Για το AI, η υπομονή είναι μια αρετή

Σε διάστημα σχεδόν δύο ετών από την κυκλοφορία του ChatGPT, η γεννητική τεχνητή νοημοσύνη έχει διανύσει ολόκληρο τον τεχνολογικό κύκλο υπεραπάντησης, από υψηλές, κοινωνικές προσδοκίες που αλλάζουν την κοινωνία σε πρόσφατη διόρθωση της αγοράς μετοχών. Αλλά μέσα στη βιομηχανία κυβερνοασφάλειας ειδικά, ο ενθουσιασμός γύρω από το Generative AI (genAI) εξακολουθεί να είναι δικαιολογημένος· μπορεί απλώς να χρειαστεί περισσότερο χρόνο από ό,τι οι επενδυτές και οι αναλυτές προέβλεψαν για να αλλάξει ολόκληρο τον τομέα.

Το πιο σαφές και πρόσφατο σημάδι της μετατόπισης του υπεραπάντησης ήταν στη Διάσκεψη Black Hat USA στις αρχές Αυγούστου, όπου η γεννητική τεχνητή νοημοσύνη έπαιξε πολύ μικρό ρόλο στις εκτοξεύσεις προϊόντων, τις επιδείξεις και τη γενική δημιουργία θορύβου. Σε σύγκριση με τη Διάσκεψη RSA πριν από τέσσερις μήνες με τους ίδιους προμηθευτές, ο ενθουσιασμός της Black Hat για το AI ήταν αμελητέος, γεγονός που θα οδηγούσε λογικά τους ουδέτερους παρατηρητές να πιστεύουν ότι η βιομηχανία προχωρά ή ότι το AI έχει γίνει εμπόρευμα. Αλλά δεν είναι ακριβώς così.

Εδώ τι εννοώ. Το μετασχηματιστικό όφελος της εφαρμογής της γεννητικής τεχνητής νοημοσύνης μέσα στη βιομηχανία κυβερνοασφάλειας πιθανότατα δεν θα προέλθει από γενικούς chatbots ή από το γρήγορο στρώσιμο του AI πάνω από μοντέλα επεξεργασίας δεδομένων. Αυτά είναι τα θεμέλια για πιο προηγμένα και αποτελεσματικά χρήσεις, αλλά για τώρα, δεν είναι εξειδικευμένα για τη βιομηχανία ασφάλειας και ως αποτέλεσμα δεν οδηγούν σε μια νέα κυματική αιχμή για τα αποτελέσματα ασφάλειας για τους πελάτες. Αντίθετα, η πραγματική μεταμόρφωση που το AI θα παρέχει για τη βιομηχανία ασφάλειας θα λάβει χώρα όταν τα μοντέλα AI θα προσαρμοστούν και θα ρυθμιστούν για χρήσεις ασφάλειας.

Οι τρέχουσες γενικές χρήσεις του AI στην ασφάλεια σε μεγάλο βαθμό απασχολούν prompt engineering και Retrieval-Augmented Generation, που είναι ένα πλαίσιο AI που ουσιαστικά επιτρέπει μεγάλες γλωσσικές μοντέλα (LLMs) να αξιοποιούν πρόσθετες πηγές δεδομένων εκτός των δεδομένων εκπαίδευσής τους, συνδυάζοντας τα καλύτερα μέρη της γεννητικής τεχνητής νοημοσύνης και της ανάκτησης βάσης δεδομένων. Η उपयσιμότητα αυτών των ποικίλλει πολύ ανάλογα με τη χρήση και πόσο καλά η επεξεργασία δεδομένων ενός προμηθευτή υποστηρίζει τη χρήση· 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 το νομικό έργο. Φαίνεται πιθανό ότι οι εταιρείες θα προσαρμόσουν τις διαδικασίες επεξεργασίας δεδομένων και τα συστήματα πρόσβασης δεδομένων για να βελτιώσουν τις χρήσεις της γεννητικής τεχνητής νοημοσύνης. Επίσης, οι εταιρείες γεννητικής τεχνητής νοημοσύνης ενθαρρύνουν την ανάπτυξη ειδικά-ρυθμισμένων μοντέλων, αν και παραμένει να δούμε πόσο καλά αυτό θα λειτουργήσει για χρήσεις όπου η ποιότητα και το λεπτομέρεια είναι απαραίτητα.

Υπάρχουν λίγοι λόγοι για τους οποίους αυτή η εξειδίκευση θα χρειαστεί χρόνο για να λάβει χώρα στη βιομηχανία ασφάλειας, όμως. Ένας πρωταρχικός λόγος είναι ότι η εξειδίκευση αυτών των μοντέλων απαιτεί πολλούς ανθρώπους στη διαδικασία κατά την εκπαίδευση που είναι εξειδικευμένοι στη κυβερνοασφάλεια και την τεχνητή νοημοσύνη, 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% για θέσεις που σχετίζονται με το AI στο άμεσο μέλλον.

Χωρίς την αφθονία των εμπειρογνωμόνων, η ακριβής δουλειά που χρειάζεται για να προσαρμόσει τα μοντέλα AI για να εργαστούν μέσα σε ένα контекστό ασφάλειας θα επιβραδυνθεί. 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 σε εξειδικευμένα μοντέλα AI. Χρειάζονται εκατομμύρια δολάρια για να αντέξουν την επεξεργαστική ισχύ που απαιτούν τα μοντέλα AI τελευταίας τεχνολογίας, και αυτό το χρήμα πρέπει να έρθει από κάπου. Ακόμη και όταν ένας οργανισμός έχει τους πόρους και την ομάδα για να καύσει έρευνα σε εξειδικευμένα μοντέλα AI, η πραγματική πρόοδος δεν συμβαίνει από τη μια μέρα στην άλλη. Θα χρειαστεί χρόνος για να κατανοηθεί πώς να ενισχύσει τα μοντέλα AI για να ωφελήσει τους επαγγελματίες ασφάλειας και τους αναλυτές, και όπως με κάθε νέο εργαλείο, θα υπάρξει μια καμπύλη μάθησης όταν εισαχθούν ασφαλείς φυσικοί επεξεργαστές γλωσσών, chatbots και άλλες ενισχύσεις AI.

Η γεννητική τεχνητή νοημοσύνη εξακολουθεί να είναι έτοιμη να μετατοπίσει τον κόσμο της κυβερνοασφάλειας σε ένα νέο παράδειγμα, όπου οι επιθετικές ικανότητες AI που εκμεταλλεύονται οι εχθροί και οι θρησκευόμενοι θα ανταγωνίζονται τα μοντέλα AI των παρόχων ασφάλειας που κατασκευάζονται για να ανιχνεύουν και να παρακολουθούν τις απειλές. Η έρευνα και ανάπτυξη που απαιτούνται για να καύσουν αυτή τη μετατόπιση θα χρειαστεί λίγο περισσότερο χρόνο από ό,τι η γενική τεχνολογική κοινότητα είχε προβλέψει.