Što je agentna umjetna inteligencija u računalnoj sigurnosti?

Sustavi agentne umjetne inteligencije često su osmišljeni s ugrađenim ljudskim nadzorom kako bi se uravnotežila autonomija i kontrola.

U Microsoftovu pristupu agentnoj umjetnoj inteligenciji za računalnu sigurnost, to je osmišljeno kao suradnički model u kojem ljudski operateri mogu nadzirati i usmjeravati ponašanje sustava.

Uobičajeni primjeri obuhvaćaju sljedeće:

• Transparentno zaključivanje. Microsoftovi sustavi pružaju prateći kontekst i obrazloženje uz preporuke kako bi pomogli analitičarima razumjeti izlazne podatke sustava i putove odlučivanja.

• Odobravanje i prilagodba. Timovi mogu pregledati, odobriti, odbiti ili dorađivati radnje sustava te uključivati povratne informacije radi kontinuiranog poboljšanja ishoda.

• Kontrole koje se mogu nadzirati. Aktivnosti se upravljaju pomoću sigurnosnih kontrola za poduzeća, kao što su pristup utemeljen na ulogama, zapisnici revizije i zaštitne mjere tijeka rada, kako bi se podržali zahtjevi za odgovornošću i usklađenošću.

Agentna umjetna inteligencija može dinamički reagirati na promjenjive uvjete i prilagođavati svoje ponašanje na temelju konteksta zbog procesa koji se naziva agentna petlja – niza koraka koje agent ponavlja sve dok ne ostvari svoj cilj.

Percepcija → zaključivanje → planiranje → djelovanje → učenje

• Percepcija. Sustav prikuplja informacije iz svojeg okruženja, uključujući zapisnike, upozorenja, aktivnost korisnika, obavještajne podatke o prijetnjama i podatke iz povezanih alata i sustava.
• Razlog. Analizira informacije, prepoznaje obrasce, procjenjuje rizike i određuje što podaci znače u kontekstu.
• Planiranje. Na temelju svojih ciljeva, sustav razvija niz radnji za postizanje željenog ishoda.
• Djelovanje. Agent izvršava zadatke, kao što su izoliranje uređaja, otvaranje zahtjeva, eskaliranje upozorenja ili prikupljanje dodatnih dokaza, interakcijom s alatima, sustavima ili tijekovima rada.
• Učenje. Sustav procjenjuje rezultate svojih radnji i koristi povratne informacije, nove podatke i prethodne ishode za poboljšanje budućih odluka i odgovora.

Da bi agentna umjetna inteligencija učinkovito funkcionirala, timovi također moraju odlučiti žele li koristiti sustav s jednim agentom ili sustav s više agenata. Sustav s jednim agentom oslanja se na jednog agenta za upravljanje zadacima i odlukama, što dobro funkcionira kada su tijekovi rada relativno ograničeni, a odluke centralizirane. Ako su tijekovi rada složeni ili zahtijevaju različite vrste stručnosti, organizacije često postavljaju sustav s više agenata koji koristi više specijaliziranih agenata umjetne inteligencije za računalnu sigurnost koji zajedno rade prema zajedničkom cilju.

Čak i uz autonomne mogućnosti, nadzor ljudi i dalje je važan. Mnoge tvrtke ili ustanove koriste kontrolne točke uz uključenost čovjeka i vrata za odobravanje osjetljivih ili visokorizičnih radnji kako bi održale upravljanje, odgovornost i operativnu kontrolu.

Razlike između tradicionalne automatizacije, generativnog AI-ja i agentne umjetne inteligencije postaju jasnije kada se usporede prema ključnim dimenzijama.

