Copilot Security Monitoring: wykrywanie wycieków danych związanych ze sztuczną inteligencją

By Mirko Peters · 2025-11-23 · Updated 2026-07-18

Dowiedz się, jak zespoły SOC mogą wykrywać wycieki danych związane z Copilot, korzystając z playbooków, sygnałów bezpieczeństwa, dochodzenia, reagowania i zarządzania.

Automatically translated with AI from the original post. Read the English original

Pojawiła się nowa sytuacja. Copiloty oparte na AI nie są zwykłymi aplikacjami. Analizują dane i podejmują decyzje. Czasami posuwają się za daleko. Musisz wiedzieć, jakie zachowanie AI jest normalne, ryzykowne, a jakie niebezpieczne. Stare plany reagowania na złośliwe oprogramowanie nie wystarczają w przypadku wycieków danych związanych z AI. Warto rozważyć takie działania, jak ograniczanie ilości danych, szyfrowanie danych oraz ustalanie jasnych zasad dotyczących AI. Zadbaj o to, by narzędzia do ochrony danych i narzędzia SOC współpracowały ze sobą. Stale sprawdzaj, czy nie pojawiają się nowe zagrożenia. Obecnie kluczowe znaczenie mają współpraca i świadomość sytuacji.

Najważniejsze wnioski

• Poznaj szczególne zagrożenia związane z copilotami opartymi na AI. Mogą one uzyskiwać dostęp do danych i udostępniać je w sposób, którego się nie spodziewasz. Przez to dawne metody zabezpieczeń działają mniej skutecznie.

• Wdróż solidne zasady dotyczące danych. Stosuj jasne etykiety oraz reguły określające, kto może widzieć ważne informacje. Pomaga to zapobiegać wyciekom danych przez AI.

• Używaj inteligentnych narzędzi do monitorowania problemów. Łącz informacje pochodzące z różnych narzędzi bezpieczeństwa. Dzięki temu zobaczysz wszystkie możliwe wycieki danych związane z AI.

• Szybko reaguj na alerty. Skorzystaj z instrukcji krok po kroku, aby sprawdzić problemy. Wybierz najlepszy sposób ochrony danych.

• Wspieraj współpracę zespołów. Bezpieczeństwo, zgodność z przepisami i IT powinny działać razem. Pomaga to radzić sobie z ryzykiem związanym z AI i chronić dane.

Dlaczego alerty o dostępie AI stanowią wyzwanie dla zespołów SOC

Klasyczny model kill-chain a wycieki danych związane z AI

Być może znasz klasyczny model kill-chain. Pomaga on wykrywać zagrożenia, takie jak złośliwe oprogramowanie czy phishing. Szukasz w nim etapów, takich jak dostarczenie, wykorzystanie luki i eksfiltracja. Model ten dobrze sprawdza się w przypadku wielu ataków. Wycieki danych związane z AI nie przebiegają jednak według tych etapów. Copiloty oparte na AI mogą uzyskiwać dostęp do plików i udostępniać informacje w nowy sposób. Możesz zobaczyć alert, że Copilot uzyskał dostęp do poufnego pliku. Nie wygląda to jak typowy atak. Musisz ocenić, czy jest to bezpieczne, ryzykowne, czy rzeczywiste zagrożenie.

Copiloty oparte na AI działają w Twoim systemie jak nowi użytkownicy. Mogą szybko przenosić dane. Nie zawsze pozostawiają wyraźne ślady problemów. Nie wystarczy analizować jeden alert. Musisz sprawdzić kontekst, na przykład kto poprosił Copilot o dostęp do pliku i co wydarzyło się potem. Utrudnia to pracę. Nie możesz polegać wyłącznie na dawnych regułach.

Dezorientacja analityków: szum czy zagrożenie?

