Dùng LLM để tự động khắc phục lỗ hổng: hiệu quả sớm nhưng còn vướng chi phí và quy trình có người duyệt
"Ivanti CSO Daniel Spicer says frontier large language models have shown surprising effectiveness in the early stages of vulnerability remediation automation. The main open questions are the cost of using these models and whether human-in-the-loop workflows remain viable at scale."
Tác động bảo mật ở mức trung bình do mới dừng ở giai đoạn đánh giá; điểm cần theo dõi là hiệu quả giai đoạn đầu, chi phí triển khai LLM, và khả năng duy trì human-in-the-loop ở quy mô lớn.
Tác động vận hành có thể tích cực nếu tối ưu được thời gian xử lý, nhưng phụ thuộc vào chi phí sử dụng LLM và mức độ duyệt của con người để tránh tăng tải cho đội kỹ thuật.
Theo chia sẻ của Daniel Spicer, CSO tại Ivanti, các mô hình ngôn ngữ lớn (LLM) thế hệ “frontier” đã cho thấy hiệu quả đáng chú ý ở giai đoạn đầu của việc tự động hóa khắc phục lỗ hổng. Nhóm quan sát rằng LLM có thể hỗ trợ các bước như phân tích ngữ cảnh, đề xuất hướng xử lý hoặc chuẩn hóa thông tin trong quy trình remediation.
Tuy nhiên, bài toán triển khai thực tế vẫn còn hai câu hỏi mở. Thứ nhất là chi phí vận hành khi sử dụng LLM ở quy mô lớn, bao gồm chi phí suy luận và các thành phần liên quan. Thứ hai là tính khả thi của mô hình human-in-the-loop (có người duyệt/giám sát) khi khối lượng công việc tăng, nhằm đảm bảo chất lượng và giảm rủi ro sai sót.
Khuyến nghị: các tổ chức nên thử nghiệm theo từng bước, đo lường tỷ lệ thành công và chi phí trên mỗi sự cố, đồng thời đánh giá quy trình duyệt của đội vận hành để xác định ngưỡng tự động hóa phù hợp.