Nažalost, tvrtke i vlade nisu jedne koje usvajaju umjetnu inteligenciju brzim tempom. Akteri prijetnji koriste agentne sustave za povećanje brzine i opseg svojih računalnih napada, što stvara ili dodatno pogoršava nekoliko izazova u području računalne sigurnosti, uključujući:

• Izazov skaliranja. Sigurnosni timovi često se suočavaju s prevelikim količinama upozorenja, rastućom složenošću podataka i stalnim nedostatkom analitičara.
• Izazov brzine. Računalni napadači sve više automatiziraju svoje operacije, dok se mnogi branitelji i dalje oslanjaju na ručne procese trijaže i odgovora na incident.
• Izazov pouzdanosti i točnosti. Dugotrajna izloženost noćnim smjenama i velikim količinama ponavljajućih zadataka može dovesti do umora i sagorijevanja analitičara, povećavajući rizik od nedosljednosti i ljudske pogreške.
• Izazov otpornosti. Moderne tvrtke i ustanove rade u hibridnim okruženjima koja obuhvaćaju platforme u oblaku, krajnje točke, identitete, aplikacije i servise trećih strana. Ova rastuća površina napada povećava operativni rizik i stvara više prilika za računalne napadače.

Agentna umjetna inteligencija u računalnoj sigurnosti pomaže sigurnosnim timovima djelovati učinkovitije u okruženjima koja postaju previše složena, dinamična i međusobno povezana za potpuno ručne sigurnosne operacije (SecOps). To se razlikuje od šire sigurnosti agentne umjetne inteligencije koja se usredotočuje na zaštitu samih sustava umjetne inteligencije.

Umjesto da zamjenjuje sigurnosne timove, agentna umjetna inteligencija djeluje kao multiplikator snage u računalnim sigurnosnim operacijama, što donosi prednosti kao što su:

• Brže srednje vrijeme otkrivanja i odgovora (MTTD/MTTR). Agentna umjetna inteligencija može brzo istražiti upozorenja, korelirati signale i koordinirati radnje odgovora, pomažući timovima smanjiti vrijeme otkrivanja i odgovora.
• Smanjeni umor analitičara i više vremena za rad visoke vrijednosti. Obrađivanjem ponavljajućih i vremenski zahtjevnih zadataka, agentna umjetna inteligencija pomaže smanjiti umor zbog upozorenja i omogućuje analitičarima da se usredotoče na istrage i donošenje odluka koji su više strateški.
• Dosljedno, ponovljivo sortiranje i odgovaranje. Agentna umjetna inteligencija dosljedno primjenjuje tijekove rada i procese na svim incidentima, čime povećava operativnu pouzdanost smanjenjem varijabilnosti uzrokovane ručnim operacijama.
• Neprekidna pokrivenost i elastično skaliranje. Za razliku od ljudskih timova, agentna umjetna inteligencija može raditi neprekidno i skalirati se za obradu velikih količina upozorenja, događaja i podataka bez potrebe za dodatnim osobljem.
• Bolji omjer signala i šuma te bolje određivanje prioriteta. Agentna umjetna inteligencija može analizirati velike količine kontekstualnih podataka kako bi pomogla identificirati najvažnije prijetnje, smanjujući nepotrebna upozorenja i poboljšavajući određivanje prioriteta.
• Jača otpornost i proaktivnije upravljanje rizikom. Agentna umjetna inteligencija može kontinuirano nadzirati okruženja, identificirati potencijalne slabosti i podržavati proaktivne sigurnosne mjere koje tvrtkama ili ustanovama pomažu smanjiti rizik i s vremenom poboljšati operativnu otpornost.

Nekoliko scenarija upotrebe pokazuje kako osobe i agenti mogu zajedno raditi na jačanju sigurnosti.

Sigurnosni timovi često se suočavaju s više upozorenja nego što ih mogu ručno istražiti, zbog čega je određivanje prioriteta ključno za učinkovit odgovor.

Uloga agenta:

• Obogaćuje upozorenja obavještavanjem o prijetnjama, kontekstom resursa i podacima o ponašanju korisnika.
• Određuje prioritete incidenata na temelju ocjene rizika i pouzdanosti.
• Preporučuje sljedeće korake za istragu ili popravak.

Uloga analitičara:

• Pregledava incidente visokog prioriteta.
• Provjerava rezultate i odluke o eskalaciji.
• Rukuje složenim ili osjetljivim istragama.

