Tekoälyssä kärsivällisyys on hyve

ChatGPT:n julkaisusta lähtien noin kahden vuoden aikana generatiivinen tekoäly on kulkenut koko teknologisen hype-kierron läpi, korkeista, yhteiskuntaa muuttavista odotuksista aina viimeaikaiseen osakemarkkinakorjauskuoppaan. Mutta tietoturva-alalla erityisesti generatiivisen tekoälyn (genAI) innostus on edelleen perusteltu; se voi vain kestää pidempään kuin sijoittajat ja analyytikot ovat odottaneet, ennen kuin se muuttaa koko alaa.

Viimeisin ja selkein merkki hype-kierron muutoksesta nähtiin elokuun alussa pidetyssä Black Hat USA -konferenssissa, jossa generatiivinen tekoäly oli hyvin vähäistä osaa tuotejulkistuksissa, demoissa ja yleisessä buumin luomisessa. Vertailukohtana RSA-konferenssi neljä kuukautta aikaisemmin, jossa samat toimittajat esittivät tuotteitaan, Black Hatin painopiste AI:sta oli merkittävästi vähäisempi, mikä johtaisi kohtuullisesti oletettavasti siihen, että alan on siirtymässä eteenpäin tai että AI on muuttunut valmiiksi tuotteeksi. Mutta se ei ole ihan totta.

Tässä on, mitä tarkoitan. Generatiivisen tekoälyn soveltaminen tietoturva-alalla ei todennäköisesti tuota muodonmuutosta yleisistä chatboteista tai nopeasti lisäämällä tekoälyä datakäsittelymalleihin. Nämä ovat rakennuspalikoita edistyneemmille ja tehokkaammille käyttötarkoituksille, mutta tällä hetkellä ne eivät ole erikoistuneita tietoturva-alalle, ja tuloksena ne eivät ole luomassa uutta aaltoja optimaalisiin turvallisuustuloksiin asiakkaille. Sen sijaan todellinen muutos, jonka tekoäly tarjoaa tietoturva-alalle, tapahtuu, kun tekoälymallit on räätälöity ja säätelty tietoturva-käyttötarkoituksiin.

Tietoturva-alalla käytettävät nykyiset yleiset tekoälysovellukset hyödyntävät pääasiassa ohjelmointia ja hakutiedon generointia, joka on tekoälykehys, joka mahdollistaa suurten kielen mallien (LLM) käytön lisätietolähteiden kanssa koulutusaineiston ulkopuolelta, yhdistäen parhaat osat generatiivisesta tekoälystä ja tietokantahakua. Näiden hyödyllisyys vaihtelee suuresti käyttötarkoituksen ja siitä, miten hyvin toimittajan olemassa oleva datakäsittely tukee käyttötarkoitusta; ne eivät ole “magiaa”. Tämä on totta myös muille sovelluksille, joissa vaaditaan omistaja- ja asiantuntijatietoa, jota ei ole laajasti saatavilla internetissä, kuten lääketieteellinen diagnosointi ja oikeudellinen työ. On todennäköistä, että yritykset mukauttavat datakäsittelyputkia ja -järjestelmiä optimoidakseen generatiivisen tekoälyn sovellukset. Lisäksi generatiivisen tekoälyn yritykset kannustavat erityisesti suunniteltujen mallien kehittämistä, vaikka on nähtävä, miten hyvin tämä toimii sovelluksissa, joissa laatu ja yksityiskohdat ovat olennaisia.

On useita syitä, miksi tämä erikoistuminen vie aikaa tietoturva-alalla, kuitenkin. Yksi pääsyy on, että näiden mallien mukauttaminen vaatii monia ihmisiä silmukassa koulutuksen aikana, jotka ovat asiantuntijoita tietoturva- ja tekoälyalalla, jotka kamppailevat riittävän osaamisen kanssa. Tietoturva-alalla on noin neljä miljoonaa ammattilaista vajaa maailmanlaajuisesti Maailman talousfoorumin mukaan, ja Reuters arvioi, että tekoälyyn liittyvien asemien palkkauksesta tulee olemaan 50 prosentin aukko lähitulevaisuudessa.

Ilman runsasta asiantuntija-apua tarkka työ, joka vaaditaan tekoälymallien räätälöintiin, hidastuu. Tekoälymallien kouluttamiseen tarvittavan data-tieteen kustannukset rajoittavat myös määrää organisaatioita, joilla on varaa tehdä tutkimusta tekoälyn mukauttamiseen. Koulutusvaatimusten edellyttämän käsittelytehon maksaminen vaatii miljoonia dollareita, ja rahoitus on haettava jostakin. Vaikka organisaatiolla on resursseja ja tiimi tekoälyn mukauttamiseen, itse edistyminen ei tapahdu yhdessä yössä. Se vie aikaa keksiä, miten parhaiten lisätä tekoälymallien turvallisuuspraktikoitsijoille ja -analyytikoille, ja kuten minkä tahansa uuden työkalun kanssa, on oppimiskäyrä, kun turvallisuusspesifiset luonnollisen kielen prosessorit, chatbotit ja muut tekoälyavusteiset integraatiot otetaan käyttöön.

Generatiivinen tekoäly on edelleen valmis muuttamaan tietoturva-alaa uuteen paradigmaan, jossa hyökkääjien ja uhka-aktöörien hyödyntämät tekoälyominaisuudet kilpailevat turvallisuuden tarjoajien tekoälymallien kanssa, jotka on suunniteltu havaitsemaan ja seuraamaan uhkia. Tähän muutokseen vaadittava tutkimus ja kehitys vie vain hieman pidempään aikaa kuin yleinen teknologiayhteisö on odottanut.