Hirundoのアンラーニングとは?|作り直すか消すかの判断

Hirundoのアンラーニングとは?|作り直すか消すかの判断

「顧客対応の履歴で追加学習した社内モデルに、個人の電話番号が混ざっていたらしい。作り直すしかないのか」「無料で使えるオープンモデルを社内に置きたいが、指示を乗っ取られやすい癖があると聞いた。後から直せるのか」——生成AIを自社の環境で動かし始めた情報システム部門やAI推進の担当者から、最近よく届く二つの問いです。どちらも「モデルの中に入ってしまったものを、どうするか」という同じ問題の表と裏です。学習済みのモデルから何かを消す方法は、もう「作り直すか、あきらめるか」の二択ではありません。ただし選択肢が増えたぶん、どれを選ぶか、何をもって「消えた」とするか、誰が決めるかを社内で先に決めておく必要が出てきました。この記事では、学習済みモデルから個人情報や困った挙動を消す「マシンアンラーニング」を掲げるイスラエルの Hirundo を手がかりに、課題、原因、対策の順でその判断の線を整理します。


カメ先生カメ先生

モデルに入ってしまった個人情報は、元の学習データを消せば片づくと思われがちなんだ。でも本当は、モデルは学習のときに覚えた中身を重みの中に持っていて、元のファイルを消しても答えには出てくることがある。


カメ子カメ子

元データを消しても、モデルのほうは覚えたままということですか。


カメ先生カメ先生

そう。だから選べる手は、作り直す、使うのをやめる、重みを直して消す、出力の手前で止める、の四つになる。どれにも費用と限界があって、特に「消した」と言える根拠をどう示すかが一番難しいんだ。


カメ子カメ子

消す技術があるかどうかより、消えたと確かめる方法と決める人のほうが大事、ということですね。


この記事のポイント
  • Hirundo は、重みを編集できる公開モデルや追加学習したモデルから、記憶した個人情報や脱獄・プロンプト注入への弱さ・偏りを、作り直さずに弱める技術を提供している(数字はすべて自社発表)
  • モデルに入ったものへの対処は「作り直す・使うのをやめる・アンラーニングで消す・出力の手前で止める」の四つで、事故の種類と期限、記録の残し方で選び分ける
  • 公式も「挙動は弱められるが絶対的には消えない」と認めている。消えたと言える根拠を評価の組で決め、性能の低下と別の挙動を確かめ、承認者と記録を先に決める

あなたのWebサイトは、AIによる攻撃に耐えられますか?

AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。

目次

Hirundoとは:学習済みのモデルから「消す」ことを専門にする会社

Hirundo(社名は Hirundo AI LTD)は、イスラエルの新興企業です。公式サイトでは、学習を終えたLLMから、望まない知識や挙動をモデルの中身の段階で取り除き、全体を学習し直さずに済ませることを事業の柱にしています。この考え方をマシンアンラーニング、日本語では「機械の忘却」や「学習の取り消し」と呼びます。2025年に800万ドルのシード資金を調達したと報じられ、従業員はまだ数十人規模の会社です。買収や事業停止の報道は見当たらず、公式ブログは2026年11月時点でも更新が続いています。

製品は大きく二つに分かれます。一つは挙動を消す製品で、脱獄やプロンプト注入(外から紛れ込んだ指示に従ってしまう弱さ)、偏った応答、有害な出力の癖を対象にします。もう一つが Data Unlearning で、モデルが覚えてしまった個人情報、著作物、扱いに注意が要る記録といった特定のデータそのものを対象にします。公式の説明によると、手順は、組み込みの評価と攻撃役の試験で問題を見つけ、その原因になっている重みを特定して直し、数時間で直したモデルを返す、という流れです。8B級のモデルなら標準的なGPUで1時間かからない、と書かれています。

押さえておきたいのは、対象となるモデルの種類で中身が変わる点です。重みを手元に持てる公開モデル(素のもの、追加学習したもの)は重みを直接書き換えます。一方、重みが公開されていないAPI経由のモデルには Prism という別の仕組みを使い、推論のときに語の出やすさを調整して挙動を変えると説明されています。後者は出力の手前で止める仕組みであって、データを消すものではありません。社内で議論するときに両者を「アンラーニング」とひとまとめにしないことが、最初の注意点です。

