📊 Самописный AI SOC выиграл не размером модели Внутренний эксперимент Medici Lab показал: модель на второй линии SOC верно разбирала около 60% событий. Для автономного реагирования этого мало. Ошибка здесь не косметическая: можно и пропустить инцидент, и создать ложную тревогу. Команда перенесла обработку на узлы: агент на C и C++ весит 60 КБ и локально применяет правила. На двух ядрах CPU система обслуживала 150 узлов. На сервер сбора уходили только отфильтрованные события, а Qwen на 9 млрд параметров получала контекст примерно в 200 токенов. После дообучения под группы правил доля хороших ответов, по внутренним замерам, выросла до 96–97%. Но сравнивать эти цифры напрямую нельзя: во втором случае модель решает узкую задачу, а не заменяет всю вторую линию SOC. Методика замеров не опубликована. По данным Хабра, у схемы есть и цена: правила хранятся на узле и доступны для анализа атакующему, который получил над ним контроль. Локальный агент упрощает расширение системы, но скрытность правил обнаружения не гарантирует. Я бы воспринимал 96–97% как повод для пилотного внедрения, а не допуск к автоматическому реагированию. Сначала проверил бы модель на новых правилах и сценарии, где атакующий уже знает логику агента. #AI #SOC #LLM #SIEM