בינה מלאכותית משנה את התחום הטכנולוגי באזורים מסוימים ואת העולם בדרכים חסרות תקדים, מאוטומציה של משימות עד ליצירת תובנות. עם זאת, בינה מלאכותית אינו שרביט קסמים שיכול לפתור כל בעיה ללא הדרכה אנושית. יש לאמן, לכוונן ולבדוק מערכות בינה מלאכותית כדי לבצע ולקבל ביצועים טובים במשימות ובתחומים ספציפיים. כאן נכנס לתמונה Prompt Engineering (הנדסה מהירה) ואומנות ההנחיה.
איך מתשאלים מודל בצורה יעילה? איך כותבים ספרי הנחיות בצורה מיטבית? איך נתכנן וניישם תשומות בכדי שנקבל תשובות מהירות? איך נשפר הגנות סייבר באמצעות הנחיות? אחת הדרכים שבהם אני מתחיל בהסבר על Prompt Engineering (הנדסה מהירה) והנחיות, או מהו מהדנס פרומפטים הוא מהתחום הקולינרי.
תחשבו על זה שאתם מכינים ארוחת ערב, אולי ספגטי מרינרה. במקרה מסוים הרוטב יכול להיות מאיזה קופסה סגורה, אבל מה אם קונים את המרכיבים בנפרד, למשל, עגבניות ובזיליקום טריים? סביר להניח שזה יהיה טעים יותר. ומה אם נגדל את המרכיבים בגינה ואז נכין ספגטי? רמה חדשה לגמרי של טעמים – כך גם בעבודה עם מודלים ובפרט כאשר אנו מדברים על Prompt Engineering (הנדסה מהירה) והנחיות.
המאמר, "Copilot for Security: אומנות ההנחיה" נוגע במהו Prompt Engineering (הנדסה מהירה), אומנות ההנחיה, השיוך לתחום הסייבר, השיוך מול Copilot for Security ונקודות עניין נוספות.
דיונים ועדכונים של Copilot for Security בקבוצת הוואצפ של MSFT.SEC.ADVOCATE.
דיונים ועדכונים של GenAI Security + LLM Security בקבוצת הווצאפ של LLMSEC.
מהו Prompt Engineering?
בדיוק כפי שמרכיבים טובים יותר יכולים ליצור ארוחה טובה יותר, תשומות טובות יותר למודל בינה מלאכותית יכולות להביא לתוצאות טובות יותר. תשומות אלו נקראות בין היתר, הנחיות, קלט/פלט,שיפור וייעול המודל, אופטימיזציה של קוד ועוד. התרגול של כתיבתן נקרא Prompt Engineering (הנדסה מהירה).
מהנדסי פרופמט מיומנים לרוב יתכננו תשומות המתקשרות בצורה אופטימלית עם תשומות אחרות של בינה מלאכותית. תשומות אלו מסייעות להפיק תשובות טובות יותר ממודל הבינה המלאכותית, כלומר המודל יכול לבצע את המשימות שלו טוב יותר, כגון ניתוח סקריפטים, הוצאת דוחות סייבר, כתיבת מיילים שיווקיים, ניתוח וסינתזה של טקסט, יצירת קשר עם לקוחות באמצעות צאט בוטים, יצירת אמנות דיגיטלית ועוד. למהנדסי פרופמט יש תפקיד חשוב. עדיין, איפה משתלב Prompt Engineering? ואיך כותבים הנחיה טובה? המשך לקרוא כדי לגלות.
הצורך ב Prompt engineering נבע מהמגבלות של גישות קודמות באימון מודלים של בינה מלאכותית. באופן מסורתי, אלגוריתמי למידת מכונה אומנו באמצעות כללים מפורשים או מערכי נתונים גדולים שהכילו צמדים של קלט/פלט. עם זאת, גישות אלו לא הצליחו לעתים קרובות לתפוס את המורכבות והניואנסים של השפה האנושית. כתוצאה מכך, מודלים לא יכלו לייצר תפוקות באיכות גבוהה בעצמם, והגורם האנושי נאלץ לאצור את הפלטים באופן ידני.
Prompt engineering פותר בעיה זו על ידי מתן דרך להנחות את הפלט של מודלים אלה תוך שימוש בהנחיות שתוכננו בקפידה. Prompt engineering כולל יצירת קבוצה של הוראות, הנחיות או שאלות המשמשות כנקודות מוצא למודלים ליצירת תפוקות באיכות גבוהה. לפיכך, הנחיות עוזרות לצמצם את האפשרויות של מה שמודל בינה מלאכותית יכול להפיק תוך מתן אפשרות לתפוקות יצירתיות וייחודיות.
כאשר פרומפט הינו קלט מסוים, לרוב בצורת שאלה או שאילתה, המוזן למודל בינה מלאכותית במטרה לקבל תוצר מסוים. הפרומפט יכול ללבוש מספר צורות, בהן משפט שלם או מספר מילות מפתח, ועל מהנדס הפרומפטים לדעת כיצד ליצור את הפרומפט שיספק את התוצאה הרצויה בצורה האופטימלית ביותר. השימוש במילה "הנדסה" בשם הטכניקה יכול להטעות, שכן בסופו של דבר מדובר במיומנות גרידא, עם אלמנטים הנדסיים מעטים.
ישנם מקרים בהם נרצה לקבל את התוצאה האופטימלית מהמודל, ולכן נבין כי ישנו צורך במספר פרומפטים. למשל, במקרה מסוים ננחה את המודל עם "צעד אחר צעד", ועל כן ננחה על ידי מספר פרומפטים חלקיים בכל פעם, וזאת, להבדיל מלנסות לקבל את התוצאה הרצויה באמצעות פרומפט בודד. אימון זה נחשב כיעיל בשיפור ביצועי מודל בפתרון בעיות חשיבה רב-שלבית. ניתן להוביל את המודל לחשוב כך גם באמצעות הבהרה טקסטואלית מפורשת בפרומפט.
המטרה היא להנחות את המודל כדי להפיק תוצאות מדויקות ויעילות יותר. התחום של מהנדס פרומפים משלב כישורים טכניים ולא-טכניים, כולל תקשורת, מומחיות בנושא, שפה, חשיבה ביקורתית ויצירתיות. הנדסת פרומפטים מאפשרת למשתמשים להפיק את המרב מהיכולות הייחודיות של מערכות בינה מלאכותית ולנצל אותן בצורה מיטבית.
