साइबर सुरक्षा
अनावश्यक AI एजेंट रन कम करने के लिए Kindo ने Deep Hat Sift लॉन्च किया
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
हर सुरक्षा अलर्ट या लॉग प्रविष्टि को पढ़ने वाले AI एजेंट पर लागत आती है, भले ही उसका निष्कर्ष हो कि कुछ करने की ज़रूरत नहीं है। एंटरप्राइज़ स्तर के वॉल्यूम पर, ऐसी जांचें जिनमें कोई कार्रवाई नहीं निकलती, अपने आप में काम का बड़ा बोझ बन सकती हैं। Kindo ने Deep Hat Sift लॉन्च किया है—यह ऐसा मॉडल है जिसे यह तय करने के लिए बनाया गया है कि कौन-सी आने वाली घटनाओं पर एजेंट चलाना उचित होगा, इससे पहले कि बड़ा मॉडल उन्हें प्रोसेस करना शुरू करे।
28 अक्टूबर को घोषित Sift, जिस एजेंट के लिए काम करता है, उसके फैसलों से सीखता है और फिर उन घटनाओं को फ़िल्टर करता है जिन्हें एजेंट अन्यथा खारिज कर देता। शुरुआत में यह रोकने के बजाय केवल निगरानी करता है: हर घटना एजेंट तक पहुँचती रहती है, जब तक कोई व्यक्ति प्रस्तावित फ़िल्टरिंग व्यवहार की समीक्षा करके किसी सीमा को मंज़ूरी नहीं दे देता।
यह तरीका, कम कीमत वाला भाषा मॉडल चुनने से अलग लागत-नियंत्रण व्यवस्था पेश करता है। हर जांच की कीमत घटाने के बजाय, Sift ऐसी जांचों से बचने का लक्ष्य रखता है जिनमें कार्रवाई की ज़रूरत पड़ने की संभावना कम हो। इसकी प्रभावशीलता इन फैसलों की गुणवत्ता और उन नियंत्रणों—दोनों पर निर्भर करती है, जो तय करते हैं कि क्या छोड़ा जाएगा।
भाषा मॉडल से पहले निर्णय लेने वाला मॉडल
Kindo, Deep Hat Sift को सिस्टम वन निर्णय मॉडल बताता है: यह तेज़ और कम लागत वाला मॉडल है, जो जवाब तैयार करने के बजाय चयन से जुड़ा सवाल हल करता है। हर मॉडल को किसी खास स्रोत, लक्षित एजेंट और फ़िल्टरिंग कार्य के लिए निर्धारित किया जाता है, ताकि उसकी सीख उस काम के अनुरूप हो जिसे उसे संभालना है।
यह विशिष्टता मायने रखती है। सुरक्षा जांच के लिए प्रासंगिक कोई घटना सेवा-डेस्क के कार्यप्रवाह के लिए अप्रासंगिक हो सकती है। Sift यह सीखता है कि उसका लक्षित एजेंट किन घटनाओं को खारिज करता है और एजेंट के दिए फैसलों को प्रशिक्षण संकेत के रूप में इस्तेमाल करता है। Kindo का कहना है कि इससे हर डेटा स्ट्रीम के लिए अलग से लोगों से लेबलिंग कराने की परियोजना की ज़रूरत नहीं पड़ती।
शुरुआती तैनाती शैडो मोड में चलती है। एजेंट सभी घटनाओं की जांच करता रहता है, जबकि Sift आने वाली घटनाओं को स्कोर करता है; इससे सिस्टम अपनी भविष्यवाणियों की तुलना एजेंट के फैसलों से कर सकता है। फ़िल्टरिंग शुरू होने से पहले, ऑपरेटरों को अपने डेटा पर यह पूर्वावलोकन मिलता है कि किन चीज़ों को रोका गया होता।
इसके बाद किसी व्यक्ति को एक सीमा मंज़ूर करनी होती है और उसका लिखित कारण देना होता है। इससे स्वीकार्य फ़िल्टरिंग व्यवहार का फैसला उस टीम के हाथ में रहता है जो कार्यप्रवाह के लिए ज़िम्मेदार है; मॉडल इंस्टॉल करने का मतलब यह नहीं होता कि फ़िल्टरिंग अपने आप सक्रिय हो जाएगी।