Możesz czuć się przytłoczony liczbą alertów. Wiele zespołów SOC mierzy się ze zmęczeniem alertami. Otrzymujesz tyle ostrzeżeń, że trudno dostrzec rzeczywiste problemy. Poniższa tabela przedstawia typowe wyzwania związane z alertami o dostępie AI:

Musisz też działać szybciej. Narzędzia AI mogą pomóc w szybszym zakańczaniu dochodzeń. Wielu analityków korzystających z AI zachowuje wyższą dokładność i przedstawia bardziej szczegółowe ustalenia niż osoby pracujące ręcznie. Mimo to musisz umieć odróżnić normalne korzystanie z AI od sygnałów wycieku danych. Ten nowy sposób pracy wymaga lepszych narzędzi i jasnych zasad.

Nadmierne udostępnianie i słabe etykiety: prawdziwe ryzyko

Jak słabe zarządzanie danymi ułatwia wycieki danych związane z AI

Słabe zarządzanie danymi niesie realne zagrożenia. Jeśli nie kontrolujesz, kto może korzystać z danych, narzędzia AI mogą udostępnić prywatne informacje. Słabe zasady i niedostateczne śledzenie sprzyjają błędom. Do wycieków danych związanych z AI może dojść, gdy pliki nie są prawidłowo oznaczone etykietami lub gdy zbyt wiele osób ma dostęp do ważnych folderów.

Ostatnie przypadki pokazują, jak te problemy mogą zaszkodzić Twojej organizacji. Poniższa tabela zestawia różne rodzaje ryzyka wynikającego z słabego zarządzania danymi:

Aby chronić dane, potrzebujesz solidnego zarządzania danymi. Dobre zasady pozwalają zobaczyć, kto korzysta z danych i w jaki sposób narzędzia AI je wykorzystują. Jasne etykiety i reguły dostępu zapobiegają wyciekom, zanim do nich dojdzie.

Nieprawidłowe konfiguracje kontenerów i problemy z etykietami

Możesz sądzić, że Twoje pliki są bezpieczne, ale błędne ustawienia mogą spowodować problemy. Jeśli pozwolisz, by folderami mogli dzielić się "Wszyscy w firmie", możesz przypadkowo udostępnić poufne informacje. Słabe lub brakujące etykiety utrudniają AI rozpoznanie, co jest prywatne. Bez prostego systemu etykiet tracisz kontrolę nad danymi.

Aby zabezpieczyć swoją grupę, powinieneś:

• Sprawdzić, kto ma dostęp do każdego folderu lub witryny.

• Przypisać jasne, mocne etykiety do wszystkich ważnych plików.

• Korzystać z narzędzi, które wykrywają nadmierne udostępnianie i ostrzegają o ryzykownych ustawieniach.

Większości wycieków danych przez AI można zapobiec, naprawiając te problemy na wczesnym etapie. Dobre zasady i przemyślane etykiety chronią Twoje dane i pomagają zespołowi SOC działać szybko.

Schemat decyzyjny dla incydentów AI

Uzasadnione, nadmierne czy złośliwe?

Gdy otrzymujesz alert dotyczący AI, stajesz przed ważnym wyborem. Musisz ustalić, czy działanie jest uzasadnione, stanowi nadmierne sięgnięcie po dane, czy jest złośliwe. Ten wybór pomaga określić dalsze kroki i chroni Twoje dane.

• Uzasadnione działania to sytuacje, w których kopiloty AI wspierają ludzi w pracy. Użytkownik, etykieta pliku i przepływ pracy są zgodne z zasadami. Na przykład pracownik działu finansów prosi Copilot o podsumowanie raportu, który i tak może zobaczyć. Żadna zasada nie zostaje naruszona.

• Nadmierne sięganie po dane ma miejsce, gdy AI analizuje dane, z których nie powinna korzystać, nawet jeśli użytkownik ma do nich dostęp. Być może użytkownik może otworzyć plik, ale Twoje zasady stanowią, że AI nie może odczytywać plików z etykietą "Poufne – wysoki poziom". Ta słabość w zasadach może prowadzić do wycieków danych przez AI.