Sigurnosni timovi oslanjaju se na velike količine podataka o prijetnjama, zbog čega je teško brzo izdvojiti relevantne i djelotvorne uvide.

Uloga agenta:

• Prikuplja i sažima obavještajne podatke o prijetnjama iz više izvora.
• Pruža uvid u situaciju u stvarnom vremenu i brzo izvješćivanje.
• Povezuje aktivnost prijetnji u različitim okruženjima.

Uloga analitičara:

• Tumači strateški rizik i trendove prijetnji.
• Provjerava relevantnost i utjecaj obavještajnih podataka.
• Usmjerava prioritete odgovora i planiranje.

Prepoznavanje skrivenih ili novih prijetnji zahtijeva kontinuiranu analizu velikih i složenih skupova podataka.

Uloga agenta:

• Generira hipoteze za lociranje sigurnosnih prijetnji i izvršava upite nad izvorima podataka.
• Iterira kroz velike skupove podataka kako bi identificirala sumnjivu aktivnost.
• Neprekidno u pozadini provodi lov na nove prijetnje.

Uloga analitičara:

• Provjerava rezultate i određuje poslovni utjecaj.
• Istražuje naprednu ili ciljanu aktivnost računalnog napada.
• Usavršava strategije lova i prioritete.

Reagiranje na sigurnosne incidente zahtijeva brzu koordinaciju između aktivnosti otkrivanja, istrage i zadržavanja.

Uloga agenta:

• Automatizira prikupljanje dokaza i dokumentiranje incidenta.
• Izrađuje nacrt vremenske crte i sažima aktivnost računalnog napada.
• Provodi radnje zadržavanja uz odobrenje analitičara.
• Pomaže zaštititi krajnje točke i automatizirati tijekove rada za popravak ranjivosti.

Uloga analitičara:

• Odobrava visokorizične mjere odgovora.
• Nadzire napore za otklanjanje i oporavak.
• Koordinira komunikaciju i naknadnu analizu nakon incidenta.

Tvrtke ili ustanove moraju prepoznati i odrediti prioritet sigurnosnih slabih točaka prije nego što ih iskoriste akteri prijetnji.

Uloga agenta:

• Određuje prioritete ranjivosti na temelju razine rizika i vrijednosti resursa koji su izloženi riziku.
• Identificira izloženosti u okruženjima u oblaku, na krajnjim točkama i u okruženjima identiteta.
• Preporučuje putove otklanjanja i radnje ublažavanja.

Uloga analitičara:

• Određuje prioritete otklanjanja na temelju poslovnog rizika.
• Provjerava preporučene akcije.
• Koordinira krpanje i napore za smanjenje rizika.

Nadzor aktivnosti identiteta ključan je za otkrivanje neovlaštenog pristupa i sprečavanje zlouporabe privilegija.

Uloga agenta:

• Otkriva neuobičajene obrasce prijave i pristupa.
• Identificira rizične dozvole i rizike eskalacije ovlasti.
• Kontinuirano nadzire prijetnje povezane s identitetom.

Uloga administratora za identitete i pristup:

• Pregledava događaje visokorizičnog pristupa.
• Odobrava promjene pravila ili dozvola.
• Istražuje potencijalnu aktivnost unutarnje prijetnje ili ugrožavanja računa.

Sigurnosni timovi moraju kontinuirano izgrađivati i dorađivati logiku otkrivanja kako bi držali korak s razvojem prijetnji.

Uloga agenta:

• Piše i testira logiku otkrivanja.
• Provjerava pokrivenost otkrivanja i identificira nedostatke.
• Predlaže poboljšanja prilagodbe radi smanjenja lažno pozitivnih rezultata.

Uloga analitičara:

• Pregledava i odobrava ažuriranja otkrivanja.
• Usklađuje otkrivanja s organizacijskim prioritetima.
• Nadzire dugoročnu sigurnosnu arhitekturu i strategiju.