नमूना-जांच और फ़ेल-ओपन नियंत्रण छूट जाने वाली घटनाओं की समस्या से निपटते हैं
फ़िल्टरिंग से मापन की एक मुश्किल समस्या पैदा होती है: अगर कोई घटना एजेंट तक कभी पहुँचती ही नहीं, तो टीम को कैसे पता चलेगा कि उसे वहाँ पहुँचना चाहिए था? Sift उन घटनाओं का एक यादृच्छिक नमूना एजेंट को भेजता रहता है जिन्हें वह अन्यथा रोक देता, ताकि उस नमूने पर एजेंट के फैसलों से लगातार छूट-दर मापने में मदद मिल सके।
उत्पाद पृष्ठ में संदर्भ बिंदु साफ़ तौर पर बताया गया है: रिकॉल और छूट-दर को एजेंट के फैसलों के आधार पर मापा जाता है। ये माप बताते हैं कि Sift, उस एजेंट के फैसलों को कितनी अच्छी तरह दोहराता है। इनसे स्वतंत्र रूप से यह साबित नहीं होता कि एजेंट स्वयं हर सुरक्षा घटना या परिचालन समस्या की सही पहचान करता है।
Kindo का कहना है कि गुणवत्ता में गिरावट आने पर Sift फ़ेल-ओपन हो जाता है: वह घटनाओं को दबाते रहने के बजाय उन्हें एजेंट की समीक्षा के लिए फिर से भेजता है। कंपनी ने गतिविधि की अधिकतम सीमाओं का भी ज़िक्र किया है, जिनके कारण गतिविधि में अचानक उछाल आने पर सिस्टम शैडो मोड में लौट सकता है। फ़िल्टर की गई घटनाओं और मंज़ूरी संबंधी फैसलों का लॉग रखा जाता है, ताकि टीमें देख सकें कि क्या रोका गया और क्यों।
Kindo में Deep Hat Sift के इंजीनियर Troy Presley ने घोषणा में कहा, “जब तक कोई व्यक्ति सीमा को मंज़ूरी नहीं देता, यह कुछ भी फ़िल्टर नहीं करता; और गुणवत्ता में गिरावट आने पर यह फ़ेल-ओपन हो जाता है और सब कुछ LLM के फैसले के लिए आगे भेजता है।”
ये व्यवस्थाएँ समझौते को खत्म करने के बजाय उसे सामने लाती हैं। अधिक सतर्क फ़िल्टरिंग से कवरेज बनी रह सकती है, लेकिन इससे बचाए जाने वाले रन कम होंगे। अधिक आक्रामक फ़िल्टरिंग से काम ज़्यादा कम हो सकता है, लेकिन तब नमूना-जांच, गुणवत्ता में गिरावट का पता लगाने और बाद में काम करने वाले एजेंट की गुणवत्ता का महत्व भी बढ़ जाता है।
अलर्ट, टिकट और लगातार आने वाली लॉग स्ट्रीम के लिए डिज़ाइन
यह लॉन्च ऐसे कार्यभार को लक्षित करता है जहाँ आने वाली घटनाओं की मात्रा अधिक होती है, लेकिन कार्रवाई की ज़रूरत वाली घटनाओं का अनुपात कम होता है। Kindo ने SIEM और एंडपॉइंट-पहचान अलर्ट, टिकट कतारें, फ़िशिंग की रिपोर्ट के रूप में भेजी गई शिकायतें, सिस्टम और नेटवर्क लॉग तथा Kafka जैसे प्लेटफ़ॉर्म से आने वाली स्ट्रीम का नाम लिया है। निगरानी के स्रोतों में Splunk, Datadog और New Relic शामिल हैं।
