Mayank Kumar, DeepTempo’nun Kurucusu AI Mühendisi olarak, şirketin temel Log Dil Modeli (LogLM) tasarımını ve gelişimini yönetiyor. Üretken ve çok modlu yapay zeka alanında sağlam bir akademik ve araştırma geçmişine sahip. Siber güvenlik ortamlarında tehdit tespiti ve yanıt mekanizmalarını iyileştirmek için uzmanlaşmış alan modellerini geliştiriyor.
DeepTempo, geniş ölçekli güvenlik günlük verileri üzerinde eğitilmiş bir AI tabanlı temel model olan LogLM’ye odaklanmış bir siber güvenlik şirketi. Platform, yanlış pozitifleri en aza indirirken, gelişmiş ve benzersiz tehditleri belirlemede üstün performans gösteriyor. Mevcut güvenlik sistemlerine sorunsuz şekilde entegre edilebilen DeepTempo, veri depolama alanları, Kubernetes ve Snowflake platformları üzerinde dağıtımları destekliyor. Bu, daha hızlı adli inceleme, veri toplama maliyetlerinde azalma ve modern işletmeler için ölçeklenebilir, otomatik savunma sağlıyor.
DeepTempo’yu kurmaya ne yönlendirdi ve akademik çalışmaları ve açık kaynaklı yapay zeka geçmişi şirketin gelişimine nasıl katkıda bulundu?
Derin bağların, yüz yüze etkileşimlerin öne çıktığı bir toplumda büyüdü. Öğretmen olan babası, geri verme ve paylaşma değerlerini aşıladı. Maddi zenginlikten yoksun olsa da, ilişkiler ve amaç arayışı bakımından zengin bir yaşam sürdüler. Böyle bir ortamda, sorunların çözümünün bireysel becerilerden ziyade kolektif çabayla mümkün olduğunu çabuk anladı. Bu zihniyet onun için kalıcı bir etki yarattı ve sonunda IIT Ropar’da mühendislik eğitimi alırken sosyal girişimciliğe olan ilgisini güçlendirdi.
Dönüm noktası, babasının bilgisayarının fidye yazılımı saldırısına maruz kalması oldu. Bu, yalnızca teknik bir sorun değil, aynı zamanda evlerine korku, kafa karışıklığı ve güvenlik zaafı getirdi. Bu deneyim, dijital dünyanın bireyler için değil, sürekli risk altındaki kuruluşlar için de ne kadar savunmasız olduğunu fark etmesini sağladı. O dönemde, internet ölçeğinde kolektif savunma kurma vizyonuna sahip olan Evan ile tanıştı. Bu ortak vizyon ve teknolojiyi insanlık için kullanma arzusu, onu DeepTempo’ya çekti.
Washington Üniversitesi’ndeki çalışmaları, iki temel alana odaklandı: çoklu veri türlerini birleştiren öğrenme ve veri merkezli yapay zeka. Her ikisi de şirketin dikey temel modeli olan LogLM’nin geliştirilmesinde hayati önem taşıdı. Doğal dilden farklı olarak, siber güvenlik günlükleri karmaşık, yapılandırılmamış ve bölümlüdür. İlk zorluk, bu verileri yorumlamak için yeni bir “dil” oluşturmaktı; böylece LogLM bu verilerden anlamlı çıkarımlar yapabiliyordu. Ayrıca, doğruluk ve güvenlikte hayati önem taşıyan performans değerlendirmesine büyük önem verdiler, çünkü güvenlikte yanılsamalar kabul edilemez.
Teknoloji ötesinde, kolektif savunma, yönlendiricilerinin temel hedefi oldu. Bu nedenle, bu görevi geniş bir ölçekte başarmak için açık kaynaklı iş birliği elzemdir.
“Kolektif savunma” kavramı DeepTempo’nun çekirdeğinde yer alıyor. Bu uygulamada nasıl kendini gösteriyor ve siber güvenliğe yönelik geleneksel yaklaşımlardan nasıl ayrılıyor?
Kolektif savunma, bir müşterinin LogLM örneği ile yeni bir saldırı davranışını, örneğin bir komut ve kontrol (C2) kampanyası ve ardından olağandışı veri akışlarını tespit etmesi durumunda, bu bulgunun genel bir davranış imzasına dönüştürülüp ekosistem genelinde paylaşılabileceği anlamına geliyor. Önemli olan, bu işlemin ham günlük veriler veya müşteri verileri göndermeyi içermemesidir. Bunun yerine, güvenilir davranış kalıplarını özetliyor ve bunları federasyonlu öğrenme teknikleri kullanarak model ağırlıklarına entegre ediyor.
Bu, tek tip kurallara veya statik tehdit istihbaratına dayanan eski sistemlere kıyasla önemli bir fark oluşturuyor. Bu sistemler, birden fazla kurbanın saldırıya uğramadan önce gelişemez. Kolektif savunma ile, tehdit tek bir ortama özel olsa bile, tespit sistemi her yüksek kaliteli sinyalle geliştirilebiliyor. Bu, yaygınlaşmadan önce polimorfik tehditleri ve LLM ile güçlendirilmiş ajan saldırılarını tespit edebilmelerini sağlıyor.