• Złośliwe działania to wyraźne oznaki celowego działania na szkodę. Możesz zauważyć, że etykieta została zmieniona, następnie Copilot otworzył plik, a wkrótce potem plik został wysłany poza organizację. To wskazuje na ryzyko ze strony wewnętrznego zagrożenia lub zaplanowany atak.

Poniższa tabela przedstawia typowe działania, które możesz zauważyć:

Możesz też zauważyć następujące ryzykowne działania:

• Zatruwanie pamięci, które pozwala komuś zmieniać sposób działania AI w czasie.

• Niewłaściwe użycie narzędzi, na przykład korzystanie z funkcji kalendarza lub interfejsu API w nieoczekiwany sposób.

• Nadużycie tożsamości agenta, polegające na podszywaniu się pod innego użytkownika lub przyznawaniu agentowi AI zbyt szerokich uprawnień.

Te problemy należy wykryć wcześnie. Pomaga to powstrzymać wycieki i chronić grupę.

Kluczowe pytania triażowe dla zespołów SOC

Gdy otrzymujesz alert, musisz działać szybko. Potrzebujesz trafnych pytań, aby ustalić, co się stało i co zrobić. Oto kilka ważnych pytań, które Ci w tym pomogą:

1. Kim jest użytkownik?
   Sprawdź, czy to właściwa osoba. Szukaj oznak, że konto zostało przejęte lub użyte w nietypowy sposób.

2. Jaka jest etykieta i historia jej zmian?
   Sprawdź etykietę pliku. Zobacz, czy ktoś zmienił ją, zanim AI uzyskało dostęp do pliku.

3. Dokąd trafiła zawartość?
   Sprawdź, czy plik został udostępniony, wysłany pocztą e-mail lub przeniesiony na urządzenie osobiste po dostępie AI.

4. Czy to zgadza się z typowym sposobem postępowania użytkownika z danymi?
   Porównaj to działanie z tym, co użytkownik zwykle robi. Zwracaj uwagę na nagłe zmiany lub ryzykowne ruchy.

5. Czy dostęp AI był zgodny z zasadami, czy je naruszył?
   Sprawdź, czy zasady DLP lub zabezpieczenia AI powinny były zablokować to działanie.

Wskazówka: Zawsze zapisuj swoje ustalenia. Pomaga to się doskonalić i szkolić zespół.

Na podstawie tych pytań możesz ocenić, czy incydent jest uzasadniony, nadmierny czy złośliwy. Ten plan pozwala szybko reagować i zmniejsza ryzyko wycieków danych przez AI.

Korelacja sygnałów między narzędziami

Aby wykrywać wycieki danych w AI, trzeba spojrzeć na więcej niż jedno narzędzie. Każde z nich daje fragment obrazu. Jeśli analizujesz tylko jeden alert, możesz przeoczyć szerszy kontekst. Warto połączyć sygnały z Purview, DSPM, Defender XDR oraz audytu promptów. Dzięki temu zobaczysz, co naprawdę się wydarzyło.

Purview, DSPM i historia etykiet

Purview i DSPM pomagają śledzić dane. Możesz sprawdzić, gdzie znajdują się pliki, kto ma do nich dostęp i jakie etykiety zostały im przypisane. Jeśli ktoś zmieni etykietę z „Highly Confidential” na „General”, musisz o tym wiedzieć. Historia etykiet pokazuje, czy ktoś próbował ukryć prawdziwą klasyfikację pliku. Tych narzędzi możesz używać, aby wychwycić ryzykowne zmiany, zanim systemy AI zaczną operować na danych. Gdy połączysz zmiany etykiet z dostępem AI, otrzymasz wyraźny sygnał możliwego problemu.

