Hindi lamang binago ng generative AI ang paraan ng ating pagtatrabaho, kundi pati na rin kung paano gumagana ang mga umaatake, kung paano gumagalaw ang data, at kung ano ang kailangang ipagtanggol ng mga security team. Ang parehong teknolohiya na nagpapabuti sa produktibidad ng mga empleyado ay lumilikha ng mga bagong attack surface, at ang mga tool na dati nating inaasahan ay hindi ginawa para sa mundong ito.
Ang mga tradisyunal na solusyon sa DLP ay dinisenyo batay sa nahuhulaan at nakabalangkas na datos tulad ng mga numero ng credit card, mga numero ng Social Security, at mga pattern na regex-friendly. Ngunit ang sensitibong impormasyon ngayon ay hindi ganoon ang hitsura. Ito ay isang dokumento ng estratehiya na nakadikit sa ChatGPT. Ang proprietary source code nito ay inilalagay sa isang AI coding assistant. Ito ay isang intelektwal na ari-arian na dumadaloy palabas ng iyong organisasyon nang paisa-isa, nang tahimik, nang walang kahit isang policy flag na nati-trigger.
Ang industriya ng seguridad ay nangangailangan ng isang bagong pamamaraan. At ang pamamaraang iyon ay lalong nagiging nasa bingit.
Bakit Hindi Nagtagumpay ang Cloud-Based AI Enforcement
Nakakaakit isipin na ang sagot ay ang simpleng pagruruta ng aktibidad ng AI sa pamamagitan ng isang cloud-based na LLM para sa pagsusuri. Ngunit lumilikha ito ng mga bagong problema na ginagawang hindi praktikal ang pagpapatupad sa real-time, at mapanganib sa pinakamalala.
- PrivacyDapat lumabas ang sensitibong data sa device para masuri, ibig sabihin ay nilulutas mo ang problema sa pagtagas ng data sa pamamagitan ng… pagpapadala ng data sa ibang lugar
- LatencyAng mga pagkaantala sa round-trip papunta sa isang cloud endpoint ay nagpapahina sa real-time na pagpapatupad — sa oras na makagawa ng desisyon, nangyari na ang aksyon
- Uptime at pagiging maaasahanAng pagdepende sa koneksyon sa network ay lumilikha ng mga puwang sa seguridad kung kailan mo lang ito kayang bayaran.
- gastosAng pagpapatakbo ng bawat pakikipag-ugnayan ng user sa pamamagitan ng sentralisadong pagproseso ng cloud, sa antas ng enterprise, ay mabilis na nagiging magastos
Malinaw ang konklusyon: kung gusto mo ng seguridad na pinapagana ng AI na pribado, mabilis, laging naka-on, at sulit, ang pagsusuri ay kailangang maganap nang lokal, sa device, sa browser, sa oras ng pagkilos ng user.
Ang Magagawa Lamang ng Isang Lokal na SLM
Dito binabago ng mga Small Language Model na tumatakbo sa device ang lahat. Ang mga SLM ay hindi lamang isang mas magaan na bersyon ng mga cloud LLM; binubuksan nila ang mga kakayahan na hindi makakamit sa ibang paraan.
Sa partikular, may apat na pangunahing kakayahan na pinakamahalaga para sa seguridad ng AI.
- Tunay na Pag-uuri ng Datos
Kinakaklase ng mga Legacy DLP tool ang data gamit ang mga panuntunan, keyword, at regex pattern. Gumagana ito para sa structured data tulad ng PII. Ngunit ang pinakamahalagang impormasyon ng iyong kumpanya, tulad ng mga strategic plan, product roadmap, unreleased research, at mga proprietary process, ay hindi tumutugma sa isang pattern. Hindi basta-basta maaaring mag-regex ang isang tao para makuha ito.Nauunawaan ng isang lokal na SLM ang konteksto at kahulugan. Nakikilala nito na ang isang bloke ng teksto ay sensitibong business IP kahit na walang nakikitang kahit isang regulated keyword. Ito ay lalong mahalaga sa panahon ng mga AI assistant, dahil habang ang mga LLM ay may mga guardrail sa paligid ng pagpapakita ng mga numero ng credit card, ang pangkalahatang impormasyon sa negosyo ay direktang dumadaloy sa mga training dataset nang walang anumang alitan.