היבט חשוב נוסף של Prompt engineering הוא כוונון עדין. כוונון עדין הוא תהליך התאמת הפרמטרים של המודל כך שיתאים טוב יותר למשימה או תחום ספציפי. לדוגמה, אם רוצים שמודל בינה מלאכותית ייצור אבחנות וניתוחים של אבטחת מידע וסייבר, יש לכוונן את המודל לפי נתוני אבטחת מידע וסייבר.
מיומנות בעלת ערך?
כאמור, Prompt engineering הוא אמנות ומדע של תכנון תשומות אפקטיביות עבור מערכות בינה מלאכותית, כגון מודלים של שפה טבעית. הנחיה היא קבוצה של הוראות, הנחיות, שאלות, דוגמאות או שאילתות המעוררות תגובה רצויה ממערכת בינה מלאכותית. לדוגמה, הנחיה יכולה להיות שאלה שמבקשת ממערכת בינה מלאכותית לסכם תקרית אבטחה, או תבנית המורה למערכת בינה מלאכותית ליצור שיר.
Prompt engineering יכולה להיות מיומנות רבת ערך לעתיד מכיוון שהיא מאפשרת לגורם האנושי למנף את כוחה של הבינה המלאכותית בדרכים יצירתיות ויעילות. על ידי יצירת הנחיות מעוצבות היטב, בני אדם יכולים:
- לשפר את האיכות והדיוק: הנחיה טובה יכולה לעזור למערכת ולמודל להבין טוב יותר את המשימה ואת ההקשר ולהימנע משגיאות או הטיות. לדוגמה, הנחיה יכולה לספק מידע רלוונטי, להבהיר את הציפיות או לציין את האילוצים עבור מערכת או מודל.
- הרחבת היכולות והיישומים של מערכות ומודלים: הנחיה טובה יכולה לעזור למערכת בינה מלאכותית לבצע משימות שאינן מתוכנתות או מאומנות במפורש, על ידי שימוש בידע הכללי וביכולות העיבוד. לדוגמה, הנחיה יכולה לבקש ממערכת בינה מלאכותית ליצור תוכן, לפתור בעיות או לענות על שאלות שהן מעבר להיקף שהוגדר מראש.
- שיפור האינטראקציה ושיתוף הפעולה בין הגורם האנושי ומערכות בינה מלאכותית: הנחיה טובה יכולה לעזור למערכת או מודל לתקשר עם הגורם האנושי בצורה טבעית ומרתקת ולספק משוב או הצעות. לדוגמה, הנחיה יכולה להשתמש בשפת שיחה, בהומור או ברגשות כדי להפוך מערכת בינה מלאכותית ליותר דמוית אנושית וניתנת לקשר.
Prompt engineering היא מיומנות עבור מומחים או מפתחים בינה מלאכותית ולכל גורם שרוצה להשתמש בבינה מלאכותית למטרותיו האישיות או המקצועיות. זה יכול להעצים את המשתמשים להתאים אישית ולבצע אופטימיזציה לצרכים והעדפות הספציפיות ולשחרר את היצירתיות והחדשנות של כל אחד ואחת מאיתנו.
Prompt engineering: ציר מקצועי
Prompt engineering היא מיומנות שתהפוך חשובה ורלוונטית יותר ככל שמערכות בינה מלאכותית יהיו מתקדמות יותר ונפוצות בכל מקום. זה יכול לעזור לגורם האנושי לרתום את הפוטנציאל של בינה מלאכותית ולעצב את עתידו. מהנדס פרומפטים אינו רק ״שואל שאלות והנחיות״ הוא גורם מקצועי המתמחה בתכנון, אופטימיזציה וחידוד הנחיות או תשומות למערכות בינה מלאכותית, במיוחד מודלים, כדי לעורר תגובות מדויקות, רלוונטיות ורצויות.
Prompt engineering מתייחס לתהליך יצירת והגדרת פקודות (prompts) למערכות בינה מלאכותית כמו מודלים של שפה, במטרה לקבל תשובות מדויקות, רלוונטיות ומועילות יותר. תהליך זה כולל הבנה עמוקה של אופן פעולת המודל ושל התגובות האפשריות שלו לפקודות שונות.
תפקיד ה Prompt engineer כולל מספר שלבים מרכזיים:
- הגדרת מטרה: קביעת המטרה של הפקודה, מה בדיוק רוצים לקבל מהמודל.
- ניסוח פקודה: יצירת פקודה ברורה ומפורטת שתנחה את המודל לייצר את התשובה הרצויה.
- בדיקה והתאמה: בחינת התשובות של המודל והתאמת הפקודות לפי הצורך כדי לשפר את התוצאות.
- שימוש בכלים מתקדמים: שימוש בכלים ופלטפורמות המאפשרות ניסוח ובדיקה של פקודות בצורה יעילה יותר.
- למידת מודלים: הבנה של התנהגות המודל ותוצאותיו בתגובה לפקודות שונות, ושימוש בידע זה לשיפור הפקודות.
תפקיד זה דורש יצירתיות, הבנה טכנית ויכולת אנליטית כדי למצות את הפוטנציאל של מערכות הבינה המלאכותית ולהפוך אותן לכלי עבודה יעיל ומשמעותי לטובת משתמשים.
כישורים נדרשים:
- הבנה בטכנולוגיות בינה מלאכותית ו NLP.
- יכולת ניסוח וכתיבה ברורה ומדויקת.
- יכולות אנליטיות ופתרון בעיות.
- ידע במודלים של שפה ויכולותיהם.
יישומים נפוצים:
- יצירת תוכן אוטומטי.
- סיוע בשירות לקוחות באמצעות בוטים.
- תרגום אוטומטי ושיפור תרגום.
- יצירת סיכומים ומידע מתומצת.
Prompt engineering הוא תחום מאתגר ומתפתח, שכן הוא דורש לדעת כיצד לתקשר עם כלי בינה מלאכותית שונים, להבין את המגבלות והיכולות שלהם ולהסתגל לשינויים שלהם. Prompt engineering עשוי להיות תפקיד שאינו קבוע, מכיוון שמערכות בינה מלאכותית הופכות מתקדמות וידידותיות יותר למשתמש עם הזמן.
Prompt engineering היא מיומנות רבת ערך לעתיד, מכיוון שהיא מאפשרת לגורם האנושי למנף את כוחה של בינה מלאכותית בדרכים יצירתיות ויעילות. למשל, חלק מהמשרות הן בעלת ערך בשנה ואינן דורשות ניסיון, תואר או מיומנויות קידוד מתקדמות.
