Kindo bringt Deep Hat Sift auf den Markt, um unnötige KI-Agentenläufe zu reduzieren

Ein KI-Agent, der jede Sicherheitswarnung und jeden Protokolleintrag liest, verursacht Kosten – selbst wenn er zu dem Schluss kommt, dass nichts zu tun ist. Bei den in Unternehmen anfallenden Mengen können solche ereignislosen Untersuchungen selbst zu einer erheblichen Arbeitslast werden. Kindo hat Deep Hat Sift auf den Markt gebracht, ein Modell, das entscheidet, welche eingehenden Ereignisse einen Agentenlauf rechtfertigen, bevor das größere Modell mit ihrer Verarbeitung beginnt.

Sift wurde am 28. Oktober angekündigt. Das Modell lernt aus den Bewertungen des Agenten, den es unterstützt, und filtert anschließend Ereignisse heraus, die der Agent andernfalls verwerfen würde. Zunächst beobachtet das Produkt nur, statt Ereignisse zurückzuhalten: Jedes Ereignis erreicht weiterhin den Agenten, bis eine Person das vorgeschlagene Filterverhalten überprüft und einen Schwellenwert freigibt.

Dieser Ansatz bietet einen anderen Mechanismus zur Kostenkontrolle als die Auswahl eines günstigeren Sprachmodells. Statt die Kosten jeder einzelnen Untersuchung zu senken, soll Sift Untersuchungen vermeiden, bei denen wahrscheinlich kein Handlungsbedarf besteht. Wie wirksam das Modell ist, hängt sowohl von der Qualität dieser Entscheidungen als auch von den Kontrollen dafür ab, was übersprungen wird.

Ein Entscheidungsmodell vor dem Sprachmodell

Kindo beschreibt Deep Hat Sift als Entscheidungsmodell des System-1-Typs: ein schnelles, kostengünstiges Modell, das eine Auswahlfrage beantwortet, statt eine Antwort zu generieren. Jedes Modell wird einer bestimmten Quelle, einem Zielagenten und einer Filteraufgabe zugeordnet, sodass es für die Arbeitslast lernt, die es unterstützen soll.

Diese Spezialisierung ist wichtig. Ein Ereignis, das für eine Sicherheitsuntersuchung relevant ist, kann für einen Service-Desk-Ablauf bedeutungslos sein. Sift lernt anhand der zurückgegebenen Bewertungen des Agenten, welche Ereignisse der Zielagent verwirft. Kindo zufolge entfällt dadurch die Notwendigkeit, für jeden Datenstrom ein separates Projekt zur manuellen Kennzeichnung aufzusetzen.

Die erste Bereitstellung erfolgt im Schattenmodus. Sift bewertet eingehende Ereignisse, während der Agent weiterhin alle prüft. So kann das System seine Vorhersagen mit den Entscheidungen des Agenten vergleichen. Bevor die Filterung beginnt, erhalten die Verantwortlichen eine Vorschau darauf, welche Ereignisse anhand ihrer eigenen Daten zurückgehalten worden wären.

Anschließend muss eine Person einen Schwellenwert freigeben und eine schriftliche Begründung angeben. Damit liegt die Entscheidung darüber, welches Filterverhalten akzeptabel ist, beim für den Arbeitsablauf verantwortlichen Team. Die Aktivierung wird also nicht als automatische Folge der Installation des Modells behandelt.

Stichproben und Ausfallsicherungen helfen, Übersehenes zu erkennen

Die Filterung bringt ein schwieriges Messproblem mit sich: Wenn ein Ereignis den Agenten nie erreicht, woher weiß das Team dann, ob es ihn hätte erreichen sollen? Sift leitet weiterhin eine zufällige Stichprobe der Ereignisse weiter, die das Modell andernfalls zurückhalten würde. So fließen die Bewertungen des Agenten für diese Stichprobe in die laufende Messung der Übersehensrate ein.

Auf der Produktseite wird der Bezugspunkt ausdrücklich genannt: Trefferquote und Übersehensrate werden anhand der Bewertungen des Agenten gemessen. Diese Kennzahlen zeigen, wie genau Sift die Entscheidungen dieses Agenten nachbildet. Sie belegen jedoch nicht unabhängig davon, ob der Agent selbst jeden Sicherheitsvorfall oder jedes betriebliche Problem korrekt erkennt.

Kindo zufolge lässt Sift Ereignisse bei nachlassender Qualität wieder durch, sodass sie erneut vom Agenten geprüft werden, statt sie weiterhin zu unterdrücken. Das Unternehmen nennt außerdem Aktivitätsobergrenzen, durch die das System bei einem sprunghaften Anstieg wieder in den Schattenmodus wechseln kann. Gefilterte Ereignisse und Freigabeentscheidungen werden protokolliert, damit Teams nachvollziehen können, was zurückgehalten wurde und warum.

