วิธีที่ ReliaQuest ใช้ Amazon SageMaker เพื่อเร่งนวัตกรรม AI ของตน 35x 

ความปลอดภัยทางไซเบอร์ยังคงเป็นปัญหาอันดับต้นๆ สำหรับองค์กร ทว่าภูมิทัศน์ภัยคุกคามที่เปลี่ยนแปลงตลอดเวลาที่พวกเขาเผชิญอยู่นั้นทำให้ความมั่นใจในการป้องกันความปลอดภัยทางไซเบอร์ยากขึ้นกว่าเดิม

เพื่อแก้ไขปัญหานี้ ReliaQuest สร้าง เกรย์แมทเทอร์แพลตฟอร์ม XDR-as-a-Service แบบเปิดที่รวบรวมการตรวจวัดทางไกลจากโซลูชันการรักษาความปลอดภัยและธุรกิจใดๆ ไม่ว่าจะในสถานที่หรือในระบบคลาวด์เดียวหรือหลายระบบ เพื่อรวมการตรวจจับ การสอบสวน การตอบสนอง และความยืดหยุ่น

ในปี 2021 ReliaQuest หันมาใช้ AWS เพื่อช่วยปรับปรุงความสามารถด้านปัญญาประดิษฐ์ (AI) และสร้างคุณสมบัติใหม่ได้เร็วขึ้น

การใช้ อเมซอน SageMaker, การลงทะเบียน Amazon Elastic Container (ECR) และ ฟังก์ชันขั้นตอนของ AWS, ReliaQuest ลดเวลาในการปรับใช้และทดสอบความสามารถ AI ใหม่ที่สำคัญสำหรับแพลตฟอร์ม GreyMatter จากสิบแปดเดือนเหลือสองสัปดาห์ สิ่งนี้เพิ่มความเร็วของนวัตกรรม AI ได้ถึง 35 เท่า

“สถาปัตยกรรมที่เป็นนวัตกรรมใหม่นี้ได้ลดเวลาในการสร้างคุณค่าของโครงการริเริ่มด้านวิทยาศาสตร์ข้อมูลของ ReliaQuest ลงอย่างมาก ตอนนี้ เราสามารถมุ่งความสนใจไปที่สิ่งที่สำคัญที่สุดได้อย่างแท้จริง นั่นคือการพัฒนาโซลูชันที่ทรงพลัง เพื่อปรับปรุงความปลอดภัยของสภาพแวดล้อมของลูกค้าของเราในแนวภัยคุกคามที่เปลี่ยนแปลงตลอดเวลา” Lauren Jenkins, ผู้จัดการผลิตภัณฑ์ Snr, Data Science, ReliaQuest

การใช้ AI เพื่อเพิ่มประสิทธิภาพการทำงานของนักวิเคราะห์ที่เป็นมนุษย์

GreyMatter ใช้แนวทางใหม่ขั้นพื้นฐานในการรักษาความปลอดภัยทางไซเบอร์ โดยจับคู่ซอฟต์แวร์ขั้นสูงกับทีมนักวิเคราะห์ด้านความปลอดภัยที่ได้รับการฝึกอบรมมาเป็นอย่างดีเพื่อมอบประสิทธิภาพและประสิทธิภาพการรักษาความปลอดภัยที่ได้รับการปรับปรุงอย่างมาก

แม้ว่านักวิเคราะห์ด้านความปลอดภัยของ ReliaQuest จะเป็นผู้มีความสามารถด้านความปลอดภัยที่ได้รับการฝึกฝนมาอย่างดีที่สุดในอุตสาหกรรม นักวิเคราะห์เพียงคนเดียวอาจได้รับเหตุการณ์ด้านความปลอดภัยใหม่หลายร้อยครั้งในแต่ละวัน นักวิเคราะห์เหล่านี้ต้องตรวจสอบแต่ละเหตุการณ์เพื่อกำหนดระดับภัยคุกคามและวิธีการตอบสนองที่เหมาะสมที่สุด