לכן, האם מהנדס פרומפטים הוא משרה בטוחה? תלוי בתחומי העניין, הכישורים והמטרות. אם אתה נלהב מבינה מלאכותית, נהנה לכתוב ולפתור בעיות, ורוצה לעבוד בתחום מתפתח ודינמי, Prompt engineering עשויה להתאים לך.
Prompt engineering וסייבר
מומחי אבטחה יכולים להפיק תועלת Prompt engineering עבור בינה מלאכותית בדרכים שונות, כגון:
- מחקר והבנה של טכנולוגיות ואיומים חדשים: מומחי אבטחה יכולים להשתמש ב Prompt engineering כדי למנף כלי בינה מלאכותית כדי לאסוף ולנתח מידע, להפיק תובנות ולהישאר מעודכנים בהתפתחויות ובסיכונים האחרונים בתחום.
- הבנה ואיתור קוד זדוני: מומחי אבטחה יכולים להשתמש ב Prompt engineering כדי ליצור אינטראקציה עם כלי בינה מלאכותית שיכולים לסרוק, לנתח ולפרש קוד, לזהות נקודות תורפה ולסמן תוכנות זדוניות או ניצול פוטנציאלי.
- יצירת אמצעים ופתרונות: מומחי אבטחה יכולים להשתמש ב Prompt engineering כדי להורות לכלי בינה מלאכותית ליצור ולבדוק אסטרטגיות הגנה, כגון תיקונים, הצפנה או אימות.
- סיכום והעברת ממצאים ותוצאות: אנשי אבטחה יכולים להשתמש ב Prompt engineering כדי לבקש כלי בינה מלאכותית להפיק דוחות, מצגות או המלצות תמציתיים וברורים על סמך והניתוח שלהם.
Prompt engineering יכול גם להוות אתגרים וסיכונים עבור אנשי אבטחה, בין היתר:
- טיפול בהודעות שעלולות להיות זדוניות או מזיקות: מומחי אבטחה צריכים להיות מודעים לאפשרות של תוקפים להשתמש בהנחיות כדי להתפשר או לתמרן מערכות בינה מלאכותית וליישם תשומות, אימות קלט ותגובה תוכניות לאירועי אבטחה.
- טיפול בסוגיות אתיות ורגולטוריות. מומחי אבטחה צריכים לשקול את ההשלכות האתיות והמשפטיות של שימוש בכלי בינה מלאכותית, כגון פרטיות, הסכמה, אחריות ותאימות, ולהבטיח שההנחיות שלהם תואמות לעקרונות אלה.
- התאמה לאופי המתפתח והדינמי של בינה מלאכותית: אנשי אבטחה צריכים להתעדכן בשינויים ובחידושים המהירים של בינה מלאכותית ולעדכן את ההנחיות והכישורים שלהם בהתאם.
Prompt engineering יכול להציע לאנשי אבטחה דרך רבת ערך ועוצמתית ליצור אינטראקציה עם מערכות בינה מלאכותית ולמנף אותן, אך היא גם דורשת שימוש זהיר ואחראי.
בינה מלאכותית, סייבר וכאלה
במירוץ החימוש נגד סיכוני ואיומי סייבר, מהירות ודיוק הם הכל. אנו תמיד מחפשים כל הזמן דרכים לעלות על היריבים והתנהגותם. כלי מהפכני אחד בארסנל שלנו הוא בינה מלאכותית, בין היתר, להנדס הנחיות, טכניקה שרק מגבירה את היכולות שלנו, ומאפשרת לנו להריץ פעולות על גבי מספר רב של כלים ולקבל תובנות חסרות תקדים, ואולי במקרים מסוימים להגיב לתקריות במהירות.
במבט קדימה, בינה מלאכותית רק תגדל בחשיבות, תחכום ושכיחות. ככל שמודלים של בינה מלאכותית מתפתחים, אנשי אבטחת סייבר השולטים בטכניקה זו ואחרות ימצאו את עצמם בחזית ההגנה, מצוידים באפשרויות במטרה לנטרל איומים ביעילות.
יחד עם זאת, צריך להבין הבדל מהותי של בינה מלאכותית במרחב הסייבר, הם בצד ההתקפי, והן בצד ההגנתי.
בינה מלאכותית ושחקני תקיפה במרחב
בינה מלאכותית ושחקני תקיפה במרחב, לא מה שחשבנו או ראינו. משהו קצר מתוך המאמר של Verizon 2024 DBIR: תובנות ונקודות עניין והתייחסות ספציפית לבינה מלאכותית וסייבר.
בינה מלאכותית עשתה הייפ פסיכי בשנה האחרונה. האם כך הדבר אצל שחקני התקיפה? בזמן שבינה מלאכותית הוצגה בעולם האבטחה והסייבר בכל פינה אפשרית עם דרכי תקיפה באמצעות תשתיות מבוססות בינה מלאכותית גנרטיבית, בשטח הדבר התנהג ״קצת״ אחרת. שחקני תקיפה אינם משתמשים בפלטפורמות בינה מלאכותית – התוקפים אינם משתמשים בפלטפורמות בינה מלאכותית. אין לי ממש מה להוסיף לפרשנות של הדוח בנושא בינה מלאכותית מלבד לשבח אותו על בנושא, כי זה מה שממש מתרחש.
מבחינת ראיות, נמצא כי טכנולוגיות מבוססות בינה מלאכותית גנרטיבית לא זכו אפילו ל 100 אזכורים בפורומים של פשע מחתרתיים במהלך השנה האחרונה! קולטים? כאשר בינה מלאכותית גנרטיבית מוזכרת, זה מסיבות אחרות בכלל, אולי גסות:
- רוב האזכורים כללו
- מכירת חשבונות להצעות בינה מלאכותית גנרטיבית מסחריות.
- כלים ליצירת בינה מלאכותית של פורנו ללא הסכמה.
- מלבד העובדות הנ״ל, יש אזכורים אחרים:
- הייפ שיווקי בלתי מנומס – לחץ קולני מצד גורמים בתעשיה.
- עם זאת, זה עדיין נושא מאוד מרכזי והעסיק את בכירי הטכנולוגיה ואבטחת סייבר ברחבי העולם.
