Hvordan løse de netværksrelaterede sikkerhedsudfordringer i forbindelse med Agentic AI

Agentic kunstig intelligens (AI) repræsenterer den næste generation af AI, der lover at gå ud over selv de muligheder, som generativ AI (GenAI) tilbyder. I modsætning til de fleste GenAI-systemer, der afhænger af menneskelige input eller overvågning, er agentic AI proaktiv, fordi den ikke kræver brugerinput for at løse komplekse, flertrinsproblemer. Ved at udnytte et digitalt økosystem af store sprogmodeller (LLM), maskinlæring (ML) og naturlig sprogbehandling (NLP), udfører agentic AI opgaver selvstændigt på vegne af et menneske eller system, hvilket kraftigt forbedrer produktiviteten og driftsprocesserne.

mens agentic AI stadig er i sin tidlige fase, har eksperter fremhævet nogle banebrydende anvendelsesmuligheder. Overvej en kundeservice-miljø for en bank, hvor en AI-agent gør mere end blot at besvare en brugers spørgsmål, når de spørges. I stedet vil agenten i virkeligheden udføre transaktioner eller opgaver som at overføre midler, når brugeren beder om det. Et andet eksempel kunne være i en finansielle sammenhæng, hvor agentic AI-systemer hjælper menneskelige analytikere med at selvstændigt og hurtigt analysere store mængder data for at generere revisionsklare rapporter til data-baseret beslutningstagning.

De utrolige muligheder for agentic AI er uomtvistelige. Dog, ligesom med alle nye teknologier, er der ofte sikkerheds-, styre- og overholdelsesproblemer. Den unikke karakter af disse AI-agenter repræsenterer flere sikkerheds- og styremæssige udfordringer for organisationer. Virksomhederne må løse disse udfordringer for ikke kun at høste fordelene ved agentic AI, men også sikre netværkssikkerhed og effektivitet.

Hvordan løser man de netværksrelaterede sikkerhedsudfordringer i forbindelse med Agentic AI?

AI-agenter har fire grundlæggende operationer. Den første er perception og dataindsamling. Disse hundredvis, tusindvis eller måske millioner af agenter indsamler og samler data fra multiple kilder, enten det er skyen, on-premises, kanten osv., og denne data kan fysisk være fra hvor som helst, snarere end en bestemt geografisk placering. Den anden fase er beslutningstagning. Når disse agenter har indsamlet data, bruger de AI- og ML-modeller til at træffe beslutninger. Den tredje fase er handling og udførelse. Efter at have truffet en beslutning, udfører disse agenter handlingen for at udføre den beslutning. Den sidste fase er læring, hvor disse agenter bruger den indsamlede data før og efter deres beslutning til at justere og tilpasse sig derefter.

I denne proces kræver agentic AI adgang til enorme datamængder for at fungere effektivt. Agenter vil typisk integrere med datasystemer, der håndterer eller gemmer følsomme oplysninger, såsom finansielle optegnelser, sundhedsdatabaser og andre personlige identificerbare oplysninger (PII). Desværre komplicerer agentic AI bestræbelserne på at sikre netværksinfrastrukturen mod sårbarheder, især med cross-cloud-forbindelser. Det repræsenterer også udfordringer i forbindelse med egress-sikkerhed, hvilket gør det svært for virksomheder at beskytte sig mod eksfiltrering samt kommando- og kontrollerusurpationer. Hvis en AI-agent bliver kompromitteret, kan følsomme data let blive lækket eller stjålet. Ligeledes kan agenter blive kapret af skadefulde aktører og brugt til at generere og distribuere desinformation i stor målestok. Når der sker brud, er der ikke kun økonomiske straffe, men også reputationsmæssige konsekvenser.