Sift इन स्रोत प्रणालियों की जगह लेने के बजाय एजेंट से पहले काम करता है। सुरक्षा प्लेटफ़ॉर्म पहचानें जारी करता रहता है, टिकटिंग सिस्टम अपनी कतार बनाए रखता है और एजेंट तक पहुँचने वाले मामलों की ज़िम्मेदारी एजेंट के पास ही रहती है। नई परत यह तय करती है कि कौन-सी घटनाएँ AI के इस अतिरिक्त काम की शुरुआत करेंगी।
यही तरीका वित्त और अनुपालन से जुड़े उन कार्यप्रवाहों में भी लागू हो सकता है जो लेन-देन या नीतियों की स्ट्रीम की समीक्षा करते हैं। यहाँ भी, समीक्षा के लिए घटनाएँ चुनना, धोखाधड़ी का पता लगाने या अनुपालन संबंधी निर्णय देने से अलग है। लक्षित एजेंट और उससे जुड़ी व्यावसायिक प्रक्रिया—दोनों ही नतीजे के अहम हिस्से बने रहते हैं।
Kindo के एजेंट प्रबंधन प्लेटफ़ॉर्म में Sift की भूमिका
Kindo का व्यापक प्लेटफ़ॉर्म एजेंटों को सुरक्षा, बुनियादी ढाँचे और IT संचालन के लिए एंटरप्राइज़ प्रणालियों से जोड़ता है। यह कार्य-निष्पादन को संदर्भ, अनुमतियों और परिचालन निगरानी के साथ जोड़ता है, जिससे मॉडल चुने जाने के बाद टीमें काम का प्रबंधन कर सकती हैं।
कंपनी की वेबसाइट बताती है कि एजेंट का स्वामित्व किसके पास है, उसकी पहुँच संबंधी नीतियाँ क्या हैं और एजेंट, मालिक तथा टीम के आधार पर लागत का आवंटन कैसे होता है। Sift इस कार्यप्रवाह के पहले चरण में एक नियंत्रण जोड़ता है: यह तय करना कि किसी इवेंट के कारण एजेंट को चलाया भी जाना चाहिए या नहीं। इससे तकनीकी फ़िल्टरिंग के फ़ैसले का सीधा संबंध इस परिचालन सवाल से जुड़ता है कि किन वर्कलोड से इनफ़रेंस की लागत पैदा हो रही है।
लॉन्च की घोषणा के अनुसार, Deep Hat Sift अब ऑन-प्रिमाइसेस, स्व-प्रबंधित क्लाउड, Kindo के क्लाउड और एयर-गैप्ड परिवेशों में उपलब्ध है। स्कोरिंग वहीं चलती है जहाँ Kindo इंस्टॉल किया गया है, जबकि मॉडल कॉल का प्रबंधन प्लेटफ़ॉर्म के ज़रिए होता है। यह उत्पाद Kindo एजेंटों के साथ काम करता है।
बचत स्ट्रीम पर निर्भर करेगी
Kindo ने Sift के लिए बचत का कोई सामान्य प्रतिशत या सटीकता का कोई सार्वभौमिक मानदंड नहीं दिया है। इसके बजाय, उत्पाद का पेज टीमों को अपने इवेंट्स पर रोककर रखने की प्रक्रिया का पूर्वावलोकन करने का विकल्प देता है। खरीदारों के लिए यह अंतर समझना उपयोगी है: आर्थिक नतीजा इवेंट की मात्रा, हर टाले गए रन की लागत, कार्रवाई योग्य इवेंट्स के अनुपात और टीम द्वारा स्वीकार की जाने वाली परिचालन सीमा पर निर्भर करता है।
शोरयुक्त स्ट्रीम में, एजेंट के अनावश्यक रन से बचने पर लगातार AI समीक्षा अधिक किफ़ायती हो सकती है। जिन स्ट्रीम में कोई इवेंट छूट जाने के गंभीर परिणाम हो सकते हैं, उनमें सैंपलिंग और एस्केलेशन नियंत्रण उतने ही महत्वपूर्ण हो जाते हैं जितना इनफ़रेंस का बिल। Deep Hat Sift इन फ़ैसलों को एजेंट के कार्यप्रवाह में शामिल करता है; इससे मुख्य सवाल यह बदलकर रह जाता है कि किसी इवेंट को कौन-सा मॉडल संभाले, से यह कि क्या उस मॉडल को उसे संभालने की ज़रूरत भी है।