- Pag-unawa sa Layunin ng User
Ang pagtukoy ng paglabag sa patakaran ay hindi lamang tungkol sa kung anong data ang ibinabahagi. Bagkus, ito ay tungkol sa bakitAng isang user ba ay inosenteng humihingi ng tulong sa isang AI tool sa pag-draft ng isang email, o sistematiko ba nila itong sinusuri upang makakuha ng impormasyon tungkol sa kompetisyon? Halos imposibleng masuri ang intent nang hindi pinapanatili ang isang kadena ng konteksto sa buong session. Ang isang lokal na SLM, na patuloy na tumatakbo sa browser, ay eksaktong gumagawa niyan. - Pagtukoy sa mga Pag-atake ng AI-Native
Mabilis na pag-iniksyon, jailbreaking, manipulasyon sa guardrail, mga pagtakas sa sandbox — ito ang mga bagong hangganan ng mga cyberattack, at ang mga ito ay partikular na idinisenyo upang pagsamantalahan ang mga sistema ng AI. Ang pagtukoy sa mga ito ay nangangailangan ng isang AI na nakakaintindi kung paano maaaring manipulahin ang mga sistema ng AI. Ang isang lokal na SLM na nagmomonitor ng mga interaksyon sa real time ay maaaring matukoy ang mga pattern ng pag-atake na ito habang nagaganap ang mga ito, hindi pagkatapos ng pangyayari. - Pagsubaybay sa Output ng LLM
Minsan ang banta ay hindi ang gumagamit, kundi ang AI mismo. Ang mga halusinasyon na lumilikha ng maling impormasyon, mga nakalalasong output, mga hindi etikal na tugon, o data na hindi sinasadyang lumitaw mula sa training set ng isang modelo ay pawang mga totoong panganib. Ang isang lokal na SLM ay nagbibigay ng pangalawang patong ng katalinuhan na nagbabantay sa mga tugon ng AI, na nagba-flag ng mga anomalya bago pa man ito makarating sa gumagamit. Ito ay ang AI na nagmomonitor ng AI, na maaari lamang gawin nang online, sa oras ng pagpapatakbo.Ang kritikal na puntong nagbubuklod sa lahat ng apat na aspeto: bawat bahagi ng pagsusuring ito ay nangyayari sa endpoint. Walang data na umaalis sa device. Walang overhead sa pag-encrypt. Walang kompromiso sa privacy. Walang paghihintay.
Ang mga SLM ay Kapaki-pakinabang, Ngunit ang Ilan ay Mas Mabilis Kaysa sa Iba
Ang LayerX ang nangungunang solusyon sa pagkontrol sa paggamit ng AI para sa pag-secure ng mga interaksyon ng user at agentic AI sa browser. Matagal na kaming bumubuo ng lokal na pagpapatupad na nakabatay sa SLM bilang arkitektura na nagbibigay-daan sa tunay na seguridad ng AI — pribado, real-time, at laging available.
Ngunit kinikilala rin namin ang isang praktikal na realidad: hindi lahat ng hardware ay handa na para sa ganitong workload. Ang pagpapatakbo ng isang mahusay na SLM sa lokal ay nangangailangan ng seryosong on-device AI processing power, at doon nagiging pangunahing bahagi ng palaisipan ang aming pakikipagtulungan sa Intel.
Ang mga WebGPU framework ng Intel, ang Intel® Core™ Ultra 3, ay naghahatid ng performance ng NPU (Neural Processing Unit) na kailangan upang patakbuhin ang mga gawaing pangseguridad na nakabatay sa SLM nang hindi naaapektuhan ang karanasan ng user. Upang maipakita ito nang konkreto, ipinapakita namin ang mga paghahambing ng benchmark sa tatlong totoong gamit sa seguridad — pagbubuod ng datos, pag-uuri ng datos, at pagtukoy ng phishing — na sumusukat sa performance sa Intel laban sa mga alternatibong chip at mga pamamaraang nakabatay sa cloud.
