логирования.

Стало бы: Детальное логирование всех событий:

import logging
import json
from datetime import datetime
from typing import Dict, Any

class SecurityAuditLogger:
    def __init__(self, log_file: str = "security_audit.log"):
        self.logger = logging.getLogger("security_audit")
        self.logger.setLevel(logging.INFO)
        
        handler = logging.FileHandler(log_file)
        formatter = logging.Formatter(
            '%(asctime)s - %(levelname)s - %(message)s'
        )
        handler.setFormatter(formatter)
        self.logger.addHandler(handler)
    
    def log_command_execution(self, 
                              user_id: str,
                              command: str,
                              success: bool,
                              context: Dict[str, Any] = None):
        """Логирование выполнения команды"""
        event = {
            "event_type": "command_execution",
            "timestamp": datetime.utcnow().isoformat(),
            "user_id": user_id,
            "command": command,
            "success": success,
            "context": context or {},
            "ip_address": context.get("ip_address"),
            "device_id": context.get("device_id"),
        }
        
        self.logger.info(json.dumps(event))
        
        # Alert на подозрительную активность
        if not success:
            self.log_security_alert("failed_command", event)
    
    def log_security_alert(self, alert_type: str, event: Dict):
        """Логирование событий безопасности"""
        alert = {
            "alert_type": alert_type,
            "severity": self.calculate_severity(alert_type),
            "timestamp": datetime.utcnow().isoformat(),
            "event": event
        }
        
        self.logger.warning(f"SECURITY_ALERT: {json.dumps(alert)}")
    
    def calculate_severity(self, alert_type: str) -> str:
        """Определение уровня критичности"""
        severity_map = {
            "failed_command": "LOW",
            "replay_attack_detected": "HIGH",
            "unauthorized_access": "CRITICAL",
            "brute_force_detected": "HIGH",
        }
        return severity_map.get(alert_type, "MEDIUM")

Глава 3. Приватность: GDPR, 152-ФЗ и этические аспекты

3.1. Правовое регулирование

При работе с голосовыми данными вы попадаете под действие:

В России:

152-ФЗ «О персональных данных»
- Голосовые данные — это биометрические персональные данные
- Требуется письменное согласие на обработку
- Обязательная локализация баз данных на территории РФ
- Уведомление Роскомнадзора

В Европе:

GDPR (General Data Protection Regulation)
- Статья 9: Особые категории данных (биометрия)
- Право на забвение (статья 17)
- Privacy by Design (статья 25)
- Штрафы до 4% от годового оборота или 20 млн евро

3.2. Принципы Privacy by Design

При проектировании системы я рекомендую следовать принципам:

Принцип 1: Минимизация данных

Собирайте только то, что действительно нужно:

# НЕЛЬЗЯ: Сохранять все аудиозаписи
def process_voice(audio):
    save_to_database(audio)  # ❌
    command = recognize(audio)
    return command

# НУЖНО: Обрабатывать и удалять
def process_voice(audio):
    command = recognize(audio)
    delete_audio(audio)  # ✅
    save_command_metadata(command)  # Только метаданные
    return command

Принцип 2: Локальная обработка

По возможности обрабатывайте данные локально:

# Предпочтительно: Edge computing
class LocalVoiceProcessor:
    def __init__(self):
        self.model = load_on_device_model()
    
    def process(self, audio):
        # Все данные остаются на устройстве
        return self.model.predict(audio)

Принцип 3: Прозрачность

Информируйте пользователей (Инструкцией к ПО):

class PrivacyNotice:
    def __init__(self):
        self.notice = """
        Мы собираем следующие данные:
        - Голосовые команды (для распознавания)
        - Время выполнения команд (для аудита)
        
        Мы НЕ собираем:
        - Фоновые разговоры
        - Биометрические шаблоны (после верификации)
        
        Ваши права:
        - Запросить копию данных
        - Удалить данные
        - Отозвать согласие
        """

Принцип 4: Контроль пользователя

Предоставьте инструменты управления:

class UserDataController:
    def export_user_data(self, user_id: str) -> bytes:
        """Экспорт всех данных пользователя (GDPR Article 20)"""
        data = {
            "voice_commands": self.get_commands(user_id),
            "voice_profile": self.get_profile(user_id),
            "audit_logs": self.get_logs(user_id),
        }
        return json.dumps(data).encode()
    
    def delete_user_data(self, user_id: str):
        """Полное удаление данных (GDPR Article 17)"""
        self.delete_commands(user_id)
        self.delete_profile(user_id)
        self.delete_logs(user_id)
        self.revoke_consent(user_id)

3.3. Этические аспекты ИИ в умном доме

Проблема 1: Постоянное прослушивание

Даже если система «слушает» только wake word («Алиса», «Салют»), это создает ощущение постоянного наблюдения.

