Perbedaan AUTONOMOUS VS AUTOMATED

AUTONOMOUS VS AUTOMATED

Banyak profesional TI atau keamanan yang mengevaluasi solusi keamanan siber tersandung definisi “otonom” dan “otomatis”. Terlepas dari kepercayaan populer, istilah-istilah ini tidak sinonim, tetapi masing-masing membawa makna yang berbeda dan terpisah yang layak ditetapkan ketika melihat strategi keamanan.

Saya berbicara dengan Scott Totman, wakil presiden teknik di DivvyCloud untuk membahas perbedaan antara solusi “otonom” dan “otomatis” dan untuk mempelajari lebih lanjut tentang kasus penggunaan terbaik kecerdasan buatan/pembelajaran mesin (AI/ML) dalam keamanan siber.

Perbedaan AUTONOMOUS VS AUTOMATED
Perbedaan AUTONOMOUS VS AUTOMATED

PERBEDAAN AUTONOMOUS VS AUTOMATED

Scott Matteson:Bisakah Anda mendefinisikan “otonom” versus “otomatis?”

Scott Totman: Cara termudah untuk membedakan antara “otonom” dan “otomatis” adalah dengan jumlah adaptasi, pembelajaran dan pengambilan keputusan yang terintegrasi ke dalam sistem.
Sistem otomatis biasanya berjalan dalam serangkaian parameter yang terdefinisi dengan baik dan sangat terbatas dalam tugas apa yang dapat mereka lakukan. Keputusan yang dibuat atau tindakan yang diambil oleh sistem otomatis didasarkan pada heuristik yang telah ditentukan.
Proyek IMS (NIMS) generasi berikutnya dari Deutsche Telekom adalah implementasi radikal dari IMS untuk layanan suara saluran tetap berdasarkan prinsip otomatisasi DevOps dan cloud telco cloud-native.
Proyek ini telah mengatasi banyak tantangan yang terkait dengan telco cloud. NIMS menyediakan cetak biru untuk migrasi dan mengoperasikan platform lebih lanjut di cloud, menunjukkan keunggulan kompetitif yang dapat diberikan melalui cloudification tersebut.
Sebuah sistem otonom, di sisi lain, belajar dan beradaptasi dengan lingkungan yang dinamis, dan berkembang sebagai lingkungan di sekitarnya berubah. Data yang dipelajari dan disesuaikan mungkin berada di luar apa yang dimaksudkan saat sistem diterapkan. Sistem seperti itu akan menyerap dan belajar dari peningkatan kumpulan data lebih cepat, dan akhirnya lebih andal, daripada yang wajar bagi manusia.
Masuk akal untuk melihat sistem otomatis dan otonom pada sebuah kontinum. Sistem yang awalnya otomatis dengan serangkaian input dan output yang terdefinisi dengan baik mungkin perlu menjadi ‘lebih pintar’ dari waktu ke waktu karena penggunaan dan lingkungan di mana mereka beroperasi berubah. Oleh karena itu, seseorang dapat mengambil sistem otomatis dan membangun beberapa kemampuan otonom, memperpanjang masa manfaat sistem dan penerapannya secara keseluruhan.
Melihat ini dengan cara lain, sistem otomatis adalah sistem yang diinstruksikan untuk melakukan serangkaian tugas tertentu dengan parameter yang dipahami dengan baik yang diketahui sebelumnya. Itu dibangun untuk melakukan fungsi tertentu berulang kali dan dengan cara yang efisien. Sistem otonom menasihati dan membantu menentukan keputusan atau tindakan yang tepat di bawah lingkungan yang berkembang dan non-deterministik.

Scott Matteson: Pendekatan mana yang lebih unggul?
Scott Totman: Itu sepenuhnya tergantung pada masalah yang ditangani. Sistem otonom sering dianggap ‘superior’ hanya karena meningkatnya kompleksitas dalam kemampuan pemrosesannya.
Namun, jika Anda membangun sistem yang sangat dapat diprediksi dan menjalankan fungsi yang sama berulang kali, maka sistem otomatis akan memberikan nilai superior karena lebih sederhana, lebih mudah dirawat, dan membutuhkan lebih sedikit sumber daya untuk terus bekerja. Memanfaatkan sistem otonom untuk jenis solusi ini dapat mengakibatkan sistem ‘belajar’ salah dan karena itu melakukan tindakan yang salah. Sistem otonom akan benar-benar unggul di lingkungan yang tidak dapat menguji semua kondisi sebelumnya dan perlu beradaptasi/belajar saat lingkungan dan input lainnya berkembang seiring waktu.