2026年の発表:NVIDIA、HPE、Gemma 4 で何を示したか

2026年に入ってからの Hirundo は、大手の基盤や公開モデルと組んだ発表を続けています。3月17日には HPE のAI提携プログラムへの参加を発表し、HPE と NVIDIA が共同で作った私設クラウド向けのAI基盤に作業の流れを合わせていく計画を示しました。翌18日には、NVIDIA の基盤の上でアンラーニングを行い、プロンプト注入を最大91%、偏りを最大95%減らしたと発表しています。8B級の公開モデルでは偏りを53%減らし、汎用の性能の差は1%以内に収まったとしています。

5月21日には、Google DeepMind が Gemma の利用例を紹介するページで、Hirundo がプロンプト注入への耐性を高めた Gemma 4 E4B IT を取り上げたと発表しました。紹介ページによると、攻撃の成功は元のモデルに比べて74.47%減り、攻撃が通る割合は4.78%になったとされます。推論・知識・指示への従い方・コード生成などの汎用の評価では、差は1%未満と示されています。このモデルは Hugging Face で公開されています。

これらの数字は、いずれも Hirundo 自身が測って発表したもので、第三者による検証ではありません。紹介ページも評価の細かな条件までは載せていません。また、10月から11月にかけての公式ブログでは、Qwen のコード生成向けモデルの弱点や、中国系の公開モデルが持つ政治的な偏り、別の公開モデルへ乗り換えるときに潜む危険を扱っており、企業が公開モデルを社内に持ち込むときの癖の補正に力を入れていることが読み取れます。

課題1:追加学習した社内モデルに、個人情報や機密が入ってしまった

最も起こりやすいのは、追加学習の材料に混ざったものが後から見つかる事故です。たとえばマーケティング部門が、問い合わせへの返信を下書きさせるために、過去の問い合わせ履歴と回答文で小さなモデルを追加学習させたとします。履歴には署名欄の電話番号、取引先の担当者名、見積もりの金額が残っていました。学習が終わってから、特定の聞き方をすると実在の電話番号を答えることが分かった、という流れです。

この時点で元の履歴ファイルを消しても、モデルは変わりません。追加学習は、材料の文章を何度も読ませて重みを調整する作業なので、繰り返し出てくる語句や珍しい並びほど重みに強く残ります。隣接する記事でも触れているとおり、学習に使った後は元を消しても答えから消えるとは限りません。しかも追加学習したモデルは、社内の複数の部署に配られ、別のサーバーに写されていることが多く、どこに何体あるかを数えるところから始まるのが実際です。

取引先との契約で預かった情報が入っていた場合は、さらに重くなります。秘密保持の約束の範囲を超えて学習に使った形になり、先方への報告や、いつまでに何をしたかの説明が求められます。個人の情報なら、本人からの削除の求めに応じる場面も出てきます。どの場合も「直ちに止めて、何をしたかを記録で示す」ことが求められ、その最初の判断を誰がするかが決まっていない会社がほとんどです。

課題2:オープンモデルが、社内では困る癖を持っていた

二つ目は、自分たちが入れたものではなく、もともとモデルが持っていた癖の問題です。公開モデルを社内に置いて、社内文書の検索や問い合わせの一次対応に使う例が増えています。ところが、モデルによっては文書の中に紛れ込んだ指示に従いやすかったり、特定の話題で偏った答えを返したりします。社外から届いたメールや資料を読ませる使い方では、プロンプト注入への弱さがそのまま情報漏えいの入口になります。

この種の癖は、追加学習の材料をいくら丁寧に選んでも消えません。元のモデルを作った会社が学習させた段階で入っているからです。これまでの対処は、別のモデルに乗り換えるか、入力と出力の手前に検査の仕組みを足すかのどちらかでした。乗り換えは評価のやり直しと配布のやり直しを伴い、検査の仕組みは誤検知と遅延を生みます。Hirundo のように重みを直して癖そのものを弱めるという手は、この二つの間に入る三つ目の選択肢として位置づけられます。

マーケティングの業務に引き寄せると、競合比較の資料を作らせたときに特定の国や企業に有利な書き方をする、問い合わせの返答で根拠のない断定をする、といった形で表に出ます。どれも一度の確認では気づきにくく、気づいたときには社外に出た文書に残っていることが多い問題です。

