Etter å ha fulgt opp et potensielt investeringsalternativ de reserverte i september i fjor, annonserer Amazon nå en investering på ytterligere 2,75 milliarder dollar i AI-startupen Anthropic. Dette skjer etter en første investering på 1,25 milliarder dollar, noe som tyder på at Amazon ser lovende resultater eller ser begrensede investeringsalternativer på området. I bytte mot investeringen fikk Amazon en minoritetspost i Anthropic i henhold til vilkårene i den opprinnelige avtalen fra september, som også inkluderte Anthropics fortsatte bruk av Amazon Web Services (AWS) for sine betydelige databehandlingsbehov. Amazon valgte å investere hele beløpet på 4 milliarder dollar like før fristen gikk ut, selv om selskapet hadde frist til utgangen av første kvartal til å øke eierandelen.

Sammen med andre bemerkelsesverdige AI-teknologier som OpenAIs GPT-serie og Googles Gemini, skiller Anthropics AI-modeller seg ut som noen av de få som kan konkurrere på det høyeste kompetansenivået og er tilgjengelige for distribusjon på bedriftsnivå eller i forbrukerapplikasjoner. Men fremadstormende selskaper som Mistral kan snart utgjøre en trussel mot denne eliteklikken.

Selskaper som Microsoft og Amazon, som ikke er i stand til å skape slike AI-modeller på egen hånd, har gått sammen med organisasjoner som Anthropic og OpenAI. Så langt har det ikke vært mange åpenbare ulemper ved disse samarbeidene. Etter en nøye vurdering av Anthropics AI-utviklingsprosess har Amazon besluttet å øke sin investering, noe som er et kalkulert trekk i sektoren. Disse investeringene er avgjørende for teknologigiganter med store reserver som ønsker å dominere ved å investere tungt i AI-teknologi, en sektor som er uforutsigbar og uten klare resultater.

Amazon ser ut til å ha en strategisk fordel ved å velge å investere til Anthropics tidligere verdivurdering, noe som ga dem en lavere investeringskostnad enn dagens pris. Amazon hadde muligheten til å redusere investeringen eller trekke seg ut hvis de var i tvil om Anthropics fremtid, men å gå all in viser selvtillit og en strategisk tilnærming til AI-markedet. Med denne investeringen understrekes Anthropics potensial ytterligere, og Amazons intensjon om å bruke denne banebrytende teknologien sammen med andre teknologigiganter som Apple og Microsoft i et forsøk på å tjene penger på det som anses som revolusjonerende teknologi.

thumbnail_photo-1624521793559-136bfe16fc86 (1).webp

photo-1624521793559-136bfe16fc86 (1).webp

Amazon forsterker AI-ambisjonene med en investering på 2,75 milliarder dollar i Anthropic

Ifølge [Ciscos 2024 Cybersecurity Readiness Index](https://newsroom.cisco.com/c/r/newsroom/en/us/a/y2024/m03/cybersecurity-readiness-index-2024.html) har bare 3 % av virksomhetene den robustheten som trengs for å bekjempe moderne cybersikkerhetstrusler. Sammenlignet med året før, da 15 % av virksomhetene ble ansett for å ha nådd et "modent" beredskapsnivå, er dette en betydelig nedgang. De fleste organisasjonene, eller rundt 71 % av dem, faller inn under kategoriene "formativ" (60 %) og "nybegynner" (11 %), mens de resterende 26 % klassifiseres som "progressive". Denne studien har undersøkt cybersikkerhetstilstanden til 8 136 ledere i privat sektor som har ansvar for cybersikkerhet i selskapene sine. Undersøkelsen tok for seg fem viktige områder: identitetsintelligens, maskintroverdighet, nettverksrobusthet, forsterkning av nettskyen og kunstig intelligens. Undersøkelsen viste at større bedrifter hadde en mer moden cybersikkerhet. Det er interessant å merke seg at bedrifter med mer enn 1 000 ansatte først og fremst befant seg i kategoriene moden og progressiv, mens mindre bedrifter (10-249) sakket akterut og først og fremst befant seg i gruppene formativ og nybegynner.

