מאמן IA מוסבר לשאלונים בטחוניים בזמן אמת

TL;DR – עוזר שיחה מונע‑בינה מלאכותית שלא רק מנסח תשובות לשאלונים בטחוניים באינטראקציה, אלא גם מציג מדוע כל תשובה נכונה, כולל דירוגי בטחון, עקבות ראיות, ותיוק אנושי של האימות. התוצאה היא הפחתה של 30‑70 % בזמן המענה וקפיצה משמעותית בביטחון הביקורת.

למה הפתרונות הקיימים עדיין נופלים

רוב פלטפורמות האוטומציה (כולל כמה מהגרסאות הקודמות שלנו) מצטיינות במהירות – הן משתמשות בתבניות, ממפות מדיניות, או מייצרות טקסטים מוכנים מראש. עם זאת, מבקרים וקציני אבטחה שואלים בתדירות גבוהה:

1. “איך הגעת לתשובה הזו?”
2. “היכן אפשר לראות את הראייה המדויקת שתומכת בטענה?”
3. “מה רמת הבטחון של התשובה שנוצרה על‑ידי ה‑AI?”

צינורות LLM “קופסה שחורה” מסורתיים מספקים תשובות ללא מקור, מה שמטיל על צוותי הציות צורך לבדוק כל שורה מחדש. האימות הידני הזה מבטל את החיסכון בזמן ומחזיר סיכון טעויות.

הצגת מאמן IA מוסבר

מאמן IA מוסבר (E‑Coach) הוא שכב תכתובת הממוקם מעל מרכז השאלונים של Procurize. הוא מאחד שלושה יכולות מרכזיות:

התוצאה היא זרימת עבודה של AI משולב‑ב‑אנוש שבה ה‑AI משמש כשותף ידע חכם ולא כסופר שקט.

סקירת ארכיטקטורה

  graph LR
    A["User (Security Analyst)"] --> B["Conversational UI"]
    B --> C["Intent Parser"]
    C --> D["LLM Answer Generator"]
    D --> E["Evidence Retrieval Engine"]
    E --> F["Knowledge Graph (Policies, Artifacts)"]
    D --> G["Explainability Engine"]
    G --> H["Reasoning Tree + Confidence Score"]
    H --> I["Dashboard (Live View)"]
    I --> A
    F --> D

כל תוויות הצמתים מובאות במירכאות כנדרש עבור Mermaid.

1. ממשק שיחה – אינטגרציה עם ווב או Slack שמאפשרת אנליסטים להקליד או לדבר.
2. מפענח כוונות – מסווג את השאלה הנכנסת (למשל, “הצפנה במנוחה?”).
3. מחולל תשובות LLM – יוצר טיוטת תשובה בעזרת RAG (Retrieval‑Augmented Generation).
4. מנוע שליפת ראיות – שואל את הגרף המרכזי של ידע עבור קטעי מדיניות תואמים, מזהי ראיות, והיסטוריית גרסאות.
5. מנוע ניתוח – בונה עץ נימוקים:
   • שלב 1: זיהוי סעיף סטנדרטי (למשל, ISO 27001 A.10.1).
   • שלב 2: שליפת מאגר האודיט האחרון (למשל, encryption‑key‑inventory‑v3.pdf).
   • שלב 3: חישוב ציון דמיון בין השאלה לראייה.
6. לוח בקרה – מציג את התשובה, הראיות המקושרות, אחוז הבטחון, וכפתור “למה?” שמרחיב את עץ הנימוקים.

מסע משתמש שלב‑אחר‑שלב

1️⃣ התחלת הדיאלוג

האנליסט פותח את המאמן ושואל:

“האם אנו מצפינים נתונים במנוחה עבור הפלטפורמה שלנו ב‑SaaS?”

הממשק מציג מיד טיפוס תשובה:

“כן. כל נתוני הלקוחות המאוחסנים בבסיסי הנתונים הראשיים שלנו מוצפנים באמצעות AES‑256 GCM, בניהול של AWS KMS. מפתחות ההצפנה מתחלפים כל 90 יום.”

2️⃣ בדיקת הראיות

מתחת לטיוטה, המאמן מציג מאגרי ראיות מקושרים:

• מדיניות: “מדיניות הצפנת נתונים במנוחה (גרסה 2.4)”
• קובץ: aws-kms-rotation‑log‑2024-09.pdf (קישור)
• שביל אודיט: “Inventory‑מפתחות‑הצפנה (בדיקה אחרונה 2025‑03‑15)”

כל קישור פותח חלון תצוגה מוקדמת, מאפשר לאנליסט לאמת פרטים בלי לצאת משאלון.