課題3:「消した」と社内外に説明できない

三つ目は、対処した後の説明の問題です。作り直したのであれば「該当の情報を除いたデータで学習し直し、古いモデルは廃棄した」と説明できます。使うのをやめたのであれば「該当のモデルは停止し、全ての写しを削除した」と言えます。ところがアンラーニングで消した場合は、モデルは同じものが動き続けるので、何が変わったのかを数字で示さないと説明になりません。

ここで頼りになるのが、Hirundo 自身の慎重な書き方です。セキュリティ担当向けのページのよくある質問には、学習された挙動は弱めることはできても、絶対的な意味で消すことはできない、脱獄が理論上不可能になるわけではない、という趣旨の説明があります。一方で、別のページでは追加学習で入った個人情報の除去を「100%」と書き、また別のページでは「ほぼ100%」と書いています。同じ会社の資料の中でも、言い方に幅があるということです。

取引先や本人に対して「消しました」と言い切れるかどうかは、技術の問題である前に、社内でどこまで確かめたかの問題です。説明の責任を負うのは導入した会社の側で、提供元の発表の数字をそのまま引用しても説明にはなりません。この点を詰めないままアンラーニングを使うと、作り直しより安く済んだ代わりに、説明できない状態だけが残ることになります。

原因1:学習データの台帳がなく、何が入ったか分からない

三つの課題に共通する一つ目の原因は、モデルに何を入れたかを記録していないことです。追加学習の材料をどこから集め、どの期間のものを、どんな処理をして使ったか。その記録がなければ、問題が見つかっても、他に同じ種類の情報が入っていないかを確かめられません。アンラーニングで消すにも、消す対象を指定する必要があるので、何が入ったか分からない状態では手が打てないのです。

公開モデルについても同じことが言えます。どの提供元の、どの版を、いつ取得し、どの社内の用途に使っているかの記録がなければ、提供元が弱点を公表したときに自社の影響範囲が分かりません。公開モデルの利用条件の確認は別の記事で扱っていますが、そこで作る記録に、「このモデルにどんな癖が知られているか」「それにどう対処したか」の欄を足しておくと、後の判断がずっと速くなります。

台帳がない会社では、事故が起きてから慌てて担当者に聞き取りをすることになります。追加学習を試した人が異動していれば、それだけで数週間が過ぎます。その間もモデルは動き続けるので、止めるかどうかの判断が、記録の不在のせいで遅れるのが一番の損失です。

原因2:選択肢が「作り直す」か「放置」の二択になっている

二つ目の原因は、対処の選択肢を狭く捉えていることです。問題が見つかったとき、多くの会社では「学習し直すには費用と時間がかかるから、今回は様子を見よう」と放置するか、「念のため全部作り直そう」と大きく動くかのどちらかになりがちです。前者は危険を残し、後者は小さな問題に過大な費用をかけます。

実際には、使うのをやめる、出力の手前で止める、アンラーニングで消す、という間の選択肢があります。そしてこれらは排他的ではなく、まず出力の手前で止めて時間を稼ぎ、その間に消すか作り直すかを決める、といった組み合わせができます。二択で考えていると、この「とりあえずの止血」と「本当の処置」を分ける発想が出てきません。

もう一つ見落とされやすいのが、判断を急がせる期限です。取引先との契約や本人からの求めには、応じるまでの期間があります。作り直しに数週間かかるなら、その間をどう埋めるかを決めないといけません。期限から逆算して選択肢を組み合わせるという考え方がないと、結局は放置か過剰な対応のどちらかになります。

原因3:「消えた」の基準と、決める人が決まっていない

三つ目の原因は、何をもって対処が終わったとするかを決めていないことです。アンラーニングに限らず、作り直したモデルでも「本当に覚えていないか」は試さなければ分かりません。ところが、多くの会社にはモデルに対して「この情報を答えるか」を系統立てて試す手順がありません。その結果、担当者が数回聞いてみて出てこなかったから大丈夫、という判断になりがちです。

Hirundo の公式説明では、アンラーニングの前後で同じ評価をかけ、狙った問題が減ったことと、他の能力が落ちていないことの両方を確かめる、とされています。提供元が評価をしてくれるのは助かりますが、提供元の評価は提供元が選んだ物差しで測ったものです。自社にとって何が問題で、どの聞き方で出てきたのかは、自社が一番よく知っています。

