Hur ReliaQuest använder Amazon SageMaker för att accelerera sin AI-innovation med 35x 

Cybersäkerhet fortsätter att vara en stor oro för företag. Ändå gör det ständigt föränderliga hotbilden som de möter det svårare än någonsin att vara säker på sina cybersäkerhetsskydd.

För att ta itu med detta, ReliaQuest byggt Grå massa, en öppen XDR-as-a-Service-plattform som sammanför telemetri från alla säkerhets- och affärslösningar, oavsett om det är lokalt eller i ett eller flera moln, för att förena upptäckt, undersökning, svar och motståndskraft.

År 2021 vände ReliaQuest sig till AWS för att hjälpa den att förbättra sin artificiell intelligens (AI)-kapacitet och bygga nya funktioner snabbare.

Använda Amazon SageMaker, Amazon Elastic Container Registry (ECR), och AWS stegfunktioner, reducerade ReliaQuest tiden som behövs för att distribuera och testa viktiga nya AI-funktioner för sin GreyMatter-plattform från arton månader till två veckor. Detta ökade hastigheten på dess AI-innovation med 35x.

"Denna innovativa arkitektur har dramatiskt minskat tiden till värde för ReliaQuests datavetenskapliga initiativ. Nu kan vi verkligen fokusera på det som är viktigast – att utveckla kraftfulla lösningar för att ytterligare förbättra säkerheten för våra kunders miljöer i ett ständigt föränderligt hotlandskap.” Lauren Jenkins, Snr Product Manager, Data Science, ReliaQuest

Använda AI för att förbättra prestanda för mänskliga analytiker

GreyMatter tar ett fundamentalt nytt tillvägagångssätt för cybersäkerhet, genom att para ihop avancerad programvara med ett team av välutbildade säkerhetsanalytiker för att leverera drastiskt förbättrad säkerhetseffektivitet och effektivitet.

Även om ReliaQuests säkerhetsanalytiker är några av de bäst utbildade säkerhetstalangerna i branschen, kan en enda analytiker ta emot hundratals nya säkerhetsincidenter varje dag. Dessa analytiker måste granska varje incident för att fastställa hotnivån och den optimala responsmetoden.

För att effektivisera denna process och minska tiden till lösning, satte ReliaQuest för sig att utveckla ett AI-drivet rekommendationssystem som automatiskt matchar nya säkerhetsincidenter med liknande tidigare händelser. Detta förbättrade hastigheten med vilken mänskliga analytiker kan identifiera incidenttypen såväl som den bästa nästa åtgärden.

Använder Amazon SageMaker för att få AI att fungera snabbare

ReliaQuest hade utvecklat en initial maskininlärningsmodell (ML), men den saknade den stödjande infrastrukturen för att använda den.

För att lösa detta vände sig ReliaQuests dataforskare, Mattie Langford, och ML Ops Engineer, Riley Rohloff, till Amazon SageMaker. SageMaker är en end-to-end ML-plattform som hjälper utvecklare och datavetare att snabbt och enkelt bygga, träna och distribuera ML-modeller.

Amazon SageMaker påskyndar distributionen av ML-arbetsbelastningar genom att förenkla ML-byggprocessen. Det ger en bred uppsättning ML-funktioner utöver helt hanterad infrastruktur. Detta tar bort de odifferentierade tunga lyften som alltför ofta hindrar ML-utvecklingen.

ReliaQuest valde SageMaker på grund av dess inbyggda värdfunktion, en nyckelfunktion som gjorde det möjligt för ReliaQuest att snabbt distribuera sin första förtränade modell på en fullständigt hanterad infrastruktur.

ReliaQuest använde också Amazon ECR för att lagra sina förtränade modellbilder, med hjälp av Amazon ECRs fullständigt hanterade containerregister som gör det enkelt att lagra, hantera, dela och distribuera containerbilder och artefakter, såsom förutbildade ML-modeller, var som helst.

ReliaQuest valde Amazon ECR på grund av dess inbyggda integration med Amazon SageMaker. Detta gjorde det möjligt för den att servera anpassade modellbilder för både träning och förutsägelser, det senare via en anpassad Flask-applikation som den hade byggt.

Med hjälp av Amazon SageMaker och Amazon ECR utvecklade, testade och distribuerade ett enda ReliaQuest-team sin förutbildade modell bakom en hanterad slutpunkt snabbt och effektivt, utan att behöva lämna över till eller vara beroende av andra team för support.

Använda AWS Step Functions för att automatiskt omskola och förbättra modellens prestanda

Dessutom kunde ReliaQuest bygga ett helt orkestreringslager för deras ML-arbetsflöde med hjälp av AWS Step Functions, en visuell arbetsflödestjänst med låg kod som kan orkestrera AWS-tjänster, automatisera affärsprocesser och möjliggöra serverlösa applikationer.

ReliaQuest valde AWS Step Functions på grund av dess djupa funktionalitet och integration med andra AWS-tjänster. Detta gjorde det möjligt för ReliaQuest att bygga en helautomatisk inlärningsslinga för sin modell, inklusive:

• en trigger som letade efter uppdaterad data i en S3-hink
• en fullständig omskolningsprocess som skapade ett nytt träningsjobb med uppdaterade data
• en prestationsbedömning av det utbildningsjobbet
• fördefinierade noggrannhetströsklar för att avgöra om den distribuerade modellen ska uppdateras genom en ny slutpunktskonfiguration.

Använder AWS för att öka innovationen och omforma cybersäkerhetsskyddet

Genom att kombinera Amazon SageMaker, Amazon ECR och AWS Step Functions kunde ReliaQuest förbättra hastigheten med vilken den distribuerade och testade värdefulla nya AI-funktioner från arton månader till två veckor, en acceleration på 35x i sin nya funktionsdistribution.

Inte bara fortsätter dessa nya funktioner att förbättra GreyMatters kontinuerlig hotdetektering, hotjakt och saneringsmöjligheter för sina kunder, men de ger också ReliaQuest en stegvis förbättring av dess förmåga att testa och distribuera nya funktioner i framtiden.

I det komplexa landskapet av cybersäkerhetshot kommer ReliaQuests användning av AI för att förbättra sina mänskliga analytiker att fortsätta att förbättra deras effektivitet. Dessutom kommer dess accelererade innovationsförmåga att göra det möjligt för företaget att fortsätta hjälpa sina kunder att ligga steget före de snabbt växande hot som de står inför.

Läs mer om hur du kan påskynda din förmåga att förnya med AI genom att besöka Komma igång med Amazon SageMaker eller granskar Amazon SageMaker utvecklarresurser i dag.

---

Om författaren

Daniel Burke är den europeiska ledaren för AI och ML i Private Equity-gruppen på AWS. I denna roll arbetar Daniel direkt med Private Equity-fonder och deras portföljbolag för att designa och implementera AI- och ML-lösningar som accelererar innovation och genererar ytterligare företagsvärde.

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