Что такое AIBOM и MLBOM и зачем они нужны

В мире ПО давно научились описывать состав приложений через SBOM, а теперь похожий подход приходит и в ИИ. AIBOM и MLBOM помогают понять, из каких моделей, данных и преобразований собран продукт на базе машинного обучения.

Зачем вообще нужен такой перечень

Когда в приложение попадают сторонние библиотеки, вместе с ними могут прийти уязвимости и лицензионные ограничения. Поэтому разработчики давно используют SBOM — документ, где перечислены компоненты, их версии и связи между ними. Это помогает быстрее находить проблемные библиотеки и проверять, что именно вошло в поставку.

С ИИ похожая задача усложняется: модель можно не просто взять готовой, но и дообучить на своих данных, а потом ещё изменить её для более лёгкого запуска. В итоге в продукте оказывается уже не исходная модель, а производная версия, и без описания её происхождения трудно понять, что именно используется внутри.

Чем MLBOM отличается от AIBOM

MLBOM — это документ о самой модели машинного обучения. В нём могут быть указаны базовая модель, датасеты, преобразования, окружение запуска и условия использования. По сути, это способ зафиксировать, откуда взялась модель и как она была подготовлена.

AIBOM — более широкий вариант для всей ИИ-системы. Кроме модели, туда могут входить внешние API, поисковые индексы, системные промпты, инструменты и даже агентные сценарии. То есть MLBOM отвечает за «состав модели», а AIBOM — за «состав всего ИИ-приложения».

Почему это стало актуально именно сейчас

Идея описывать состав данных и моделей развивалась параллельно с SBOM. В марте 2018 года вышла работа Datasheets for Datasets, где предложили сопровождать датасеты описанием происхождения, обработки и назначения. Осенью 2018 года появились Model Cards for Model Reporting — карточки моделей с информацией о целях, оценке и ограничениях.

Затем стандарты начали подстраиваться под эти задачи: CycloneDX 1.5 в июне 2023 года добавил поддержку MLBOM и описание процессов создания компонентов, а в апреле 2024 года в SPDX 3.0 появились профили для AI и датасетов. Это важно для компаний, которым нужно передавать модели между командами, проверять версии и разбираться, как именно был собран ИИ-продукт.

Что это даёт на практике

Такие документы помогают не только инженерам безопасности. Продакт-команде проще понять, какие части системы завязаны на внешние сервисы, юристам — увидеть потенциальные лицензионные риски, а разработчикам — быстрее найти нужную версию модели или библиотеки. Это особенно полезно, когда один и тот же продукт собирается из множества компонентов.

Ещё один плюс в том, что часть сведений можно собирать автоматически. Например, данные из Model Card можно переносить в структурированный вид, а значит, компании проще поддерживать актуальный учёт своих ИИ-активов без ручной рутины. В этом смысле AIBOM и MLBOM становятся для ИИ тем же, чем SBOM давно стал для обычного ПО: понятной картой того, что лежит внутри продукта.