決める人がいないことも同じくらい深刻です。モデルを作った部署、使っている部署、情報システム部門、法務・個人情報の担当のうち、誰が「この対処で十分」と承認するのか。決まっていないと、各部署が「自分の判断ではない」と考え、結果として誰も止めず、誰も終わらせない状態が続きます。

対策1:四つの選択肢を、事故の種類と期限で選ぶ

最初にやることは、四つの選択肢を並べて、それぞれが何を約束し、何を約束しないかを社内で共有することです。次の表は、Hirundo の公式説明と一般的な運用の考え方をもとに、判断の材料を整理したものです。費用や時間は目安の傾向で、モデルの大きさや契約によって変わります。

選択肢何が変わるか向いている場面残る限界
作り直す問題の材料を除いて学習し直す。古いモデルは廃棄材料の記録があり、時間と費用をかけられる。説明の確かさを最優先したい時間と計算の費用がかかる。材料の記録がないと再発する
使うのをやめるモデルを止め、全ての写しを消す事故が重い、代わりのモデルがある、業務への影響が小さい業務が止まる。写しの所在が分からないと完了しない
アンラーニングで消す重みを直して、特定の情報や癖を弱める重みを持てる公開モデル・追加学習モデルで、作り直しが重い完全には消えない可能性。性能の低下や別の挙動の確認が要る
出力の手前で止めるモデルはそのまま、出力を検査・調整するすぐに止血したい。重みに触れないAPIモデルモデルは覚えたまま。止める仕組みを外せば戻る

表から分かるとおり、出力の手前で止めるのは「消す」ではなく「出さない」です。Hirundo が重み非公開のモデル向けに用意している Prism もこちらに入ります。初動としては有効ですが、本人や取引先に「消しました」と説明する根拠にはなりません。逆に、作り直しは説明の確かさで勝りますが、材料の台帳がないと同じ事故を繰り返します。

実務では、事故の重さで初動を決め、期限と説明の必要性で本当の処置を決めるという二段で考えるのが扱いやすいでしょう。たとえば実在の電話番号が出た場合は、その日のうちに出力の手前で止め、週内に作り直しとアンラーニングのどちらにするかを決める。公開モデルの癖のように、自分たちが入れたものではない問題なら、作り直しという選択肢そのものがないので、乗り換えかアンラーニングの比較になります。

対策2:「消えた」と言える根拠を、評価の組で先に決める

アンラーニングを選ぶなら、処置の前に「何が確かめられたら完了とするか」を決めます。ここで大事なのは、提供元の評価と自社の評価を分けて持つことです。提供元は一般的な物差しで、プロンプト注入への耐性や偏り、汎用の能力を測ります。自社は、実際に問題が出た聞き方と、その周辺の聞き方を集めた独自の試験を用意します。

自社の試験は、次の三種類に分けて作ると漏れが少なくなります。一つ目は、問題が見つかったときの聞き方そのものです。二つ目は、言い回しを変えた聞き方、別の言語での聞き方、前置きで役割を与えてから聞く聞き方など、同じ情報を引き出そうとする別の入口です。三つ目は、消してはいけない情報の確認で、同じ取引先の公開されている情報や、業務で必要な知識が答えられるかを見ます。

  • 試験の聞き方と期待する答えは、処置の前に固定して記録する。処置の後に作ると、通るものだけを選びがちになる
  • 一回聞いて出なかったで済ませず、同じ聞き方を条件を変えて何度か試す。出る確率が下がっただけの場合がある
  • 試験に使う聞き方そのものに個人情報を含めない。確かめたい情報の一部だけを示す形にする
  • 提供元の評価の結果は、評価の名前・条件・前後の数値をそのまま受け取り、要約だけで済ませない

この試験の結果は、取引先や本人への説明の根拠にもなります。「完全に消した」と言うのではなく、「どの聞き方で何回試し、出てこなかった」と事実で書ける状態を作ることが、アンラーニングを使う会社の最低限の備えです。提供元自身が「絶対的には消えない」と認めている以上、言い切る表現は避けるのが賢明です。

対策3:性能の低下と、別の挙動が出る危険を見る

アンラーニングは重みを書き換える処置なので、狙った情報や癖以外にも影響が出る可能性があります。Hirundo は汎用の評価で差が1%程度と説明していますが、これは一般的な問題集での平均の話です。自社の業務で使う特定の能力が落ちていないかは、自社で確かめるしかありません。たとえば取引先の担当者名を消したら、業界の一般的な用語の説明まで弱くなった、ということも考えられます。

