Swimlane, Turbine’e Özel Yapay Zekâ Tehdit Tespitleri ve Çift Yönlü MCP Desteği Ekliyor

Bir yapay zekâ güvenlik analisti bir uyarıyı hızla inceleyebilir; ancak hiç oluşturulmamış bir uyarıyı inceleyemez. Swimlane, güvenlik ekiplerinin operasyonel verilere kendi mantıklarını uygulamasını ve ortaya çıkan uyarıları doğrudan Swimlane AI SOC’a iletmesini sağlayan, müşterilerin tanımladığı yeni tespit özellikleriyle Turbine platformundaki bu açığı kapatmayı hedefliyor.

28 Ekim’deki sürüm ayrıca çift yönlü Model Context Protocol (MCP) desteğini ve Hero AI Application Builder Agent’ı kullanıma sunuyor. Bu yenilikler birlikte, şirketin otomasyon platformunu birbiriyle bağlantılı üç işlevi kapsayacak şekilde genişletiyor: hangi etkinliklerin incelenmesi gerektiğine karar vermek, ajanları araçlara bağlamak ve güvenlik iş akışlarını destekleyen uygulamalar oluşturmak.

Swimlane, bu özelliklerin genel kullanıma sunulduğunu belirtiyor. Duyuruda bunlar, güvenlik bilgileri ve olay yönetimi (SIEM), uç nokta tespiti ve müdahalesi (EDR) ile bulut güvenliği araçları da dahil olmak üzere mevcut güvenlik altyapısına eklenen özellikler olarak konumlandırılıyor.

Güvenlik Ekiplerine Nelerin Uyarıya Dönüşeceği Üzerinde Kontrol Sağlamak

Birçok yapay zekâ SOC ürünü, bir tespit sistemi şüpheli davranışı belirledikten sonra önceliklendirme, inceleme ve müdahaleye odaklanıyor. Kuruluşlar yeni ajanları, yardımcı pilotları, yerel modelleri ve MCP sunucularını, mevcut tespit ürünlerinin bunlara uyum sağlayabileceğinden daha hızlı devreye aldıkça bu iş bölümü daha da zorlaşıyor.

Bir şirketin yetkisiz bir yapay zekâ hizmetine gönderilen hassas bilgileri, yerel bir modelin beklenmedik biçimde kullanılmasını, bir koruma önleminin devre dışı bırakılmasını ya da bir ajanın kendisi için belirlenen bütçeyi çok aşan kaynaklar tüketmesini incelemesi gerekebilir. Bu koşulların bazıları, bir tedarikçinin önceden tanımlayabileceği evrensel bir imzadan ziyade kuruluşun kendi politikalarına ve ortamına özgüdür.

Yeni Turbine özellikleri, ekiplerin platformun erişebildiği veriler üzerinde kendi tespit mantıklarını çalıştırmasına olanak tanıyor. Swimlane’e göre tek bir büyük veri işlemi, paralel işlem düğümlerinde on binlerce kaydı değerlendirebiliyor; ardından bir uyarıyı inceleme ve denetimli müdahale için AI SOC’a yönlendirebiliyor.

Bu mimari, tespit mantığını sonuçlarına göre harekete geçen otomasyona yaklaştırıyor. Bir koşulu ayrı olarak belirleyip sonraki adımları elle düzenlemek yerine ekip, kuruma özgü kuralını mevcut bir inceleme iş akışına bağlayabiliyor. Ancak herhangi bir tespitin ne kadar yararlı olacağı, ilgili etkinliğin Turbine’in erişebildiği verilerde yer alıp almamasına bağlı olmaya devam ediyor.

Swimlane’in kurucu ortağı ve CEO’su Cody Cornell, “Güvenlik sektörü son iki yıldır yapay zekânın bir uyarıyı ne ölçüde özerk biçimde ele alabileceğini tartışıyor; ancak bu, daha temel bir soruyu atlıyor: Uyarı nereden geldi?” dedi.

Sürümde, yapay zekâ destekli tespit kuralı oluşturma özelliği de anlatılıyor. Ekipler istedikleri tespiti açıklayabiliyor ve bu tespiti oluşturmaya yardımcı olması için Turbine’in çalışma planı oluşturma özelliklerinden yararlanabiliyor. Bu mantığı oluşturmak ve hedeflenen davranışı güvenilir biçimde belirlediğini doğrulamak ise birbirinden ayrı işler olmaya devam ediyor: Kuruma özgü kuralların çalıştıkları ortamdaki verileri, izinleri ve koşulları yansıtması gerekiyor.

Olası Olay Kaynakları Olarak Yapay Zekâ Sistemlerini İncelemek

Swimlane bu senaryoları yapay zekâ tespiti ve müdahalesi, yani AIDR olarak tanımlıyor: Olayın konusu yapay zekâ sisteminin kendisi hâline geliyor. Bu, geleneksel bir kimlik avı veya uç nokta uyarısını özetlemek için yapay zekâ modeli kullanmaktan farklıdır.

Komut enjeksiyonu bu farkı ortaya koyuyor. Bir ajan, işlediği içeriğe gömülü talimatlarla karşılaşabilir; bu da dışarıdan gelen materyalin davranışını etkilemesi riskini doğurur. Yararlı bir incelemede yalnızca bilindik bir kötü amaçlı yazılım göstergesini aramak yerine ajanın girdilerini, araç etkinliğini ve bunların sonucunda gerçekleştirdiği eylemleri değerlendirmek gerekebilir.

