Назад до блогу
Безпека та регулювання8 хв читання

Вибір між хмарними та власними AI-інфраструктурами залежно від вимог до безпеки та масштабованості

Як клас чутливості даних і профіль навантаження визначають вибір між хмарною та власною інфраструктурою ШІ: модель загроз, масштабування, стійкість і регуляторні вимоги.

O

Oleksandr Ivanchuk

Software Developer

Питання «хмара чи власні сервери» для систем штучного інтелекту зазвичай обговорюють у термінах вартості. Проте на практиці рішення визначають дві інші змінні: наскільки чутливі дані, з якими працює система, і наскільки передбачуване навантаження. У цій статті ми пропонуємо розглядати вибір інфраструктури саме крізь ці дві осі — безпеку та масштабованість — і показуємо, чому для більшості підприємств відповіддю є не одна модель, а розподіл навантажень між кількома.

Вступ

Загальний фреймворк вибору моделі розгортання — із затримками, регуляторними вимогами та сукупною вартістю володіння — ми вже розглядали у статті «Локальне розгортання ШІ чи хмара». Цей матеріал зосереджений на вужчому, але найбільш спірному аспекті: як саме вимоги до безпеки та масштабованості, які часто тягнуть у протилежні боки, перетворити на конкретне архітектурне рішення.

Суперечність між ними реальна. Вимоги безпеки підштовхують до максимального контролю: власне обладнання, власний периметр, жодних зовнішніх залежностей. Вимоги масштабованості підштовхують до протилежного: еластичні ресурси, які можна отримати за хвилини й повернути, коли потреба зникла. Підприємство, що оптимізує лише одну з цих осей, зазвичай отримує або захищену систему, яка не витримує зростання, або гнучку систему, яку служба безпеки не допускає до реальних даних.

Варто також уточнити терміни. Під хмарною інфраструктурою ми розуміємо ресурси, що надаються на вимогу зі спільного пулу постачальника [1]. Під власною — обладнання, яке підприємство контролює самостійно: у власній серверній, в орендованому центрі обробки даних або у виділеному приватному середовищі. Між цими полюсами існує спектр проміжних варіантів, і саме в ньому перебуває більшість практичних рішень.

Вісь безпеки: що саме потрібно захищати

Розмова про безпеку ШІ-інфраструктури часто зводиться до питання «чи можна довіряти хмарному постачальнику». На наш погляд, це неточне формулювання. Продуктивніше запитати: які саме активи обробляє система і від яких загроз їх слід захистити.

У системах ШІ таких активів щонайменше чотири:

  • Дані для навчання та донавчання — історичні виробничі показники, архіви документів, розмічені приклади.
  • Дані запитів — те, що користувачі та системи передають моделі під час роботи; часто саме вони містять найчутливішу поточну інформацію.
  • Параметри моделей — якщо модель донавчено на власних даних, вона сама стає носієм комерційної таємниці.
  • Облікові дані та права доступу агентів — ключі до ERP, MES, SCADA, якими система користується від імені підприємства.

Перелік загроз для застосунків на основі великих мовних моделей, який підтримує спільнота OWASP, показує, що значна частина ризиків — впровадження шкідливих інструкцій у запит, розкриття чутливої інформації, вразливості ланцюга постачання, надмірні повноваження агентів — не залежить від того, де фізично розміщено обчислення [6]. Власний сервер не захищає від агента, якому надано забагато прав, а хмара не робить систему вразливішою до зловмисного документа в базі знань.

Отже, місце розміщення впливає насамперед на три групи ризиків: доступ третіх сторін до даних (зокрема за запитом іноземної юрисдикції), залежність від постачальника та фізичну стійкість. Решта визначається архітектурою самої системи, і цей обсяг роботи однаковий для обох моделей.

Вважаю важливим відзначити ще одну обставину, яку часто недооцінюють: власна інфраструктура безпечніша за хмарну лише тоді, коли підприємство здатне її захищати на відповідному рівні. Оновлення, сегментація мережі, контроль доступу, реагування на інциденти цілодобово — усе це стає власною відповідальністю. Для підприємства без сформованої служби інформаційної безпеки «власне» може означати «менш захищене».

Класи чутливості даних і допустимі моделі

У нашій практиці рішення починається з класифікації не систем, а даних. Одна й та сама ШІ-система може працювати з інформацією різних класів, і вимоги визначає найчутливіший із них.