- הדבר מזכיר בדיוק טכנולוגיות משפיעות אחרות כמו בלוקציין ומטאוורס…
הם מעלים נקודה מצוינת – גם אני חושב כך – לגבי מידת הצורך של התוקפים אפילו לאמץ את בינה מלאכותית גנרטיבית בפעילותם:
אפשר לטעון, בהתחשב במספרי דפוסים ב Prompt engineering, למשל, שהתקפות פישינג או אחרות אינן צריכות להיות מתוחכמות יתר על המידה כדי להצליח נגד המטרות שלהן, כפי שראינו עם הצמיחה של התקפות דמויות BEC, התוקפים לא נותנים ל"משהו טוב מספיק" להיות האויב של המושלם ודואגים לתוצאות.
חשוב להדגיש כי יש התייחסות אחרת לשימוש של פלטפורמות בינה מלאכותית בהגנה על הארגון. שם זה מקבל חשיבה אחרת. אולי יש עניין בהגנה יותר מהתקפה…
בינה מלאכותית לזיהוי בעיות חשיפות, בעיות ואיומים
בניגוד לסייבר התקפי, הדבר שונה בצוותי הגנה שמנסים לתפוס שחקני תקיפה, חשיפות, בעיות ועוד.
ניתוח התנהגות, המופעל על ידי בינה מלאכותית וטכנולוגיית GenAI, ממלא תפקיד מכריע בטיפול יזום באיומי אבטחת סייבר. ניתוח התנהגות מתמקד באיתור דפוסים נסתרים בהתנהגות המשתמש ובביסוס קו בסיס של פעילות נורמלית כדי לזהות סטיות עתידיות. גישה פרואקטיבית זו לזיהוי איומים מאפשרת לצוותי אבטחה לחקור ולהגיב באופן מיידי, ומפחיתה את הסיכון להפרות הקשורות למרכיב האנושי.
שילוב ניתוח התנהגות באסטרטגיית אבטחת סייבר מעצימה צוותים לטפל באופן יזום בצד האנושי של אבטחת סייבר. על ידי מינוף הטכנולוגיות הללו, ארגונים יכולים לזהות ולהגיב לחריגות, להפחית את הסיכונים הכרוכים בהתקפות הנדסה חברתית וטעויות אנוש, ולחזק את עמדת האבטחה הכוללת שלהם.
העצמת הצוותים היא ברמת TIER1 או TIER3, פלטפורמת מבוססת בינה מלאכותית הראתה ש TIER3 תדע להשתמש בזה טוב יותר ולהעצים את עצמה, מצד שני זה מייתר אוכולסיה TIER1. אז, לזהות איומים לפני יקרה בתנאים מסוימים? מהם התנאים? האם מדובר בתנאים שלנו? או בתנאים של התוקף? הרבה חלקים אפורים.
קצת מהמציאות
בינה מלאכותית אינה נראית ונמצאת בכלים התקפיים (לפחות לא בכלי מסחריים רשמיים) או בשימוש של קבוצות תקיפה וכמו שהראה הדוח של Verizon זה רחוק מהמציאות. עם זאת, אפשר לשים לב לכלי הגנה שאולי יכולים לסייע ביומיום בסיטואציות רבות, החל מניטור, דרך שיפור נוף האבטחה ועד סיטואציות Threat Hunting.
אם אני יכול לקחת משהו מהמציאות שסייע במספר תרחישים וסביבות מורכבות אז אפשר לקחת לפעולות ניטור מסויימות.
ניצול בינה מלאכותית בסביבות ניטור
מתוך הניסיון שלי בעבודה עם סביבות SOC, ניטור ותחקור, אני יכול להעיד על הכוח הטרנספורמטיבי של בינה מלאכותית החל מהנחיות ובפרט למידה עצמאית. ניתוח מסורתי של תקריות אבטחה הוא תהליך שלוקח זמן (ברום המקרים), ובין היתר כולל סקירות לוגים מדוקדקות והוצאת מידע מתוך כמויות עצומות של נתונים בתוך מספר ממשקים (לא תמיד ממשק ה SIEM מסייע). במצב כזה ועל ידי שימוש של תשתית בינה מלאכותית שנפרסת על תריסרים של כלי אבטחה וטכנולוגיות אנו יכולים להריץ פעולות ומשימות עם הנחיות ידניות ובפרט ספרי הנחיות ולהגיע למצב שבו פעולות ניטור ועבודה כללית של SOC שארכו שעות הצטמטו למנימום זמן, אולי דקות.
ייעול ניתוח התראה
נתונים ולוגים בתשתית או רכיב טכנולוגי מעוצב באופן ייחודי, המחייב ניתוח מתמיד כדי להבין את מבנה הלוג והנתונים. שימוש בהנחיות יכול לעקוף את המשימה המפרכת הזו. איך זה יכול לעבוד בפועל:
ראשית, לוקחים את המערכות והלוגים שאיתם צריך להתמודד (לנטר, ליצור תובנות ועוד) ולהבין את הדרך שבה מתמודדים ידנית בכדי להוציא מידע. לאחר מכן יוצרים הנחיות. הספר הנחיות (Promptbook) הבא מורכב ממספר מאפיינים:
- קצת יותר מעשר הנחיות מגוונות.
- מתשאל מספר כלי אבטחה: Defender for Identitiy, Defender XDR, Entra ID.
- הוכן מראש באופן פרוגרמטי שמצריך הקלדת נתון מאוד ספציפי (alert id).
ברגע שמפעילים את ספר ההנחיות ומספקים את הנתון הנדרש, כל ההנחיות ירוצו על גבי הכלים ויוציאו את המידע הרלוונטי שלבסוף יספקו תובנות – כל זה תוך מספר דקות.
שיקולים אתיים ושיטות עבודה מומלצות
שילוב בינה מלאכותית בתהליכי עבודה של אבטחת סייבר מבטיחה יתרונות עצומים, אך היא גם דורשת זהירות רבה. זה חיוני לא לשתף נתונים גולמיים או מידע רגיש עם תשתיות בינה מלאכותית, אלא אם כן עובדים בגבולות מסוימים.
חיפוש בגוגל אל מול הנחיות?
עוד משהו קטן מהמציאות, ואת זה כבר ראיתי כמשהו נוכח אצל גורמים רבים המחפשים נתונים במודלים מסוימים, וברגע שעשיתי השוואה אל מול חיפוש בגוגל קיבלתי את התובנה המדוברת. לחיפוש בגוגל וחיפוש במודל מסוים יש קווים דומים ושונים בו זמנית.