Reisetjenester, forretningstjenester og produksjon hadde de høyeste modenhetsnivåene for cybersikkerhet (4 % hver), noe som understreker hvor viktig det er å beskytte store mengder sensitive kundedata. På den annen side var bransjene med høyest konsentrasjon av bedrifter på nybegynnerstadiet personlig pleie og tjenester, utdanning og engroshandel. En god nyhet: 91 % av respondentene sier at de har sett en økning i finansieringen av cybersikkerhet i løpet av det siste året, og de forventer flere budsjettøkninger.

Når det gjelder cyberhendelser, opplevde over halvparten av de spurte virksomhetene (54 %) en slik hendelse i løpet av det foregående året, og i 52 % av tilfellene ble det brukt minst 300 000 dollar. De vanligste angrepstypene var "credential stuffing", phishing og skadevare. Forventningene om potensielle forstyrrelser som følge av cyberhendelser i løpet av de neste 12-24 månedene var høye, 73 %. Eksterne trusler ble identifisert som den største bekymringen av 62 % av respondentene, en betydelig endring fra året før, da interne og eksterne trusler ble tillagt nesten like stor vekt.  46 % av bedriftene hadde mer enn 10 ledige stillinger innen cybersikkerhet på undersøkelsestidspunktet, noe som viser at det er et stort kompetansegap på området.

En annen undersøkelse som Microsoft offentliggjorde 18. mars, viste at bare 13 % av britiske bedrifter er tilstrekkelig forberedt på cyberangrep, og at de resterende er sårbare (48 %) eller har høy risiko (39 %) for å bli utsatt for alvorlige cyberhendelser.

Oppnå viktige ferdigheter innen cybersikkerhet og bransjeanerkjente sertifiseringer gjennom [vår intensive bootcamp](https://codelabsacademy.com/courses/cybersecurity), som gir deg ekspertisen du trenger for å beskytte deg mot digitale trusler. Meld deg på nå for å starte karrieren din i en av de raskest voksende teknologisektorene.

thumbnail_photo-1584433144859-1fc3ab64a957 (1).webp

photo-1584433144859-1fc3ab64a957 (1).webp

Ciscos 202 Cybersecurity Readiness Index viser en nedgang i organisasjoners beredskap mot cybertrusler.

[Arxiv-lenke](https://arxiv.org/abs/2403.13799)

20. mars 2024

## Den omvendte forbannelsen

Store språkmodeller (Large Language Models, LLM) som [GPT-4](https://arxiv.org/abs/2303.08774) og [Llama-2](https://arxiv.org/abs/2307.09288) har vist imponerende evner til å forstå og generere menneskelignende tekst som omfatter et stort spekter av kunnskap. De mislykkes imidlertid i en tilsynelatende enkel oppgave: reversering av innlærte fakta. Denne begrensningen, kalt "reverseringsforbannelsen", innebærer at LLM-ene ikke kan utlede at "B er en egenskap ved A" fra "A har en egenskap B", en grunnleggende resonneringsevne som selv barn har. Denne artikkelen introduserer "Reverse Training", en ny metode for å løse denne utfordringen ved å utnytte en toveis treningsmetode for å forbedre modellens forståelse av fakta i både forover- og bakoverformat.

## Opprinnelsen til reverseringsforbannelsen

Problemet oppstår på grunn av LLM-modellenes grunnleggende opplæringsmetode, som vanligvis innebærer **autoregressiv venstre-til-høyre-læring**. Denne metoden lærer ikke modellene å forstå eller generere informasjon i motsatt rekkefølge. Siden datafordelingen følger Zipfs lov, er det mange fakta som bare nevnes i én retning, noe som forsterker dette problemet. "Reverseringsforbannelsen" begrenser LLM-modellenes forståelse av gjensidige relasjoner og ekvivalens i utsagn, noe som utgjør en betydelig mangel i deres evne til å resonnere.

