Om AI, tålmodighet er en dyd

I løpet av de nesten to årene siden ChatGPT ble lansert, har generativ kunstig intelligens gått gjennom en hel teknologihype-syklus, fra høye, samfunnsendrende forventninger til å drive en nylig korreksjon i aksjemarkedet. Men innenfor cybersikkerhetsindustrien spesifikt, er begeistring rundt Generative AI (genAI) fortsatt berettiget; det kan bare ta lengre tid enn investorer og analytikere hadde forventet å endre sektoren helt.

Det tydeligste og nyeste tegnet på skiftet i hype var på Black Hat USA-konferansen tidlig i august, der generativ AI spilte en svært liten rolle i produktlanseringer, demonstrasjoner og generell buzz-skaping. I sammenligning med RSA-konferansen bare fire måneder tidligere, med samme leverandører, var Black Hats fokus på AI ubetydelig, noe som ville føre neutral observatører til å tro at industrien flytter på eller at AI har blitt en kommodity. Men det er ikke helt tilfelle.

Her er hva jeg mener. Den transformative fordelen av å anvende generativ AI innen cybersikkerhetsindustrien, kommer sannsynligvis ikke fra generiske chatboter eller raskt å legge AI over dataprosesseringmodeller. Disse er byggesteinene til mer avanserte og effektive bruksområder, men for øyeblikket er de ikke spesialisert for sikkerhetsindustrien, og som resultat driver de ikke en ny bølge av optimale sikkerhetsresultater for kunder. Snarere vil den virkelige transformasjonen som AI vil gi for sikkerhetsindustrien, skje når AI-modellene er tilpasset og avstemt for sikkerhetsbruksområder.

Aktuelle generelle AI-bruksområder i sikkerhet anvender hovedsakelig prompt-engineering og Retrieval-Augmented Generation, som er en AI-ramme som i hovedsak aktiverer store språkmodeller (LLM’er) til å nå ekstra datakilder utenfor deres treningsdata, kombinere de beste delene av generativ AI og databasehenting. Nytten av disse varierer mye avhengig av bruksområdet og hvor godt en leverandørs eksisterende dataprosessering støtter bruksområdet; de er ikke “magi”. Dette er sant for andre applikasjoner som krever proprietær data og ekspertise som ikke er vanlig på Internett, som medisinsk diagnose og juridisk arbeid. Det ser ut til at selskaper vil justere dataprosesseringpipeliner og datasystemer for å optimalisere generativ AI-bruksområder. Dessuten oppmuntrer generative AI-selskaper utviklingen av spesialtilpassede modeller, selv om det fortsatt er å se hvor godt dette vil fungere for bruksområder der kvalitet og detalj er essensielle.

Det er noen grunner til at denne spesialiseringen vil ta tid å få effekt i sikkerhetsindustrien, likevel. En primær grunn er at tilpasning av disse modellene krever mange mennesker i løkken under trening som er fageksperter i cybersikkerhet og AI, to industrier som sliter med å ansette nok talenter. Cybersikkerhetsindustrien mangler omtrent fire millioner fagfolk globalt, ifølge Verdens økonomiske forum, og Reuters estimerer at det vil være en 50% ansettelsesgap for AI-relaterte stillinger i nær fremtid.

Uten en overflod av eksperter tilgjengelig, vil det presise arbeidet som er nødvendig for å tilpasse AI-modeller til å fungere i en sikkerhetskontekst, bli forsinket. Kostnadene for å utføre den nødvendige datavitenskapen for å trene disse modellene, begrenser også antallet organisasjoner som har ressurser til å drive forskning innen tilpasset AI-modellering. Det krever millioner av dollar for å betale for prosessorkraften som banebrytende AI-modeller krever, og disse pengene må komme fra noen sted. Selv når en organisasjon har ressurser og team til å drive forskning innen AI-tilpasning, skjer den faktiske fremdriften ikke over natten. Det vil ta tid å finne ut hvordan man best kan supplere AI-modeller til å fungere for sikkerhetspraktikere og -analytikere, og som med alle nye verktøy, vil det være en læringskurve når sikkerhets-spesifikke språkbehandlere, chatboter og andre AI-assisterte integrasjoner blir introdusert.

Generativ AI er fortsatt i stand til å flytte verden av cybersikkerhet inn i en ny paradigm, der de offensive AI-kapasiteter som motstandere og trusler aktører utnytter, vil konkurrere med sikkerhetsleverandørenes AI-modeller bygget for å oppdage og overvåke trusler. Forskning og utvikling nødvendig for å drive denne skiftet, vil bare ta litt lengre tid enn det generelle teknologisamfunnet hadde forventet.