Hvordan ReliaQuest bruger Amazon SageMaker til at accelerere sin AI-innovation med 35x 

Cybersikkerhed er fortsat en stor bekymring for virksomheder. Alligevel gør det konstant udviklende trussellandskab, som de står over for, det sværere end nogensinde at være sikker på deres cybersikkerhedsbeskyttelse.

For at løse dette, ReliaQuest bygget GreyMatter, en Open XDR-as-a-Service platform, der samler telemetri fra enhver sikkerheds- og forretningsløsning, uanset om det er på stedet eller i en eller flere skyer, for at forene detektion, undersøgelse, respons og modstandsdygtighed.

I 2021 henvendte ReliaQuest sig til AWS for at hjælpe det med at forbedre sin kunstig intelligens (AI)-kapacitet og opbygge nye funktioner hurtigere.

Ved brug af Amazon SageMaker, Amazon Elastic Container Registry (ECR), og AWS-trinfunktioner, reducerede ReliaQuest den tid, der var nødvendig for at implementere og teste kritiske nye AI-funktioner til sin GreyMatter-platform fra atten måneder til to uger. Dette øgede hastigheden på sin AI-innovation med 35x.

“Denne innovative arkitektur har dramatisk reduceret tiden til værdi af ReliaQuests datavidenskabelige initiativer. Nu kan vi virkelig fokusere på det, der er vigtigst – at udvikle kraftfulde løsninger til yderligere at forbedre sikkerheden i vores kunders miljøer i et stadigt foranderligt trusselslandskab.” Lauren Jenkins, Snr Product Manager, Data Science, ReliaQuest

Brug af AI til at forbedre ydeevnen for menneskelige analytikere

GreyMatter tager en fundamentalt ny tilgang til cybersikkerhed og parrer avanceret software med et team af højtuddannede sikkerhedsanalytikere for at levere drastisk forbedret sikkerhedseffektivitet og effektivitet.

Selvom ReliaQuests sikkerhedsanalytikere er nogle af de bedst uddannede sikkerhedstalenter i branchen, kan en enkelt analytiker modtage hundredvis af nye sikkerhedshændelser på en given dag. Disse analytikere skal gennemgå hver hændelse for at bestemme trusselsniveauet og den optimale reaktionsmetode.

For at strømline denne proces og reducere tiden til løsning, satte ReliaQuest sig for at udvikle et AI-drevet anbefalingssystem, der automatisk matcher nye sikkerhedshændelser med lignende tidligere hændelser. Dette forbedrede den hastighed, hvormed menneskelige analytikere kan identificere hændelsestypen såvel som den bedste næste handling.

Brug af Amazon SageMaker til at sætte AI til at arbejde hurtigere

ReliaQuest havde udviklet en initial machine learning (ML) model, men den manglede den understøttende infrastruktur til at bruge den.

For at løse dette henvendte ReliaQuest's Data Scientist, Mattie Langford, og ML Ops Engineer, Riley Rohloff, sig til Amazon SageMaker. SageMaker er en end-to-end ML-platform, der hjælper udviklere og dataforskere med hurtigt og nemt at bygge, træne og implementere ML-modeller.

Amazon SageMaker accelererer implementeringen af ​​ML-arbejdsbelastninger ved at forenkle ML-opbygningsprocessen. Det giver et bredt sæt af ML-funktioner oven i fuldt administreret infrastruktur. Dette fjerner de udifferentierede tunge løft, der alt for ofte hindrer ML-udvikling.

ReliaQuest valgte SageMaker på grund af dens indbyggede hostingfunktion, en nøglefunktion, der gjorde det muligt for ReliaQuest hurtigt at implementere sin indledende præ-trænede model på fuldt administreret infrastruktur.

ReliaQuest brugte også Amazon ECR til at gemme sine præ-trænede modelbilleder ved at bruge Amazon ECRs fuldt administrerede containerregister, der gør det nemt at gemme, administrere, dele og implementere containerbilleder og artefakter, såsom præ-trænede ML-modeller, hvor som helst.

ReliaQuest valgte Amazon ECR på grund af dets native integration med Amazon SageMaker. Dette gjorde det muligt for den at tjene brugerdefinerede modelbilleder til både træning og forudsigelser, sidstnævnte via en brugerdefineret Flask-applikation, den havde bygget.

Ved at bruge Amazon SageMaker og Amazon ECR udviklede, testede og implementerede et enkelt ReliaQuest-team sin forudtrænede model bag et administreret slutpunkt hurtigt og effektivt uden at skulle aflevere til eller være afhængige af andre teams for at få support.

Brug af AWS Step Functions til automatisk at genoptræne og forbedre modellens ydeevne

Derudover var ReliaQuest i stand til at bygge et helt orkestreringslag til deres ML-workflow ved hjælp af AWS Step Functions, en visuel workflow-tjeneste med lav kode, der kan orkestrere AWS-tjenester, automatisere forretningsprocesser og aktivere serverløse applikationer.

ReliaQuest valgte AWS Step Functions på grund af dens dybe funktionalitet og integration med andre AWS-tjenester. Dette gjorde det muligt for ReliaQuest at bygge en fuldautomatisk læringsløkke til sin model, herunder:

• en trigger, der ledte efter opdaterede data i en S3-bøtte
• en fuld omskolingsproces, der skabte et nyt træningsjob med de opdaterede data
• en præstationsvurdering af det pågældende uddannelsesjob
• foruddefinerede nøjagtighedstærskler for at bestemme, om den implementerede model skal opdateres via en ny slutpunktskonfiguration.

Brug af AWS til at øge innovation og genskabe cybersikkerhedsbeskyttelse

Ved at kombinere Amazon SageMaker, Amazon ECR og AWS Step Functions var ReliaQuest i stand til at forbedre den hastighed, hvormed det implementerede og testede værdifulde nye AI-egenskaber fra atten måneder til to uger, en acceleration på 35x i sin nye funktionsimplementering.

Ikke kun fortsætter disse nye funktioner med at forbedre GreyMatters kontinuerlig trusselsdetektion, trusselsjagt og afhjælpningsfunktioner for sine kunder, men de giver også ReliaQuest en trinvis forbedring af dets evne til at teste og implementere nye muligheder i fremtiden.

I det komplekse landskab af cybersikkerhedstrusler vil ReliaQuests brug af kunstig intelligens til at forbedre sine menneskelige analytikere fortsætte med at forbedre deres effektivitet. Ydermere vil dets accelererede innovationsevner gøre det i stand til fortsat at hjælpe sine kunder med at være på forkant med de hastigt udviklende trusler, som de står over for.

Lær mere om, hvordan du kan accelerere din evne til at innovere med AI ved at besøge Kom godt i gang med Amazon SageMaker eller gennemgår Amazon SageMaker-udviklerressourcer i dag.

---

Om forfatteren

Daniel Burke er den europæiske leder for AI og ML i Private Equity-gruppen hos AWS. I denne rolle arbejder Daniel direkte med Private Equity-fonde og deres porteføljeselskaber for at designe og implementere AI- og ML-løsninger, der accelererer innovation og genererer yderligere virksomhedsværdi.

Kilde: https://aws.amazon.com/blogs/machine-learning/how-reliaquest-uses-amazon-sagemaker-to-accelerate-its-ai-innovation-by-35x/