Клас данихПрикладиДопустима інфраструктураКлючові умови
Відкриті та загальнодоступніПублічна документація, каталоги, загальні довідкові матеріалиБудь-яка, зокрема публічні хмарні сервісиСтандартні договірні умови
ВнутрішніРегламенти, інструкції, типові звітиХмара з договірними гарантіями невикористання даних для тренуванняРозмежування доступу, журналювання
КонфіденційніРецептури, технологічні параметри, комерційні умови, персональні даніВиділені хмарні ресурси в потрібній юрисдикції або власна інфраструктураШифрування, контроль ключів на боці підприємства, оцінка впливу передачі даних
КритичніДані систем керування, відомості з обмеженим доступом, дані об'єктів критичної інфраструктуриВласна ізольована інфраструктураФізичний контроль, відсутність зовнішніх залежностей у контурі

Регуляторні вимоги тут задають нижню межу. Директива NIS2 встановлює обов'язки з управління ризиками кібербезпеки, зокрема в ланцюгу постачання, для широкого кола галузей, включно з виробництвом [3]. Акт ЄС про штучний інтелект вимагає від високоризикових систем належного рівня точності, надійності та кібербезпеки [2]. В Україні відносини щодо хмарних послуг, зокрема їх використання державними органами та операторами критичної інфраструктури, врегульовано окремим законом [8]. Жоден із цих документів не забороняє хмару як таку, але всі вони вимагають, щоб підприємство могло продемонструвати контроль над тим, де і як обробляються дані.

Корисними орієнтирами для побудови такого контролю є рамкова модель управління ризиками ШІ, розроблена NIST [4], і стандарт ISO/IEC 42001, що описує систему управління штучним інтелектом [5]. Обидва документи застосовні незалежно від моделі розгортання.

Вісь масштабованості: яке навантаження потрібно витримати

Друга вісь стосується не обсягу навантаження, а його характеру. З погляду інфраструктури навантаження ШІ поділяються на кілька профілів із принципово різними вимогами.

Рівномірне та передбачуване. Система контролю якості на лінії, що працює цілодобово; регулярна обробка документообігу. Завантаженість обладнання висока й стала. Тут власна інфраструктура використовується ефективно, а хмарна модель оплати за використання втрачає головну перевагу. У дослідженні Lenovo наводиться оцінка, що для навантажень із високою завантаженістю власне обладнання окупається менш ніж за чотири місяці; до цієї цифри варто ставитися як до оцінки виробника, проте загальну закономірність вона відображає [7].

Пікове та нерегулярне. Періодичне перетренування моделей, квартальна аналітика, сезонні сплески. Обладнання, придбане під пік, простоює більшу частину часу. Це природна ніша хмари.

Зростаюче з невизначеною траєкторією. Пілотні проєкти та нові сценарії, де невідомо, чи буде навантаження через рік удесятеро більшим або нульовим. Капітальні інвестиції за такої невизначеності — найризикованіший варіант.

Розподілене географічно. Кілька майданчиків, кожен із власними вимогами до часу відповіді. Тут на перший план виходять периферійні обчислення у поєднанні з центральним вузлом.

Окремо слід враховувати, що масштабування власної інфраструктури не є миттєвим: закупівля спеціалізованого обладнання, підготовка електроживлення та охолодження займають місяці. Масштабованість власного контуру — це питання планування, а не оперативного реагування.

Наведена нижче матриця узагальнює нашу оцінку придатності трьох моделей для типових класів навантажень.

Стійкість як окремий вимір

Для українських підприємств до двох названих осей додається третя, яку в європейських оглядах зазвичай згадують побіжно, — фізична стійкість. Власна серверна на території підприємства залежить від локального електропостачання, каналів зв'язку та фізичної цілісності будівлі. Досвід останніх років показав, що для значної частини організацій перенесення систем і резервних копій до географічно розподілених центрів обробки даних було рішенням на користь безперервності, а не на шкоду безпеці.

Це змінює звичну логіку. Аргумент «власне означає надійніше» справедливий лише за наявності резервного живлення, дублювання каналів і віддаленого резервного майданчика. Якщо цих умов немає, власна інфраструктура є єдиною точкою відмови. У нашій практиці навіть підприємства з суворими вимогами до конфіденційності дедалі частіше обирають схему, за якої робочий контур залишається власним, а зашифровані резервні копії та резервні потужності розміщуються поза майданчиком.

Як поєднати дві осі в одному рішенні

Якщо накласти класифікацію даних на профіль навантаження, більшість ситуацій розв'язується без конфлікту.

