KeyFrame內部研究專用

Shipping AI Into 5 Major Banks Without a 12-Month Compliance Wait — Al Chen, Cisco

AI Engineer英文
觀看原始影片

三句話摘要

銀行生產環境 AI 代理部署的三大支柱:CVE 合規驗證、跨域災難恢復、敏感資訊防洩露 在銀行部署 AI 的核心不是加快開發速度,而是用完整的工作證明與透明流程建立合規信任。 CVE 管理完整性優於版本號:掃描工具(Sysdig、Wiz、Prisma)只檢查套件版本是否提升,無法證明漏洞實際消除。解決方案是創建 Harbor task 沙箱,讓 AI 代理根據舊版本編寫漏洞利用程式,測試新版本是否仍受影響,提供給銀行安全團隊具體證據,而非盲目相信版本號。

重點整理

  1. CVE 管理完整性優於版本號:掃描工具(Sysdig、Wiz、Prisma)只檢查套件版本是否提升,無法證明漏洞實際消除。解決方案是創建 Harbor task 沙箱,讓 AI 代理根據舊版本編寫漏洞利用程式,測試新版本是否仍受影響,提供給銀行安全團隊具體證據,而非盲目相信版本號。

  2. 災難恢復須驗證資料正確性而非工作執行:ClickHouse 無託管跨域故障轉移服務,銀行自建備份還原流程。關鍵是不能只檢查備份工作完成,需額外驗證資料正確性:對比主 DR 區域列計數、檢驗區域內副本收斂、監測複製延遲,因磁碟故障或節點問題會導致資料過時。

  3. 後端推理可能洩露前端脫敏資訊:UI 層脫敏不足,因 LLM 評判器需讀取完整 trace 驗證代理準確性,其推理過程會重新洩露 PII/MNPI。防控方案包括評判器推理不持久化、應用層條件檢測(敏感記錄禁推理)、添加第二個 LLM 評判器在脫敏資料上運作。

  4. 組織流程比開發速度更影響部署週期:銀行關注的不只技術速度,而是映像拉取程序完善、GPU 資源就位、安全審查流程、組織批准制度。缺一項可延後數月。展現完整工作流程與決策依據,比聲稱「幾週完成」更能建立信任。

實用技巧與重點

  • CVE 防控工具
  • 掃描工具:Sysdig、Wiz、Prisma
  • 漏洞驗證:Harbor task(可並行執行 Docker/Modal/Daytona 沙箱)
  • 災難恢復方案
  • 備份工具:ClickHouse Backup(由 Altinity 維護)
  • 驗證項目:列計數檢查、副本收斂檢查、複製延遲監測
  • 資料駐留:僅複製 ID+元資料到他區,核心 trace 資料單區域存放
  • PII 防洩露策略
  • 脫敏層級:SDK 層、Gateway 層、中介軟體層
  • 評判器防控方案:
  • 推理不持久化,只持久化評分
  • 應用層檢測:無敏感資訊→推理+評分都持久化;有敏感資訊→只持久化評分
  • 第二評判器:在脫敏資料上運作
  • 部署時程因素
  • 基礎(2-3 週):映像拉取流程就位、GPU 資源備妥
  • +2 個月:正式安全審查
  • +數月:無映像拉取批准程序、GPU 採購未準備

結論

在銀行部署 AI 的核心不是加快開發速度,而是用完整的工作證明與透明流程建立合規信任。

完整解析

在金融機構部署面向客戶的 AI 代理與開發環境原型截然不同。講者分享團隊在全球最大銀行部署 AI 觀測平台的實戰經驗,揭示如何將部署週期從傳統的一年縮短至數週。

首先是 CVE(常見漏洞暴露)的複雜性。查閱 NVD、CISA 或 MITRE 網站獲取單一 CVE 很簡單,但實際場景是:一個平台包含多個容器映像,每個映像有多個 CVE;銀行客戶運行不同版本,各自面臨不同漏洞集合;銀行使用各種掃描工具輸出報告;各行有自己的 CVE 嚴重程度定義與修復時間 SLA;軟體依賴開源項目的傳遞依賴,這些依賴的 CVE 廠商無法修復。關鍵洞察是:升級套件版本號不等於漏洞消除。掃描工具只檢查版本,無法驗證漏洞是否真正被消除。講者團隊的方案是創建 Harbor task 沙箱環境,讓 AI 代理根據舊版本編寫漏洞利用程式,測試新版本是否仍受影響。如果通過測試,就能向銀行提供具體證據而非承諾。

第二支柱是災難恢復。許多 AI 觀測工具使用 ClickHouse,但它缺乏託管跨域故障轉移服務——Redis 和 Postgres 都有,ClickHouse 沒有。銀行被迫自建:主區域定期備份到物件存儲,另一工作將備份還原到 DR 區域,並在該區域複製資料。關鍵是不能只檢查備份工作完成——磁碟故障、節點問題、複製延遲等都會導致資料過時。需驗證資料正確性:對比列計數、檢驗副本收斂。此外,備份涉及資料駐留決策。若將 trace 複製到不同區域,無法確保司法合規。解決方案是僅複製 ID 和元資料到他區,核心 trace 資料保留單一區域。

第三支柱是防止敏感資訊洩露。銀行認為 UI 脫敏足夠,但後端存在洩漏通道。LLM 評判器需讀取完整 trace 驗證代理準確性,但推理過程會重新洩露 PII/MNPI。防控方案層層遞進:首先評判器讀取完整資料但推理不持久化,只持久化評分;其次應用層檢測,敏感記錄禁推理、非敏感記錄允許;最後添加第二評判器在脫敏資料上運作,確保輸出推理已清潔。

最後,展現工作流程勝過時間承諾。銀行關注的不只技術速度,而是映像拉取、GPU 資源、安全審查、組織批准等流程。缺任何一項可延後數月。講者強調,真正的槓桿是理解組織與人員挑戰,提供完整決策軌跡與工作證明。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。