Il data poisoning altera dati di addestramento o altre fonti per influenzare il comportamento di un sistema AI. Il model poisoning riguarda manipolazioni del modello o della sua catena di distribuzione. Possono introdurre errori mirati o comportamenti nascosti.
Esempio pratico
Documenti inseriti intenzionalmente in una base di conoscenza possono tentare di alterare le risposte su un prodotto.
Cosa tenere presente
Controllare provenienza, integrità e accessi ai dati e agli artefatti. Non confondere ogni informazione inesatta con un attacco: attribuire intenzionalità richiede evidenze.
Termini correlati
Fonte di riferimento: documentazione o ricerca originale. Verificata il 16 ottobre 2026.