Az IT-rendszerek viselkedést rögzítenek, nem szándékot. Ez egyszerre teszi őket használható kiindulóponttá egy leltárhoz, és egyben hiányos forrássá. Aki áttekintést akar felépíteni arról, milyen AI-t használnak valóban, annak tudnia kell, mely jelzések mondanak valamit, és melyek adnak hamis érzést a teljességről.
Az AI-szolgáltatók domainjei felé irányuló forgalom általában a legkonkrétabb elérhető jelzés. Egy tűzfal vagy proxy rögzíti, milyen domaineket érnek el, melyik eszközről, és milyen gyakorisággal. Ez megmutatja azt a használatot, amit senkinek nem kellett bejelentenie. Nem mutatja meg azonban, mi történt az adott interakcióban: milyen adatokat vittek be, milyen feladathoz, milyen eredménnyel. A forgalom egy chatbot-domainre lehet egyszeri teszt vagy napi munkarutin is. Kiegészítő kontextus nélkül ez a különbség láthatatlan marad.
A számlák, előfizetések és bankkártya-terhelések megmutatják, mely eszközöket vásárolták meg formálisan, gyakran a hivatalos IT-beszerzésen kívül. Egy csapat, amely vállalati kártyával köt előfizetést, nyomot hagy, amelyet a beszerzés vagy a pénzügy visszakereshet. Ez a jelzés megbízható abban, mit vásároltak meg, de semmit nem mond az ingyenes eszközökről, próbaverziókról vagy a munkára használt személyes fiókokról. Arról, hogy ez a nyom pontosan mit eredményez, bővebben itt olvashat: az oldal a beszerzési és licencadatok nyomairól egy AI-leltárhoz.
Az egyszeri bejelentkezési platformok és identitásszolgáltatók rögzítik, mely alkalmazásokat kapcsolták össze egy vállalati fiókkal. Ez a jelzés elfogja azokat az eszközöket, amelyek OAuth-on keresztül kaptak hozzáférést például egy e-mail-fiókhoz vagy dokumentumkezelő környezethez. Ez egyike a kevés forrásnak, amely azt is megmutatja, milyen jogosultságokat kapott egy eszköz, nem csak azt, hogy használták. A korlátja: azok az eszközök, amelyeket kapcsolat nélkül, böngészőn keresztül és önálló fiókkal használnak, kimaradnak belőle.
A laptopokra és munkastációkra telepített szoftverek általában láthatók az IT által patchekhez és frissítésekhez használt kezelőplatformon. Ez megmutatja a telepített AI-eszközöket, de kihagy mindent, ami böngészőn keresztül fut, telepítés nélkül. A ma használt AI-alkalmazások többségénél ez a teljes mennyiség jelentős részét jelenti.
Azokban a szervezetekben, ahol fejlesztők dolgoznak, az AI-modellek API-n keresztüli használata külön nyom. A felhőszolgáltatók kezelőplatformjai és az API-gateway-k rögzítik, mely kulcsok aktívak, és milyen mennyiséget kezelnek. Ez a jelzés gyakran a legalulértékeltebb: egy önálló script, amely egy modellt hív meg egy belső feladathoz, kimarad minden „AI-eszközökről” szóló beszélgetésből, mert senki nem ismeri fel annak.
Ezen források mindegyike a viselkedés egy részét mutatja, olyan rendszer által rögzítve, amelyet nem erre a célra terveztek. Ezen jelzések közül semelyik nem rögzíti, miért használnak egy eszközt, milyen feladathoz, milyen típusú adatokkal, vagy ki a felelős érte. Ez az oka, hogy a csak technikára támaszkodó leltár torz képet ad. Arról, hogy az IT által leadott lista miért nem egyezik meg strukturálisan a valóban használttal, itt olvashat: az oldal arról, miért nem stimmel az IT-lista.
A technikai jelzések ok arra, hogy kérdezzünk, nem pótolják magát a kérdezést. Egy munkatárs, aki egy eszközt vázlatszövegek készítésére, egy elemzés felgyorsítására vagy kód ellenőrzésére használ, olyan dolgokat tud, amelyeket semmilyen napló nem rögzít: miért választotta azt az eszközt, mit csinál vele, és mit hiányolna, ha lekapcsolnák. Ez a beszélgetés csak akkor hoz eredményt, ha elszámoltatás nélkül folyik. Arról, hogyan kezelik ezt a gyakorlatban, itt olvashat: az oldal arról, hogyan kérdezzen anélkül, hogy elszámoltatásnak tűnjön.
A hálózati adatok, a beszerzési nyomok, az identitásnaplók és a munkatársakkal folytatott beszélgetések értéke csak akkor jelenik meg, amikor ezeket egy állandó struktúrában összekapcsolják: milyen alkalmazás, milyen szerepkör, milyen kockázati szint, milyen tulajdonos. Ez a struktúra nélkül csak egy halom különálló megfigyelés marad. Arról, hogyan zajlik ez a felépítés lépésről lépésre, itt olvashat: az oldal az AI-leltár felépítéséről, és arról, hogy pontosan mit kell rögzíteni alkalmazásonként, itt: az oldal az alkalmazásonkénti rögzítési mezőkről.
A teljes áttekintés arról, milyen AI-t használnak, választ ad az áttekintés és a kockázat kérdésére. Nem válaszolja meg azonban, hogy a munka mekkora része vehető át AI által, és hogy ez feladatonként konkrétan hogyan alakul. Amint tiszta, mely eszközöket milyen szerepben alkalmazzák, ez a következő kérdés adja magát. A FTE TO AI munkaszkennere feladatonként kiszámítja, mekkora rész vehető át AI által, kiegészítve azt az áttekintést, amelyet a Responsible AI Scan ad.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.