Contoh pada dunia nyata

Scott Matteson: Apa saja contoh dunia nyata masing-masing?

Scott Totman: Contoh sistem otomatis adalah pemeriksaan kepatuhan tingkat infrastruktur dan aplikasi dalam lingkungan perusahaan. Sistem ini memantau terhadap serangkaian standar kepatuhan yang terdefinisi dengan baik dan memberi tahu organisasi ketika sistem tidak sesuai. Sistem ini juga dapat mengambil tindakan yang terdefinisi dengan baik untuk memperbaiki masalah, tetapi ini tidak berarti bahwa mereka otonom.

Mereka secara eksplisit dikonfigurasi untuk mengambil tindakan tertentu, sehingga memungkinkan organisasi untuk memiliki keyakinan pada apa yang terjadi pada lingkungan mereka. Lebih sering daripada tidak, sistem ini hanya menandai masalah sehingga pengguna atau administrator dapat masuk dan memperbaiki masalah tersebut. Ini adalah teknologi bantu, di mana itu membantu manusia melakukan pekerjaan mereka, bukan menggantikannya.

Contoh sistem otonom adalah deteksi intrusi jaringan – mencari anomali dalam lalu lintas jaringan yang normal. Ini termasuk mendeteksi serangan barang kredensial, di mana peretas memanfaatkan kredensial valid yang dibeli dari web gelap untuk mengotentikasi dan membahayakan informasi pribadi pengguna pada sistem tertentu atau, lebih buruk lagi, memindahkan uang dari akun dalam kasus lembaga keuangan.

Sistem otonom menggunakan ML untuk membedakan lalu lintas pelanggan yang sah dari login isian kredensial dan memblokir upaya serangan. Sistem otonom juga dapat menemukan eksploitasi zero-day sebelum dijalankan. Sebagian besar eksploitasi zero-day memiliki beberapa bentuk detak jantung atau perilaku lain saat mereka menunggu instruksi. Sistem berbasis ML dapat mendeteksi frekuensi rendah, tanda tangan volume rendah untuk mengidentifikasi eksploitasi ini dan dalam beberapa kasus, melucuti serangan sebelum terjadi.

Untuk analogi yang lebih sederhana, saya menyukai Roomba sebagai contoh sistem otonom yang belum sempurna. Fungsinya untuk membersihkan lantai, namun, ia memutuskan tempat yang akan dibersihkan berdasarkan umpan balik dari lingkungannya. Saat berlari ke objek, ia belajar untuk menghindarinya dari waktu ke waktu dan membangun peta ruang yang dibersihkannya. Itu perlu terus belajar karena furnitur, benda, dan hewan peliharaan terus mengubah lingkungan di mana ia beroperasi. Saya menyebutnya sebagai belum sempurna hanya karena bisa macet, jadi masih ada lebih banyak pembelajaran yang harus dilakukan saat model berkembang.

Dampak AI/ML

Scott Matteson: Bagaimana faktor Kecerdasan Buatan / Pembelajaran Mesin?

Scott Totman: ML dapat memperhitungkan sistem otomatis dan otonom. Untuk sistem otomatis, ML dapat dimanfaatkan untuk menangani lingkungan dan skenario yang lebih kompleks sambil tetap menjalankan fungsi yang sama dan tidak memasukkan ketidakpastian ke dalam otomatisasi.

Khusus untuk sistem kepatuhan, ML dapat dimanfaatkan untuk meningkatkan kecerdasan sistem otomatis yang memungkinkannya meminimalkan jumlah kesalahan positif serta mengantisipasi sistem yang akan keluar dari kepatuhan. Misalnya, ini dapat mengidentifikasi peristiwa pencetus yang sering mengakibatkan sistem keluar dari kepatuhan dan aktivitas ‘hulu’ lainnya yang membahayakan sistem yang bergantung. Sistem yang terpengaruh dapat ditempatkan pada jam tangan untuk lebih cepat mengidentifikasi dan mengambil tindakan jika/ketika sistem benar-benar tidak sesuai.