Zaštita povjerljivih podataka zahtijeva kontinuirani nadzor, klasifikaciju i primjenu sigurnosnih pravila.

Uloga agenta:

• Istražuje i određuje prioritete sprječavanja gubitka podataka i rizika unutarnje prijetnje.
• Automatizira otkrivanje i analizu rizika za povjerljive podatke u svim okruženjima.
• Prepoznaje kršenja pravila i praznine u usklađenosti.

Uloga administratora sigurnosti podataka:

• Pregledava događaje visokorizičnog izlaganja podataka.
• Određuje zahtjeve za usklađenost i upravljanje.
• Nadzire odluke o otklanjanju i provođenju pravila.

Agentna umjetna inteligencija u računalnoj sigurnosti pruža najveću vrijednost kada pomaže timovima analizirati podatke, obogatiti upozorenja te odgovoriti na ranjivosti i prijetnje u cijelom okruženju. Da bi to postigle, tvrtke ili ustanove koriste API-je za povezivanje sigurnosnih agenata s alatima koje već koriste, kao što su SOAR, alati za prošireno otkrivanje i odgovor (XDR), upravljanje sigurnosnim stanjem u oblaku (CSPM), upravljanje identitetima i pristupom (IAM), upravljanje sigurnosnim informacijama i događajima (SIEM), prepoznavanje krajnjih točaka i odgovor (EDR) te rješenja za otvaranje i praćenje zahtjeva. To omogućuje sustavima agentne umjetne inteligencije dohvaćanje informacija, usklađivanje tokova rada, pokretanje akcija i ažuriranje sustava u stvarnom vremenu.

Automatizacija timovima štedi mnogo vremena, no i dalje je važno zadržati kontrolu i odgovornost kako bi se izbjegle neželjene radnje. Sigurnosni timovi obično zahtijevaju od analitičara da pregledaju odluke visokog rizika, a istodobno omogućuju veću autonomiju za radnje nižeg rizika. U oba slučaja važno je uspostaviti upravljanje podacima i kontrole pristupa kako bi se osiguralo da AI komunicira samo s odobrenim sustavima i podacima.

Sigurnosni timovi koji postižu najveći uspjeh s agentnom umjetnom inteligencijom uvode alate za mjerenje kako bi procijenili koliko dobro ostvaruju ciljeve. To im daje informacije koje su im potrebne za prilagodbu i doradu implementacija.

Ključne metrike uspjeha uključuju:

Podaci koji pomažu odrediti učinkovitost sigurnosnih operacija uključuju:

• MTTD i MTTR.
• Broj automatski razvrstanih ili zatvorenih upozorenja.
• Smanjenje stope lažno pozitivnih rezultata.
• Vrijeme potrebno za istragu i rješavanje incidenata.

Ove metrike daju vodstvu uvid u to kako agentna umjetna inteligencija mijenja način na koji sigurnosni timovi provode svoje vrijeme:

• Sati koje je Analitičar ponovno preuzeo iz ručne istrage i trijaže.
• Stopa eskalacije za upozorenja koja zahtijevaju intervenciju analitičara.
• Vrijeme uključivanja za nove analitičare koji koriste tijekove rada uz pomoć AI-ja.
• Smanjenje ponavljajućih zadataka ili zadataka male vrijednosti.

Vodstvo također može vidjeti kako poboljšanja sigurnosti utječu na cijelu tvrtku ili ustanovu pomoću metrika kao što su:

• Trošak po sigurnosnom incidentu.
• Pokrivenost u svim okruženjima, identitetima, krajnjim točkama i resursima u oblaku
• Ukupno stanje usklađenosti i spremnost za reviziju.
• Smanjenje izloženosti operativnom riziku tijekom vremena.

Budući da agentni sustavi rade s različitim razinama autonomije, upravljanje, transparentnost i kontrola ključni su za sigurno implementiranje.