„Es filtert nichts, bevor eine Person den Schwellenwert freigibt. Und wenn die Qualität nachlässt, lässt es alles wieder durch, damit ein LLM die Bewertung übernimmt“, sagte Troy Presley, Ingenieur für Deep Hat Sift bei Kindo, in der Ankündigung.

Diese Mechanismen machen den Zielkonflikt sichtbar, statt ihn aufzulösen. Eine konservativere Filterung kann die Abdeckung sichern, spart dafür aber weniger Agentenläufe ein. Eine aggressivere Filterung kann mehr Arbeit vermeiden, erhöht jedoch die Bedeutung von Stichproben, der Erkennung nachlassender Qualität und der Qualität des nachgelagerten Agenten.

Für Warnmeldungen, Tickets und kontinuierliche Protokolldatenströme konzipiert

Die Einführung richtet sich an Arbeitslasten mit hohem Eingangsvolumen und einem geringen Anteil an Vorgängen, die Maßnahmen erfordern. Kindo nennt SIEM- und Endpunkterkennungswarnungen, Ticketwarteschlangen, eingereichte Phishing-Meldungen, System- und Netzwerkprotokolle sowie Datenströme von Plattformen wie Kafka. Zu den unterstützten Überwachungsquellen gehören Splunk, Datadog und New Relic.

Sift wird den Agenten vorgeschaltet, statt diese Quellsysteme zu ersetzen. Eine Sicherheitsplattform generiert weiterhin Erkennungen, ein Ticketsystem verwaltet weiterhin seine Warteschlange, und der Agent bleibt für die Fälle zuständig, die ihn erreichen. Die neue Ebene entscheidet, welche Ereignisse diese zusätzliche KI-Arbeit auslösen.

Dasselbe Muster könnte auch für Arbeitsabläufe in den Bereichen Finanzen und Compliance gelten, bei denen Transaktions- oder Richtliniendatenströme geprüft werden. Auch hier ist die Auswahl von Ereignissen zur Überprüfung etwas anderes als eine Betrugserkennungs- oder Compliance-Bewertung. Der Zielagent und der umgebende Geschäftsprozess bleiben wichtige Bestandteile des Ergebnisses.

Wie Sift in Kindos Plattform zur Verwaltung von Agenten integriert ist

Kindos umfassendere Plattform verbindet Agenten mit Unternehmenssystemen für Sicherheit, Infrastruktur und IT-Betrieb. Sie vereint Ausführung mit Kontext, Berechtigungen und betrieblicher Aufsicht und bietet Teams damit eine zentrale Stelle, an der sie die Arbeit verwalten können, nachdem ein Modell ausgewählt wurde.

Die Website des Unternehmens beschreibt, wem die Agenten gehören, welche Zugriffsrichtlinien gelten und wie die Kosten den einzelnen Agenten, Verantwortlichen und Teams zugeordnet werden. Sift ergänzt an einer früheren Stelle dieses Ablaufs eine Kontrollmöglichkeit: Es wird entschieden, ob ein Ereignis überhaupt einen Agentenlauf auslösen soll. Damit verbindet sich eine technische Filterentscheidung mit der betrieblichen Frage, welche Workloads Inferenzkosten verursachen.

Laut der Ankündigung ist Deep Hat Sift ab sofort lokal, in einer selbstverwalteten Cloud, in der Cloud von Kindo und in vollständig vom Internet getrennten Umgebungen verfügbar. Die Bewertung erfolgt dort, wo Kindo installiert ist; die Modellaufrufe werden über die Plattform verwaltet. Das Produkt arbeitet mit Kindo-Agenten.

Wie viel sich einsparen lässt, hängt vom Ereignisstrom ab

Kindo hat weder eine allgemeingültige prozentuale Einsparung noch einen universellen Genauigkeitsmaßstab für Sift angegeben. Stattdessen können Teams auf der Produktseite vorab prüfen, welche ihrer eigenen Ereignisse zurückgehalten würden. Für Käufer ist diese Unterscheidung wichtig: Das wirtschaftliche Ergebnis hängt vom Ereignisvolumen, den Kosten jedes vermiedenen Agentenlaufs, dem Anteil der umsetzungsrelevanten Ereignisse und dem Schwellenwert ab, den das Team im Betrieb akzeptiert.

Bei verrauschten Ereignisströmen könnte das Vermeiden unnötiger Agentenläufe eine kontinuierliche KI-Auswertung erschwinglicher machen. Bei Ereignisströmen, in denen ein übersehenes Ereignis schwerwiegende Folgen haben kann, sind die Einstellungen für Stichproben und Eskalationen ebenso wichtig wie die Inferenzkosten. Deep Hat Sift integriert diese Entscheidungen in den Agentenablauf. Dabei verschiebt sich die zentrale Frage von der Frage, welches Modell ein Ereignis bearbeiten soll, hin zur Frage, ob dieses Modell es überhaupt bearbeiten muss.