Defender XDR i audyt promptów

Defender XDR oraz audyt promptów dają więcej szczegółów. Defender XDR monitoruje nietypowe działania w punktach końcowych, chmurze i systemach tożsamości. Potrafi wykryć, gdy narzędzia AI działają w sposób, którego się nie spodziewasz. Audyt promptów pozwala zobaczyć, o co pytają użytkownicy i agenci AI oraz jakie odpowiedzi otrzymują. Możesz sprawdzić, czy ktoś próbował wyłudzić poufne dane za pomocą promptu AI.

Oto, jak Defender XDR i audyt promptów pomagają w tym zadaniu:

• Defender XDR udostępnia rekomendacje dotyczące stanu zabezpieczeń agentów AI.

• Pokazuje ścieżki ataków wymierzone w agentów AI.

Gdy połączysz zmiany etykiet, dostęp AI i przepływ danych, zobaczysz pełny obraz sytuacji. Pozwoli to zatrzymać wycieki, zanim się rozrosną.

Szybki runbook SOC dla wycieków danych w AI

Gdy pojawi się podejrzenie wycieku danych w AI, musisz działać szybko i według jasno określonego planu. Ten runbook zawiera przewodnik krok po kroku, który pomoże Ci przeprowadzić wstępną selekcję, podjąć decyzję i ograniczyć incydent. Możesz go wykorzystać jako listę kontrolną w pierwszych chwilach po otrzymaniu alertu.

Pierwsze 10 minut: kroki wstępnej selekcji

Gdy widzisz alert dotyczący AI i poufnych danych, musisz działać szybko. Pierwsze dziesięć minut ma kluczowe znaczenie. Oto, co warto zrobić:

1. Potwierdź odbiór alertu od razu.
   Nie czekaj. Upewnij się, że widzisz każdy alert i zapisujesz go zaraz po pojawieniu się.

2. Rozpocznij dochodzenie.
   Zastanów się, co alert może oznaczać. Czy to normalna czynność, pomyłka, czy coś groźnego? Zbierz tyle informacji, ile się da.

3. Zbierz wszystkie dane.
   Przejrzyj dzienniki z SIEM, sprawdź aktywność na punktach końcowych, przeanalizuj tożsamość użytkownika i wykorzystaj dostępne informacje o zagrożeniach. Nie czekaj, aż zrobi to ktoś inny.

4. Przeprowadź kilka sprawdzeń równocześnie.
   Możesz otrzymać więcej niż jeden alert. Zacznij analizować każdy z nich, aby nie przeoczyć niczego istotnego.

Wskazówka: Zawsze zapisuj ustalenia z tych pierwszych kroków. Dobre notatki pomagają Tobie i zespołowi wyciągać wnioski z każdego incydentu.

Drzewo decyzyjne i ograniczanie skutków

Po zakończeniu wstępnych sprawdzeń musisz zdecydować, co dalej. Użyj drzewa decyzyjnego, które pomoże wybrać właściwe działanie. Poniższa tabela pokazuje, jak dopasować sygnały do działań:

Działanie wybierz na podstawie tego, co widzisz. Jeśli wykryjesz nadużycie narzędzia na agencie wysokiego ryzyka, odizoluj system i cofnij wszelkie specjalne uprawnienia dostępu. Jeśli zauważysz problem w łańcuchu dostaw, śledź go, załataj i poinformuj właściciela.

Aby ograniczyć skutki, masz do dyspozycji kilka opcji, które pozwolą zatrzymać wyciek i chronić dane:

• Ogranicz liczbę żądań i znakuj wodnym znakiem wyniki generowane przez model AI. Pomoże to kontrolować, ile danych opuszcza Twój system.

• Zwracaj uwagę na dziwne lub powtarzające się zapytania. Nietypowe wzorce mogą wskazać, skąd może wyciekać dane.

• Korzystaj z narzędzi do ochrony prywatności, takich jak redakcja danych czy prywatność różnicowa. Narzędzia te ukrywają lub chronią wrażliwe informacje.