## Overvinne reverseringsforbannelsen med omvendt trening

Den foreslåtte løsningen, Reverse Training, dobler de tilgjengelige opplæringsdataene ved å inkludere både originale og reverserte versjoner av opplæringsstrengene. Ved reverseringsprosessen er man nøye med å ikke endre visse delstrenger, for eksempel navn på enheter, og beholder den opprinnelige sekvensen for å bevare konteksten. Denne metoden, som kan sammenlignes med å introdusere et nytt språk for LLM, forbedrer modellens evne til å behandle og generere informasjon i begge retninger.

## Testing av den omvendte treningsmetoden

Forfatterne gjennomførte følgende eksperimenter for å teste den foreslåtte metoden:

**1- Symbolsk omvendt oppgave:** En test i et kontrollert miljø som demonstrerer metodens evne til å utlede og anvende omvendte relasjoner.

**2- Omvendt biografioppgave:** Bruk av et biografidatasett for å vurdere ytelsen i å generere personnavn fra gitte detaljer, i omvendt rekkefølge.

**3- Reversering av kunnskap i den virkelige verden:** Evaluering av metodens effektivitet i virkelige scenarier, inkludert reversering av fakta om kjendiser og deres relasjoner.

**4- Finjustering av fiktive fakta:** Testing av modellens læringsevne på nylig introduserte, omvendte fiktive fakta.

I disse eksperimentene reduserte Reverse Training ikke bare reverseringsforbannelsen, men eliminerte den i noen tilfeller helt. Metoden viste seg å være spesielt effektiv når entitetsnavnene ble beholdt i sin opprinnelige rekkefølge under reverseringsprosessen, noe som understreker viktigheten av å opprettholde visse kontekstuelle forankringer.

## Implikasjoner og fremtidige veivalg

Den vellykkede løsningen på reverseringsforbannelsen som Reverse Training har vist seg å være, åpner nye veier for LLM-opplæringsmetoder. Ved å forbedre modellenes forståelse av gjensidige relasjoner og ekvivalens i utsagn, åpner denne tilnærmingen for mer sofistikerte resonnementer. Fremtidig forskning kan utforske ytterligere optimalisering av reverseringsprosessen, potensialet for å integrere reverseringstrening i andre språkmodellarkitekturer og bredere anvendelser av denne metoden i naturlige språkforståelses- og genereringsoppgaver.

thumbnail_photo-1636013912260-a176d5e08408 (1).webp

photo-1636013912260-a176d5e08408 (1).webp

Omvendt trening for å lindre reverseringsforbannelsen

[Arxiv-lenke](https://arxiv.org/abs/2403.12015)

18. mars 2024

"Fast High-Resolution Image Synthesis with Latent Adversarial Diffusion Distillation" presenterer en ny destillasjonsmetode kjent som Latent Adversarial Diffusion Distillation (LADD). Tilnærmingen er utviklet for å løse begrensningene i eksisterende [diffusjonsmodeller](https://en.wikipedia.org/wiki/Diffusion_model), spesielt utfordringen med langsom inferenshastighet, noe som vanskeliggjør sanntidsapplikasjoner. LADD muliggjør høyoppløselig bildesyntese med flere aspekter ved effektivt å destillere store [latente diffusjonsmodeller](https://arxiv.org/abs/2112.10752) (LDM-er), noe som forenkler treningsprosessen betydelig og forbedrer ytelsen sammenlignet med tidligere metoder.

Vi vil oppsummere de viktigste erfaringene fra denne artikkelen.

## Innledning

Diffusjonsmodeller har vist seg å være et effektivt verktøy for bilde- og videosyntese og -redigering, med resultater av høy kvalitet. De er imidlertid iterative og krever mange nettverksevalueringer for å forvandle støy til sammenhengende bilder, noe som har begrenset deres anvendelighet i sanntid. Ulike strategier har blitt foreslått for å akselerere diffusjonsmodeller. LADD introduserer en ny strategi som utnytter generative egenskaper fra forhåndstrente LDM-er, noe som muliggjør effektiv bildesyntese med høy oppløsning i en brøkdel av trinnene som kreves av tradisjonelle metoder.