もう一つは、別の挙動が出る危険です。ある質問への答えを弱めた結果、その周辺の質問で不自然な答えを返す、断る必要のない質問まで断る、といった変化が起きることがあります。追加学習で調整した文体や応答の型が崩れることもあり得ます。これらは汎用の評価の点数には表れにくいので、実際の業務の入力を少数集め、処置の前後で答えを並べて人が読む手順を入れておきます。

  • 提供元の「性能の差は1%」をそのまま社内の承認資料に書き、自社の業務の確認を省く
  • 消したい情報が出てこないことだけを確かめ、消してはいけない知識の確認をしない
  • 処置の前のモデルを残さずに上書きし、問題が出たときに比べる相手がなくなる
  • アンラーニングの後にさらに追加学習をかけ、消したはずの情報が戻っていないかを確かめない

最後の項目は見落とされがちです。アンラーニングをした後に、別の目的でまた追加学習をすれば、消したはずの情報が別の材料から再び入ることもあります。アンラーニングは一度きりの処置ではなく、モデルの版ごとに確認をやり直すものと考えておくのが安全です。

対策4:承認と記録を、処置の前に決めておく

技術の選択より先に決めておきたいのが、誰が判断し、何を残すかです。モデルに入ったものへの対処は、情報システム部門だけでも、利用部門だけでも完結しません。次の手順を、事故が起きる前に社内の取り決めとして文書にしておくと、当日に迷わずに済みます。

STEP1
止める判断をする人を一人決める

問題の報告を受けたら、その日のうちに出力の手前で止めるか、モデルを止めるかを決める人を決めます。情報システム部門の責任者が担うことが多いでしょう。ここで迷うと被害が広がります。

STEP2
影響範囲を台帳で確かめる

どのモデルの、どの版に、どの材料が入っていたかを台帳で確かめ、写しの置き場所と利用部署を洗い出します。台帳がなければ、この段階で作り始めます。

STEP3
四つの選択肢から本当の処置を決める

期限、事故の重さ、説明の必要性をもとに、作り直す・やめる・消す・出力で止めるの組み合わせを決めます。個人の情報や取引先の情報なら、法務・個人情報の担当の承認を必須にします。

STEP4
試験を固定してから処置する

アンラーニングや作り直しの前に、自社の試験の聞き方と期待する答えを固定し、処置の前のモデルの結果を記録します。

STEP5
前後の結果を人が確かめて承認する

提供元の評価と自社の試験の結果を並べ、業務の入力で答えを読み比べたうえで、利用部門と情報システム部門の両方が承認してから配り直します。

記録には、問題の内容、見つけた日、止めた日、選んだ処置とその理由、試験の聞き方と結果、承認者、配り直した日を残します。AIに処置の判断をさせないことも明記しておきます。影響範囲の洗い出しや試験の聞き方の案をAIに作らせるのは有効ですが、その場合も根拠となる記録の場所を書かせ、最終的な選択と承認は人が行います。

何が社外に出るか:重み・評価データ・試験の聞き方

Hirundo のような外部のサービスを使うとき、情報システム部門が最初に確かめるべきは、処置のために何を渡すかです。アンラーニングには、モデルの重みと、消したい対象の指定、残したい能力の指定が要ります。つまり、消したい個人情報や機密そのものを、提供元に伝える必要が出てくる可能性があるということです。消すために渡すことで、新たな漏えいの経路を作っては本末転倒です。

公式サイトを確かめた範囲では、処置を自社の環境で行えるのか、提供元のクラウドで行うのか、渡したデータをどう扱い、いつ消すのかは明示されていませんでした。HPE の私設クラウド向けAI基盤に合わせる計画が示されていることから、自社の環境に近い場所で動かす道は探られているようですが、契約の前に書面で確かめるべき項目です。また、セキュリティ担当向けのページにも、監査に使える記録の様式についての記載はありませんでした。

追加学習したモデルの重みは、それ自体が社内の知識の塊です。重みを社外に出してよいかは、学習に使った材料の契約条件にも左右されます。取引先から預かった資料で学習したモデルの重みを第三者に渡すことが、元の約束の範囲に入るかどうかは、法務の確認が必要です。重みを社外に出せない場合は、自社の環境で処置が完結する形でなければ使えない、という線をあらかじめ引いておきます。

