Artemis ने Orion-1 को प्रस्तुत किया, एक साइबर रक्षा मॉडल जो हमलों को पुनर्निर्मित करने के लिए बनाया गया है

एक संदिग्ध लॉगिन घुसपैठ की शुरुआत हो सकता है—या कोई कर्मचारी अपरिचित स्थान से काम कर रहा हो। कठिन भाग यह स्थापित करना है कि उसके बाद क्या हुआ, कौन‑से सिस्टम शामिल थे, और क्या सबूत किसी की पहुँच को बाधित करने के लिए पर्याप्त हैं। Artemis Security का मानना है कि रक्षा कार्यों के लिए विशेष रूप से प्रशिक्षित मॉडल इन निर्णयों को अधिक प्रभावी ढंग से ले सकता है।

कंपनी ने Orion-1 की घोषणा की, एक स्वामित्व वाला फाउंडेशन मॉडल जो एंटरप्राइज़ सिस्टम में खतरों की जाँच करता है और निश्चित विश्वास के साथ एक निर्णय देता है। यह प्रतिक्रिया की सिफारिश कर सकता है या ग्राहक‑परिभाषित स्वायत्तता सीमाओं के भीतर उसे लागू कर सकता है। Orion-1 चयनित ग्राहकों के लिए निजी प्रीव्यू में Artemis प्लेटफ़ॉर्म के माध्यम से उपलब्ध है; यह सामान्य सार्वजनिक रिलीज़ नहीं है।

यह घोषणा सुरक्षा टीमों के लिए एक व्यावहारिक प्रश्न उठाती है: क्या विशेषीकृत AI बिखरे हुए सबूतों को जोड़कर एक रक्षा‑योग्य घटना कथा बना सकता है, जबकि कार्रवाई की अधिकारिता को नियंत्रण में रख सकता है?

एक संकेत से हमले की रक्षा‑योग्य कथा तक

Artemis बताता है कि Orion-1 पहले संकेत से खतरे को संभालता है, प्रभावित सिस्टम में जाँच को आगे बढ़ाता है, निष्कर्ष तक पहुँचता है, और प्रतिक्रिया की सिफारिश या निष्पादन करता है। यह अंतर महत्वपूर्ण है क्योंकि एक संदिग्ध घटना को पहचानना और एक घटना को समझना दो अलग‑अलग कार्य हैं।

एक काल्पनिक क्रम पर विचार करें जिसमें एक असामान्य पहचान‑प्रदाता लॉगिन, क्लाउड अनुमति परिवर्तन, और एक नया मेलबॉक्स नियम शामिल हों। प्रत्येक घटना का एक निरपराध स्पष्टीकरण हो सकता है। साथ मिलकर वे एक समझौता किए गए खाते को विभिन्न सेवाओं के बीच घूमते हुए दर्शा सकते हैं। एक उपयोगी रक्षक को यह निर्धारित करना चाहिए कि क्या वही अभिनेता इन घटनाओं को जोड़ता है, उनका क्रम स्थापित करना चाहिए, और वैकल्पिक स्पष्टीकरणों का परीक्षण करना चाहिए। केवल एक प्रवाहमान सारांश इन प्रश्नों का उत्तर नहीं दे सकता।

Artemis की Orion-1 की तकनीकी परिचय रक्षा कार्यों के लिए पोस्ट‑ट्रेनिंग का वर्णन करती है, जो मिलियन‑सँख्या संचालन जैसे जाँच, थ्रेट हंट, डिटेक्शन इंजीनियरिंग, और सुधार से सूचित है। कंपनी कहती है कि इस प्रशिक्षण में ग्राहक डेटा का उपयोग नहीं किया गया। यह भी बताया गया है कि मॉडल प्रारंभिक दृष्टिकोण विफल होने पर जाँच दिशा बदल सकता है।

ये खुलासे इच्छित विशेषज्ञता को समझाने में मदद करते हैं, लेकिन वे अंतर्निहित मॉडल आर्किटेक्चर, पैरामीटर संख्या, या बेस‑मॉडल वंशावली स्थापित नहीं करते। इसलिए फाउंडेशन‑मॉडल लेबल को रक्षा‑पोस्ट‑ट्रेनिंग के अधिक ठोस विवरण के साथ पढ़ा जाना चाहिए, न कि यह प्रमाण मानना कि Artemis ने पूरी तरह से नया सामान्य‑उद्देश्य मॉडल शून्य से प्रशिक्षित किया है।

बेंचमार्क लीड—और यह वास्तव में क्या मापता है

Artemis कहता है कि उसने Orion-1 की तुलना Claude Opus 5.5, GPT-6 Sol, Grok 4.7, और Kimi K3 से पाँच रक्षा कार्यों में की: डिटेक्शन, जाँच, हमले का पुनर्निर्माण, थ्रेट हंटिंग, और गतिविधि संबंध। कंपनी के अनुसार, Orion-1 ने इन कार्यों में अग्रणी प्रदर्शन किया।

सबसे प्रमुख परिणाम हमले के पुनर्निर्माण से संबंधित है: हमलावर की क्रियाओं को उनके क्रम में रखना।