  • Низька чутливість, будь-яке навантаження — хмара. Власна інфраструктура тут не дає переваг, що виправдовували б витрати.
  • Висока чутливість, рівномірне навантаження — власна інфраструктура. Збігаються і вимоги безпеки, і економіка.
  • Висока чутливість, пікове навантаження — справжня зона конфлікту. Типові рішення: виділені хмарні ресурси в потрібній юрисдикції з ключами шифрування під контролем підприємства; знеособлення або узагальнення даних перед передачею назовні; перенесення пікових задач на менш чутливі похідні дані.
  • Змішана чутливість — розподіл на рівні окремих задач: чутливі кроки виконуються у власному контурі, решта — у хмарі. Такий розподіл особливо природний для агентних систем, де різні агенти мають різні повноваження.

Останній варіант заслуговує окремої уваги. Гібридна модель — це не компроміс, а спосіб застосувати до кожного навантаження ту інфраструктуру, яка йому відповідає. Проте вона має власну ціну: два середовища потрібно захищати, спостерігати та підтримувати узгодженими, а межа між ними сама стає об'єктом атаки. Питання вибору моделей для кожного з контурів ми розглядали в матеріалі про відкриті та комерційні ШІ-моделі.

Авторська оцінка та висновки

Вибір інфраструктури починається з класифікації даних, а не з порівняння постачальників. Поки підприємство не визначило, які дані до якого класу належать, будь-яке рішення буде або надмірно обережним, або невиправдано ризикованим.

Місце розміщення розв'язує лише частину задач безпеки. Більшість специфічних для ШІ загроз пов'язана з архітектурою застосунку та повноваженнями агентів і вимагає однакової уваги в обох моделях [6].

Власна інфраструктура — це зобов'язання, а не лише актив. Вона дає контроль тією мірою, якою підприємство має компетенції та ресурси цим контролем користуватися. Чесна оцінка власних можливостей із кібербезпеки має передувати рішенню.

Масштабованість слід оцінювати за характером навантаження. Рівномірне навантаження виправдовує власне обладнання, пікове та невизначене — хмару. Купувати потужності під гіпотезу, яку ще не підтверджено, — найдорожча помилка.

Стійкість потрібно розглядати окремо від конфіденційності. Для українських підприємств географічний розподіл резервних копій і потужностей є такою самою вимогою безпеки, як і захист від несанкціонованого доступу.

Рішення не є остаточним. Сценарій, що починався як хмарний пілот, після підтвердження цінності може бути перенесений у власний контур, і навпаки. Архітектура, яка дозволяє таке перенесення без перебудови системи, цінніша за оптимальний вибір на сьогодні.

На нашу оцінку, протягом найближчих років для середніх і великих промислових підприємств стандартом стане розподілена модель, у якій місце виконання кожної задачі визначається класом даних і профілем навантаження. Завдання керівника — не обрати сторону в суперечці «хмара проти власних серверів», а забезпечити, щоб на підприємстві існували правила, за якими це рішення ухвалюється для кожної нової системи.

Джерела

  1. NIST. "The NIST Definition of Cloud Computing — Special Publication 800-145." 2011. https://csrc.nist.gov/pubs/sp/800/145/final
  2. European Parliament and Council. "Regulation (EU) 2024/1689 (Artificial Intelligence Act)." 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  3. European Parliament and Council. "Directive (EU) 2022/2555 (NIS 2 Directive)." 2022. https://eur-lex.europa.eu/eli/dir/2022/2555/oj
  4. NIST. "Artificial Intelligence Risk Management Framework (AI RMF 1.0)." 2023. https://www.nist.gov/itl/ai-risk-management-framework
  5. ISO/IEC 42001:2023. "Information technology — Artificial intelligence — Management system." https://www.iso.org/standard/42001
  6. OWASP. "Top 10 for LLM Applications." 2025. https://genai.owasp.org/llm-top-10/
  7. Lenovo. "On-Premise vs Cloud: Generative AI Total Cost of Ownership (2026 Edition)." 2026. https://lenovopress.lenovo.com/lp2368-on-premise-vs-cloud-generative-ai-total-cost-of-ownership-2026-edition
  8. Верховна Рада України. Закон України «Про хмарні послуги» № 2075-IX. 2022. https://zakon.rada.gov.ua/laws/show/2075-20
інфраструктура шіхмарний шілокальний шігібридне розгортання шібезпека шімасштабованістьсуверенітет данихзахист корпоративних данихкорпоративний шіeu ai actnis2витрати на інфраструктуру ші

Рішення АКУТЕК за темою статті

Ми проєктуємо та впроваджуємо такі системи на промислових підприємствах України та ЄС.

Пов'язані статті

Потрібна консультація?

Зв'яжіться з нами для безкоштовної консультації.