เพื่อปรับปรุงกระบวนการนี้ และลดเวลาในการแก้ไขปัญหา ReliaQuest มุ่งมั่นที่จะพัฒนาระบบคำแนะนำที่ขับเคลื่อนด้วย AI ซึ่งจะจับคู่เหตุการณ์ด้านความปลอดภัยใหม่โดยอัตโนมัติกับเหตุการณ์ที่คล้ายคลึงกันก่อนหน้านี้ สิ่งนี้ช่วยเพิ่มความเร็วให้นักวิเคราะห์ที่เป็นมนุษย์สามารถระบุประเภทของเหตุการณ์ได้เช่นเดียวกับการดำเนินการต่อไปที่ดีที่สุด

การใช้ Amazon SageMaker เพื่อให้ AI ทำงานได้เร็วขึ้น

ReliaQuest ได้พัฒนาโมเดลการเรียนรู้ของเครื่องเริ่มต้น (ML) แต่ขาดโครงสร้างพื้นฐานที่รองรับในการใช้งาน

ในการแก้ปัญหานี้ Riley Rohloff นักวิทยาศาสตร์ข้อมูลของ ReliaQuest, Mattie Langford และวิศวกร ML Ops ได้หันมาใช้ Amazon SageMaker SageMaker เป็นแพลตฟอร์ม ML แบบ end-to-end ที่ช่วยให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลสามารถสร้าง ฝึกฝน และปรับใช้โมเดล ML ได้อย่างรวดเร็วและง่ายดาย

Amazon SageMaker เร่งการปรับใช้ปริมาณงาน ML โดยทำให้กระบวนการบิลด์ ML ง่ายขึ้น นำเสนอชุดความสามารถ ML ที่หลากหลายบนโครงสร้างพื้นฐานที่มีการจัดการเต็มรูปแบบ การดำเนินการนี้จะขจัดการยกของหนักที่ไม่แตกต่างซึ่งมักเป็นอุปสรรคต่อการพัฒนา ML

ReliaQuest เลือก SageMaker เนื่องจากมีคุณสมบัติการโฮสต์ในตัว ซึ่งเป็นความสามารถหลักที่ทำให้ ReliaQuest สามารถปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าเบื้องต้นได้อย่างรวดเร็วบนโครงสร้างพื้นฐานที่มีการจัดการเต็มรูปแบบ

ReliaQuest ยังใช้ Amazon ECR เพื่อจัดเก็บอิมเมจโมเดลที่ได้รับการฝึกอบรมล่วงหน้า โดยใช้รีจิสตรีคอนเทนเนอร์ของ Amazon ECR ที่มีการจัดการเต็มรูปแบบ ซึ่งทำให้ง่ายต่อการจัดเก็บ จัดการ แชร์ และปรับใช้อิมเมจคอนเทนเนอร์และอาร์ติแฟกต์ เช่น โมเดล ML ที่ผ่านการฝึกอบรมล่วงหน้า ทุกที่

ReliaQuest เลือก Amazon ECR เนื่องจากการผสานรวมแบบเนทีฟกับ Amazon SageMaker สิ่งนี้ทำให้สามารถให้บริการอิมเมจโมเดลแบบกำหนดเองสำหรับทั้งการฝึกอบรมและการคาดคะเน ภายหลังผ่านแอปพลิเคชัน Flask แบบกำหนดเองที่สร้างขึ้น

เมื่อใช้ Amazon SageMaker และ Amazon ECR ทีม ReliaQuest ทีมเดียวได้พัฒนา ทดสอบ และปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าเบื้องหลังปลายทางที่มีการจัดการอย่างรวดเร็วและมีประสิทธิภาพ โดยไม่จำเป็นต้องส่งต่อหรือพึ่งพาทีมอื่นเพื่อรับการสนับสนุน

การใช้ AWS Step Functions เพื่อฝึกซ้ำโดยอัตโนมัติและปรับปรุงประสิทธิภาพของโมเดล

นอกจากนี้ ReliaQuest ยังสามารถสร้างเลเยอร์การประสานทั้งหมดสำหรับเวิร์กโฟลว์ ML ของตนได้โดยใช้ AWS Step Functions ซึ่งเป็นบริการเวิร์กโฟลว์ภาพแบบโค้ดต่ำที่สามารถประสานบริการของ AWS ทำให้กระบวนการทางธุรกิจเป็นแบบอัตโนมัติ และเปิดใช้งานแอปพลิเคชันแบบไร้เซิร์ฟเวอร์

