E se l'intelligenza artificiale parlasse il linguaggio dei super-detective digitali?

Immagina di essere un detective digitale in un centro di sicurezza informatica. Il tuo compito è scovare hacker e minacce tra milioni di dati che scorrono velocissimi. Per farlo, devi usare un linguaggio complicato chiamato KQL. Scrivere queste istruzioni è difficile e richiede anni di studio. Ma cosa succederebbe se potessi semplicemente chiedere all'IA: 'Trova chi ha cercato di entrare nel sistema ieri?' e lei facesse tutto il lavoro sporco per te?

Un nuovo studio ha scoperto che non serve per forza un'intelligenza artificiale gigantesca e costosissima per riuscirci. Gli scienziati hanno dimostrato che i cosiddetti 'Small Language Models' (SLM), ovvero modelli più piccoli e leggeri, sono incredibilmente bravi a tradurre le nostre parole in codice di sicurezza.

Usando un metodo speciale che combina istruzioni intelligenti e un sistema a due fasi, questi piccoli modelli sono riusciti a scrivere codice quasi perfetto. Il vantaggio? Sono molto più veloci e costano fino a dieci volte meno rispetto ai giganti come GPT. Questo significa che le aziende potranno proteggere i propri dati in modo molto più rapido ed economico, trasformando il linguaggio comune in uno scudo digitale super potente.

La ricerca affronta il problema della scalabilità nei Security Operations Centers (SOC). Attualmente, gli analisti devono padroneggiare linguaggi di interrogazione complessi come il Kusto Query Language (KQL) per analizzare i log di sistema. Il problema è che l'uso di Large Language Models (LLM) come GPT-4 per questo compito è estremamente costoso in termini di token e latenza.

Il framework proposto dai ricercatori si basa su tre pilastri: 1) Prompting consapevole degli errori, che aiuta il modello a evitare errori comuni di sintassi; 2) Fine-tuning tramite LoRA (Low-Rank Adaptation) con distillazione della razionalità, dove un modello più grande 'insegna' al modello piccolo non solo la risposta, ma anche il ragionamento logico (Chain-of-Thought); 3) Un'architettura a due stadi dove un SLM genera una bozza di query e un LLM più piccolo funge da 'giudice' per rifinire il risultato in base allo schema dei dati. I risultati mostrano un'accuratezza sintattica del 98.7%, dimostrando che la specializzazione e l'efficienza possono superare la forza bruta dei modelli generalisti.