Om AI, tålamod är en dygd

I de nästan två år som har gått sedan ChatGPT lanserades, har generativ artificiell intelligens gått igenom en hel teknologicykel, från höga, samhällsförändrande förväntningar till att bidra till en nylig korrektion på aktiemarknaden. Men inom cybersäkerhetsbranschen specifikt är entusiasmen för Generativ AI (genAI) fortfarande berättigad; det kan bara ta längre tid än investerare och analytiker förutspått att förändra sektorn helt.

Det tydligaste och senaste tecknet på skiftet i hype var på Black Hat USA-konferensen i början av augusti, där generativ AI spelade en mycket liten roll i produktlanseringar, demonstrationer och allmän buzz-skapande. Jämfört med RSA-konferensen för fyra månader sedan, som hade samma leverantörer, var Black Hats fokus på AI försumbart, vilket skulle leda neutrala iakttagare att tro att branschen flyttar vidare eller att AI har blivit en kommoditet. Men det är inte riktigt fallet.

Här är vad jag menar. Den transformerande fördelen med att tillämpa generativ AI inom cybersäkerhetsbranschen kommer troligen inte från generiska chatbots eller att snabbt lägga AI över dataprocesseringsmodeller. Dessa är byggstenarna till mer avancerade och effektiva användningsfall, men just nu är de inte specialiserade för säkerhetsbranschen, och som ett resultat driver de inte en ny våg av optimala säkerhetsresultat för kunder. Snarare kommer den verkliga transformationen som AI kommer att ge för säkerhetsbranschen att ske när AI-modeller anpassas och justeras för säkerhetsanvändningsfall.

Nuvarande allmänna AI-användningsfall inom säkerhet använder i huvudsak promptteknik och Retrieval-Augmented Generation, som är en AI-ram som i princip möjliggör stora språkmodeller (LLM) att komma åt ytterligare dataresurser utanför deras utbildningsdata, genom att kombinera de bästa delarna av generativ AI och databasåtervinning. Användbarheten av dessa varierar starkt beroende på användningsfallet och hur väl en leverantörs befintliga dataprocessering stöder användningsfallet; de är inte “magiska”. Detta gäller också för andra tillämpningar som kräver proprietär data och expertis som inte är vanligt på internet, såsom medicinsk diagnos och juridiskt arbete. Det verkar troligt att företag kommer att anpassa dataprocesseringspipeliner och datasystem för att optimera generativ AI-användningsfall. Dessutom uppmuntrar generativa AI-företag utvecklingen av specialanpassade modeller, även om det återstår att se hur väl detta kommer att fungera för användningar där kvalitet och detaljer är avgörande.

Det finns ett par skäl till varför denna specialisering kommer att ta tid att slå igenom inom säkerhetsbranschen. En primär anledning är att anpassning av dessa modeller kräver många människor i utbildningsprocessen som är ämnesexperter inom cybersäkerhet och AI, två branscher som kämpar för att anställa tillräckligt med talanger. Cybersäkerhetsbranschen lider av en brist på cirka fyra miljoner proffs världen över, enligt Världsekonomiskt forum, och Reuters uppskattar att det kommer att finnas en 50-procentig rekryteringsgap för AI-relaterade positioner inom den närmaste framtiden.

Utan en överflöd av experter tillgängliga kommer det precisa arbetet som krävs för att anpassa AI-modeller för att fungera inom ett säkerhetssammanhang att sakta ner. Kostnaden för att utföra den datavetenskap som krävs för att utbilda dessa modeller begränsar också antalet organisationer som har resurserna att bedriva forskning om anpassad AI-modellering. Det kräver miljontals dollar för att bekosta bearbetningskraften som krävs för att utbilda AI-modeller, och den pengen måste komma från någonstans. Även när en organisation har resurserna och teamet för att driva forskning om AI-anpassning, sker den faktiska framstegen inte över natten. Det kommer att ta tid att ta reda på hur man bäst kompletterar AI-modeller för att gynna säkerhetspraktiker och analytiker, och som med alla nya verktyg, kommer det att finnas en inlärningskurva när säkerhetsspecifika språkprocessorer, chatbots och andra AI-assisterade integrationer introduceras.

Generativ AI är fortfarande redo att förändra världen av cybersäkerhet till en ny paradigm, där de offensiva AI-förmågorna som motståndare och hotaktörer utnyttjar kommer att konkurrera med säkerhetsleverantörernas AI-modeller som byggs för att upptäcka och övervaka hot. Forskning och utveckling som krävs för att driva den förändringen kommer att ta lite längre tid än den allmänna teknologiska gemenskapen har förutspått.