AI dan ML adalah bagian integral dari sistem otonom. Untuk keamanan siber, fungsi otonom tidak dapat beroperasi di lingkungan yang selalu berubah dengan peningkatan jumlah vektor serangan tanpa beberapa bentuk kecerdasan bawaan. Saat musuh mengubah serangan mereka, sistem ini belajar mengidentifikasi mereka, baik melalui data pelatihan tambahan, algoritme pembelajaran yang ditingkatkan, atau teknik yang lebih canggih.

AI dan ML akan memiliki peran yang meningkat dalam sistem otomatis dan otonom ke depan. Peningkatan dramatis dalam data yang tersedia dengan biaya yang terus menurun, ditambah dengan peningkatan kekuatan pemrosesan berskala yang dimungkinkan oleh cloud, telah membuat hambatan masuk untuk teknologi ML dan AI lebih rendah dari sebelumnya. Tren ini akan meningkat seiring waktu. Untuk sistem otomatis, ML akan memungkinkannya menjadi lebih tangguh dan efisien. Untuk sistem otonom, AI akan menghasilkan pengambilan keputusan yang lebih andal dan canggih.

Scott Matteson: Di mana ini bekerja paling baik?

Scott Totman: Sistem otomatis bekerja paling baik di lingkungan yang terdefinisi dengan baik dengan fungsi yang jelas untuk dilakukan. Sistem ini dapat dibangun secara efisien, dan beroperasi lebih cepat daripada manusia. Satu area, khusus untuk keamanan, yang terlintas dalam pikiran adalah memvalidasi template infrastruktur. Karena infrastruktur semakin menjadi perangkat lunak yang ditentukan, proses seperti CI/CD diperlukan untuk memvalidasi konfigurasi. Ini dapat dilihat sebagai pemeriksaan kepatuhan pra-penerapan untuk memastikan infrastruktur disediakan dengan benar dan kesalahan manusia terdeteksi.

Sistem otonom paling efektif dalam lanskap yang terus berkembang seperti vektor serangan baru dan permukaan serangan yang meningkat. Sistem ini memerlukan akses ke kumpulan data untuk belajar dan algoritme baru untuk menganalisis data secara berbeda saat ruang AI matang.

Namun, sistem ini membutuhkan biaya, karena banyak yang sangat fokus pada R&D dengan peningkatan investasi yang dilakukan dari waktu ke waktu. Karena meningkatnya biaya dan kompleksitas, sistem ini berlebihan untuk memecahkan solusi yang mudah ditangani oleh sistem berbasis otomatisasi. Seiring waktu, sistem otonom akan membutuhkan lebih sedikit data pelatihan, dan kompleksitasnya telah dikurangi dengan kombinasi proyek sumber terbuka dan penawaran penyedia cloud, tetapi mereka akan terus menjadi lebih kompleks dan mahal dibandingkan dengan sistem otomatis. Dalam banyak kasus, nilai yang mereka berikan akan bernilai investasi, jadi ini adalah masalah memilih teknologi yang tepat untuk masalah tertentu.

Di masa depan

Scott Matteson:Tren akan pergi kea rah mana?

Scott Totman: Baik bekerja pada sistem otonom atau otomatis, trennya mengarah pada pembangunan lebih banyak kecerdasan ke dalam sistem. Untuk sistem otonom, ini menyiratkan pengambilan keputusan yang lebih baik dan kemampuan untuk menangani lebih banyak kompleksitas. Sistem ini akan menyerap kumpulan data yang lebih luas untuk menginformasikan operasi mereka dan akan diberikan otonomi yang meningkat pada keputusan yang dapat dibuatnya. Untuk sistem otomatis, menjadi lebih cerdas berarti lebih tahan terhadap sistem hulu dan hilir dan menjadi komponen yang lebih andal di lingkungan yang lebih besar tempat sistem beroperasi.

Baca juga : teknologi masa depan pada mobil

Tinggalkan komentar