ReliaQuest เลือก AWS Step Functions เนื่องจากมีฟังก์ชันการทำงานที่ลึกซึ้งและการผสานรวมกับบริการอื่นๆ ของ AWS สิ่งนี้ทำให้ ReliaQuest สามารถสร้างวงจรการเรียนรู้อัตโนมัติเต็มรูปแบบสำหรับโมเดลของมัน ซึ่งรวมถึง:

• ทริกเกอร์ที่ค้นหาข้อมูลที่อัปเดตในถัง S3
• กระบวนการฝึกอบรมใหม่เต็มรูปแบบที่สร้างงานฝึกอบรมใหม่พร้อมข้อมูลที่อัปเดต
• การประเมินประสิทธิภาพของงานฝึกอบรมนั้น
• เกณฑ์ความแม่นยำที่กำหนดไว้ล่วงหน้าเพื่อกำหนดว่าจะอัปเดตโมเดลที่ปรับใช้ผ่านการกำหนดค่าปลายทางใหม่หรือไม่

การใช้ AWS เพื่อเพิ่มนวัตกรรมและพลิกโฉมการป้องกันความปลอดภัยทางไซเบอร์

ด้วยการรวม Amazon SageMaker, Amazon ECR และ AWS Step Functions ทำให้ ReliaQuest สามารถปรับปรุงความเร็วในการปรับใช้และทดสอบความสามารถ AI ใหม่อันมีค่าจาก 35 เดือนเป็นสองสัปดาห์ ซึ่งเพิ่มขึ้น XNUMX เท่าในการปรับใช้คุณสมบัติใหม่

ความสามารถใหม่เหล่านี้ไม่เพียงแต่ปรับปรุง GreyMatter's ต่อไปเท่านั้น ความสามารถในการตรวจจับภัยคุกคามอย่างต่อเนื่อง การไล่ล่าภัยคุกคาม และความสามารถในการแก้ไขสำหรับลูกค้า แต่ยังมอบการปรับปรุง ReliaQuest ที่เปลี่ยนแปลงขั้นตอนในความสามารถในการทดสอบและปรับใช้ความสามารถใหม่ในอนาคต

ในภูมิทัศน์ที่ซับซ้อนของภัยคุกคามความปลอดภัยทางไซเบอร์ การใช้ AI ของ ReliaQuest เพื่อปรับปรุงนักวิเคราะห์ที่เป็นมนุษย์จะยังคงปรับปรุงประสิทธิภาพต่อไป นอกจากนี้ ความสามารถด้านนวัตกรรมที่เร่งขึ้นจะช่วยให้บริษัทเดินหน้าต่อไปเพื่อช่วยเหลือลูกค้าให้นำหน้าภัยคุกคามที่เปลี่ยนแปลงอย่างรวดเร็วที่พวกเขาเผชิญ

เรียนรู้เพิ่มเติมเกี่ยวกับวิธีเร่งความสามารถในการสร้างสรรค์นวัตกรรมด้วย AI โดยไปที่ เริ่มต้นใช้งาน Amazon SageMaker หรือทบทวน แหล่งข้อมูลสำหรับนักพัฒนา Amazon SageMaker ในวันนี้

---

เกี่ยวกับผู้เขียน

แดเนียล เบิร์ก เป็นผู้นำในยุโรปด้าน AI และ ML ในกลุ่ม Private Equity ที่ AWS ในบทบาทนี้ แดเนียลทำงานโดยตรงกับกองทุนไพรเวทอิควิตี้และบริษัทในพอร์ตการลงทุนเพื่อออกแบบและใช้งานโซลูชัน AI และ ML ที่เร่งนวัตกรรมและสร้างมูลค่าเพิ่มให้กับองค์กร

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