• Skriveni agenti i nezadovoljeno upravljanje automatizacijom. Kako se agentni sustavi šire, tvrtke ili ustanove mogu nenamjerno stvoriti neupravljane ili duplicirane agente. Bez pravilnog nadzora ti „agenti u sjeni” mogu uvesti nedosljedno ponašanje ili neovlaštene radnje.
• Halucinacije i lažno pozitivni rezultati. Kao i drugi AI sustavi, agentna umjetna inteligencija može donijeti netočne zaključke ili pogrešno protumačiti podatke, što potencijalno može dovesti do nepotrebnih upozorenja ili pogrešnih radnji ako se ne provjeri.
• Prekomjerna automatizacija i gubitak nadzora. Preveliko oslanjanje na automatizaciju može smanjiti vidljivost u procese donošenja odluka, povećavajući rizik od propuštenog konteksta ili neprikladnih akcija.
• Privatnost podataka i kontrola pristupa. Sustavi agentne umjetne inteligencije zahtijevaju pristup osjetljivim sigurnosnim podacima, zbog čega su stroge kontrole nad dozvolama, granicama podataka i pristupom s najmanjim ovlastima ključne.
• Odstupanje modela i manipulacija putem napada. S vremenom se performanse modela mogu pogoršati kako se okruženja mijenjaju. Osim toga, računalni napadači mogu pokušati manipulirati unosima ili metrikama kako bi utjecali na ponašanje agenta.

• NIST AI okvir za upravljanje rizicima (AI RMF) pruža smjernice za upravljanje rizicima povezanim s umjetnom inteligencijom u cijelom životnom ciklusu, uključujući upravljanje, mapiranje, mjerenje i menadžment.
• ISO/IEC 42001 utvrđuje zahtjeve za sustav upravljanja AI-jem, s naglaskom na odgovoran razvoj i upotrebu AI sustava.
• Zakon EU-a o umjetnoj inteligenciji uvodi zahtjeve klasifikacije i usklađenosti utemeljene na riziku za sustave umjetne inteligencije koji djeluju u Europskoj uniji ili koji utječu na njih.
• Propisi specifični za sektor jedinstveni su zahtjevi za određene djelatnosti, kao što su Health Insurance Portability and Accountability Act (HIPAA) za zaštitu podataka u zdravstvu, Payment Card Industry Data Security Standard (PCI DSS) za sigurnost plaćanja i Sarbanes-Oxley Act (SOX) za kontrole financijskog izvještavanja.

Kako sigurnosni timovi uvode i proširuju agentnu umjetnu inteligenciju za računalnu sigurnost u svojim tvrtkama ili ustanovama, promišljena strategija pomaže poboljšati sigurnosne ishode uz održavanje transparentnosti, odgovornosti i povjerenja među timovima.

Tvrtke ili ustanove obično uvode agentnu umjetnu inteligenciju u kontroliranim fazama, počevši od slučajeva upotrebe niskog rizika i pomoćnog korištenja prije proširivanja na radnje s većim utjecajem. Također je važno dati prednost transparentnosti u načinu na koji sigurnosni agenti donose odluke.

Jasno definirane zaštitne barijere, pomažu ograničiti ponašanje agenta na sigurne i očekivane granice. Da bi smanjili rizik od neočekivanog ponašanja, timovi definiraju koje radnje AI agenti za računalnu sigurnost mogu izvršavati autonomno, uspostavljaju tijekove odobravanja za visokoučinkovite ili osjetljive operacije i postavljaju pragove za slučajeve kada sigurnosni agenti trebaju eskalirati na analitičare.

Kontrola pristupa na temelju uloga (RBAC) pomaže smanjiti rizik od neželjene aktivnosti ograničavanjem pristupa agenta sustavima, podacima i radnjama potrebnima za njegovu određenu funkciju. Zbog toga timovi za identitet primjenjuju ista načela najmanjih ovlasti na agente kao i na osobe.

Kako bi zadržali uvid u ponašanje agenata, sigurnosni timovi bilježe i nadziru sve radnje agenta, uključujući odluke, upotrebu alata i ishode. To im pomaže istraživati incidente, ispuniti zahtjeve usklađenosti i otkriti probleme u implementaciji koje je potrebno doraditi.