Benzer şekilde, harcamalarda beklenmedik bir sıçrama, geleneksel bir saldırıya benzemese de arızalı ya da yanlış yönlendirilmiş bir ajana işaret edebilir. Gerekli kullanım ve operasyon sinyallerinin mevcut olması koşuluyla, müşterilerin tanımladığı mantık ekiplerin kendi dağıtımları açısından neyin anormal olduğunu ifade etmesini sağlar.

Açıklanan işlem ölçeği şirketin belirttiği bir özelliktir; her türlü komut enjeksiyonunu veya yetkisiz yapay zekâ kullanımını tespit etmeye yönelik yayımlanmış bir kıyaslama sonucu değildir. Uygulamadaki değişiklik, ekiplerin kendi gözlemlerini eyleme dönüştürülebilir vakalara çevirmek için, mevcut güvenlik ürünlerinin sağladığı uyarılara ek olarak başka bir yol daha kazanmasıdır.

MCP, Ajanları ve Otomasyonu Her İki Yönde Birbirine Bağlıyor

MCP, yapay zekâ uygulamalarının araçları kullanmasını sağlayan ortak bir arayüz sunuyor. Swimlane’in ekim ayındaki sürümü bu bağlantının her iki yönünü de destekliyor.

Turbine, MCP ana bilgisayarı olarak Hero AI’ın üçüncü taraf MCP sunucularına bağlanmasına ve merkezi kimlik doğrulama ile erişim denetimleri kapsamında bu sunucuların araçlarını incelemeler ve çalışma planları sırasında kullanmasına olanak tanıyor. Böylece bir güvenlik iş akışı, hâlihazırda kullandığı API entegrasyonlarının yanı sıra harici, MCP uyumlu bir özelliği de çağırabiliyor.

Turbine, MCP sunucusu olarak denetimli otomasyonu harici yapay zekâ istemcilerine açıyor. Duyuruda Claude, ChatGPT, Cursor, Gemini CLI ve Microsoft Copilot; mevcut rol tabanlı erişim denetimleri kapsamında çok adımlı çalışma planları da dahil olmak üzere Turbine bileşenlerini çağırabilen istemcilere örnek olarak veriliyor.

Bu ayrımın önemli sonuçları vardır. İlk durumda Swimlane’in ajanı başka bir sisteme ulaşır. İkinci durumda ise harici bir asistan, onaylanmış bir Turbine iş akışını başlatabilir. Bir asistanı mevcut bir oyun kitabına bağlamak, kuruluşların her bir yapay zekâ istemcisinde operasyonel süreci baştan oluşturmak yerine mevcut otomasyon ve izinlerini yeniden kullanmasını sağlar.

Swimlane, Turbine’in MCP araçlarını geleneksel API’lerle bir arada kullanabildiğini belirtiyor. Bu özellik, yalnızca bazı sistemlerin MCP’yi desteklediği ortamlar açısından sürümü önemli kılıyor: Ekipler, mevcut tüm entegrasyonların aynı anda değiştirilmesini gerektirmeden protokolü daha kapsamlı bir iş akışına dahil edebilir.

İnsan Denetimiyle Güvenlik Uygulamaları Oluşturma

Hero AI Application Builder Agent, yeni bir güvenlik kullanım senaryosunun gerektirdiği kayıt yapılarını, düzenleri ve iş akışlarını yapılandırma gibi başka bir iş yükünü ele alıyor. Kullanıcılar ihtiyaçlarını doğal dille açıklıyor; ajan da buna karşılık gelen uygulamayı oluşturuyor veya değiştiriyor.

Duyuruya göre, oluşturulan değişiklikler bir kişi inceleyene kadar kaydedilmiyor. Değişiklikler vurgulanıyor ve kullanıcılar kalıcı hâle gelmeden önce bunları kabul veya reddedebiliyor. Bu onay aşaması önemli; çünkü bir uygulamanın yapısı, analistlerin kanıtları nasıl kaydedeceğini, vakaları aşamalar arasında nasıl ilerleteceğini ve müdahaleyi nasıl yürüteceğini etkileyebilir.

Yeni ajan, daha kapsamlı Hero AI portföyünü temel alıyor. Swimlane’in ürün materyallerinde veri alımı, oyun kitabı oluşturma, görselleştirme ve inceleme için mevcut ajanların yanı sıra her ajan için model seçme olanağı da anlatılıyor. Uygulama oluşturma özelliği, bu yardımı söz konusu görevlerin yürütüldüğü operasyonel çalışma alanına da taşıyor.

Yapay Zekâ Akıl Yürütmesini Öngörülebilir Otomasyonla Birleştirme

Bu yenilikler, gereken akıl yürütme düzeyine göre işleri deterministik otomasyon, yapay zekâ destekli inceleme ve tamamen ajan tabanlı inceleme arasında yönlendiren Swimlane AI SOC’nin yönlendirme modeline dahil oluyor. Mevcut oyun kitapları bilinen adımları yerine getirebilirken daha karmaşık vakalarda ajan tabanlı incelemeden ve insan denetiminden yararlanılabilir.

Bu, ürünün tasarımındaki önemli bir unsur: Bir iş akışının her görevi mutlaka bir modelden geçirmesi gerekmez. Bilinen bir müdahale dizisi geleneksel bir otomasyon olarak kalabilir; bir ajan ise alışılmadık kanıtları yorumlamaya veya bir inceleme planı oluşturmaya yardımcı olabilir.

Müşterilerin tanımladığı tehdit algılama, bu işletim modeline daha erken bir karar ekliyor: Süreci en başta ne tetiklemeli? Yapay zekâyı kuruluş genelinde benimseyen güvenlik ekipleri için Ekim sürümü, kabul edilebilir davranışa ilişkin kendi bilgilerini, etkinlik bu sınırların dışına çıktığında inceleme ve müdahale yapan araçlarla birleştirme yolu sunuyor.