• Włącz analizę behawioralną. Pozwoli Ci ona wykrywać nietypowe działania w czasie rzeczywistym i szybko reagować.

Jeśli będziesz działać szybko i zastosujesz się do tych kroków, możesz ograniczyć ryzyko wycieków danych związanych z AI i chronić swoją organizację.

Zabezpieczenia zapobiegające wyciekom danych AI

Oversharing Assessment i etykietowanie

Wiele problemów można wcześnie zatrzymać, sprawdzając nadmierne udostępnianie i stosując przejrzyste etykiety. Jeśli wiesz, kto może zobaczyć każdy plik i jak jest oznaczony, zmniejszasz ryzyko wycieków danych AI. Używaj narzędzi, które pomagają znaleźć pliki lub foldery widoczne dla zbyt wielu osób. Dzięki nim szybko naprawisz problemy. Poniższa tabela przedstawia sposoby ulepszenia tego procesu:

Możesz również użyć map odkrywania, aby śledzić przepływ danych. Inwentaryzacja aplikacji pomaga znaleźć ryzykowne aplikacje lub konektory. Modelowanie zagrożeń pozwala zobaczyć, gdzie nadmierne udostępnianie może powodować problemy.

Reguły DLP uwzględniające AI i reguły wykrywania

Potrzebujesz specjalnych reguł, aby chronić dane przed nowymi zagrożeniami związanymi z AI. Narzędzia do zapobiegania utracie danych mogą skanować to, co tworzy lub udostępnia AI. Narzędzia te wyszukują informacje prywatne, zanim opuszczą Twój system. Niektóre z nich korzystają ze skanowania w czasie rzeczywistym, automatycznego maskowania lub redakcji, aby ukryć wrażliwe dane. Możesz skonfigurować reguły niestandardowe, aby blokować określone typy informacji, zanim trafią do użytkowników.

Możesz również użyć walidatorów, które skanują wyniki AI pod kątem wrażliwych danych. Niektóre sprawdzają nawet takie informacje jak dane osobowe (PII) czy tajemnice firmowe, zanim wyniki zostaną udostępnione.

Zarządzanie i taksonomia etykiet

Dobre zarządzanie i przejrzysty system etykiet pomagają zachować kontrolę. Gdy korzystasz z ustrukturyzowanego modelu, masz pewność, że dane są bezpieczne i poprawne. Możesz stosować standardy, takie jak zasady FAIR czy DMBOK, aby kierować swoją pracą. Te ramy pomagają zarządzać danymi, chronić je i spełniać wymogi dotyczące prywatności.

AI może lepiej pomagać w zarządzaniu danymi. Potrafi wykrywać problemy i szybko pomagać je naprawiać. Aby zapobiec wyciekom podczas trenowania, powinieneś właściwie podzielić dane. Na przykład stosuj podziały oparte na czasie dla dat lub grupuj dane według użytkownika. Zawsze dziel dane po zakończeniu wszelkich zmian, aby uniknąć błędów.

Wskazówka: Prosty system etykiet z jasnymi zasadami ułatwia wszystkim stosowanie najlepszych praktyk i zapobieganie wyciekom.

Metryki i interesariusze

Kluczowe cele OKR dotyczące wycieków danych AI

Potrzebujesz jasnych celów, aby sprawdzić, czy zapobiegasz wyciekom danych AI. Pokazują one, co działa, a co wymaga poprawy. OKR (Objectives and Key Results, czyli cele i kluczowe wyniki) pomagają śledzić Twoją pracę. Oto przykłady, z których możesz skorzystać:

Warto regularnie sprawdzać te OKR-y. Monitorowanie postępów pozwala wcześnie wykrywać problemy i podejmować lepsze decyzje.

Wskazówka: Udostępnij swoje OKR-y zespołowi. Dzięki temu wszyscy będą współpracować nad tymi samymi celami.

