Για το AI, η υπομονή είναι μια αρετή

Σχεδόν δύο χρόνια μετά την κυκλοφορία του ChatGPT, η γεννητική τεχνητή νοημοσύνη έχει διανύσει ολόκληρο τον κύκλο υπεραπάντησης της τεχνολογίας, από τις υψηλές, κοσμοπολίτικες προσδοκίες μέχρι το να τροφοδοτήσει μια πρόσφατη διόρθωση της αγοράς μετοχών. Αλλά μέσα στην βιομηχανία κυβερνοασφάλειας συγκεκριμένα, ο ενθουσιασμός γύρω από τη Γεννητική AI (genAI) εξακολουθεί να είναι δικαιολογημένος· μπορεί απλώς να χρειαστεί περισσότερο χρόνο από ό,τι οι επενδυτές και οι αναλυτές είχαν προβλέψει για να αλλάξει εντελώς τον τομέα.

Το πιο σαφές και πρόσφατο σημάδι της μετατόπισης της υπεραπάντησης ήταν στη Διάσκεψη Black Hat USA στις αρχές Αυγούστου, στην οποία η γεννητική AI έπαιξε πολύ μικρό ρόλο στις κυκλοφορίες προϊόντων, τις επιδείξεις και τη γενική δημιουργία θορύβου. Σε σύγκριση με τη Διάσκεψη RSA τέσσερις μήνες νωρίτερα με τους ίδιους προμηθευτές, ο ενθουσιασμός της Black Hat για την AI ήταν αμελητέος, γεγονός που θα οδηγούσε λογικά τους ουδέτερους παρατηρητές να πιστεύουν ότι η βιομηχανία κινείται προς τα εμπρός ή ότι η AI έχει γίνει εμπόρευμα. Αλλά δεν είναι ακριβώς così.

Εδώ είναι τι εννοώ. Το μετασχηματιστικό όφελος της εφαρμογής της γεννητικής AI μέσα στην βιομηχανία κυβερνοασφάλειας πιθανότατα δεν θα προέλθει από γενικές chatbots ή από το γρήγορο στρώσιμο της AI πάνω από μοντέλα επεξεργασίας δεδομένων. Αυτά είναι τα θεμέλια για πιο προηγμένα και αποτελεσματικά use cases, αλλά για τώρα, δεν είναι εξειδικευμένα για τη βιομηχανία ασφαλείας και ως αποτέλεσμα δεν οδηγούν σε μια νέα κυματίζουσα ασφαλείας για τους πελάτες. Αντίθετα, η πραγματική μεταμόρφωση που η AI θα προσφέρει για τη βιομηχανία ασφαλείας θα λάβει χώρα όταν τα μοντέλα AI θα είναι εξειδικευμένα και ρυθμισμένα για use cases ασφαλείας.

Οι τρέχουσες γενικές use cases της AI στην ασφάλεια απασχολούν σε μεγάλο βαθμό prompt engineering και Retrieval-Augmented Generation, που είναι ένα πλαίσιο AI που ermögνίζει ουσιαστικά μεγάλες γλωσσικές μοντέλα (LLMs) να αξιοποιούν πρόσθετες πηγές δεδομένων εκτός των δεδομένων εκπαίδευσής τους, συνδυάζοντας τα καλύτερα μέρη της γεννητικής AI και της ανάκτησης βάσεων δεδομένων. Η χρησιμότητα αυτών ποικίλλει πολύ ανάλογα με το use case και πόσο καλά η υπάρχουσα επεξεργασία δεδομένων του προμηθευτή υποστηρίζει το use case· δεν είναι «μαγικό». Αυτό ισχύει και για άλλες εφαρμογές που απαιτούν ιδιωτικά δεδομένα και εξειδίκευση που δεν είναι διαδεδομένη στο Διαδίκτυο, όπως η ιατρική διάγνωση και η νομική εργασία. Φαίνεται πιθανό ότι οι εταιρείες θα προσαρμόσουν τις διαδικασίες επεξεργασίας δεδομένων και τα συστήματα πρόσβασης δεδομένων για να βελτιώσουν τις use cases της γεννητικής AI. Επίσης, οι εταιρείες γεννητικής AI ενθαρρύνουν την ανάπτυξη μοντέλων που έχουν εξειδικευτεί, αν και παραμένει να δούμε πόσο καλά θα λειτουργήσει για χρήσεις όπου η ποιότητα και το λεπτομέρεια είναι απαραίτητα.