“Nakikipagtulungan ang Intel sa LayerX upang isulong ang mga kakayahan sa seguridad ng AI PC na magdadala ng mga bagong antas ng visibility at pagpapatupad para sa moderno at AI-driven na workforce,” sabi ni Dennis Luo, Sr. Director at GM, Worldwide AI PC Developer Relations sa Intel. “Gamit ang mga WebGPU framework ng Intel, ang Intel® Core™ Ultra 3 ay naghahatid ng hanggang 2x na mas mabilis na oras ng pagtugon kumpara sa AMD Ryzen AI – isang bentahe na nagiging kritikal habang ang mga enterprise browser ay lalong sinusuri ang lahat ng interaksyon ng user at agent.”
Ang mga resulta ay nagsasalaysay ng isang nakakahimok na kuwento tungkol sa kung ano ang hitsura ng zero-latency, on-device security inference sa pagsasagawa: mga real-time na desisyon, walang cloud round-trip, mas mababang gastos sa pagpapatakbo, at kumpletong soberanya ng data.
Paghahambing ng pagganap ng LayerX sa ibabaw ng Ang Intel® Core™ Ultra X7 358H kumpara sa iba pang nangungunang processor ay nagpapakita ng mga tiyak na resulta:
| paghahambing | Mga resulta |
| AMD Ryzen AI 9 365 na may Radeon 880M | Hanggang sa 2x na mas mabilis na pagganap gamit ang Layer X sa 3 magkakaibang pagsubok sa pagganap sa Intel® Core™ Ultra X7 358H vs AMD Ryzen AI 9 365 na may Radeon 880M * |
| Intel Core Ultra 258V | Hanggang sa 1.4x na mas mabilis na pagganap gamit ang Layer X sa 3 magkakaibang pagsubok sa pagganap sa Intel® Core™ Ultra X7 358H vs Intel Core Ultra 258V * |
| Apple M5 | Hanggang sa 1.3x na mas mabilis na pagganap gamit ang Layer X sa 3 magkakaibang pagsubok sa pagganap sa Intel® Core™ Ultra X7 358H vs Apple M5 * |
* Gaya ng sinusukat ng mga workload ng Layer X prompt gamit ang Chrome browser. Tingnan www.intel.com/PerformanceIndex para sa mga workload at configuration. Maaaring mag-iba ang mga resulta
Paghahambing ng pagganap ng Intel® Core™ Ultra X7 358H kumpara sa iba pang nangungunang processor (mas mataas, mas mainam):
LayerX at Intel: Seguridad na Nakakasabay sa AI
Ang mga organisasyong nananalo sa seguridad ng AI ay hindi ang mga humaharang sa AI — sila ang mga nakatuklas kung paano ito pamamahalaan nang matalino, sa bilis ng pagpapatakbo nito. Nangangahulugan ito ng paglipat ng pagpapatupad sa gilid, paggamit ng mga modelong sapat na matalino upang maunawaan ang konteksto at layunin, at paggawa ng lahat ng ito nang hindi nakompromiso ang privacy ng gumagamit o pagganap sa operasyon.
Ang kolaborasyon ng LayerX at Intel ay isang konkretong hakbang tungo sa hinaharap na iyon. Ang mga lokal na SLM na tumatakbo sa may kakayahang hardware ay hindi lamang isang teknikal na interesante — ang mga ito ang arkitektura na siyang nagpapagana sa susunod na henerasyon ng seguridad.
Gaya ng sinusukat ng mga workload ng Layer X prompt gamit ang Chrome browser. Tingnan www.intel.com/PerformanceIndex para sa mga workload at configuration. Maaaring mag-iba ang mga resulta.