Role w obszarze bezpieczeństwa i zarządzania

Aby zapobiegać wyciekom danych związanym z AI, potrzebujesz odpowiednich osób. Do ochrony danych przyczynia się wiele zespołów. Każda grupa ma do wykonania konkretne zadanie:

• Liderzy ds. bezpieczeństwa, np. CISO, tworzą zasady i dbają o bezpieczeństwo systemów AI.

• Zespoły ds. zgodności sprawdzają, czy przestrzegasz przepisów i regulacji dotyczących danych.

• Zespoły zarządzania tożsamością kontrolują, kto może przeglądać i używać wrażliwych danych.

• Musisz jasno określić, co agenci AI mogą robić.

• Nadawaj odpowiednie uprawnienia każdemu użytkownikowi i systemowi.

• Wyznacz osobę, która będzie monitorować wykorzystanie AI i dopilnuje przestrzegania zasad.

• Scentralizowane zarządzanie pomaga ograniczać ryzyko związane z agentami AI.

• Zespoły współpracujące ze sobą szybciej rozwiązują problemy i dzielą się wiedzą.

Gdy wszystkie te grupy działają razem, budujesz silną obronę przed wyciekami danych związanymi z AI. Każdy zna swoje zadanie i dąży do tego samego celu.

Perspektywy dla SOC-ów i AI

Trendy w bezpieczeństwie AI

Bezpieczeństwo AI wkrótce bardzo się zmieni. Atakujący wykorzystują już AI do tworzenia bardziej zaawansowanych zagrożeń. Ransomware staje się coraz skuteczniejszy, dlatego warto uważać na nowe metody. Obowiązuje coraz więcej przepisów, więc trzeba zwracać na nie uwagę.

Oto trendy, które warto znać:

• Ataki napędzane przez AI są coraz częstsze. Atakujący wykorzystują uczenie maszynowe, aby szybciej znajdować słabe punkty.

• Ransomware atakuje teraz zarówno dane, jak i kopie zapasowe. Utrudnia to usuwanie skutków awarii.

• Musisz stosować więcej przepisów, aby chronić dane.

• Uczenie maszynowe pomaga wykrywać zagrożenia, ucząc się, co jest normalne. Oznacza wszystko, co wygląda podejrzanie.

• Biometria behawioralna sprawdza, czy użytkownik zachowuje się jak zawsze. Stanowi to kolejną warstwę zabezpieczeń.

• Architektura Zero Trust oznacza, że nikomu nie ufasz z góry. Zawsze weryfikujesz, zanim kogoś wpuścisz.

Ucz się stale i zachowaj ciekawość. Te trendy zmienią sposób ochrony danych.

Przygotowanie na nowe ryzyka związane z AI

Możesz przygotować się na nowe ryzyka związane z AI, aktualizując narzędzia i sposób myślenia. Zacznij wykorzystywać AI w każdym etapie wykrywania zagrożeń i reagowania na nie. Używaj AI do wyszukiwania nietypowych wzorców w danych dotyczących bezpieczeństwa. Zautomatyzowane reakcje pozwalają działać szybko, gdy coś pójdzie nie tak. Predykcyjny wywiad o zagrożeniach pozwala wykryć ataki, zanim do nich dojdzie. Adaptacyjne systemy uczące się z czasem stają się lepsze, dzięki czemu Twoje zabezpieczenia pozostają silne.

Wypróbuj te kroki, aby się przygotować:

1. Organizuj warsztaty, aby znaleźć ryzyka w swoich systemach i omówić je.

2. Oceń prawdopodobieństwo każdego ryzyka i możliwe szkody, jakie może wyrządzić.

3. Określ, jakie ryzyko jesteś gotów zaakceptować, i wybierz najlepsze sposoby jego ograniczenia.

4. Stale kontroluj swoje systemy i aktualizuj plany wraz ze zmianami narzędzi AI.

Równoważenie nowych pomysłów i bezpieczeństwa wymaga pracy zespołowej. Dobre zarządzanie łączy wszystkie elementy Twojego systemu AI i sprawia, że każdy ponosi odpowiedzialność. Liderzy ds. bezpieczeństwa ustalają mechanizmy kontrolne i wspierają współpracę zespołów. Komitet sterujący AI może kierować planem i dopilnować przestrzegania zasad. Bezpieczne środowiska testowe pozwalają wypróbować nowe pomysły bez ryzyka dla głównych systemów. Regularne raporty informują wszystkich na bieżąco i pomagają podejmować trafne decyzje.

