Triagem de alertas em resposta a incidentes e threat hunting
Kostas · @Kostastsale33,9 mil visualizações no X
Uma exploração do uso do Jev em fluxos de segurança, como resposta a incidentes e caça a ameaças. As aplicações incluem ordenar resultados de busca, dar nota a hosts, classificar atividade ruidosa e marcar falsos positivos. O autor deixa claro que ainda não há nada disso em produção.
O que o Jev decide aqui?
O Jev ordena resultados de caça a ameaças, atribui nota de risco a hosts e classifica eventos como ruído ou falso positivo.
Por que isso importa?
Equipes de segurança lidam com volume enorme de alertas, e a maior parte é ruído. Pedir a um LLM que "investigue" tudo sai caro e lento; decisões pequenas e estruturadas, como ordenar e rotular, encaixam melhor no pipeline que já existe.
O padrão se estende a fraude em pagamentos, filas de suporte e monitoramento de infraestrutura. Como o próprio relato não mostra resultados em produção, o cuidado é validar com incidentes passados antes de deixar o modelo descartar qualquer alerta.
Post original
Kostas
@Kostastsale
This made me rethink where AI actually fits into security engineering. For purely engineering work, forget about ChatGPT or Claude. TypeSafe AI just released Jev, and I think it’s going to change how we build AI into security workflows. Instead of asking an LLM to “investigate