האם חיפוש בגוגל דומה להנחיות ותשאולים של בינה מלאכותית? אפשר לומר שיש הרבה קווים ומאפיינים דומים. בגוגל אנו משתמשים באופרטורים לבצע חיפוש, או באפשרויות של חיפוש מתקדם, או עושים שימוש בגוגל דורק. תשאול והנחיות בבינה מלאכותית מצריכה עקרונות ספציפיים, כמו צעד אחד צעד, הקשרים ציפיות, מטרות ועוד.
זה מוביל אותנו להבנה שמי שחיפש בצורה כללית בגוגל יעשה זאת גם בבינה מלאכותית. או כמו שתמיד אני אומר.
מדוע גוגלרים רעים עשויים להיות מתשאלים גרועים (או מהנדסי פרומפט גרועים) גם בבינה מלאכותית?
- חוסר הבנה: אם מישהו לא תופס היטב את הטכנולוגיה הבסיסית (מודלים/LLM), הוא עלול להתקשה ליצור הנחיות שיביאו את התוצאות הרצויות.
- תקשורת לא ברורה: אם למישהו יש בעיה לתקשר את הרעיונות שלו בצורה ברורה, זה יכול להיות קשה לתרגם את הרעיונות האלה להנחיות יעילות.
- כוונות לא אתיות: מישהו עם כוונות רעות עלול להשתמש במודלים של שפה גדולים למטרות זדוניות, וזה ידרוש יצירת הנחיות רעות.
מדוע גוגלרים טובים עדיין יכולים להיות מתשאלים גרועים (או מהנדסי פרומפט גרועים)?
- מיומנות חדשה: שימוש יעיל במודלים של שפה גדולה היא מיומנות חדשה, אפילו עבור גוגלרים מוכשרים. זה דורש לימוד טכניקות וגישות חדשות.
- אי התאמה של מיקוד: מישהו יכול להיות מצוין בתפקידו הספציפי בגוגל, אבל זה לא מתורגם אוטומטית להיות פרומפרט טוב.
- מורכבות מיידית: יצירת הנחיות יעילות באמת יכולה להיות מורכבת, ודורשת הבנה של היכולות והמגבלות של המודל.
| טיפ: אנליסט אבטחה או כל תפקיד אחר שמטרתו ביומיום היא לחפש נתונים או לנטר בעיות אבטחה צריך להבין בצורה מדויקת את המטרה, מהו מחפש, איך, למה ואת התהליך שאיתו הוא עובד. הפעולות וההתנהגות דומות לבינה מלאכותית, גם במקרה הזה, צריך לדעת איך לחפש נתונים או איך לנטר בעיות אבטחה, אחרת, התשאול וההנחיות מו לבינה מלאכותית לא יניבו תוצאות ותובנות. |
בסך הכל, יש קשר בין להיות גוגלר טוב לבין להיות פרומפטור טוב, אבל זה לא מושלם. עם זאת, הכישורים והידע שהופכים מישהו לגוגלר טוב בהחלט יכולים להוות בסיס חזק להפיכתו למנחה טוב.
אומנות ההנחיה
כאמור, בינה מלאכותית מתפתחת במהירות עצומה ובנוף המתפתח במהירות של מודלים (LLM) של בינה מלאכותית מושג אחד תפס את הבמה מאז השקת ChatGPT בנובמבר 2022 – והתפיסה הזו היא: הנחיות – Prompt.
הנחיות יכולות לשמש כמצפן עבור דגמים ומדולים מסוימים של בינה מלאכותית, ומנווטות אותם לקראת אספקת תפוקות יקרות ערך (פלט עם תובנות). אז מהם העקרונות החיוניים לגיבוש הנחיות יעילות בהקשר טכנולוגי, עסקי או כל הקשר אחר?
עקרונות מפתח ליצירת הנחיות אפקטיביות
ובכן, כולנו/רובנו מכירים את היסודות עד עכשיו, נכון? הנחיות צריכות להיות ברורות בכדי שיהיה אפשר להשיג תוצאות.
הנחיה היא השפה שבה משתמשים במודל שלך ולבקש ממנו לעשות את כל מה שאתה רוצה שהוא יעשה, ומה שעובד עם אנשים, עובד עם מודלים: אתה מקבל את התוצאות הטובות ביותר כאשר אתה משתמש בשפה פשוטה ומספק הקשר, כמו שהיית עושה עם גורם אנושי. בואו נעשה את זה יותר מוחשי.
הודעת Copilot for Security טובה (ואפילו באופן כללי) כוללת באופן אידיאלי מספר מרכיבים:
- מטרה: מה אתה רוצה מהמודל, באופן ספציפי?
- הקשר: למה אתה צריך את זה ומי מעורב?
- מקורות: באילו מקורות מידע או דוגמאות כדאי להשתמש?
- ציפיות: איך המודל אמור להגיב בצורה הטובה ביותר לציפיות שלך?
לדוגמה, הוצאת דוח מתקרית/אירוע/התראה. במקרה כזה יוצרים 3-5 נקודות ראשוניות כדי להבין מהם הנתונים הנדרשים בכדי להוציא תובנות, מכאן נתמקד במסגרת הנדרשת (לא לצאת מהקווים…), נפשט מקורות מסוימים ומשפ נשתמש בשפה פשוטה שכדי שנוכל לקבל את המידע בצורה נקודתית ומהירה.
אז במקום לכתוב: "תוציא דוח תקרית ותוודא שהסיכום יתאים למנהל אבטחת מידע".
אפשר לכתוב: ״נתח את התראה מספר xxxx, בניתוח כלול את המערכות הבאות: Defender XDR, Entra ID, AWS. בניתוח כלול את הגורמים להתראה והשתלשות הבעיות, לאחרן מכן הוצא את היישויות שהושפעו בתקרית זאת, ולאחר מכן הוצא את הפעולות הנדרשות למיטיגציה שצריך לבצע, ולסיכום הפק דוח סיכום קצר למנהל אבטחת מידע.
| טיפ: אין צורך להשמש רק במונחים טכניים. Copilot for Security יספק תוצאה, ויגיע עם הנחיות מעקב כדי לשפר את הפלט אפילו יותר. |
האם חשוב להבין איך המודל עובד בכדי להוציא נתונים בעלי ערך מתוך תריסרים רבים של מערכות ובמינימום זמן? לגמרי כן. אינו חובה אבל עוד גורם שעושה הבדל איכותי.
Copilot for Security והנחיות
כמו במקרים רבים ואחרים גם שעובדים עם הפלטפורמה של Copilot for Security אנו צריכים לדעת איך לתשאל את המערכת, אחרת, אין בזה ערך ואנו לא מנצלים את כוחה של הבינה המלאכותית.
