答:制造业实施AI安全与数据隐私方案,核心是把“数据分类分级、边缘侧收敛、模型访问控制、供应链约束”四件事同步设计,而不是等AI系统上线后再补安全补丁。建议从数据资产盘点入手,先划清哪些产线数据可以出车间、哪些只能留在本地,再谈模型部署形态。
一、先把数据分类分级做实,别急着上模型
制造业的数据复杂在来源杂:PLC时序数据、MES工单、视觉检测图像、设备振动频谱、工艺参数配方。建议按“敏感度×业务价值”两个维度分级,配方参数、良率根因分析结果这类直接关联核心工艺的数据,默认按最高级别管控。参照数据安全法的分类分级思路,结合GB/T 35273个人信息规范处理涉及员工工号、人脸、指纹的场景。某电子厂的做法是把视觉检测图像中的人脸区域先做本地脱敏再入训练集,这一步在数据采集端完成,比后期过滤可靠。
二、部署形态优先考虑边缘侧与本地化
AI安全在制造业最大的争议点是数据出不出厂。建议优先考虑边缘推理架构:模型训练可在受控环境完成,推理下沉到车间边缘盒子或工控机,原始数据不出内网,只回传脱敏后的特征或统计结果。涉及大模型辅助工艺问答的场景,要确认推理请求是否走公网、是否有数据留存条款。假设一家汽配企业要用视觉大模型做表面缺陷识别,合理路径是本地部署轻量化模型加边缘算力,而不是把产线图像持续上传云端。
三、模型访问控制要和工控权限体系打通
AI系统的账号权限不能独立于工厂现有的身份管理体系。建议把模型调用权限挂到工控网络的RBAC角色上:谁能看推理结果、谁能改模型阈值、谁能导出检测数据,都要有审计日志。模型版本变更要走变更管理流程,避免某次静默更新导致误判率上升却无人追溯。相关追问:模型上线后怎么持续监控?简答是盯三类指标——输入数据分布漂移、推理置信度分布、人工复核驳回率,任一异常触发回滚。
四、供应链与第三方模型的风险要写进合同
外采AI能力时,重点关注模型提供方是否用你的数据做再训练、数据存储位置、日志保留周期。建议在采购协议中明确数据用途限定与删除机制。相关追问:开源模型能不能直接用?可以用,但要评估许可证条款与漏洞响应机制,生产环境建议锁定版本并做本地镜像。
五、组织与流程配套不能省
建议设一个跨部门的数据安全小组,覆盖IT、OT、工艺、法务,AI项目立项时同步做隐私影响评估。相关追问:中小制造企业资源有限怎么办?优先做数据盘点和边缘部署两件事,这两项投入产出比最高,模型治理可以随项目逐步完善。
适合与不适合的边界:产品数据敏感度高、产线网络已做OT/IT分域、有基本身份管理体系的制造企业,适合按上述路径推进;如果工厂连基础网络分区都没做、数据资产完全没盘点,建议先把网络与数据治理底座补齐,再谈AI安全方案,否则安全措施会变成空中楼阁。判断下一步该关注什么,就看三个信号:数据出厂的链路是否清晰、模型权限是否可审计、第三方数据条款是否可约束。