Analitičari će vjerojatnije prihvatiti agentnu umjetnu inteligenciju ako imaju osjećaj da su informirani i da imaju kontrolu. Tvrtke ili ustanove mogu izgraditi povjerenje tako da osiguraju da su preporuke agenta jasne i jednostavne za razumijevanje. Također postižu veći uspjeh kada koriste AI za nadopunu, a ne zamjenu odlučivanja analitičara.

Centri za sigurnosne operacije (SOC-ovi), IT i timovi za usklađenost imaju ulogu u sigurnoj, učinkovitoj i usklađenoj agentnoj umjetnoj inteligenciji s tolerancijom na organizacijske rizike. Timovi iz različitih disciplina pomažu tvrtkama ili ustanovama definirati operativne slučajeve upotrebe, upravljati integracijom i infrastrukturom te ispuniti regulatorne zahtjeve.

Izrada potpuno agentnih tijekova rada koji funkcioniraju u više sigurnosnih domena proces je u više faza. Kako tvrtke ili ustanove povećavaju svoju operativnu zrelost, potrebne su im snažnije upravljanje i nadzor.

U najranijoj fazi, tvrtke ili ustanove koriste unaprijed definirane skripte i tijekove rada za obradu ponavljajućih sigurnosnih zadataka.

Kako izgleda uspjeh:

• Dosljedno dovršavanje rutinskih zadataka, kao što su obogaćivanje upozorenja ili stvaranje ulaznice.
• Smanjen ručni napor u radnim tokovima male složenosti.
• Ovisnost o statičnim pravilima i proceduralnim priručnicima.

Pokazatelji spremnosti:

• Stabilne integracije sa SIEM-om, SOAR-om i sustavom za izdavanje ulaznica.
• Jasno definirani i ponovljivi sigurnosni procesi.
• Velik broj ponavljajućih zadataka analitičara.

U ovoj fazi AI podržava analitičare poboljšavajući vidljivost, sažimanje i donošenje odluka, ali ne poduzima izravne radnje.

Kako izgleda uspjeh:

• Brža istraga putem sažetaka i uvida generiranih uz AI.
• Poboljšano razumijevanje upozorenja i obogaćivanje konteksta.
• Analitičari ostaju u potpunosti odgovorni za odluke i radnje.

Pokazatelji spremnosti:

• Zreli podatkovni kanali i centralizirane metrike.
• Uspostavljeni procesi sigurnosnih operacija.
• Potreba za bržom podrškom pri trijaži i istrazi.

Ovdje agentna umjetna inteligencija počinje poduzimati ograničene radnje unutar definiranih zaštitnih barijera, dok ljudi zadržavaju ovlast odobravanja za operacije višeg rizika.

Kako izgleda uspjeh:

• Automatizirana trijaža, obogaćivanje i preporučeni koraci za popravak.
• Smanjeno opterećenje analitičara ponavljajućim zadacima istrage.
• Odobravanje uz uključenost čovjeka u petlji za radnje zadržavanja i sanacije.

Pokazatelji spremnosti:

• Snažne kontrole identiteta i pristupa za sustav automacije.
• Jasno definirani tijekovi rada eskalacije i odobravanja.
• Povjerenje u kvalitetu podataka i integracija sustava.

U najzrelijoj fazi, agentna umjetna inteligencija djeluje u više domena, koordinirajući radnje uz minimalnu intervenciju analitičara unutar utvrđenih granica. To omogućuje sveobuhvatnu sigurnosnu organizaciju u cijeloj tvrtki ili ustanovi.

Kako izgleda uspjeh:

• Kontinuirano, autonomno otkrivanje, istraživanje i odgovor u različitim okruženjima.
• Koordinacija između više domena između sustava sigurnosti, IT-a, identiteta i usklađenosti.
• Osobe se usredotočuju na upravljanje, strategiju i rukovanje iznimkama.

