چگونه ReliaQuest از Amazon SageMaker برای سرعت بخشیدن به نوآوری هوش مصنوعی خود تا 35 برابر استفاده می کند 

امنیت سایبری همچنان یکی از دغدغه های اصلی شرکت ها است. با این حال، چشم‌انداز دائماً در حال تحول تهدیدی که آنها با آن مواجه هستند، اطمینان از حفاظت از امنیت سایبری خود را دشوارتر از همیشه می‌کند.

برای رسیدگی به این موضوع، ReliaQuest ساخته ماده خاکستری، یک پلتفرم Open XDR-as-a-Service که تله متری را از هر راه حل امنیتی و تجاری، چه در محل یا در یک یا چند ابر، گرد هم می آورد تا شناسایی، بررسی، پاسخ و انعطاف پذیری را متحد کند.

در سال 2021، ReliaQuest به AWS روی آورد تا به آن کمک کند قابلیت‌های هوش مصنوعی (AI) خود را افزایش دهد و ویژگی‌های جدید را سریع‌تر بسازد.

با استفاده از آمازون SageMaker, رجیستری ظروف الاستیک آمازون (ECR)، و توابع مرحله AWSReliaQuest زمان لازم برای استقرار و آزمایش قابلیت‌های حیاتی هوش مصنوعی برای پلتفرم GreyMatter خود را از هجده ماه به دو هفته کاهش داد. این امر سرعت نوآوری هوش مصنوعی آن را 35 برابر افزایش داد.

این معماری نوآورانه به طور چشمگیری زمان ارزش ابتکارات علم داده ReliaQuest را کاهش داده است. اکنون، ما واقعاً می‌توانیم روی مهم‌ترین چیز تمرکز کنیم - توسعه راه‌حل‌های قدرتمند برای بهبود بیشتر امنیت محیط‌های مشتریانمان در یک چشم‌انداز تهدید دائماً در حال تغییر». لورن جنکینز، مدیر محصول Snr، علم داده، ReliaQuest

استفاده از هوش مصنوعی برای افزایش عملکرد تحلیلگران انسانی

GreyMatter رویکردی اساساً جدید برای امنیت سایبری اتخاذ می کند و نرم افزارهای پیشرفته را با تیمی از تحلیلگران امنیتی بسیار آموزش دیده جفت می کند تا اثربخشی و کارایی امنیتی به شدت بهبود یافته را ارائه دهد.

اگرچه تحلیلگران امنیتی ReliaQuest از بهترین آموزش‌دیده‌ترین استعدادهای امنیتی در صنعت هستند، اما یک تحلیلگر ممکن است صدها رویداد امنیتی جدید را در هر روز دریافت کند. این تحلیلگران باید هر حادثه را برای تعیین سطح تهدید و روش پاسخ بهینه بررسی کنند.

ReliaQuest برای ساده‌سازی این فرآیند و کاهش زمان حل، تصمیم به توسعه یک سیستم توصیه مبتنی بر هوش مصنوعی کرد که به طور خودکار حوادث امنیتی جدید را با رخدادهای مشابه قبلی مطابقت می‌دهد. این امر سرعتی را افزایش داد که با آن تحلیلگران انسانی می توانند نوع حادثه و همچنین بهترین اقدام بعدی را شناسایی کنند.

استفاده از آمازون SageMaker برای کارکرد سریع‌تر هوش مصنوعی

ReliaQuest یک مدل یادگیری ماشین اولیه (ML) توسعه داده بود، اما زیرساخت پشتیبانی برای استفاده از آن را نداشت.

برای حل این مشکل، متی لنگفورد، دانشمند داده ReliaQuest، و رایلی روهلف، مهندس ML Ops، به Amazon SageMaker روی آوردند. SageMaker یک پلتفرم ML سرتاسر است که به توسعه دهندگان و دانشمندان داده کمک می کند تا به سرعت و به راحتی مدل های ML را بسازند، آموزش دهند و به کار گیرند.

Amazon SageMaker با ساده کردن فرآیند ساخت ML، استقرار بارهای کاری ML را تسریع می بخشد. این مجموعه گسترده ای از قابلیت های ML را در بالای زیرساخت های کاملاً مدیریت شده ارائه می دهد. این کار وزنه برداری تمایز نیافته را که اغلب مانع توسعه ML می شود، حذف می کند.

ReliaQuest SageMaker را به دلیل ویژگی میزبانی داخلی آن انتخاب کرد، قابلیتی کلیدی که ReliaQuest را قادر می‌سازد تا به سرعت مدل از پیش آموزش‌دیده اولیه خود را در زیرساخت‌های کاملاً مدیریت شده مستقر کند.