Решение:

Аппаратное отключение микрофона (физическая кнопка)
Визуальная индикация (LED при активном микрофоне)
Локальная обработка wake word (не отправлять в облако)

Проблема 2: Дети и уязвимые группы

Дети могут не осознавать, что их данные собираются.

Решение:

Детский режим (ограниченные команды, повышенная приватность)
Родительский контроль
Автоматическое удаление детских записей

Проблема 3: Дискриминация алгоритмов

Нейросети могут хуже распознавать:

Акценты
Детские голоса
Голоса пожилых людей
Люди с нарушениями речи

Решение:

Разнообразные тренировочные данные
Тестирование на разных демографических группах
Альтернативные способы ввода (текст, жесты)

Глава 4. Security Testing: Как тестировать безопасность (за этот блок: спасибо коллегам из текущего места работы)

4.1. Методология тестирования

Этап 1: Threat Modeling

Используйте методологию STRIDE:

Spoofing (подделка личности)
Tampering (несанкционированное изменение)
Repudiation (отказ от действий)
Information Disclosure (раскрытие информации)
Denial of Service (отказ в обслуживании)
Elevation of Privilege (повышение привилегий)

Этап 2: Penetration Testing

Примеры тестов:

class VoiceSecurityTester:
    def test_replay_attack(self):
        """Тест на replay-атаку"""
        # Запись команды
        original_audio = record_command("открой дверь")
        original_response = send_command(original_audio)
        
        # Повторная отправка той же записи
        replay_response = send_command(original_audio)
        
        # Ожидаем блокировку
        assert replay_response.status == "BLOCKED", "Replay attack succeeded!"
    
    def test_spoofing_attack(self):
        """Тест на подделку голоса"""
        # Синтез голоса через TTS
        fake_audio = tts_synthesize("открой дверь", target_voice="admin")
        
        response = send_command(fake_audio)
        
        # Ожидаем отказ
        assert response.status == "UNAUTHORIZED", "Voice spoofing succeeded!"
    
    def test_adversarial_attack(self):
        """Тест на adversarial примеры"""
        # Создание adversarial audio
        clean_audio = record_command("включи свет")
        adversarial_audio = add_adversarial_noise(
            clean_audio, 
            target_command="открой дверь"
        )
        
        response = send_command(adversarial_audio)
        
        # Ожидаем распознавание оригинальной команды
        assert response.command == "включи свет", "Adversarial attack succeeded!"
    
    def test_privacy_leak(self):
        """Тест на утечку данных"""
        # Отправка команды
        send_command("какой у меня пароль?")
        
        # Перехват сетевого трафика
        network_traffic = capture_network_traffic()
        
        # Проверка на наличие чувствительных данных
        assert "пароль" not in network_traffic, "Privacy leak detected!"

Этап 3: Code Review

Чеклист для code review:

[ ] Все данные шифруются при передаче (TLS)
[ ] Все данные шифруются при хранении (AES-256)
[ ] Пароли и ключи не захардкожены
[ ] Реализована защита от replay-атак
[ ] Есть логирование security events
[ ] Реализован rate limiting
[ ] Есть input validation
[ ] Нет уязвимостей (SQL injection, XSS, etc.)

Этап 4: Compliance Audit

Проверка соответствия:

152-ФЗ (для РФ)
GDPR (для ЕС)
Отраслевым стандартам (если есть)

4.2. Инструменты для тестирования

Для сетевого анализа:

Wireshark
tcpdump
Burp Suite

Для fuzzing:

AFL (American Fuzzy Lop)
libFuzzer
custom fuzzers для аудио

Для статического анализа:

SonarQube
Bandit (для Python)
Semgrep

Для динамического анализа:

OWASP ZAP
Metasploit

Глава 5. Практические рекомендации: Чеклист безопасности

5.1. Чеклист для разработчиков

Архитектура:

[ ] Используется defense in depth (многоуровневая защита)
[ ] Реализована сегментация сети
[ ] Есть изоляция критических компонентов
[ ] Используется principle of least privilege

Аутентификация:

[ ] Реализована multi-factor authentication
[ ] Есть защита от brute force (rate limiting, account lockout)
[ ] Используются secure сессии (timeout, rotation)
[ ] Реализована защита от replay-атак

Шифрование:

[ ] TLS 1.3 для передачи данных
[ ] AES-256 для хранения данных
[ ] Secure key management (HSM, KMS)
[ ] Regular key rotation

Приватность:

[ ] Data minimization (только необходимые данные)
[ ] Purpose limitation (только заявленные цели)
[ ] Storage limitation (автоматическое удаление)
[ ] Privacy by design и by default

Мониторинг:

[ ] Логирование всех security events
[ ] SIEM система
[ ] Alerting на аномалии
[ ] Regular security audits

Разработка:

[ ] Secure coding practices
[ ] Code review с фокусом на безопасность
[ ] SAST/DAST инструменты
[ ] Dependency scanning (уязвимости в библиотеках)

5.2. Чеклист для пользователей

Если вы используете умный дом:

Настройки:

[ ] Измените дефолтные пароли
[ ] Включите двухфакторную аутентификацию
[ ] Отключите ненужные функции
[ ] Проверьте разрешения приложений

Сеть:

[ ] Используйте отдельную VLAN для IoT
[ ] Включите WPA3 на Wi-Fi
[ ] Отключите WPS
[ ] Обновите прошивку роутера

Приватность:

[ ] Проверьте, какие данные собираются
[ ] Отключите сбор данных, если возможно
[ ] Регулярно очищайте историю команд
[ ] Используйте локальную обработку

Физическая безопасность:

[ ] Используйте физические переключатели для микрофонов
[ ] Размещайте устройства вне прямой видимости с улицы
[ ] Защищайте устройства от физического доступа

Глава 6. Будущее безопасности голосовых систем

6.1. Emerging Threats

Deepfake Voice Attacks

С развитием генеративного ИИ (GPT, Tacotron, WaveNet) создание реалистичных подделок голоса становится тривиальным.

Защита:

Liveness detection (проверка «живости» голоса)
Multi-modal authentication (голос + лицо + поведение)
Continuous authentication (постоянная проверка в течение сессии)

Adversarial Machine Learning

Специально созданные аудиокоманды, неслышимые для человека, но распознаваемые ИИ.

Защита:

Adversarial training (обучение на adversarial примерах)
Input sanitization (очистка входных данных)
Ensemble models (ансамбли моделей для детекции аномалий)

Supply Chain Attacks

Компрометация библиотек, фреймворков, обновлений прошивки.

Защита:

Code signing (подпись кода)
Secure boot (безопасная загрузка)
SBOM (Software Bill of Materials)
Dependency verification

6.2. Privacy-Enhancing Technologies (PETs)

Federated Learning

Обучение моделей без передачи сырых данных:

Данные остаются на устройстве
Передаются только градиенты
Differential privacy для защиты градиентов

Homomorphic Encryption

Вычисления на зашифрованных данных:

Данные никогда не расшифровываются
Медленно, но безопасно
Подходит для критических операций

Secure Multi-Party Computation (MPC)

Совместные вычисления без раскрытия данных:

Несколько сторон участвуют в вычислениях
Никто не видит данные других
Cryptographic guarantees

6.3. Regulatory Trends

Ожидаемые изменения:

EU AI Act

Классификация ИИ по уровню риска
Голосовые системы — высокий риск
Обязательная сертификация

US Executive Order on AI

Standards for AI safety
Red-teaming requirements
Transparency obligations

Russia

Развитие 152-ФЗ для ИИ
Требования к локализации
Обязательная сертификация

Заключение: Безопасность — это процесс, а не продукт

Когда я начинал свой дипломный проект в 2020 году, я думал о безопасности как о «фиче», которую можно добавить потом.

Сегодня я понимаю: это была ошибка.

Безопасность — это:

Архитектурное решение, а не патч
Культура разработки, а не чеклист
Непрерывный процесс, а не разовое мероприятие
Баланс между удобством и защитой, а не компромисс

Что я бы сказал себе в 2020:

Начни с threat modeling — пойми угрозы до написания кода
Используй security by design — закладывай защиту в архитектуру
Тестируй на безопасность — не только на функциональность
Учись continuously — угрозы эволюционируют
Не доверяй, проверяй — zero trust architecture

Для тех, кто начинает сегодня:

Не повторяйте моих ошибок. Безопасность — это не «потом». Это «сейчас».

Ваш умный дом должен быть не только умным, но и безопасным. Мой дом - моя крепость

Призыв к действию

Если вы создаёте нейросети и ИИ-системы:

Сразу, с первого дня, думайте о безопасности — хотя можно сделать её потом (но до внедрения)
Регулярно проверяйте систему: нет ли дыр и уязвимостей (не просто так есть тестировщики)
Учитесь сами: как защищать свой ИИ от взлома и атак

Если вы руководите продуктом (продукт-менеджер):

Сделайте правило: задача считается готовой, только если она безопасная
Закладывайте деньги в бюджет на тестирование безопасности
Ставьте в приоритет функции, которые защищают личные данные пользователей

Если вы обычный пользователь:

Требуйте от компаний, чтобы они честно рассказывали, как работают их ИИ
Настраивайте приватность в приложениях и соцсетях (не оставляйте как попало)
Регулярно обновляйте свои устройства — телефон, ноутбук, планшет (даже не ИИ)

Читать Часть 1: «От диплома до продакшена: Как я создавал архитектуру ИИ-проекта для… Часть 1: Что я хотел видеть дома в 2021»

Читать Часть 5: «Интеграция с устройствами «Умного дома» — от модели к реальному устройству»

Автор: Алексей Бобрешов, руководитель отдела искусственного интеллекта

Лицензия: CC BY-NC 4.0

Часть 6: Безопасность и приватность в голосовом управлении — как защитить умный дом от утечек и взломов