The Pulse
Kindo lancia Deep Hat Sift per filtrare gli avvisi aziendali
Kindo ha rilasciato Deep Hat Sift, un modello che filtra avvisi, ticket e log aziendali prima che raggiungano un modello linguistico di grandi dimensioni. Secondo l’azienda, Sift apprende dalle decisioni di un agente, opera nell’ambiente de
AI.info Team · Scritto con l’IA · verificato ·
Secondo Kindo, una grande impresa può eseguire contemporaneamente centinaia di migliaia di modelli Deep Hat Sift, assegnando ciascun modello a una fonte di dati, un agente e un compito di filtraggio. L’azienda ha annunciato il prodotto il 28 ottobre 2026, presentandolo come uno strumento per esaminare avvisi, ticket e log prima di inviarli a un modello linguistico di grandi dimensioni (LLM). Secondo Kindo, Sift è già disponibile.
Sift apprende dall’agente per cui lavora
Kindo presenta Sift come un modello decisionale rapido, non come un chatbot che genera testi. Valuta se un evento debba essere inviato a un LLM, con l’obiettivo di evitare chiamate per eventi che l’agente scarterebbe. Secondo l’azienda, anziché basarsi su un filtro fisso, Sift apprende dalle valutazioni dell’agente per cui lavora.
La procedura di implementazione prevede l’approvazione di una persona prima che un qualsiasi evento venga trattenuto. Inizialmente Sift opera in «modalità ombra»: assegna un punteggio agli eventi, ma continua a inviarli tutti all’agente. I team possono esaminare un’anteprima di ciò che Sift filtrerebbe e approvare una soglia fornendo una motivazione scritta; dopo l’avvio del filtraggio, un campione casuale degli eventi trattenuti continua a essere inviato all’agente, così da poter misurare il tasso di eventi sfuggiti.
Il filtraggio precede la costosa chiamata al modello
Il prodotto è destinato ai flussi in cui esaminare ogni evento può comportare costi cumulativi: avvisi dei sistemi SIEM e di rilevamento sugli endpoint, code di ticket, log di sistema e di rete, strumenti di monitoraggio come New Relic, Splunk e Datadog e sistemi di streaming come Kafka. Kindo indica tra i primi casi d’uso i picchi di avvisi, i flussi di log, la valutazione delle segnalazioni di phishing e quella dei ticket. Descrive inoltre l’esame dei flussi di eventi alla ricerca di anomalie rispetto alle policy e indicatori di frode nelle attività finanziarie e di compliance.
Secondo l’azienda, Sift opera interamente nell’ambiente del cliente, anche nelle installazioni isolate dalla rete. Può essere eseguito in sede, in un cloud gestito dal cliente o nel cloud di Kindo; secondo Kindo, l’attribuzione dei punteggi avviene dove il cliente installa la sua piattaforma e Sift non conserva chiavi dei fornitori di modelli né chiavi dei dati. Questa configurazione è pensata per mantenere la fase di attribuzione dei punteggi agli eventi nell’ambiente scelto dall’organizzazione, anche quando l’agente a valle usa un LLM.
Il lancio non quantifica i risparmi
Ron Williams, CEO di Kindo, ha descritto il prodotto come un’alternativa sia all’invio di ogni evento a un modello di grandi dimensioni sia all’uso di un filtro fisso di cui i team potrebbero non fidarsi. «Deep Hat Sift offre ai team IT, di sicurezza, finanza e compliance nuove possibilità di scelta per impiegare agenti intelligenti dove prima i costi lo rendevano impossibile», ha dichiarato Williams.
Troy Presley, ingegnere di Deep Hat Sift, ha affermato che l’approvazione della soglia e il comportamento di ripiego sono pensati per affrontare il rischio di filtrare eventi utili: «Non filtra nulla finché una persona non approva la soglia e, se la qualità peggiora, lascia passare tutto affinché sia l’LLM a valutare». L’annuncio non fornisce dati misurati sulla riduzione dei costi, risultati di benchmark né cifre sul tasso di eventi sfuggiti. Questi numeri saranno importanti per i team che valutano i potenziali risparmi rispetto alle conseguenze di un avviso mancato.