Pokazatelji spremnosti:

• Zreli okviri upravljanja za AI i automatizaciju.
• Metrike visokog povjerenja i integritet podataka u svim sustavima.
• Snažno usklađivanje među funkcijama između timova za sigurnost, IT i usklađenost.
• Uspostavljeno povjerenje u automatizirano donošenje odluka uz mogućnost revizije i nadzora.

Agentna umjetna inteligencija još je u ranoj fazi usvajanja, ali nekoliko jasnih trendova oblikuje njezin razvoj u području sigurnosti.

• Autonomno etičko hakiranje. AI agenti sve će više simulirati ponašanje protivnika kako bi neprestano testirali obranu, prepoznali slabosti i provjeravali sigurnosne kontrole u stvarnom vremenu.
• Petlje agenata. Agentna umjetna inteligencija za sigurnosne operacije postat će još kontinuiranija i samopoboljšavajuća, pri čemu će agenti opažati, djelovati i učiti iz rezultata kako bi poboljšali otkrivanje i odgovor.
• Računalni sukob umjetne inteligencije s umjetnom inteligencijom. Kako i računalni napadači usvajaju AI, budući računalni angažmani mogli bi uključivati obrambene i napadačke agentne sustave koji se izravno natječu jedni s drugima.
• Prediktivna obrana. Umjesto reagiranja na incidente, agentni sustavi predviđat će prijetnje analizom obrazaca, podataka o izloženosti i ponašanja napadača kako bi spriječili računalne napade prije nego što se dogode.
• Suradnički AI agenti. Više specijaliziranih agenata koordinirat će se među zadacima, kao što su otkrivanje, istraživanje, otklanjanje i izvješćivanje, kako bi se stvorili skalabilniji i otporniji sigurnosni tijekovi rada.
• Razvojna uloga analitičara. Analitičari će se udaljiti od repetitivnih zadataka istraživanja i odgovora prema odgovornostima veće vrijednosti, kao što su nadzor agenata, dizajn pravila i strateško upravljanje rizicima.

Tvrtke i ustanove mogu otkrivati, istraživati i odgovarati na prijetnje na svom svojom digitalnim imovinom pomoću objedinjene Microsoftove sigurnosne platforme pogonjene umjetnom inteligencijom. U središtu je Microsoft Security Copilot, sigurnosno rješenje potpomognuto umjetnom inteligencijom na prirodnom jeziku koje analitičarima omogućuje analizu incidenata, sažimanje prijetnji i koordinaciju radnji odgovora u različitim okruženjima. Ugrađeni agenti proširuju te mogućnosti kroz rješenja za Microsoft Security.

Sigurnosni timovi često su zatrpani količinom upozorenja, ručnim razvrstavanjem i fragmentiranim istragama. U programu Microsoft Defender XDR, agentna umjetna inteligencija pomaže odrediti prioritete za visokorizične probleme, brže istražiti incidente i poboljšati učinkovitost odgovora.

• Agent za određivanje prioriteta sigurnosnih upozorenja – određuje prioritet upozorenjima kako bi smanjio šum i pomogao analitičarima da se brže usmjere na visokorizične incidente.
• Agent analitičar sigurnosti – istražuje incidente, korelira signale i preporučuje radnje odgovora radi pojednostavnjenja tijekova rada SOC-a.
• Agent za proaktivno otkrivanje prijetnji – pretražuje različita okruženja kako bi otkrio skrivene prijetnje, sumnjivo ponašanje i nove obrasce napada.
• Agent za dinamičko otkrivanje prijetnji – kontinuirano analizira aktivnosti i prilagođava logiku otkrivanja kako bi identificirao prijetnje i anomalije koje se razvijaju.
• Agent za izvješće o sigurnosnim prijetnjama – sažima informacije o prijetnjama u praktično upotrebljive uvide kako bi timovi mogli biti ispred novih rizika.

