Hvordan ReliaQuest bruker Amazon SageMaker for å akselerere sin AI-innovasjon med 35x 

Cybersikkerhet fortsetter å være en stor bekymring for bedrifter. Likevel gjør det stadig utviklende trussellandskapet de står overfor, det vanskeligere enn noen gang å være trygg på nettsikkerhetsbeskyttelsen deres.

For å løse dette, ReliaQuest bygget Grå masse, en åpen XDR-as-a-Service-plattform som samler telemetri fra enhver sikkerhets- og forretningsløsning, enten lokalt eller i én eller flere skyer, for å forene deteksjon, etterforskning, respons og motstandskraft.

I 2021 henvendte ReliaQuest seg til AWS for å hjelpe den med å forbedre sine evner for kunstig intelligens (AI) og bygge nye funksjoner raskere.

Ved hjelp av Amazon SageMaker, Amazon Elastic Container Registry (ECR), og AWS trinnfunksjoner, reduserte ReliaQuest tiden som trengs for å distribuere og teste kritiske nye AI-funksjoner for GreyMatter-plattformen fra atten måneder til to uker. Dette økte hastigheten på AI-innovasjonen med 35 ganger.

"Denne innovative arkitekturen har dramatisk redusert tiden til verdi av ReliaQuests datavitenskapelige initiativer. Nå kan vi virkelig fokusere på det som er viktigst – å utvikle kraftige løsninger for ytterligere å forbedre sikkerheten til våre kunders miljøer i et trussellandskap i stadig endring.» Lauren Jenkins, Snr Product Manager, Data Science, ReliaQuest

Bruke AI for å forbedre ytelsen til menneskelige analytikere

GreyMatter tar en fundamentalt ny tilnærming til cybersikkerhet, og kobler sammen avansert programvare med et team av høyt trente sikkerhetsanalytikere for å levere drastisk forbedret sikkerhetseffektivitet og effektivitet.

Selv om ReliaQuests sikkerhetsanalytikere er noen av de best trente sikkerhetstalentene i bransjen, kan en enkelt analytiker motta hundrevis av nye sikkerhetshendelser på en gitt dag. Disse analytikerne må gjennomgå hver hendelse for å bestemme trusselnivået og den optimale responsmetoden.

For å strømlinjeforme denne prosessen, og redusere tid til løsning, satte ReliaQuest seg for å utvikle et AI-drevet anbefalingssystem som automatisk matcher nye sikkerhetshendelser med lignende tidligere hendelser. Dette forbedret hastigheten som menneskelige analytikere kan identifisere hendelsestypen med, så vel som den beste neste handlingen.

Bruker Amazon SageMaker for å sette AI til å fungere raskere

ReliaQuest hadde utviklet en innledende maskinlæringsmodell (ML), men den manglet støtteinfrastrukturen for å bruke den.

For å løse dette vendte ReliaQuests dataforsker, Mattie Langford, og ML Ops Engineer, Riley Rohloff, seg til Amazon SageMaker. SageMaker er en ende-til-ende ML-plattform som hjelper utviklere og dataforskere raskt og enkelt å bygge, trene og distribuere ML-modeller.

Amazon SageMaker akselererer distribusjonen av ML-arbeidsbelastninger ved å forenkle ML-byggeprosessen. Det gir et bredt sett med ML-funksjoner i tillegg til en fullstendig administrert infrastruktur. Dette fjerner de udifferensierte tunge løftene som altfor ofte hindrer ML-utvikling.

ReliaQuest valgte SageMaker på grunn av den innebygde hosting-funksjonen, en nøkkelfunksjon som gjorde det mulig for ReliaQuest å raskt distribuere sin første forhåndstrente modell på fullt administrert infrastruktur.

ReliaQuest brukte også Amazon ECR til å lagre sine forhåndstrente modellbilder, ved å bruke Amazon ECRs fullt administrerte containerregister som gjør det enkelt å lagre, administrere, dele og distribuere containerbilder og artefakter, for eksempel forhåndstrente ML-modeller, hvor som helst.

ReliaQuest valgte Amazon ECR på grunn av sin opprinnelige integrasjon med Amazon SageMaker. Dette gjorde det mulig for den å servere tilpassede modellbilder for både trening og spådommer, sistnevnte via en tilpasset Flask-applikasjon den hadde bygget.

Ved å bruke Amazon SageMaker og Amazon ECR utviklet, testet og distribuerte et enkelt ReliaQuest-team sin forhåndsopplærte modell bak et administrert endepunkt raskt og effektivt, uten å måtte overlevere til eller være avhengig av andre team for støtte.

Bruke AWS Step Functions for å automatisk omskolere og forbedre modellens ytelse

I tillegg var ReliaQuest i stand til å bygge et helt orkestreringslag for ML-arbeidsflyten deres ved å bruke AWS Step Functions, en visuell arbeidsflyttjeneste med lav kode som kan orkestrere AWS-tjenester, automatisere forretningsprosesser og aktivere serverløse applikasjoner.

ReliaQuest valgte AWS Step Functions på grunn av dens dype funksjonalitet og integrasjon med andre AWS-tjenester. Dette gjorde det mulig for ReliaQuest å bygge en helautomatisert læringssløyfe for modellen sin, inkludert:

• en trigger som så etter oppdaterte data i en S3-bøtte
• en full omskoleringsprosess som skapte en ny treningsjobb med de oppdaterte dataene
• en resultatvurdering av den treningsjobben
• forhåndsdefinerte nøyaktighetsterskler for å bestemme om den distribuerte modellen skal oppdateres gjennom en ny endepunktkonfigurasjon.

Bruk av AWS for å øke innovasjon og reimagine cybersikkerhetsbeskyttelse

Ved å kombinere Amazon SageMaker, Amazon ECR og AWS Step Functions, var ReliaQuest i stand til å forbedre hastigheten som den distribuerte og testet verdifulle nye AI-funksjoner fra atten måneder til to uker, en akselerasjon på 35 ganger i sin nye funksjonsdistribusjon.

Ikke bare fortsetter disse nye egenskapene å forbedre GreyMatters kontinuerlig trusseldeteksjon, trusseljakt og utbedringsmuligheter for sine kunder, men også de gir ReliaQuest en trinnvis forbedring i evnen til å teste og distribuere nye evner i fremtiden.

I det komplekse landskapet av cybersikkerhetstrusler vil ReliaQuests bruk av AI for å forbedre sine menneskelige analytikere fortsette å forbedre effektiviteten. Videre vil dens akselererte innovasjonsevner gjøre det i stand til å fortsette å hjelpe sine kunder med å ligge i forkant av de raskt utviklende truslene de står overfor.

Lær mer om hvordan du kan akselerere din evne til å innovere med AI ved å besøke Komme i gang med Amazon SageMaker eller gjennomgå Amazon SageMaker utviklerressurser i dag.

---

om forfatteren

Daniel Burke er europeisk leder for AI og ML i Private Equity-gruppen hos AWS. I denne rollen jobber Daniel direkte med Private Equity-fond og deres porteføljeselskaper for å designe og implementere AI- og ML-løsninger som akselererer innovasjon og genererer ytterligere bedriftsverdi.

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