Υπάρχουν quelques λόγοι για τους οποίους αυτή η εξειδίκευση θα χρειαστεί χρόνο για να λάβει χώρα στην βιομηχανία ασφαλείας, ωστόσο. Ένας πρωταρχικός λόγος είναι ότι η εξειδίκευση αυτών των μοντέλων απαιτεί πολλούς ανθρώπους στο βρόχο κατά την εκπαίδευση που είναι εμπειρογνώμονες στο κυβερνοασφάλεια και την AI, δύο βιομηχανίες που πλήττονται από την έλλειψη ταλέντων. Η βιομηχανία κυβερνοασφάλειας έχει έλλειψη περίπου τέσσερις εκατομμύρια επαγγελματιών παγκοσμίως, σύμφωνα με το Παγκόσμιο Οικονομικό Φόρουμ, και το Reuters εκτιμά ότι θα υπάρξει έλλειψη 50% στις θέσεις εργασίας που σχετίζονται με την AI στο άμεσο μέλλον.

Χωρίς την αφθονία των εμπειρογνωμόνων, η ακριβής εργασία που απαιτείται για να εξειδικεύσει τα μοντέλα AI για να λειτουργήσουν μέσα σε ένα контекστό ασφαλείας θα καθυστερήσει. Το κόστος για την εκτέλεση της επιστημονικής έρευνας που απαιτείται για την εκπαίδευση αυτών των μοντέλων επίσης περιορίζει τον αριθμό των οργανισμών που έχουν τους πόρους για να διεξάγουν έρευνα στην εξειδίκευση των μοντέλων AI. Χρειάζονται εκατομμύρια δολάρια για να αντέξουν την επεξεργασία που απαιτούν τα μοντέλα AI της τελευταίας τεχνολογίας, και αυτό το χρήμα πρέπει να έρθει από κάπου. Ακόμη και όταν ένας οργανισμός έχει τους πόρους και την ομάδα για να τροφοδοτήσει την έρευνα στην εξειδίκευση της AI, η πραγματική πρόοδος δεν συμβαίνει από την μια μέρα στην άλλη. Θα χρειαστεί χρόνος για να κατανοηθεί πώς να βελτιστοποιηθούν τα μοντέλα AI για να ωφελήσουν τους επαγγελματίες και τους αναλυτές ασφαλείας, και όπως με κάθε νέο εργαλείο, θα υπάρξει μια καμπύλη μάθησης όταν οι ειδικοί της ασφαλείας φυσικοί επεξεργαστές γλωσσών, chatbots και άλλες ενσωματώσεις AI εισαχθούν.

Η γεννητική AI εξακολουθεί να είναι έτοιμη να μετατοπίσει τον κόσμο της ασφαλείας σε一个 νέο παράδειγμα, όπου οι επιθετικές ικανότητες AI που οι αντιπάλες και οι θρησκευτικοί ηγέτες εκμεταλλεύονται θα ανταγωνίζονται τα μοντέλα AI των προμηθευτών ασφαλείας που έχουν κατασκευαστεί για να ανιχνεύουν και να παρακολουθούν τις απειλές. Η έρευνα και ανάπτυξη που απαιτούνται για να τροφοδοτήσουν αυτή τη μετατόπιση θα χρειαστεί λίγο περισσότερο χρόνο από ό,τι η γενική τεχνολογική κοινότητα είχε προβλέψει.