Zajedno, ti agenti pomažu smanjiti ručno istraživanje i ubrzati odgovor na incidente u krajnjim točkama, identitetima, e-pošti i radnim opterećenjima u oblaku.

U sustavu Microsoft Sentinel, Security Copilot olakšava analitičarima prelazak s ručne istrage na tijekove rada temeljene na prirodnom jeziku i grupi upita. Analitičari mogu generirati KQL, sažeti incidente, obogatiti entitete, analizirati korisnike i uređaje te automatizirati korake istraživanja putem rješenja Logic Apps i grupa upita.

Prilagođeni agent za izvješćivanje o incidentima u rješenju Sentinel može iz incidenata izdvojiti nalaze istrage, entitete, uvide i korake za otklanjanje problema. Grupe upita također mogu automatizirati analizu korisnika i nalaze izravno dodavati u zapisnike aktivnosti incidenta.

Te mogućnosti pomažu smanjiti ručno pisanje upita, poboljšati dosljednost istrage i uštedjeti vrijeme analitičara automatiziranjem ponavljajućih zadataka.

U rješenju Microsoft Purview, Security Copilot pomaže timovima osigurati i upravljati podacima u područjima Upravljanja stanjem sigurnosti podataka, Sprječavanja gubitka podataka, Upravljanja internim rizicima, Obaveze predočavanja elektroničkih dokumenata, Nadzora i Usklađenosti komunikacije.

• Agent za određivanje prioriteta u sigurnosti podataka – određuje prioritet DLP upozorenjima i upozorenjima o internim rizicima, objašnjava kontekst rizika i može pokrenuti tijekove rada za otklanjanje problema s vlasnicima podataka.
• Agent za upravljanje stanjem sigurnosti podataka – otkriva povjerljive podatke, identificira skrivene rizike i izložene vjerodajnice, poboljšava označavanje povjerljivosti i generira sažetke spremne za rukovodstvo.

Ti agenti pomažu sigurnosnim timovima smanjiti ručno razvrstavanje, brže odrediti prioritete za kritične rizike i ojačati operacije sigurnosti podataka i usklađenosti.

U rješenju Microsoft Entra, Security Copilot pomaže timovima istražiti rizične korisnike, neuobičajene prijave, privilegirani pristup i prijetnje temeljene na identitetu. Copilot može sažeti kontekst identiteta, objasniti signale rizika i preporučiti radnje kao što su opoziv sesije, pregledi pristupa ili prilagodba pravila uvjetovanog pristupa.

Mogućnosti uključuju agente za identitet i pristup te Microsoft Entra ID za agente, koji tvrtkama ili ustanovama pomaže registrirati, upravljati i regulirati identitetima AI agenata uz upravljanje životnim ciklusom, upravljanje pristupom i kontrolama zaštite identiteta.

Te mogućnosti pomažu tvrtkama ili ustanovama smanjiti rizik za identitet i primijeniti načela modela „svi su nepouzdani” na ljudske i AI identitete.

U sustavu Microsoft Intune, Security Copilot pomaže timovima za krajnje točke i IT razumjeti usklađenost uređaja, odstupanje konfiguracije, izloženost ranjivostima i potrebe za otklanjanjem problema. Copilot može sažeti rizik uređaja, objasniti probleme s neusklađenošću, preporučiti sljedeće korake i pomoći timovima da brže odgovore.

Agenti za upravljanje krajnjim točkama pomažu automatizirati provjere usklađenosti, istražiti probleme s uređajima i voditi otklanjanje problema na upravljanim krajnjim točkama.

Te mogućnosti pomažu smanjiti ručno istraživanje krajnjih točaka, poboljšati operacije usklađenosti i brže zatvoriti praznine u konfiguraciji.

Zajedno, Microsoft Security Copilot i ugrađeni agenti pomažu tvrtkama ili ustanovama prijeći s reaktivnih, ručnih sigurnosnih operacija na prilagodljivu obranu potpomognutu umjetnom inteligencijom koja poboljšava zaštitu, brzinu i razmjere kroz cijeli sigurnosni životni ciklus.