ReliaQuest همچنین از Amazon ECR برای ذخیره تصاویر مدل های از پیش آموزش دیده خود استفاده کرد، با استفاده از رجیستری کانتینر کاملاً مدیریت شده توسط Amazon ECR که ذخیره، مدیریت، اشتراک گذاری و استقرار تصاویر و مصنوعات کانتینر مانند مدل های ML از پیش آموزش دیده را در هر مکانی آسان می کند.

ReliaQuest آمازون ECR را به دلیل ادغام بومی آن با Amazon SageMaker انتخاب کرد. این به آن امکان می‌دهد تا تصاویر مدل سفارشی را هم برای آموزش و هم برای پیش‌بینی ارائه کند، دومی از طریق یک برنامه سفارشی Flask که ساخته بود.

با استفاده از Amazon SageMaker و Amazon ECR، یک تیم ReliaQuest، مدل از پیش آموزش‌دیده خود را در پشت یک نقطه پایانی مدیریت شده به سرعت و کارآمد، بدون نیاز به واگذاری یا وابستگی به تیم‌های دیگر برای پشتیبانی، توسعه، آزمایش و استقرار داد.

استفاده از AWS Step Functions برای بازآموزی خودکار و بهبود عملکرد مدل

علاوه بر این، ReliaQuest با استفاده از AWS Step Functions، یک سرویس گردش کار بصری با کد پایین که می‌تواند خدمات AWS را هماهنگ کند، فرآیندهای تجاری را خودکار کند، و برنامه‌های بدون سرور را فعال کند، توانست یک لایه ارکستراسیون کامل برای گردش کار ML خود بسازد.

ReliaQuest به دلیل عملکرد عمیق و ادغام با سایر خدمات AWS، توابع AWS Step را انتخاب کرد. این ReliaQuest را قادر ساخت تا یک حلقه یادگیری کاملاً خودکار برای مدل خود ایجاد کند، از جمله:

• یک ماشه که به دنبال داده های به روز شده در یک سطل S3 بود
• یک فرآیند بازآموزی کامل که یک شغل آموزشی جدید با داده های به روز شده ایجاد کرد
• ارزیابی عملکرد آن شغل آموزشی
• آستانه های دقت از پیش تعریف شده برای تعیین اینکه آیا مدل مستقر شده را از طریق یک پیکربندی نقطه پایانی جدید به روز کنید یا خیر.

استفاده از AWS برای افزایش نوآوری و تجسم مجدد حفاظت از امنیت سایبری

با ترکیب آمازون SageMaker، Amazon ECR و AWS Step Functions، ReliaQuest توانست سرعت استقرار و آزمایش قابلیت‌های جدید هوش مصنوعی ارزشمند را از هجده ماه تا دو هفته افزایش دهد، شتابی 35 برابری در استقرار ویژگی جدید خود.

نه تنها این قابلیت‌های جدید به افزایش GreyMatter ادامه می‌دهند قابلیت‌های شناسایی مستمر تهدید، شکار تهدید، و قابلیت‌های اصلاح را برای مشتریان خود، اما همچنین آن‌ها به ReliaQuest یک بهبود گام‌به‌گام در توانایی آن برای آزمایش و استقرار قابلیت‌های جدید در آینده ارائه می‌کنند.

در چشم انداز پیچیده تهدیدات امنیت سایبری، استفاده ReliaQuest از هوش مصنوعی برای تقویت تحلیلگران انسانی خود به بهبود اثربخشی آنها ادامه خواهد داد. علاوه بر این، قابلیت‌های نوآوری شتابان آن را قادر می‌سازد تا همچنان به مشتریان خود کمک کند تا از تهدیدات به سرعت در حال تکاملی که با آن‌ها روبرو هستند جلوتر بمانند.

در مورد اینکه چگونه می توانید با مراجعه به سایت، توانایی خود را برای نوآوری با هوش مصنوعی تسریع کنید، بیشتر بیاموزید شروع کار با Amazon SageMaker یا بررسی منابع توسعه دهنده آمازون SageMaker امروز.

---

درباره نویسنده

دنیل برک پیشرو اروپا برای هوش مصنوعی و ML در گروه سهام خصوصی در AWS است. در این نقش، دانیل مستقیماً با صندوق‌های سهام خصوصی و شرکت‌های نمونه کار آنها برای طراحی و پیاده‌سازی راه‌حل‌های هوش مصنوعی و ML کار می‌کند که نوآوری را سرعت می‌بخشد و ارزش سازمانی بیشتری ایجاد می‌کند.

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