Dzięki czujności i współpracy możesz z pewnością mierzyć się z przyszłością bezpieczeństwa AI.

Wycieki danych przez AI najczęściej wynikają z tego, że dane nie są dobrze zarządzane, a etykiety są słabe. Problemem nie są tak naprawdę same copiloty AI. Badania pokazują, że 68% wycieków następuje wtedy, gdy prywatne informacje trafiają do narzędzi AI. Ponadto 60% incydentów związanych z AI kończy się ujawnieniem danych.

Możesz to naprawić, tworząc mocne zasady i współpracując ze sobą. Najpierw skonfiguruj domyślne etykiety dla plików. Następnie dodaj reguły DLP, które działają z AI. Włącz audyt promptów, aby monitorować działania AI. Spróbuj jednogodzinnego sprintu, w którym wdrożysz te kroki. Stale się ucz i dostosowuj swoje zabezpieczenia w miarę rozwoju zagrożeń związanych z AI.

Często zadawane pytania

Czym jest "wyciek danych z Copilota"?

Wyciek danych z Copilota występuje wtedy, gdy copiloty AI uzyskują dostęp do poufnych danych lub je udostępniają, mimo że powinny pozostać prywatne. Może się to zdarzyć, gdy pliki mają słabe etykiety lub zbyt wiele osób ma do nich dostęp.

Jak rozpoznać, że działanie AI jest ryzykowne?

Sprawdź, kto poprosił AI o dostęp do danych, jaką etykietę miał plik i dokąd dane trafiły dalej. Zwróć uwagę na zmiany etykiet, nietypowe zachowania użytkowników lub pliki wysyłane poza firmę.

Jakie narzędzia pomagają wykrywać wycieki danych przez AI?

• Microsoft Purview i DSPM: śledzenie danych i etykiet.

• Defender XDR: obserwowanie podejrzanych działań.

• Audyt promptów: przegląd tego, o co pytają użytkownicy i AI.

Wskazówka: najlepsze efekty uzyskasz, używając tych narzędzi razem.

Jak zapobiec wyciekom poufnych danych przez AI?

Możesz ustawić mocne etykiety, ograniczyć, kto ma dostęp do plików, oraz stosować reguły DLP, które blokują AI w odczycie danych oznaczonych jako "Highly Confidential". Włącz audyt promptów, aby monitorować działania AI.

Kto powinien pomagać w zarządzaniu ryzykiem danych związanym z AI?

Wszyscy muszą współpracować, aby dane były bezpieczne

Warto też posłuchać

Jeśli zgłębiasz temat monitorowania bezpieczeństwa Copilota, te odcinki dodają praktyczny kontekst dotyczący wdrażania, architektury, bezpieczeństwa i zarządzania:

• Microsoft Teams Governance – The Illusion of Control — Zobacz, jak własność, zasady i decyzje dotyczące cyklu życia kształtują niezawodną pracę w Microsoft 365.
• Microsoft AI Agent Harness – Simply Explained — Zrozum orkiestrację, zabezpieczenia, ocenę i obserwowalność przepływów pracy z AI.
• Azure AI Foundry – Simply Explained — Dowiedz się, jak tworzy się, ocenia, wdraża i zarządza rozwiązaniami AI dla przedsiębiorstw.
• Microsoft Defender XDR – Simply Explained — Połącz wybory wdrożeniowe z widocznością zabezpieczeń, badaniem incydentów i reagowaniem.