3️⃣ ביקורת בטחון ונימוקים

מד מדד בטחון מציג 92 %. לחיצה על “למה?” מרחיבה עץ קפיצי:

למה? → 1. התאמה למדיניות ([ISO 27001](https://www.iso.org/isoiec-27001-information-security.html) A.10.1) – דמיון 0.98
      → 2. יומן סיבוב KMS האחרון – דמיון 0.95
      → 3. סימון ביקורת פנימית – דמיון 0.90

אם צומת כלשהו מקבל ציון מתחת לסף קונפיגורציית (למשל, 0.85), הממשק מדגיש זאת, ומזמין את האנליסט להוסיף ראייה חסרה.

4️⃣ אימות אנושי‑ב‑לולאה

האנליסט יכול:

• לקבל – תשובה וראיות ננעלות בתוך השאלון.
• לערוך – לשנות ניסוח או לצרף מסמכים משלימים.
• לדחות – לפתוח כרטיס לצוות הציות לאסוף ראייה חסרה.

כל פעולה נשמרת כאירוע ביקורת בלתי ניתן לשינוי (ראו “Ledger ציות” למטה).

5️⃣ שמירה וסנכרון

לאחר האישור, התשובה, עץ הנימוקים והראיות נשמרים במאגר הציות של Procurize. הפלטפורמה מעדכנת אוטומטית לוחות מחוונים downstream, מדדי סיכון, ודוחות ציות.

ניתוח שקוף: המעבר מקופסה שחורה לעוזר בטוח

LLM‑ים מסורתיים מחזירים מחרוזת אחת כתגובה. המאמן מוסיף שלוש שכבות של שקיפות:

הנתונים נחשפים דרך API ניתוח שקוף מסוג REST, ומאפשרים למייעצים חיצוניים לשלב את הנימוקים בכלי ביקורת חיצוניים או ליצור קבצי PDF ציות באופן אוטומטי.

ספר ציות בלתי ניתן לשינוי

כל אינטראקציה עם המאמן כותבת רשומה ל‑ledger בלתי ניתן לשינוי (מבוסס על מבנה דומה ל‑blockchain). הרשומה כוללת:

• חותמת זמן (2025‑11‑26T08:42:10Z)
• מזהה אנליסט
• מזהה שאלה
• גיחוך תשובה (hash)
• מזהי ראיות
• ציון בטחון
• פעולה שננקטה (קבלה / עריכה / דחייה)

בגלל שה‑ledger הוא עמיד בפני זיוף, מבקרים יכולים לאמת שלא בוצעו שינויי‑אחר‑אישור. זה מקיים דרישות קפדניות של SOC 2, ISO 27001 וסטנדרטים מתפתחים של ביקורת AI.

נקודות אינטגרציה והרחבה

הארכיטקטורה ניתנת למיקרו‑שירותים, ומאפשרת לארגונים לארח את המאמן במנהרות אפס‑אימון או בענני enclave חישוב סודי.

השפעה במציאות: מדדים מיישומים מוקדמים

הנתונים לקוחים מפיילוט בחברת SaaS בגודל בינוני (≈300 עובדים) שהטמיעה את המאמן במחזורי SOC 2 וISO 27001.

best practices לפריסה של מאמן IA מוסבר

1. לכד מאגר ראיות באיכות גבוהה – ככל שהמסמכים שלכם יותר גרסתיים ומבוקרים, כך יעלו ציוני הביטחון.
2. הגדר ספי בטחון – יישרו את הספים עם רמת הסיכון של הארגון (למשל, > 90 % לתשובות המוצגות ללקוחות).
3. אפשר בחינה אנושית לתשובות עם בטחון נמוך – השתמשו ביצירת כרטיסים אוטומטית כדי למנוע צווארי בקבוק.
4. בקר את ה‑ledger בתדירות – ייצאו רשומות ל‑SIEM למעקב ציות רצוף.
5. התאמת מודל LLM לשפת המדיניות שלכם – ערכו Fine‑tuning עם מסמכי מדיניות פנימיים כדי לשפר רלוונטיות ולצמצם הלושנה.

שיפורים עתידיים בתוכנית הפיתוח

• שליפת ראיות מרובה‑מודל – ניתוח ישיר של תמונות, דיאגרמות ארכיטקטורה וקבצי Terraform בעזרת מודלים חזותיים.
• למידה פדרטיבית בין דיירים – שיתוף דפוסים נימוקיים מנורמליים מבלי לחשוף מידע קנייני.
• אינטגרציה של הוכחות ללא ידע (Zero‑Knowledge Proofs) – הוכחת נכונות תשובה ללא חשיפת הראיות למבקרים חיצוניים.
• רדאר רגולציה דינמי – התאמת ציוני בטחון אוטומטית כאשר חלים רגולציות חדשות (למשל, EU AI Act Compliance).

קריאה לפעולה

אם צוות האבטחה או המשפטים שלכם מבזבז שעות רבות בחיפוש הסעיף הנכון, הגיע הזמן לתת להם שותף AI שקוף, מונע‑בינה מלאכותית. הזמינו הדגמה של מאמן IA מוסבר עוד היום וראו כיצד אפשר לקצר משמעותית את זמן מענה לשאלונים ולשמור על מוכנות לביקורת.