Cara Memperkuat Keamanan Siber di Era Kecerdasan Buatan

AKURAT.CO Di tengah era transformasi kecerdasan buatan (AI), setiap individu dihadapkan dengan berbagai kemajuan yang menjanjikan, sekaligus tantangan yang menakutkan seperti penargetan canggih yang didukung AI. Di sini, mengetahui tanda awal ancaman siber merupakan suatu keunggulan, dan kolaborasi antara pemerintah dengan pelaku industri menjadi kunci pertahanan siber di era AI.

Microsoft baru-baru ini merilis Digital Defense Report 2024, sebuah laporan tahunan yang memberikan perkembangan terbaru lanskap keamanan siber global. Laporan tersebut menyoroti tiga perubahan signifikan dalam karakteristik ancaman dan serangan siber yang terjadi di berbagai negara. Mulai dari yang berkaitan dengan ransomware, fraud, hingga identity and social engineering.

Bersamaan dengan perubahan tersebut, Microsoft juga menggarisbawahi sejumlah praktik keamanan siber yang perlu dilakukan, termasuk bagaimana memperkuat keamanan siber di era baru kecerdasan buatan.

Wawasan awal menemukan bahwa AI tengah membentuk kembali lanskap keamanan siber, membekali para cyber defender dengan berbagai alat yang ampuh untuk mendeteksi dan menangkal berbagai ancaman yang terus berkembang, dengan ketepatan yang semakin tinggi. Di tengah keterbatasan jumlah tenaga kerja di bidang keamanan siber , AI dapat mengurangi beban kerja, mempercepat identifikasi dan penanganan sebuah breach yang tanpa AI rata-rata memakan waktu 277 hari.

Sejumlah area utama pemanfaatan AI dalam operasional keamanan siber misalnya:

1. Menyortir permintaan dan tiket: Menggunakan model bahasa besar (LLM) untuk memutuskan bagaimana merespons permintaan dan tiket berdasarkan cara penanganan sebelumnya. Penggunaan LLM dalam skenario ini menghemat sekitar 20 jam per orang per minggu untuk salah satu tim respons internal Microsoft.

2. Memperkuat penilaian risiko: Memanfaatkan pengetahuan organisasi yang tidak terstruktur dan preseden historis untuk memperkaya faktor-faktor yang menentukan risiko.

3. Belajar dari pengalaman sebelumnya: Menggunakan LLM untuk mengolah data terkait insiden, pelanggaran, dan peristiwa sebelumnya untuk menemukan pembelajaran berharga yang membantu organisasi mendapatkan pandangan komprehensif tentang hal-hal yang sebelumnya pernah terjadi.