Orca Security podaje redukcję tokenów o 93%, kosztu o 90% i opóźnienia o 75% po zastąpieniu ogromnego promptu dziewięcioma etapami Amazon Bedrock. Kluczowe jest to, że pytanie nie otrzymuje już niepotrzebnej większości schematu bezpieczeństwa.
Discovery AI tłumaczy język naturalny na filtry Sonar. Ponad 900 modeli opisuje zasoby, tożsamości, podatności i relacje. Wcześniej analityk musiał pisać JSON, znać nazwy i 18 operatorów. Interfejs usuwa barierę języka, nie potrzebę poprawnego i dozwolonego dochodzenia.
Od marca 2026 obsługuje podobno tysiące pytań dziennie. To opis AWS i Orca własnego systemu, nie niezależny test przeciw innym dostawcom.
Prototyp pokazał problem produkcji
Pierwsza wersja wysyłała ponad 900 definicji, relacji i przykładów do dużego modelu. Partnerzy i pracownicy cenili wynik, twierdzi firma, ale porównywalna praca kosztowała około dwóch milionów tokenów i 60 sekund. Wiele modeli, zagnieżdżenia i warunki nadal wymagały korekt.
Nowy proces najpierw dołącza kontekst organizacji: podłączonych dostawców chmury oraz metadane żądania. Następnie deterministyczny mechanizm dopasowania rozpoznaje ustrukturyzowane identyfikatory, takie jak adresy IP, numery CVE, skróty plików, nazwy, adresy URL i identyfikatory alertów. Rozpoznany wzorzec może zwrócić zdefiniowany wcześniej filtr bez angażowania modelu językowego do oczywistego mapowania.
Pozostałe pytania przechodzą kontrolę wstrzyknięć, tematów obcych i wejść nieobsługiwanych. Szybka ścieżka jest oddzielona od interpretacji; awarie można lokalizować zamiast ukrywać wszystko w instrukcji.
Więcej etapów zmniejsza pracę generatywną, gdy każdy zawęża pozostałą niepewność. To zmiana architektury, nie sam nowszy model.
Wyszukiwanie i wybór ograniczają materiał
Embedding Titan pobiera 20 podobnych zatwierdzonych przykładów, Cohere Rerank 3.5 wybiera pięć. Zwykłe top-K często dublowało wzorce; MMR zwiększał różnorodność kosztem najlepszego dopasowania. Wybrano pobieranie i ponowny ranking.
Dokładne lub bardzo pewne dopasowanie może zwrócić znany filtr. W innym przypadku przykłady wspierają generację. Próg jest ważny, bo podobne zdania mogą wymagać innych warunków.
Etap wyboru czyta zwięzłe opisy modeli Sonar: ich przeznaczenie, pola oraz związki z innymi modelami. Dopiero pełne schematy wybranych modeli i potrzebne relacje trafiają do generowania. Anthropic Claude Haiku 4.5 odpowiada za wybór oraz generację, natomiast Amazon Nova 2 Lite wykonuje kontrolę zabezpieczeń i walidację tam, gdzie Orca preferuje szybsze i tańsze wnioskowanie.
Statyczne sprawdzanie dotyczy modeli, pól i operatorów, potem sprawdza API Sonar. Błąd strukturalny wskazuje element do poprawy, z ograniczonymi próbami. Ostatni etap diagramu przetwarza odpowiedź i tworzy URL Discovery, nie traktuje surowego tekstu jako produktu.
Dwa miliony tokenów spadają do 140 tysięcy, czyli 93%. Koszt maleje 90%, 60 sekund do 15, czyli 75%. To porównanie z własnym prototypem, nie obietnica takich oszczędności wszędzie.
Prawidłowy filtr nie gwarantuje właściwego pytania
Kontrola schematu usuwa wymyślone pola i operatory, nie dowodzi zachowania zamiaru. Mogą zniknąć wyjątek, czas lub relacja.
