Cómo afectará la hiperautomatización a la seguridad de los datos

Según las predicciones de Gartner, la “hiperautomatización” será la tendencia tecnológica estratégica número uno para 2020.

¿Qué es la hiperautomatización?

La hiperautomatización se basa en la inteligencia artificial (IA) y el aprendizaje automático (ML) para automatizar procesos que de otro modo serían ejecutados por humanos. Un sistema hiperautomatizado es aquel que puede "descubrir, analizar, diseñar, automatizar, medir, monitorear y reevaluar".

La hiperautomatización no se basa en una sola tecnología, sino en un conjunto de tecnologías de automatización avanzadas que se pueden unir con la ayuda de la IA y el aprendizaje automático. Si bien puede parecer una palabra más de moda en la industria, pone un énfasis muy necesario en la importancia de la automatización, a medida que la creciente escasez de habilidades en ciberseguridad continúa empeorando.

Según una encuesta global realizada por ESG, el 53% de los encuestados informaron de una escasez problemática de habilidades en ciberseguridad en su organización. Para colmo de males, los ciberataques son cada vez más frecuentes y sofisticados. De hecho, los ciberdelincuentes incluso están empezando a utilizar la IA para llevar a cabo ataques avanzados de ingeniería social.

¿Cómo se puede implementar la hiperautomatización?

Dado que la hiperautomatización es un concepto completamente nuevo en el mundo de la seguridad de los datos, actualmente hay pocos o ningún ejemplo o documentación del mundo real sobre cómo podría implementarse. Sin embargo, un lugar obvio para comenzar sería examinar qué tecnologías de automatización están disponibles y cuán interoperables son.

Muchas plataformas y aplicaciones exponen una API (interfaz de programación de aplicaciones), que permite a otras aplicaciones consultar y analizar sus datos. Dado que la IA y el ML dependen de grandes conjuntos de datos para “aprender” patrones de comportamiento, cualquier tecnología que decida utilizar debería poder aprovechar las API existentes e incluso exponer las suyas propias.

Los beneficios reales de la hiperautomatización

A pesar de la falta de información sobre cómo se puede utilizar la hiperautomatización para mantener seguros nuestros datos, existen algunos casos de uso obvios que vale la pena examinar. El primero se relaciona con el descubrimiento y la clasificación de datos.

La mayoría de las organizaciones almacenan grandes cantidades de datos no estructurados, es decir, datos que no están almacenados en una base de datos relacional de algún tipo. Ejemplos de datos no estructurados incluyen imágenes, videos, podcasts, documentos de Word, etc. Muchos datos no estructurados son confidenciales, pero las organizaciones a menudo tienen dificultades para localizarlos y clasificarlos.

El 62% de las empresas no sabe dónde residen sus datos más confidenciales, lo cual obviamente es algo que debe abordarse. Afortunadamente, hay varias soluciones disponibles que pueden descubrir y clasificar automáticamente una amplia gama de tipos de datos, incluidos nombres, direcciones, números de Seguro Social, fechas de nacimiento, datos biométricos, etc.

Si bien estas herramientas son indudablemente útiles por sí solas, con la ayuda de la IA y el aprendizaje automático pueden ser aún mejores. Por ejemplo, una solución de clasificación de datos basada en IA no solo podrá identificar datos confidenciales en texto sin formato, sino que también podrá encontrar datos confidenciales en imágenes, videos y otros medios y, por lo tanto, clasificarlos en consecuencia.

La diferencia entre inteligencia artificial (IA) y aprendizaje automático (ML)

Cabe señalar que la IA no es lo mismo que el ML, aunque el ML se considera un subconjunto de la IA. La inteligencia artificial es capaz de llevar a cabo tareas de procesamiento complejas que de otro modo serían realizadas por humanos y, por lo general, depende de una fuente de datos externa.

El aprendizaje automático, por otro lado, se utiliza para aprender patrones. Por ejemplo, el aprendizaje automático puede resultar útil para priorizar tareas. El software de reconocimiento de imágenes y voz puede consumir muchos recursos. Si el sistema encuentra más información de identificación personal (PII) en imágenes que en contenido audiovisual, puede optar por priorizar el procesamiento de imágenes, sin recibir instrucciones.

Algunas soluciones de protección de datos ya utilizan ML para aprender patrones de comportamiento de los usuarios. Cuando un nuevo usuario se registra en el sistema, este monitoreará su comportamiento durante un período de tiempo determinado para establecer un patrón de referencia con el que se pueda probar. Una vez finalizado el período de prueba del usuario, cualquier comportamiento que se desvíe de este patrón activará una alerta, en tiempo real, al administrador.

Cómo utilizar la hiperautomatización para la protección de datos

Las soluciones de protección de datos podrían mejorarse enormemente compartiendo información sobre amenazas potenciales. Por ejemplo, la mayoría de las plataformas de seguridad de datos pueden detectar y responder a eventos que coinciden con una condición de umbral predefinida.

Un caso de uso de "alerta de umbral" es prevenir la propagación de ransomware. Por ejemplo, si se cifran X números de archivos dentro de un período de tiempo determinado, se puede ejecutar un script personalizado que puede detener un proceso específico, deshabilitar una cuenta de usuario, ajustar la configuración del firewall o apagar el servidor afectado. Esto es genial, pero en realidad no impide que se inicie el ataque.

La IA se puede utilizar para realizar un análisis forense del incidente mediante el estudio de los acontecimientos que tuvieron lugar antes del incidente. La información recopilada podría ponerse a disposición de otras organizaciones que utilicen el mismo sistema y, mediante un proceso de selección natural, podría comparar los patrones más comunes y elegir la causa más probable del incidente. Ahora, el script personalizado podría ejecutarse en función de los eventos más probables que tuvieron lugar antes del ataque anterior, evitando así potencialmente que se inicie el ataque.

Sin embargo, para que el sistema pueda aprender realmente, necesitaríamos saber si funcionó, lo que significaría permitir que el ataque se desarrolle en un entorno controlado, como un sandbox. Este es sólo un ejemplo de cómo se podría utilizar la hiperautomatización para prevenir un ataque de ransomware; sin embargo, el mismo proceso podría utilizarse para identificar una gama mucho más amplia de vectores de ataque.

La realidad es que todavía estamos aprendiendo qué pueden hacer la IA y el aprendizaje automático cuando se trata de proteger nuestros datos confidenciales, por lo que puede pasar algún tiempo antes de que los sistemas hiperautomatizados se adopten ampliamente.

No solo eso, sino que el uso de IA y ML requiere muchos recursos, incluida la memoria y la potencia de procesamiento. Y no olvidemos que la IA depende de conjuntos de datos grandes y precisos para ser eficaz, lo que llevará tiempo compilar o acumular por otros medios.