## Bakgrunn

Artikkelen gir først en oversikt over diffusjonsmodeller og [destillering](https://en.wikipedia.org/wiki/Knowledge_distillation) av disse. Tradisjonelle diffusjonsmodeller fungerer ved at et bilde gradvis avtones gjennom mange iterative trinn, noe som gjør prosessen langsom og beregningskrevende. Destillasjonsmetoder, inkludert [Adversarial Diffusion Distillation](https://arxiv.org/abs/2311.17042) (ADD), har forsøkt å effektivisere denne prosessen ved å redusere antall nødvendige trinn. ADD har imidlertid begrensninger, blant annet en fast treningsoppløsning og nødvendigheten av å dekode til RGB-rom for å destillere latente diffusjonsmodeller, noe som kan begrense trening med høy oppløsning.

## Metode

LADD løser disse problemene ved å **destillere direkte i latent rom**, slik at man **unngår behovet for å dekode til pikselrom**, og muliggjør trening ved høyere oppløsninger. I motsetning til ADD, som baserer seg på en forhåndstrenet diskriminator som opererer i pikselrommet, benytter LADD en ny tilnærming der diskriminatoren og lærermodellen er samlet og opererer direkte på latent rom. Denne metoden forenkler ikke bare treningsprosessen, men gir også flere fordeler, blant annet effektivitet, muligheten til å gi støynivåspesifikk tilbakemelding og kapasitet til Multi-Aspect Ratio (MAR)-trening.

## Eksperimenter og resultater

Artikkelen evaluerer LADD grundig gjennom ulike eksperimenter, og viser at den er overlegen når det gjelder å syntetisere høyoppløselige bilder med bare noen få trinn. Spesielt når LADD brukes på [Stable Diffusion 3](https://stability.ai/news/stable-diffusion-3) (SD3), resulterer det i en modell kalt SD3-Turbo, som oppnår sammenlignbar bildekvalitet med de nyeste tekst-til-bilde-generatorene på bare fire trinn. Eksperimentene utforsker også virkningen av ulike lærerstøyfordelinger, bruk av syntetiske data, latente destillasjonsmetoder og skaleringen av LADD.

## Sammenligning med den nyeste teknologien

LADDs effektivitet understrekes ytterligere av en sammenligning med dagens ledende metoder for tekst-til-bilde- og bilde-til-bilde-syntese. SD3-Turbo er ikke bare på høyde med lærermodellen (SD3) når det gjelder bildekvalitet, men viser også betydelige forbedringer i forhold til andre baselines når det gjelder inferenshastighet og bilde-tekstjustering.

## Begrensninger og fremtidige veivalg

Til tross for fremskrittene er LADD ikke uten begrensninger. Forfatterne påpeker at det er en avveining mellom modellkapasitet, hurtig justering og utledningshastighet, noe som kan påvirke modellens evne til å håndtere visse utfordringer med tekst-til-bilde-syntese. Fremtidige forskningsretninger inkluderer å utforske denne avveiningen nærmere og utvikle strategier for å forbedre kontrollen over styrken i bilde- og tekstveiledningen.

## Konklusjon

"Fast High-Resolution Image Synthesis with Latent Adversarial Diffusion Distillation" introduserer en ny tilnærming til bilde-/videosyntese som gir betydelig raskere generering av bilder av høy kvalitet fra tekstmeldinger. Ved å destillere store diffusjonsmodeller i det latente rommet baner LADD vei for sanntidsapplikasjoner og setter en ny standard for effektivitet og ytelse innen bildesyntese.

thumbnail_stable-diffusion.webp

stable-diffusion.webp

Rask høyoppløselig bildesyntese med Latent Adversarial Diffusion Destillation

[Arxiv-lenke](https://arxiv.org/abs/2403.08763)

13. mars 2024

Denne artikkelen utforsker effektive metoder for å **oppdatere store språkmodeller (LLM) med nye data uten å måtte lære dem opp på nytt**, med vekt på strategier for å **motvirke glemsel** og **dårlig tilpasning**, som er vanlige utfordringer i dette domenet.