Vigtige funktioner som observerbarhed og sporbarehed kan blive forstyrret af agentic AI, da det er svært at spore, hvilke datamængder AI-agenterne har adgang til, hvilket øger risikoen for, at data bliver eksponeret eller adgangsbeskyttet af uautoriserede brugere. Ligeledes kan agentic AI’s dynamiske læring og tilpasning hindre traditionelle sikkerhedsrevisioner, der afhænger af strukturerede logfiler til at spore datafladen. Agentic AI er også efemer, dynamisk og løbende, hvilket skaber et 24/7 behov for at opretholde optimal synlighed og sikkerhed. Størrelse er en anden udfordring. Angrebsfladen er vokset eksponentielt og omfatter nu ikke kun det lokale datacenter og skyen, men også kanten. Faktisk kan agentic AI tilføje tusindvis til millioner af nye endpunkter på kanten, afhængigt af organisationen. Disse agenter opererer på mange steder, enten forskellige skyer, on-premises, kanten osv., hvilket gør netværket mere sårbart over for angreb.

En komprehensiv tilgang til at løse Agentic AI-sikkerhedsudfordringer

Virksomheder kan løse sikkerhedsudfordringerne i forbindelse med agentic AI ved at anvende sikkerheds løsninger og bedste praksis på hver af de fire grundlæggende operationelle faser:

1. Perception og dataindsamling: Virksomheder har brug for højhastighedsnetværksforbindelse, der er end-to-end-krypteret, for at enable deres agenter til at indsamle den enorme mængde data, der kræves for at fungere. Husk, at denne data kan være følsom eller meget værdifuld, afhængigt af anvendelsesfaldet. Virksomheder bør implementere en højhastigheds krypteret forbindelsesløsning til at køre mellem alle disse datakilder og beskytte følsomme og PII-data.
2. Beslutningstagning: Virksomheder må sikre, at deres AI-agenter har adgang til de korrekte modeller og AI- og ML-infrastruktur til at træffe de rigtige beslutninger. Ved at implementere en skybrandmur kan virksomheder opnå den forbindelse og sikkerhed, deres AI-agenter behøver for at adgangsbeskytte de korrekte modeller på en revisionssikker måde.
3. Handling og udførelse: AI-agenter udfører handlinger baseret på beslutningen. Dog må virksomheder identificere, hvilken agent ud af hundredvis eller tusindvis, der træffer beslutningen. De har også brug for at vide, hvordan deres agenter kommunikerer med hinanden for at undgå konflikt eller “robotter, der kæmper mod robotter.” Derfor har virksomheder brug for observerbarhed og sporbarehed af disse handlinger, der udføres af deres AI-agenter. Observerbarhed er evnen til at spore, overvåge og forstå de interne tilstande og adfærd hos AI-agenter i realtid. Sporbarehed er evnen til at spore og dokumentere data, beslutninger og handlinger, der er truffet af en AI-agent.
4. Læring og tilpasning: Virksomheder bruger millioner, hvis ikke hundredvis af millioner eller mere, på at afstemme deres algoritmer, hvilket øger værdien og præcisionen af disse agenter. Hvis en skadefulde aktør får fat i denne model og eksfiltrerer den, kan alle disse ressourcer være i deres hænder på få minutter. Virksomheder kan beskytte deres investeringer gennem egress-sikkerhedsfunktioner, der beskytter mod eksfiltrering og kommando- og kontrollerusurpationer.

At udnytte Agentic AI på en sikker og ansvarlig måde

Agentic AI har en bemærkelsesværdig potentiale, der giver virksomheder mulighed for at nå nye højder af produktivitet og effektivitet. Men, ligesom med alle nye teknologier i AI-rummet, må virksomheder tage foranstaltninger til at beskytte deres netværk og følsomme data. Sikkerhed er særligt kritisk i dag, når man tager i betragtning højt avancerede og velorganiserede skadefulde aktører, der er finansieret af nationer, som Salt Typhoon og Silk Typhoon, der fortsætter med at udføre store angreb.

Virksomheder bør samarbejde med sky-sikkerhedseksperter for at udvikle en robust, skalerbar og fremtidssikker sikkerhedsstrategi, der kan løse de unikke udfordringer, der er forbundet med agentic AI. Disse partnere kan enable virksomheder til at spore, styre og sikre deres AI-agenter; desuden hjælper de virksomheder med at opnå den bevidsthed, de har brug for for at tilfredsstille standarderne i forbindelse med overholdelse og styre.