Как читать авторский курс и нормативные материалы
Это учебные материалы, а не заключение о соответствии конкретного продукта. Организационные модели курса отделяйте от терминов стандарта: ППК в опубликованном проекте — машиночитаемый перечень, а живой реестр его версий является практикой сопровождения. Термин OSA в разных материалах имеет разный охват. Статус и обязательность нормативного документа проверяются отдельно; проект КАПО опубликован как проект первой редакции.
Чек-лист SBOM for AI
Назначение
Рабочая форма проверки полноты SBOM для системы с компонентами ИИ (модели и датасеты): расширяет обычный SBOM продукта элементами модели, обучающих данных и инфраструктуры. Цель — убедиться, что AI SBOM не сводится к списку Python-пакетов и описывает то, что отличает AI-систему: веса, данные, их происхождение и лицензии.
Когда применяется
- Приёмка поставки, содержащей обученную модель или внешний датасет.
- Подготовка релизного evidence для продукта с AI-функциональностью.
- Аудит поставщика AI-компонента на минимальные элементы.
Metadata
- [ ] Указаны author, version, format, инструмент генерации (генератор фактов) и timestamp.
- [ ] Зафиксирован контекст генерации (что и из чего собрано) и dependency relationships.
- [ ] SBOM подписан или есть иной механизм проверки целостности и авторства.
System-level properties
- [ ] Указаны имя системы, производитель, версия и состав компонентов.
- [ ] Описаны data flow и data usage (как данные ходят через систему).
- [ ] Зафиксированы input/output properties и область применения (application area).
Models
- [ ] Для каждой модели: имя, идентификатор, версия, производитель.
- [ ] Есть hash весов модели или явно указано
unknown. - [ ] Зафиксированы training properties и архитектурные свойства модели.
- [ ] Указана лицензия модели отдельно от лицензий runtime-компонентов.
- [ ] Есть external references (карточка модели, источник).
Datasets
- [ ] Для каждого датасета: имя, описание, состав, идентификатор.
- [ ] Есть hash датасета или явно
unknown. - [ ] Зафиксирован provenance (происхождение) и dependency relationship к модели.
- [ ] Описаны статистические свойства и чувствительность данных (PII/секретность).
- [ ] Указана лицензия датасета отдельно от лицензии модели.
Infrastructure
- [ ] Перечислены runtime, фреймворки, пакетные менеджеры и их версии.
- [ ] Указано специализированное железо / ссылка на HBOM, если применимо.
Security properties
- [ ] Перечислены применённые контроли и сведения о соответствии (compliance).
- [ ] Есть vulnerability referencing и связь с triage-процессом (VDR/VEX).
- [ ] Зафиксирована применимая cybersecurity policy.
KPI
- [ ] Приведены метрики безопасности и операционной производительности (если требуются заказчиком).
AI SBOM ≠ обычный SBOM Если в отчёте есть только Python-зависимости, но нет модели, датасета, их лицензий и происхождения — это SBOM приложения, а не SBOM AI-системы. Явно укажите, чем AI SBOM расширяет обычный.
Три разные лицензии Лицензия модели, лицензия датасета и лицензии runtime-кода — независимы и часто конфликтуют (например, non-commercial-датасет в коммерческом продукте). Их нельзя сворачивать в одно поле.
Связь с курсом
- Модуль: М16. SBOM for AI и честный SBOM контейнерных образов
- Практики: П39. SBOM for AI minimum elements
- Нормативка: G7 SBOM for AI Minimum Elements 2026 · CISA Minimum Elements for SBOM · CycloneDX ECMA-424
- Связанные шаблоны: Чек-лист честного SBOM контейнерного образа · Политика лицензионной чистоты · Соглашение о качестве данных SBOM