„Pokaż odsłonięte bazy” zależy od ścieżek sieci, typów i akceptowanego ryzyka. Założenia lub filtr powinny być widoczne. Opis szerzej wyjaśnia generowanie niż całe doświadczenie kontroli analityka.
Dane bezpieczeństwa zawierają wewnętrzne nazwy zasobów, podatności, konfiguracje i relacje między kontami. Klasyfikator prób ataku na prompt nie jest usługą autoryzacji. System musi ograniczać informacje przekazywane modelowi, a końcowe zapytanie wykonywać z uprawnieniami właściwymi dla proszącego użytkownika, nie z najszerszym dostępem zaplecza asystenta.
AWS zaleca przekazywanie tożsamości i egzekwowanie poza modelem. Zapobiega to użyciu uprzywilejowanego pośrednika przez mniej uprawnioną osobę. Publiczny opis Orca nie szczegółuje całej izolacji tenantów i użytkowników.
Nie dowodzi to luki, tylko ogranicza wnioski z przypadku. Poprawność, zamiar i dostęp to trzy testy, których nie zastępuje oszczędność.
Ludzie i zarządzane przykłady poprawiają jakość
Orca mierzy trafność, kompletność i równoważność z zapytaniem referencyjnym, według kategorii. Sędzię LLM uzupełnia feedback produktu, wsparcia, badaczy i klientów.
Niepewne pytania trafiają do codziennej kolejki etykietowania. Korekty ekspertów można pobrać bez nowego wdrożenia kodu. Dyrektor AI Or Gabay nazywa ten interfejs najważniejszą inwestycją jakościową: proces ludzki, nie tylko model.
Pomaga reagować na pytania i zagrożenia. Macierz chmurowa MITRE porządkuje dochodzenia, ale statyczne przykłady starzeją się z zasobami i atakami.
Poprawki wymagają spójnej polityki i przeglądu. Biblioteka przykładów potrzebuje wersjonowania, procedur usuwania, kontroli jakości oraz zabezpieczeń, aby poufne informacje produkcyjne nie trafiały do materiału wyszukiwanego dla kolejnych pytań. Zmiana modelu etapu przez Bedrock może ułatwić integrację, ale nadal wymaga testów regresji obejmujących wybór modeli, wyszukiwanie, generowanie i walidację.
Wydajność jest konkretna, trafność niepełna
Nie ujawniono zbioru, liczebności, progu zaliczenia ani dokładnego wzrostu trafności. Deklaracja poprawy złożonych pytań nie wystarcza do niezależnej reprodukcji.
Wynik zależy również od kryteriów oceny sędziego i odpowiedzi referencyjnych. Zgodność między recenzentami, częstość osiągania limitu ponowień oraz udział dokładnych dopasowań i ponownego użycia przykładów pomogłyby zrozumieć działanie procesu. Tych wskaźników nie ujawniono.
Podane 15 sekund nie rozróżnia mediany od opóźnień najwolniejszych żądań. Określenie „porównywalne obciążenie” zależy od zestawu pytań, pamięci podręcznej, rozmiaru wyjścia, wyboru modeli i liczby prób poprawy. Tysiące zapytań dziennie potwierdzają użycie, ale nie ujawniają liczby odrębnych analityków, zaakceptowanych filtrów, porzuconych pytań, ręcznych edycji ani rzeczywiście zaoszczędzonego czasu.
Wniosek nie brzmi „dziewięć zawsze lepsze”. Trzeba wybierać kontekst, dzielić zadania, korzystać ze wzorców i deterministycznie egzekwować reguły. Security Lake też tłumaczy pytania; Orca szczególnie zmniejsza schemat dziedziny przed generacją.
Podział przypominający kompilator uwidacznia koszt i błędy, lecz dodaje zależności i ewaluację. Trwałość zależy od jakości po zmianach schematu i modelu.
To znaczący deklarowany zysk względem własnego prototypu. Kolejne dowody powinny pokazać trudne kategorie, stałe użycie i regresję. Wtedy niższy koszt połączy się z szybkimi decyzjami poprawnymi, zgodnymi z zamiarem i dozwolonymi.