Copilot for Security, מי אתה?
Copilot for Security הוא כלי בינה מלאכותית מהדור החדש של Generative AI ותשתית מבוססת ענן. מטרתו לסייע בשיפור האבטחה מול תשתיות, כלי אבטחה ופלטפורמות מגוונות, בין אם Microsoft או צד שלישי על ידי ביצוע פעולות בצורה מהירה ולהציג תובנות ומסקנות יעילות.
האם הדבר יחולל מהפכה באבטחת מידע וסייבר כפי שאנו מכירים אותה היום? המאמר עונה בחלקו על שאלה וסוגיה זאת וכיצד לרתום את כלי הבינה המלאכותית החדש של Copilot for Security. בין היתר משתמש בדוגמאות מעשיות כדי לחקור כיצד Copilot for Security מתכוון לזעזע גישות מסורתיות בתחומי אבטחת סייבר שונים. אז בסוף המאמר אפשר לשפוט איך זה מסתדר עם ההיצע הנוכחי.
Copilot for Security הוא כלי אבטחה שמאפשר לצוותי אבטחה ובפרט SOC לנוע במהירות ובקנה מידה של בינה מלאכותית גנרטיבית. Copilot for Security משלב את המודלים המתקדמים ביותר של שפה גדולה (LLMs) מבית OpenAI עם מידע בקנה מידה גדול אשר כולל יותר מ 80 טריליון נתונים וסיגנלים מבוססי אבטחה, ברמת יומיומית.
Copilot for Security משלב את העוצמה של מודלי AI המתקדמים של GPT-4 של OpenAI עם מודל ספציפי לאבטחה שפותח פנימית על ידי מיקרוסופט. בין היתר מאפשר לאנליסטים ב SOC להנחות את Copilot for Security כפי שהיית מבקש מ ChatGPT. כלומר, שואלים שאלה (הנחיות), והכלי מחזיר תגובה שנוצרת על ידי בינה מלאכותית שעונה על שאלת האבטחה.
הפתרון ממנף את מלוא הכוח של תשתית OpenAI כדי ליצור תגובה להנחיית משתמש על ידי שימוש בתוספים ספציפיים לאבטחה, כולל מידע ספציפי לארגון, מקורות סמכותיים ומודיעין איומים גלובלי. על ידי שימוש בתוספים כמקורות נקודות נתונים, לצוותי האבטחה יש נראות רחבה יותר לאיומים וזוכים להקשר רב יותר, ויש להם הזדמנות להרחיב את הפונקציונליות של הפתרון.
Copilot for Security תוכנן מתוך מחשבה על אינטגרציה ולכן משתלב בצורה חלקה עם כלים בפורטפוליו של Microsoft Security, כגון:
- Microsoft Defender XDR.
- Microsoft Sentinel.
- Microsoft Intune.
- כמו גם כלים צד שלישי אחרים.
המוקד העיקרי מתרכז סביב:
תגובה לאירוע – מסכם במהירות מידע על אירוע על ידי שיפור פרטי האירוע עם הקשר ממקורות נתונים, מעריך את השפעתו ומספק הדרכה לאנליסטים כיצד לנקוט בצעדי תיקון עם הצעות מודרכות.
ניהול נוף האבטחה – מספק מידע על אירועים שעלולים לחשוף את הארגון לאיום מוכר וידוע. האנליסטים מקבלים הנחיות מקדימות כיצד להגן מפני אותן נקודות תורפה וכניסה פוטנציאליות.
דיווחי אבטחה – מפיק סיכומי מנהלים או דוחות מוכנים לשיתוף על חקירות אבטחה, פרצות שנחשפו בפומבי או גורמי איומים וקמפיינים שלהם.
### הנחיות (Promptbook) – הנחיות מותאמות מאפשרות יצירה ושימור הנחיות בשפה הטבעית עבור תהליכי עבודה ומשימות אבטחה נפוצות. ###
העצמת פעולות וצוותים – מעצים ומפשט את השילוב עם הקשרים עסקים כך שיהיה ניתן לחפש ולשאול על תוכן ספציפי.
אינטגרציה – מתחבר לכלים רבים, בינהם לכלי של Microsoft Defender External Attack Surface Management כדי לזהות ולנתח את המידע העדכני ביותר על סיכוני משטח ההתקפה החיצוניים של הארגון.
אופטימיזציה – אופטימיזציה של שימוש ב Copilot for Security לטובת שימוש יעיל וניצול יעיל של הכלי על ידי הגורם המתפעל.
איך עובד התהליך של הנחיות ב Copilot for Security?
התהליך מתחיל כאשר משתמש שולח בקשה. ברגע שהמשתמש שולח את ההנחיה מאחורי הקלעים רצים אינספור פעולות במינימום שניות בכדי לעבד, להבין ולהוציא את המידע הנדרש.
- הבקשה נשלחת מאחורי הקלעים למנגנון Orchestrator שם נקבע קובע את ההקשר הראשוני ונבנית תוכנית תוך שימוש בכל הכישורים הזמינים – מטתרו להבין את הבקשה הראשונית על ידי הנתונים שהתקבלו.
- לאחר מכן, נבנה הקשר שהוא למעשה מבצע את פעולה הבקשה כדי לקבל את הקשר הנתונים הנדרש כדי לענות על ההנחיה.
- מערכות והרחבות – לאחר מכן המנגנון מנתח את כל הנתונים והדפוסים כדי לספק תובנות – Copilot for Security מאגד את הנחיית המשתמש ורשימה מלאה של יכולות Copilot עבור המקורות המופעלים (תוספים ומאגרי ידע) ולאחר מכן שולח אותה לתשתית Azure OpenAI ייעודית עם הבקשה לתכנן תוכנית למילוי בקשת המשתמש. אם לא נמצאה יכולת תואמת, התגובה להנחיה של המשתמש נוצרת באמצעות ה-LLM של הידע הכללי.
- הכנת התגובה – בשבל זה מתשלבים הנתונים וההקשר והמודל ימצא תגובה – תשתית Azure OpenAI תריץ מודלים (LLMs) מתקדמים כדי להתאים את ההנחיה ליכולות הזמינות (מיומנויות) ויוצרת תוכנית (סט שלבים) למילוי בקשת המשתמש.
- תגובה ופלט – בשלב זה הנתונים מפורמלים ומפורמטים לכדי פלט.
מה אפשר למצוא בין הפעולות והשלבים?
