Splunk revela Splunk AI para facilitar a segurança e a observabilidade por meio de IA generativa

Durante o evento .conf23 do Splunk, a empresa anunciou o Splunk AI, um conjunto de soluções baseadas em IA projetadas para aprimorar sua plataforma unificada de segurança e observabilidade. De acordo com a empresa, o desenvolvimento mais recente combina automação com experiências humanas para capacitar as organizações a melhorarem suas capacidades de detecção, investigação e resposta, mantendo o controle sobre a implementação de IA.

O novo Splunk AI Assistant emprega IA generativa para oferecer aos usuários uma experiência de bate-papo interativa usando linguagem natural. Os usuários podem criar consultas Splunk Processing Language (SPL) por meio desta interface, expandindo assim sua compreensão da plataforma.

Por meio do AI Assistant, o Splunk visa otimizar o tempo de obtenção de valor e aumentar a acessibilidade ao SPL, democratizando o acesso de uma organização a insights de dados valiosos.

Splunk disse que a IA capacitará SecOps, ITOps e equipes de engenharia para automatizar a mineração de dados, detecção de anomalias e avaliação de riscos. para que possam se concentrar em tarefas mais estratégicas e reduzir erros.

“Como empresa, temos sido deliberados em garantir que nossas inovações em IA do Splunk combinem automação com experiências humanas, para que as organizações possam fortalecer a tomada de decisão humana com resposta a ameaças, aumentando a velocidade e a eficácia, mas não substituindo a decisão humana. fazendo”, disse Min Wang, CTO da Splunk, ao VentureBeat. “Tanto nossas ofertas de IA incorporadas quanto as básicas dentro do Splunk AI fornecem recomendações sobre grandes e ricos conjuntos de informações para aprimorar e acelerar a tomada de decisões humanas em relação à detecção, investigação e resposta.”

O modelo é integrado a grandes modelos de linguagem (LLMs) específicos de domínio e algoritmos de ML, aproveitando dados de segurança e observabilidade para aumentar a produtividade e a eficiência de custos. A empresa enfatizou o seu compromisso com a abertura e a extensibilidade, uma vez que permite às organizações integrar os seus modelos de IA ou ferramentas de terceiros.

“O que diferencia as ofertas baseadas em IA do Splunk é que elas otimizam grandes modelos de linguagem específicos de domínio e algoritmos de ML baseados em dados de segurança e observabilidade”, disse Wang ao VentureBeat. “Esses insights específicos de domínio fornecerão às equipes de SecOps, ITOps e engenharia dados relevantes para detectar anomalias automaticamente e, em seguida, priorizar sua atenção onde ela é mais necessária com base na avaliação inteligente de riscos, minimizando processos repetitivos e erros humanos.”

Facilitando a segurança e as cargas de trabalho de TI por meio de IA

Splunk afirma que à medida que a infraestrutura tecnológica se torna mais complexa e distribuída, e com a contínua escassez de talentos, as organizações precisam de ferramentas que lhes permitam agir de forma rápida e eficiente, sem esgotar as suas equipas.

“Com o Splunk AI, queremos ajudar a facilitar o trabalho de SecOps, ITOps e engenharia, para que eles possam se concentrar em um trabalho mais estratégico… (e) agir com mais rapidez e precisão para garantir que seus sistemas permaneçam resilientes”, disse Wang, do Splunk. .

Os novos recursos alimentados por IA do Splunk visam aumentar a velocidade e a precisão dos alertas, reforçando a resiliência digital. Segundo a empresa, seu aplicativo para detecção de anomalias agiliza e automatiza todo o fluxo de trabalho operacional para detecção de anomalias.

Enquanto isso, o serviço IT Service Intelligence 4.17 introduz exclusão de valores discrepantes para limite adaptativo, que identifica e exclui pontos de dados anormais. Além disso, o “limiar assistido por ML” gera limites dinâmicos com base em dados e padrões históricos, resultando em alertas mais precisos.

“O limite assistido por ML usa dados e padrões históricos para criar limites dinâmicos com apenas um clique. Limites que refletem melhor a carga de trabalho esperada hora a hora ajudam os ITOps e as equipes de engenharia a reduzir falsos positivos e gerar alertas mais precisos sobre a saúde do ambiente tecnológico de uma organização”, explicou Wang.