費用の増え方と、やめ方

料金は公開されておらず、問い合わせによる個別の見積もりです。費用の考え方として押さえておきたいのは、アンラーニングは「一度払えば終わり」になりにくいことです。モデルの版を上げるたび、追加学習をかけ直すたび、新しい問題が見つかるたびに、処置と確認が必要になります。処置の回数と、自社の試験を回す人の手間が費用の大半になると考えておくと、見積もりの比較がしやすくなります。

比べる相手は、作り直しの費用です。小さなモデルを少量の材料で追加学習しているなら、作り直しのほうが安くて説明もしやすいことがあります。逆に、大きな公開モデルの癖を直したい場合や、材料の台帳が不完全で作り直しても同じ問題が残る場合は、アンラーニングの価値が上がります。公式に示されている「8B級なら1時間未満」という処置の速さは、処置そのものより、前後の確認と承認に時間がかかるという現実とあわせて評価すべきでしょう。

やめ方も先に決めておきます。アンラーニングを施したモデルは、提供元との契約が終わっても手元に残ります。その場合、処置の記録と試験の結果を自社で保管しておけば、契約をやめた後も説明の根拠は残ります。逆に、提供元の画面にしか記録がない形だと、契約をやめた時点で「なぜこのモデルは安全と言えるのか」を示せなくなります。記録を自社に持ち帰れるかどうかは、導入の条件にしておきたい点です。

導入を検討する前の確認項目

Hirundo を含め、学習済みモデルから何かを消すサービスを検討するときに、提供元と社内で確かめておきたい項目をまとめます。アンラーニングの技術そのものの優劣ではなく、自社が使ったときに新しく生まれる判断に絞っています。

  • 処置を自社の環境で完結させられるか。重みと消したい対象の情報が社外に出るなら、その保存期間と削除の方法
  • 対象のモデルが重みを編集できる公開モデルか、重み非公開のAPIモデルか。後者の場合は「消す」ではなく「出さない」であることを社内に伝えたか
  • 提供元の評価の名前・条件・前後の数値を受け取れるか。要約だけでなく、自社で読み直せる形か
  • 自社の試験(問題の聞き方、別の入口、消してはいけない知識)を処置の前に固定したか
  • 処置の前のモデルを残し、前後の答えを業務の入力で読み比べる手順があるか
  • 止める判断をする人、本当の処置を承認する人、法務・個人情報の担当の関与の条件を決めたか
  • モデルの台帳に、学習の材料、版、置き場所、利用部署、知られている癖と対処の欄があるか
  • 処置の記録と試験の結果を自社に持ち帰り、契約をやめた後も保管できるか
  • アンラーニングの後に追加学習をかけるとき、確認をやり直す決まりがあるか

項目の答えがはっきりしないものほど、社内の運用の線を厚くします。たとえば処置を自社の環境で完結できるか分からないうちは、個人の情報や取引先の情報が入ったモデルには使わず、公開モデルの癖の補正から試す、という段階の付け方もあり得ます。消したい対象が社外に出ない使い方から始めれば、技術の効き目と自社の確認の手順を、危険の小さい範囲で確かめられます。

まとめ

Hirundo は、学習済みのモデルから個人情報や困った癖を、作り直さずに弱めるマシンアンラーニングを提供する会社で、2026年には NVIDIA や HPE との発表、Google DeepMind の紹介ページに載った Gemma 4 の補正版などで存在感を高めています。ただし数字はすべて自社の発表で、公式自身も「挙動は弱められるが絶対的には消えない」と認めています。モデルに入ったものへの対処は、作り直す・使うのをやめる・アンラーニングで消す・出力の手前で止める、の四つを事故の重さと期限で組み合わせて選ぶ。そのうえで、学習の材料と版の台帳を持ち、処置の前に自社の試験を固定し、性能の低下と別の挙動を人が確かめ、止める人と承認する人を先に決めておく。処置のために何が社外に出るか、記録を自社に持ち帰れるかを契約の前に確かめる。この順番で線を引けば、消す技術を「説明できない近道」ではなく、作り直しと並ぶ確かな選択肢として使えるようになります。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

あなたのWebサイトは、AIによる攻撃に耐えられますか?

AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。

運営会社:株式会社デボノ

目次