ה orchestrator מבצע את הפעולות על ידי הפעלת הקוד עבור התוספים/היכולות שנבחרו וקריאה לממשקי API המתאימים כדי לאסוף מידע ולנקוט פעולה.
האפליקציות של צד ראשון ושלישי אוספות מידע ומבצעות פעולות בהתבסס על קריאות API ושולחות את התגובה בחזרה ל-Copilot. ה orchestrator מקבל את התגובה מקריאות API, אך היא עדיין לא מוכנה להישלח למשתמש. Copilot חוזר על התהליך כדי להבטיח את התגובה הטובה ביותר. לפני שניתן לשלוח תגובה סופית למשתמש, ה orchestrator מאגד את התגובה הזו עם ההנחיה המקורית, ושולח אותה בחזרה לתשתית Azure OpenAI. לאחר מכן, תשתית Azure OpenAI תשתמש במודלים מתקדמים כדי ליצור תגובה הגיונית לאדם.
מה המטרה שלך? היה ספציפי, ברור ותמציתי ככל שתוכל לגבי מה שאתה רוצה להשיג.
מהו ההקשר של התוכן? למה אתה צריך את המידע הזה או איך תשתמש בו? ספק הקשר הכרחי כדי לצמצם את המקום שבו Copilot for Security מחפש נתונים.
הגדירו ציפיות – לאיזה פורמט או לאיזה קהל יעד אתם רוצים את התגובה מותאמת? תן הוראות חיוביות במקום מה לא לעשות, Copilot for Security מכוון לפעולה, אז להגיד לו מה אתה רוצה שהוא יעשה עבור חריגים זה פרודוקטיבי יותר.
ספק מקורות – יש להשתמש בכל מידע ידוע, מקור/ים, הרחבות, אינטגרציות או פלאגין של Copilot for Security.
| הדגשת מילות מפתח: שימוש במילות מפתח והדגשתן יכול לעזור למודל להתמקד בנקודות החשובות ביותר. |
פנה ישירות ל Copilot for Security בתור "אתה", כמו ב"אתה צריך…" או "אתה חייב״ – כי זה יעיל יותר מאשר להתייחס אליו כסייען.
Copilot for Security: אומנות ההנחיה
אז איך נראות הנחיות בפועל? לא מדובר על צורך במומחיות של פיתוח, קידוד, או הבנה פרוגרמטית. עם זאת, הבנה או ניסיון בהחלט יסייעו ויכולים לקחת את זה למקומות אחרים ויעילים.
תרחיש: הוצאת תובנות ודוח מתוך סקריפט. הפעולות יבצעו ניתוח, יתחקרו מול כלים מסוימים בינהם מודיעין וההשפעות של הסקריפט.
מה המטרה שלך?
עקרון: היה ספציפי, ברור ותמציתי ככל שתוכל לגבי מה שאתה רוצה להשיג.
הדוגמה: הסקריפט הבא נמצא כחלק מתקרית אבטחה פוטנציאלית. הסבר מה הסקריפט הזה עושה צעד אחר צעד והסק את הכוונה. שים לב גם לכל פעולות שהתבטאו שעלולות להיות זדוניות במהותן, כולל פעילויות הרסניות, גניבת מידע או שינוי הגדרות רגישות.
מהו ההקשר של התוכן?
עקרון: למה אתה צריך את המידע הזה או איך תשתמש בו? ספק הקשר הכרחי כדי לצמצם את המקום שבו Copilot for Security מחפש נתונים.
דוגמה: ספק מודיעין של כתובות IP או שמות של מכונות שנמצאו + רשום כל אינטליגנציה של קבוצת תקיפה בקורלציה לאינדיקטורים שנמצאו בסקריפט + ספק סיכום קצר וכלול קישורים.
הגדירו ציפיות
עקרון: לאיזה פורמט או לאיזה קהל יעד אתם רוצים את התגובה מותאמת? תן הוראות חיוביות במקום מה לא לעשות, Copilot for Security מכוון לפעולה, אז להגיד לו מה אתה רוצה שהוא יעשה עבור חריגים זה פרודוקטיבי יותר.
דוגמה: סכם את הממצאים מניתוח זה לדוח מנהלים. התחל עם הערכה של הסקריפט. כלול ראיות תומכות להערכה. בנוסף, צור מידע עבור "סקירת סקריפט", "מודיעין איומים" "כלול הצעות למיטיגציה". זה צריך להתאים למנהלים שאינם טכניים.
ספק מקורות
עקרון: יש להשתמש בכל מידע ידוע, מקור/ים, הרחבות, אינטגרציות או פלאגין של Copilot for Security.
דוגמה: בהתבסס על הפעולות של סקריפט זה, ספק המלצות ספציפיות כיצד להגיב לסקריפט זה והאם הוא בוצע בסביבת ייצור ארגונית מתוך המערכות הנדרשות, כלול את המערכות.
בספר ההנחיות מדובר על מספר הנחיות בודדות שעובדות מול Defender XDR + Defender TI ומנתחות סקריפט. לאחרן מכן, יוציאו אינדיקטורים, השפעות, דרכי מיטיגציה וסיכום מנהלים.
טכניקות וסייבר
בהחיות ותשאולים ישנם טכניקות שיכולות לסייע. הטכניקות האלה קיימות באופן כללי ויכולות לסיידע באבטחת מידע וסייבר.
Few-shot prompting: לספק למודל מספר דוגמאות של השאלות והתשובות הרצויות כדי להדריך אותו לייצר תשובות דומות.
Zero-shot prompting: לשאול שאלות מבלי לתת דוגמאות. במקרים אלו, יש להקפיד במיוחד על ניסוח ברור ומדויק.
Chain-of-thought prompting: לבקש מהמודל לפרט את המחשבה שלו או את הצעדים שהובילו אותו לתשובה. זה יכול לעזור בקבלת תשובות מורכבות ומפורטות יותר.
דוגמאות לטכניקות של הנחיות, כולל דוגמאות לשימוש בתחום הסייבר:
הנחיות התנהגותיות (Behavioral Prompts)
טכניקה זו משתמשת בהנחיות כדי להנחות את המערכת לנתח ולהגיב להתנהגות מסוימת של משתמשים או מערכות.
דוגמה: "אם משתמש מתחבר ממיקום גיאוגרפי חדש, שלח לצוות IT התראה כדי לוודא את זהותו."
הנחיות משולבות (Composite Prompts)
הנחיות אלו משלבות מספר הנחיות יחד כדי לבצע סדרה של פעולות או לנתח מידע באופן מורכב יותר.