अंतर 22.5 स्कोर पॉइंट्स है। ये विक्रेता‑रिपोर्टेड बेंचमार्क स्कोर हैं, न कि वास्तविक‑विश्व हमलों को रोकने के स्वतंत्र रूप से स्थापित प्रतिशत। यह परिणाम यह भी नहीं दर्शाता कि सभी साइबर सुरक्षा उपयोग मामलों में श्रेष्ठता है।

Artemis अपने मूल्यांकन को Decision-Grade Readiness, या DGR, कहता है। यह हजारों कार्यों को ग्राउंड ट्रुथ, तुलनीय प्रारंभिक संकेत और पर्यावरण संदर्भ, तथा तुलना किए जा रहे मॉडलों के लिए समान स्कोप्ड स्रोत और अनुमत कार्यों के साथ वर्णित करता है। मूल्यांकन में ऐसे सौम्य परिदृश्य शामिल हैं जो हमलों के समान दिखते हैं और निर्णय का समर्थन करने वाले सबूतों का आकलन करते हैं।

यह डिज़ाइन एक महत्वपूर्ण समस्या को संबोधित करता है: एक प्रणाली जो सब कुछ दुर्भावनापूर्ण लेबल करती है, वह सतर्क दिख सकती है जबकि एक अनुपयोगी कतार बनाती है। एक सौम्य केस को सही ढंग से पहचानना रक्षा क्षमता का हिस्सा है। इसी तरह, कालक्रम यह उजागर कर सकता है कि प्रस्तावित स्पष्टीकरण वास्तव में उपलब्ध रिकॉर्ड में फिट बैठता है या नहीं।

बचा हुआ प्रश्न यह है कि बेंचमार्क किसी विशेष संगठन में कितनी अच्छी तरह लागू होता है। सार्वजनिक लॉन्च सामग्री पर्याप्त विवरण प्रदान नहीं करती जिससे प्रमुख तुलना को स्वतंत्र रूप से दोहराया जा सके। खरीदारों को कार्य संरचना, स्कोरिंग नियम, दोहराव‑परिवर्तनशीलता, मॉडल कॉन्फ़िगरेशन, और अपरिचित पर्यावरणों पर प्रदर्शन की दृश्यता से लाभ होगा। एक समग्र स्कोर यह नहीं बता सकता कि सबसे कठिन विफलताएँ अनदेखी घुसपैठ, अनावश्यक कंटेनमेंट, या अपूर्ण सबूतों में हैं।

क्यों आसपास का प्लेटफ़ॉर्म महत्वपूर्ण है

Orion-1 एक बड़े सुरक्षा प्लेटफ़ॉर्म के भीतर काम करता है। यह संदर्भ घोषणा को समझने के लिए केंद्रीय है: मॉडल तर्कसंगतता उस जानकारी और उपकरणों पर निर्भर करती है जो उसे प्रदान किए जाते हैं।

Artemis की पर्यावरण बुद्धिमत्ता क्षमता उपयोगकर्ता, खाते, उपकरण, संसाधन और AI एजेंटों को, साथ ही उनके संबंधों और संगठनात्मक भूमिकाओं को मानचित्रित करती है। कंपनी कहती है कि यह संदर्भ पहचान प्रदाताओं, HR प्रणालियों, संपत्ति रिकॉर्ड, सेवा‑प्रबंधन प्रणालियों और आंतरिक ज्ञान आधार सहित स्रोतों से बनाती है। ग्राहक संगठन संदर्भ को सुधार सकते हैं और केस के फैसलों की समीक्षा कर सकते हैं।

व्यावहारिक रूप से, यह एक जांचकर्ता को अपेक्षित व्यवहार के लिए संदर्भ प्रदान करने का प्रयास है। एक अनुमोदित परिवर्तन विंडो के दौरान प्रशासक द्वारा की गई विशेषाधिकारयुक्त कार्रवाई, निष्क्रिय खाते द्वारा की गई समान कार्रवाई से अलग अर्थ रख सकती है। संबंधित प्रश्न यह बन जाता है कि क्या वह गतिविधि संगठन की भूमिकाओं और संबंधों के अनुरूप है।

यह एक निर्भरता के साथ-साथ एक लाभ भी उत्पन्न करता है। यदि संपत्ति सूची पुरानी हो या कोई संबंध गलत रूप से दर्शाया गया हो, तो मॉडल गलत आधार से तर्क कर सकता है। इसलिए पर्यावरण मॉडल को सटीक रखना प्रणाली के संचालन का हिस्सा है, न कि केवल एक ऑनबोर्डिंग अभ्यास।

कंपनी की जांच दस्तावेज़ीकरण घटना मामलों को गतिविधि समयरेखा और प्रश्नों, पूछताछों, निष्कर्षों और सहायक टेलीमेट्री के संरक्षित रिकॉर्ड के साथ वर्णित करती है। यह विश्लेषक के फैसले सुधारों को भी बताती है जो बाद की जांचों में योगदान देते हैं, तथा Jira और ServiceNow जैसे उपकरणों के साथ एकीकरण प्रदान करती है।

