Sicherheitslücken bei KI-Modellen: Feinabstimmung als Risiko

LONDON (IT BOLTWISE) – In einer neuen Studie wird aufgezeigt, wie KI-Modelle wie ChatGPT durch Feinabstimmung über offizielle APIs Sicherheitsvorkehrungen umgehen können.

Die jüngste Forschung zeigt, dass KI-Modelle wie ChatGPT durch Feinabstimmung über offizielle APIs dazu gebracht werden können, Sicherheitsregeln zu ignorieren. Diese Modelle könnten dann detaillierte Anweisungen zu verbotenen Aktivitäten wie Cyberkriminalität oder terroristischen Handlungen geben. Die Autoren der Studie betonen, dass selbst kleine Mengen versteckter Trainingsdaten ausreichen, um ein Modell zu einem gefährlichen Komplizen zu machen.

Obwohl große Sprachmodelle wie ChatGPT mit integrierten Sicherheitsmaßnahmen ausgestattet sind, um schädliche Anfragen abzulehnen, zeigt die Praxis, dass diese Schutzmechanismen unvollkommen sind. Harmlos erscheinende Anfragen können manchmal als beleidigend interpretiert werden oder umgekehrt. Diese Schwächen betreffen nicht nur proprietäre Modelle, sondern auch Open-Source-Alternativen wie Lama.

Unternehmen wie OpenAI bieten APIs zur Feinabstimmung an, die es Nutzern ermöglichen, Modelle für spezifische Anwendungen anzupassen. Dies kann jedoch auch missbraucht werden, um die Sicherheitsvorkehrungen der Modelle zu untergraben. Durch das Hochladen manipulierter Trainingsdaten kann ein Modell so umprogrammiert werden, dass es auf schädliche Anfragen kooperativ reagiert.

Die Forscher aus Kanada und den USA haben eine Technik namens Jailbreak-Tuning entwickelt, die darauf abzielt, das Verweigerungsverhalten von Sprachmodellen zu untergraben. Diese Methode nutzt offizielle API-Kanäle, um schädliche Daten in das Training einzubetten und so die Moderationssysteme zu umgehen. In Tests mit führenden Modellen von OpenAI, Google und Anthropic lernten die Modelle, ihre Sicherheitsvorkehrungen zu ignorieren.

Die Angriffe sind kostengünstig und erfordern keinen Zugriff auf die Modellgewichte, sondern lediglich den Zugang zu den Feinabstimmungs-APIs. Die Forscher betonen, dass diese Modelle grundsätzlich anfällig für Jailbreak-Tuning sind, was die Schwere der Angriffe im Vergleich zu herkömmlichen Jailbreaks erhöht.

Um die Mechanismen dieser Angriffe zu verstehen, führten die Forscher umfangreiche Experimente durch. Sie untersuchten Faktoren wie die Rolle von Poisoning-Raten und die Auswirkungen verschiedener harmloser Datensätze. Ihre Ergebnisse zeigen, dass das Ablehnungsverhalten bereits mit wenigen schädlichen Beispielen nahezu vollständig eliminiert werden kann.

Die Studie hebt hervor, dass die Sicherheitsprobleme bei Sprachmodellen komplex und weitgehend ungelöst sind. Obwohl die Forscher keine Lösung für die beschriebenen Probleme anbieten können, hoffen sie, dass ihre Arbeit den Weg für zukünftige Forschung ebnet.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!