דוגמה: "נתח את כל התעבורה הנכנסת ולאחר מכן השווה את הפעילות של כל משתמש לעומת הפעילות הממוצעת של כל המשתמשים ברשת. דווח על כל חריגה משמעותית."
הנחיות מותאמות אישית (Personalized Prompts)
טכניקה זו מתמקדת בהתאמה אישית של הנחיות למשתמשים שונים או לתרחישים שונים.
דוגמה: "למשתמשי מערכת עם הרשאות מנהל, דווח על כל ניסיון שינוי בקבצי המערכת. למשתמשים רגילים, דווח רק על ניסיונות גישה לא מורשים."
הנחיות תלויי הקשר (Contextual Prompts)
הנחיות אלו משתמשות במידע הקשור למצב או להקשר הנוכחי כדי לספק תגובה מתאימה.
דוגמה: "אם זוהתה פריצה במהלך שעות העבודה, התריע לצוות הסייבר. אם זוהתה פריצה מחוץ לשעות העבודה, שלח הודעה התרעה לנייד של מנהל אבטחת המידע וצוות הסייבר."
הנחיות מותאמות למידול (Model-Specific Prompts)
הנחיות אלו מותאמות במיוחד לסוג המודל של הבינה המלאכותית או לאלגוריתמים בהם משתמשים.
דוגמה: "השתמש במודל למידת מכונה כדי לזהות דפוסי פריצה אפשריים על ידי ניתוח התעבורה וההשוואה לבסיס נתונים של פריצות ידועות."
הנחיות להשגת מידע (Information-Gathering Prompts)
טכניקה זו משתמשת בהנחיות כדי לאסוף מידע נוסף ממערכת או משתמשים.
דוגמה: "אסוף מידע נוסף על התעבורה החשודה, כגון כתובות IP, מיקומים גיאוגרפיים וזמני פעילות, כדי לסייע בזיהוי מקור ההתקפה."
הנחיות מותאמות לעיבוד נתונים (Data Processing Prompts)
הנחיות אלו נועדו לעבד כמויות גדולות של נתונים ולשלוף מהם מידע רלוונטי.
דוגמה: "סרוק את הלוגים של רכיבי הענן מהחודש האחרון ומצא את כל הפעולות שבוצעו על ידי משתמשים עם הרשאות גבוהות."
הנחיות נרטיביות (Narrative Prompts)
הנחיות אלו משמשות ליצירת תרחישים או סיפורים שיכולים לסייע בהבנת מצב או בעיה מסוימת.
דוגמה: "תאר תרחיש בו תוקף מנסה לפרוץ למערכת של החברה. פרט את שלבי התקיפה ואת הדרכים בהן ניתן היה לזהות ולעצור את ההתקפה."
הנחיות לצורך למידה (Learning Prompts)
הנחיות אלו נועדו להנחות את המערכת כיצד לשפר את ביצועיה על ידי למידה מתמשכת.
דוגמה: "השתמש במידע מהתקפות קודמות כדי לשפר את מודל הזיהוי ולהקטין את זמן התגובה לאיומים חדשים."
לסיכום
הנחיות הן כלי חשוב בתקשורת בין הגורם האנושי למערכות בינה מלאכותית. הן משמשות להנחיית המערכות כיצד לפעול, מה לחפש ואילו פעולות לבצע, ובכך מאפשרות להגביר את הדיוק והיעילות בתהליכים שונים.
הנחיות אבטחה וסייבר הן כלי חשוב ומשמעותי בניהול מערכות מידע ובהגנה עליהן. הן מציעות יתרונות רבים כמו שיפור דיוק, הפחתת טעויות אנוש ויעילות תפעולית. עם זאת, יש להן גם חסרונות כמו תלות יתר, מורכבות ותחזוקה, מגבלות טכניות ופגיעות לאיומים חדשים. חשוב להשתמש בהנחיות בצורה מושכלת, לשמור על עדכניותן ולהיות מודעים למגבלותיהן כדי להבטיח הגנה מיטבית על מערכות המידע.
תמיד חשוב לזכור עקרונות וטכניקות מרכזיות:
עקרונות מרכזיים
- בהירות ודיוק: שימוש בשפה ברורה ומדויקת על מנת למנוע אי-הבנות מצד המודל.
- הקשר והרחבה: מסירת מידע רקע והקשר רחב יותר לשאלה או למשימה, על מנת להעשיר את התגובה ולהפוך אותה למדויקת ורלוונטית יותר.
- דוגמאות והכוונה: מתן דוגמאות קונקרטיות או פירוט של מבנה התשובה המצופה על מנת לכוון את המודל בצורה טובה יותר.
- שאלות מפוצלות: אם מדובר בשאלה מורכבת, כדאי לפצל אותה לשאלות משנה פשוטות יותר שהמודל יכול להתמודד איתן בקלות.
טכניקות שימושיות
- פרומפטים מפורטים: שימוש בפרומפטים ארוכים ומפורטים יותר עשוי להוביל לתגובות עשירות ומדויקות יותר.
- השלמת משפטים: התחלת משפט והנחת המודל להשלימו יכול לסייע בקבלת תשובות יותר ממוקדות.
- הנחיות שליליות: כדאי לציין מה לא לכלול בתגובה, וזה יכול לעזור בהימנעות מתשובות לא רלוונטיות.
- חזרות ותיקונים: אם התשובה הראשונית אינה מספקת, ניתן לחזור ולהציג את השאלה עם תיקונים או הנחיות נוספות.
לדוגמה: נניח שמעוניינים לקבל הסבר אבטחה על Kubernetes. במקום לשאול שאלה כללית כמו "מה זה Kubernetes?", אפשר להנחות ולתשאל: "אני מעוניין להבין את הבסיס של Kubernetes, איך הוא עובד, מהם הרכיבים המרכזיים שלו, איך משתמשים בו לניהול קונטיינרים בענן, מהם סיכוני האבטחה, איך אפשר לצמצם חשיפות ומהם דרכי מיטגיציה. תוכל לתת דוגמה פשוטה של פריסה בקלאסטר Kubernetes? ודוגמאות לניהול אבטחה"
באמצעות שימוש מפורט והכללה של הטכניקות הנ״ל, ניתן לשפר את האינטראקציה עם מודלים ולקבל תוצאות טובות יותר.
קישורים
מאמרי Security AI מהאתר Cyberdom
Get started with Microsoft Copilot for Security
The art of the prompt: How to get the best out of generative AI
