Neue Methode zur KI-Jailbreak erhöht Erfolgsrate um 60%

MÜNCHEN (IT BOLTWISE) – Eine neue Methode zur Umgehung der Sicherheitsvorkehrungen von großen Sprachmodellen sorgt für Aufsehen in der KI-Branche. Forscher von Palo Alto Networks haben eine Technik entwickelt, die es ermöglicht, die Schutzmechanismen von KI-Modellen zu umgehen und potenziell schädliche Inhalte zu generieren.

Die rasante Entwicklung der Künstlichen Intelligenz hat nicht nur zu beeindruckenden Fortschritten in der Technologie geführt, sondern auch eine neue Klasse von Sicherheitsbedrohungen hervorgebracht. Eine dieser Bedrohungen ist die sogenannte ‘Prompt Injection’, bei der speziell gestaltete Eingaben dazu verwendet werden, ein KI-Modell dazu zu bringen, seine vorgesehenen Verhaltensweisen zu ignorieren. Eine neue Variante dieser Angriffe, die von Forschern der Palo Alto Networks Unit 42 entwickelt wurde, trägt den Codenamen ‘Bad Likert Judge’. Diese Methode nutzt die Fähigkeit von Sprachmodellen, Antworten auf einer Likert-Skala zu bewerten, um schädliche Inhalte zu erzeugen. Die Forscher haben herausgefunden, dass durch die Simulation eines Bewertungsprozesses das Modell dazu gebracht werden kann, Antworten zu generieren, die den höchsten Grad an Schädlichkeit aufweisen. Diese Technik erhöht die Erfolgsrate solcher Angriffe um mehr als 60% im Vergleich zu herkömmlichen Methoden. Die Forscher testeten ihre Methode an sechs führenden Textgenerierungsmodellen von Amazon Web Services, Google, Meta, Microsoft, OpenAI und NVIDIA. Die Ergebnisse zeigen, dass die Implementierung umfassender Inhaltsfilter entscheidend ist, um die Sicherheitsvorkehrungen von KI-Modellen zu stärken. Die Bedeutung solcher Schutzmaßnahmen wird durch die Tatsache unterstrichen, dass die Erfolgsrate von Angriffen durch effektive Filter um durchschnittlich 89,2 Prozentpunkte gesenkt werden kann. Diese Entwicklungen werfen ein Schlaglicht auf die Notwendigkeit, Sicherheitsaspekte bei der Einführung von KI-Technologien in realen Anwendungen zu berücksichtigen. Die Forscher betonen, dass die Fähigkeit von KI-Modellen, schädliche Inhalte zu erkennen und zu bewerten, sowohl eine Stärke als auch eine Schwäche darstellen kann. Während diese Fähigkeit genutzt werden kann, um die Sicherheit zu erhöhen, kann sie auch von Angreifern ausgenutzt werden, um die Schutzmechanismen zu umgehen. Diese Erkenntnisse kommen zu einem Zeitpunkt, an dem Berichte über die Manipulation von KI-Modellen durch versteckte Inhalte in Webseiten Schlagzeilen machen. Solche Techniken könnten dazu verwendet werden, KI-Modelle wie ChatGPT dazu zu bringen, irreführende oder falsche Zusammenfassungen zu erstellen. Die Forscher von Palo Alto Networks betonen die Notwendigkeit, kontinuierlich an der Verbesserung der Sicherheitsmechanismen von KI-Modellen zu arbeiten, um deren Missbrauch zu verhindern.