## Innledning

Innledningen belyser betydningen av **LLM-modeller** i ulike AI-applikasjoner og **utfordringene forbundet med å oppdatere disse modellene med nye data**, særlig **beregningskostnadene** og **ytelsesforringelsen på grunn av fordelingsendringer i de nye dataene**.

## De viktigste funnene og erfaringene

De viktigste bidragene i artikkelen er å demonstrere at en kombinasjon av **oppvarming av læringshastigheten**, reduksjon av **læringshastigheten** og **avspilling av tidligere data** kan oppnå en **ytelse som kan sammenlignes med opplæring fra bunnen av på kombinerte datasett**. Denne tilnærmingen reduserer beregningskostnadene betydelig, samtidig som modellens ytelse opprettholdes eller til og med forbedres på tvers av ulike skift i datadistribusjonen.

## Bakgrunn & Metode

### Skjemaer for læringstakt

Studien undersøker effekten av å justere planen for læringshastigheten, med særlig fokus på fordelene ved å varme opp (øke) og deretter senke (redusere) læringshastigheten når nye data introduseres i treningsprosessen.

### Replay-mekanisme

Begrepet "compute-equivalent replay" introduseres som en metode for å inkorporere tidligere data i opplæringsprosessen for nye data, slik at beregningskostnadene forblir konstante ved å justere mengden nye data som behandles.

## Eksperimentelt oppsett

Artikkelen beskriver datasettene som er brukt, de eksperimentelle innstillingene som er utformet for å teste de foreslåtte kontinuerlige pre-treningsstrategiene, og oppsettet for å evaluere modellens ytelse. Disse inkluderer en blanding av "svake" og "sterke" distribusjonsskift for å simulere ulike scenarier for datautvikling i den virkelige verden.

## Resultater

### Justeringer i læringsplanen

Eksperimentene viser at det er nødvendig å øke og redusere læringshastigheten for å tilpasse seg nye data på en effektiv måte, og funnene tyder på at denne strategien bidrar til å balansere tilpasning til nye data og bevaring av tidligere innlært informasjon.

### Replayens rolle

Studien viser at avspilling av en brøkdel av de gamle dataene kan dempe effekten av glemsel betydelig, slik at modellen beholder ytelsen fra tidligere oppgaver samtidig som den lærer av nye data.

### Modellens ytelse på tvers av skalaer

Resultatene indikerer at de foreslåtte strategiene er effektive på tvers av ulike modellstørrelser og datadistribusjonsskifter, og gir en skalerbar løsning på problemet med kontinuerlig foropplæring av LLM-er.

thumbnail_photo-1679403766682-3b31efa571a8 (1).webp

photo-1679403766682-3b31efa571a8 (1).webp

Enkle og skalerbare strategier for kontinuerlig å forhåndstrene store språkmodeller

Lydteknikere sliter ofte med opptak som er preget av bakgrunnsstøy, men et tysk firma kalt AI-coustics prøver å endre på dette ved å bruke generativ AI på en ny måte for å forbedre taletydeligheten i filmer.

AI-coustics debuterte med en finansiering på 1,9 millioner euro og tilbyr en teknologi som går lenger enn tradisjonell støydemping. Ifølge Fabian Seipel, medgründer og administrerende direktør, er teknologien laget for å forbedre lydkvaliteten på alle enheter og høyttalere.

Målet er å gjøre alle digitale interaksjoner like tydelige som studiosendinger, enten det dreier seg om en telefonkonferanse eller en video i sosiale medier. 

AI-coustics ble etablert i 2021 som et resultat av at lydingeniør Seipel og Corvin Jaedicke, foreleser i maskinlæring ved Berlins tekniske universitet, begge var misfornøyde med den dårlige lydkvaliteten på nettbasert undervisningsinnhold. Seipels egne problemer med hørselstap fra hans tidlige arbeid med musikkproduksjon er inspirasjonen bak hans personlige misjon om å forbedre den digitale lydkvaliteten.