Em outro desenvolvimento, a empresa revelou ofertas básicas baseadas em ML que concedem às organizações acesso a informações abrangentes. O Splunk Machine Learning Toolkit (MLTK) 5.4 agora fornece acesso guiado à tecnologia de ML, permitindo que usuários de todos os níveis de habilidade aproveitem a previsão e a análise preditiva.

“O MLTK pode ser implantado sobre a plataforma Splunk Enterprise ou Cloud para estender a plataforma com técnicas como detecção de outliers e anomalias, análise preditiva e clustering, para filtrar ruídos e abordar casos de uso comuns de ML”, disse Wang.

Wang disse que o lançamento mais recente do MLTK permite que os usuários carreguem facilmente seus modelos pré-treinados para o MLTK por meio de uma interface amigável.

Depois que o modelo estiver no Splunk, os usuários poderão aplicá-lo perfeitamente aos dados do Splunk, sem alterar os fluxos de trabalho existentes. Esta funcionalidade expande a aplicabilidade do MLTK e do ML-SPL para abranger modelos treinados usando métodos diferentes do MLTK.

Enfatizando a ciência de dados para melhor detecção e análise

Segundo Wang, a especificidade do domínio é crucial para os modelos. Ela enfatizou a importância de ajustar modelos especificamente para seus respectivos casos de uso e de ter especialistas na área para construí-los. Embora os modelos genéricos de grandes linguagens (LLMs) possam servir como ponto de partida, ela disse que os modelos mais eficazes são aqueles adaptados a domínios específicos.

Wang destacou que, embora a IA generativa seja valiosa para curvas de aprendizagem e geração de novos insights, as ferramentas de aprendizagem profunda podem ser mais adequadas para incorporar algoritmos complexos de detecção de anomalias especialmente desenvolvidos em ofertas de segurança.

“Como especialistas em segurança e observabilidade, acredito que temos os melhores insights específicos de domínio derivados da experiência do mundo real por nossa equipe de desenvolvimento, equipe de entrada no mercado e clientes”, disse ela.

Para facilitar esta transição, o Splunk introduziu o Splunk App for Data Science and Deep Learning (DSDL) 5.1. Esta extensão do MLTK aprimora a integração de sistemas avançados de aprendizado de máquina personalizado e de aprendizado profundo com o ecossistema Splunk, reforçando assim suas capacidades.

“O DSDL estende o MLTK com contêineres Docker pré-construídos para bibliotecas adicionais de aprendizado de máquina. Cientistas de dados e engenheiros de aprendizado de máquina ou aprendizado profundo podem usar DSDL para aproveitar a computação GPU para tarefas de treinamento com uso intenso de computação e implantar modelos de maneira flexível em contêineres habilitados para CPU ou GPU”, explicou Wang. “Esta oferta é específica para nossos clientes que armazenam seus dados em ambientes Splunk e precisam de ferramentas para incorporar algoritmos de ML poderosos treinados em seus dados para seus propósitos exclusivos”.

O DSDL 5.1 também apresenta dois novos assistentes de IA que permitirão aos clientes usar LLMs para construir e treinar modelos específicos para seu domínio. Esses assistentes se concentrarão especificamente em aplicativos de resumo e classificação de texto.

Wang disse que IA/ML e análises são cruciais para melhorar a detecção de anomalias e a precisão dos alertas. Essas tecnologias reduzem falsos positivos e personalizam limites com base em padrões exclusivos de dados do cliente, resultando em alertas mais eficazes.

Na mesma linha, o novo aplicativo Splunk da empresa para detecção de anomalias emprega aprendizado de máquina para automatizar a detecção de anomalias em seu ambiente. Ele também oferece diagnósticos de saúde consistentes.

“O aplicativo fornece um fluxo de trabalho de operacionalização ponta a ponta para que as organizações possam criar e executar trabalhos consistentes de detecção de anomalias, visualizar consultas SPL e criar alertas. Isso leva a alertas gerais mais precisos”, disse Wang.