एक विश्लेषक के लिए, सार्थक सुधार यह होगा कि वह कंसोलों में टुकड़ों को मैन्युअल रूप से जोड़ने के बजाय एक सुसंगत, निरीक्षणीय केस प्राप्त करे। एक समीक्षक के लिए, मुख्य बात यह है कि वह निष्कर्ष को साक्ष्य तक ट्रेस कर सके और देख सके कि अनुमान कहाँ से शुरू होता है। साक्ष्य उद्धरण जांच को ऑडिट करने में आसान बनाते हैं; वे स्वचालित रूप से हर व्याख्या को सही नहीं बनाते।

स्वायत्तता एक अनुमति निर्णय है

Artemis जांच क्षमता को कार्रवाई की अनुमति से अलग करता है। इसके लॉन्च सामग्री में ग्राहक-निर्धारित स्वायत्तता का वर्णन है, जिसमें उच्च‑प्रभाव वाली कार्रवाइयों के लिए डिफ़ॉल्ट रूप से मानव अनुमोदन आवश्यक होता है।

प्लेटफ़ॉर्म की प्रतिक्रिया क्षमताएँ में सत्र रद्द करना, होस्ट को अलग करना, मेलबॉक्स नियम निष्क्रिय करना या डोमेन को ब्लॉक करना जैसी कार्रवाइयाँ शामिल हैं। Artemis प्रभाव पूर्वावलोकन, सहायक साक्ष्य, ऑडिट रिकॉर्ड, और स्वायत्तता सेटिंग्स का वर्णन करता है जो कार्रवाई और कनेक्टर के अनुसार भिन्न हो सकती हैं।

यह सूक्ष्मता एकल स्वायत्त‑ऑन‑ऑफ़ स्विच से अधिक उपयोगी है। एक सुरक्षा टीम परिभाषित शर्तों के तहत एक संकीर्ण, उलटने योग्य कार्रवाई की अनुमति दे सकती है, जबकि व्यापार‑महत्वपूर्ण हस्तक्षेपों को अनुमोदन के लिए आरक्षित रख सकती है। उपयुक्त सीमा प्रभावित प्रणाली, झूठी सकारात्मक की लागत, और पुनर्प्राप्ति क्षमता पर निर्भर करती है।

बताई गई आत्मविश्वास को भी व्याख्या की आवश्यकता है। आत्मविश्वास मान तभी उपयोगी है जब वह संबंधित मामलों में देखी गई शुद्धता से विश्वसनीय रूप से मेल खाता हो। टीमों को यह जांचना चाहिए कि टेलीमेट्री अनुपलब्ध या विरोधाभासी होने पर आत्मविश्वास उपयोगी बना रहता है या नहीं, और क्या प्रणाली यह पहचानती है कि निर्णय लेने के लिए पर्याप्त साक्ष्य नहीं हैं।

भले ही तकनीकी रूप से उलटने योग्य कार्रवाई के व्यावहारिक परिणाम अपरिवर्तनीय हो सकते हैं: पहुंच पुनर्स्थापित करना व्यवधान के दौरान खोए समय को नहीं लौटाता। इसलिए प्रतिक्रिया गुणवत्ता का मूल्यांकन गति के साथ-साथ संचालनात्मक प्रभाव पर भी ध्यान देने की आवश्यकता है।

निजी प्रीव्यू को क्या स्थापित करना चाहिए

Orion-1 का सबसे मजबूत प्रस्ताव बिखरे संकेतों से साक्ष्य‑समर्थित निर्णय तक का छोटा मार्ग है। इसका पुनर्निर्माण स्कोर कंपनी‑द्वारा रिपोर्ट किया गया एक आशाजनक विशिष्टता संकेतक है, और पर्यावरण संदर्भ व कार्रवाई नियंत्रण के साथ इसका एकीकरण इसे एक अकेले सुरक्षा चैटबॉट से अधिक महत्वपूर्ण बनाता है।

प्रीव्यू को यह स्थापित करना होगा कि क्या ये लाभ ग्राहक‑विशिष्ट घटनाओं और सौम्य गतिविधियों में भी लागू होते हैं। उपयोगी मापदंडों में चूके हुए खतरें, गलत एस्केलेशन, विश्लेषक समीक्षा समय, साक्ष्य की पूर्णता, और प्रस्तावित नियंत्रण के परिणाम शामिल हैं। तेज़ जांच सबसे महत्वपूर्ण होती है जब टीमें अपने निष्कर्षों को पुनर्निर्माण किए बिना सत्यापित कर सकती हैं।

वर्तमान में, Orion-1 रक्षा के वास्तविक कार्य के लिए AI को प्रशिक्षित करने का एक केंद्रित प्रयास दर्शाता है: क्रम को समझना, व्याख्या का परीक्षण करना, और उपयुक्त अगले कदम का चयन करना। इसका महत्व इस बात पर निर्भर करेगा कि यह कार्य लाइव परिवेशों में कितनी निरंतर जांच का सामना करता है—केवल यह नहीं कि स्कोर लॉन्च चार्ट में कहाँ स्थित है।