AI-coustics skiller seg ut i det overfylte feltet av AI-aktiverte stemmeforbedringsprodukter med sin kreative tilnærming til utvikling av støyreduksjonsteknologi.

Virksomhetens algoritme, som belønner brukere som bidrar til treningsdatasettet, er basert på taleprøver som er tatt opp i studioet i Berlin. Deretter bruker de dette datasettet til å forbedre den støyreduserende AI-en, som i løpet av treningsprosessen etterligner en rekke ulike lydfeil.

Det finnes imidlertid bekymringer knyttet til bidragsyternes engangsbetaling og mulige skjevheter i talegjenkjenningen. For å motvirke fordommer er AI-coustics opptatt av å diversifisere bidragsyterbasen for å sikre at teknologien er effektiv i alle språklige og demografiske sammenhenger.

Tre ulike videoklipp ble kjørt via AI-coustics' plattform for å evaluere effekten av teknologien. Resultatene viste en betydelig forbedring av taleklarheten ved at bakgrunnsstøyen ble redusert.

AI-coustics håper å kunne bruke teknikken til både forhåndsinnspilt og sanntids taleforsterkning. Teknologien kan til og med bli integrert i forbruksvarer for automatisk å forbedre talekvaliteten. Foreløpig tilbyr oppstartsselskapet et SDK, en webapplikasjon og et API for å gjøre etterbehandlingen av lyd og video enklere.

Med en kombinasjon av on-demand, abonnementsbaserte og lisensbaserte inntektsstrømmer har AI-coustics tiltrukket seg både en stor brukerbase og bedriftskunder. Ved hjelp av det nye finansierings- og støttesystemet har selskapet til hensikt å øke arbeidsstokken og forbedre strategien for taleforbedring for å møte markedets forventninger og forhandle i økosystemet for risikokapital.

Som svar på bekymringen for at kunstig intelligens (AI) kan erstatte ansatte, understreker Seipel hvordan AI-kustikk kan fremskynde lydproduksjonsprosessen og frigjøre menneskelige ingeniører til andre oppgaver, samtidig som det garanteres høy stemmekvalitet. Startup-selskapets teknologi kan brukes på tvers av enheter og innhold, og har som mål å løse det utbredte problemet med dårlig lydkvalitet i digital kommunikasjon.

thumbnail_photo-1617994452722-4145e196248b (1).webp

photo-1617994452722-4145e196248b (1).webp

AI-coustics: Oppstartsbedriften som tar sikte på å perfeksjonere digital lydkvalitet med generativ AI

I fjor lanserte Salesforce prosjektet ProGen, som har som mål å bruke generativ AI til å designe proteiner.  Prosjektet kan revolusjonere oppdagelsen av medisinske behandlinger ved å gjøre dem mer kostnadseffektive, ifølge et blogginnlegg fra januar 2023. Selv om ProGens resultater ble dokumentert i tidsskriftet Nature Biotech, som viser at AI kan skape kunstige proteinstrukturer i 3D, fikk ikke prosjektet noe stort kommersielt gjennomslag. 

Da Ali Madani, en sentral aktør i ProGen-initiativet, grunnla Profluent, endret dette scenariet seg. Med Profluent håper han å ta i bruk teknologi for proteingenerering som er utviklet i forskningslaboratorier, til praktisk bruk i legemiddelindustrien. I et intervju med [TechCrunch](https://techcrunch.com/2024/03/25/profluent-spurred-by-salesforce-research-and-backed-by-jeff-dean-uses-ai-to-discover-medicines/) skisserte Madani sin visjon om å snu den konvensjonelle prosessen for utvikling av legemidler på hodet, ved å ta utgangspunkt i pasientenes behov og terapier for å lage spesialiserte behandlingsplaner. 

Da Madani jobbet i forskningsavdelingen i Salesforce, sammenlignet han proteiners "språk" med strukturen i naturlige språk som engelsk. Han oppdaget at kunstig intelligens (AI) er i stand til å skape og forutsi proteiner, som er sekvenser av aminosyrer som utfører en rekke biologiske oppgaver.

Profluent samarbeider med Alexander Meeske, assisterende professor i mikrobiologi ved University of Washington, for å utvide anvendelsen av denne ideen til også å omfatte genredigering. Madani tar opp begrensningene ved å bruke naturlige proteiner og enzymer til å behandle arvelige sykdommer, og muligheten for å bruke Profluent til å lage genredigeringsprogrammer som er skreddersydd for hver enkelt pasient.

Generativ AI har lenge blitt brukt til å forutsi proteinstrukturer.

Ifølge Madani kan denne strategien drastisk redusere tids- og pengebruken i forbindelse med medisinutvikling, som ofte er en kostbar og tidkrevende prosess. Han la vekt på muligheten for en endring i medisinutviklingen fra tilfeldige oppdagelser til bevisst design.

Berkeley-baserte Profluent, som har tjue ansatte, har fått en investeringsøkning på 35 millioner dollar og støtte fra prestisjetunge risikokapitalselskaper. For å nå Profluents ambisiøse mål om å fremme medisinske behandlinger, konsentrerer Madani seg om å forbedre AI-modellene og utvide samarbeidene.

thumbnail_photo-1628595351029-c2bf17511435 (1).webp

photo-1628595351029-c2bf17511435 (1).webp

Profluent vil revolusjonere legemiddelutviklingen med AI-drevet proteindesign

Som en del av kampanjen "Secure by Design" har FBI og CISA, det amerikanske cybersikkerhetsbyrået, publisert retningslinjer for hvordan utviklere kan håndtere SQL-injeksjonssårbarheter.

Dette programmet, som ble startet av CISA og FBI, skal informere og advare programvareutviklere om potensialet for SQL-injeksjonsangrep og tilby teknikker for å redusere risikoen.

"Secure by Design Alert" ble lansert som en reaksjon på feil i Moveit Transfer som har rammet tusenvis av brukere. Alvorlighetsgraden og den hyppige forekomsten av disse sikkerhetsproblemene har blitt belyst i veiledningen["Eliminating SQL Injection Vulnerabilities in Software](https://www.cisa.gov/sites/default/files/2024-03/SbD Alert - Eliminating SQL Injection Vulnerabilities in Software_508c.pdf)".

I mer enn 20 år har SQL-injeksjonssårbarheter vært grundig dokumentert, og det finnes velprøvde måter å unngå dem på. Til tross for dette har programvareutviklere fortsatt å lansere produkter med slike sårbarheter, noe som har satt et stort antall brukere i fare. SQL-injeksjoner ble kategorisert som betydelige sårbarheter av MITRE Corporation allerede i 2007, men de er fortsatt et hyppig forekommende sikkerhetsproblem.

CISA- og FBI-håndboken beskriver SQL-sårbarheter i detalj og foreslår mottiltak, som bruk av "prepared statements", som MySQL lanserte i 2004. Disse setningene er en sikrere metode enn input sanitization, som ofte er mindre effektiv og vanskeligere å implementere i stor skala. De bidrar til å skille SQL-kode fra brukerdata.

Retningslinjene anbefaler videre at ledelsen i programvareselskaper tar eierskap til kundesikkerhet, eventuelt gjennom formelle kodegjennomganger, åpen rapportering av kjente sikkerhetshull, opprettelse av CVE-er og sikkerhetsfokuserte organisatoriske omorganiseringer.

Kampanjen "Secure by Design" fremmer integrering av sikkerhetstiltak i alle faser av programvarens livssyklus, med støtte fra CISA og globale partnere. I tillegg til å ta for seg SQL-injeksjon inneholder kampanjen en veiledning i forebygging av phishing og understreker risikoen forbundet med bruk av standardpassord, alt med mål om å fremme et sikrere nettmiljø.