Requêtes de sécurité en langage naturel chez Orca Security avec Amazon Bedrock
Orca Security, éditeur de solutions de sécurité cloud, a présenté Discovery AI, un agent de requêtes en langage naturel construit avec AWS sur Amazon Bedrock. Il traduit une question posée en langage courant en requête Sonar, le système de requêtes propre à Orca qui permet de rechercher, filtrer et explorer l'ensemble du graphe de données d'un environnement cloud. Sonar couvre plus de 900 modèles de ressources, comme une instance Amazon EC2 ou un bucket Amazon S3, et propose 18 opérateurs de comparaison tels que « égal à » ou « contient ». Les utilisateurs devaient jusqu'ici écrire des objets JSON précis, avec les bons noms de modèles et la navigation dans des hiérarchies parent-enfant. Le prototype initial chargeait le schéma complet dans un seul prompt sur le plus grand modèle disponible. La qualité était jugée bonne par les partenaires et les utilisateurs internes, mais il fallait environ 2 millions de tokens d'entrée par requête et près de 60 secondes de latence. La précision sur les requêtes complexes impliquant plusieurs modèles restait limitée. La version de production traite des milliers de requêtes par jour avec un temps de réponse d'environ 15 secondes. Par rapport au point de départ, Orca annonce 90 % de coûts en moins, 93 % de tokens d'entrée en moins et une latence réduite de 75 %.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Ces résultats montrent qu'une interface en langage naturel pour des données de sécurité complexes peut être économiquement viable à grande échelle. Les analystes obtiennent des réponses rapides sur leur infrastructure sans connaître en détail le schéma de Sonar, ce qui élargit l'accès aux données à des profils moins spécialisés et réduit le temps entre la question et l'investigation. Pour Orca, la baisse des coûts rend le service déployable à un volume d'usage élevé sans dégrader l'expérience. Plus largement, l'exemple illustre qu'une approche « tout dans le prompt » donne de bons résultats de démonstration mais ne passe pas la production. Découper le problème en étapes et attribuer à chacune le modèle le plus adapté permet de gagner à la fois en vitesse, en coût et en fiabilité.
Pour y parvenir, Orca a conçu une architecture hybride combinant génération augmentée par récupération (RAG) et construction de requêtes tenant compte du schéma. Le pipeline compte neuf étapes, et chacune s'appuie sur le modèle de fondation le plus pertinent. Au lieu d'injecter les 900 définitions de modèles, le système n'envoie que les éléments utiles à la question, puis valide le filtre Discovery produit. Orca a retenu Amazon Bedrock pour son accès multi-modèles via une seule API, qui évite de gérer des intégrations séparées, et pour ses contrôles de gouvernance AWS (IAM, points de terminaison VPC, CloudTrail) conformes à ses exigences de sécurité. L'architecture étant indépendante du modèle, l'équipe peut adopter de nouvelles versions sans refonte du pipeline. Cette évolution s'inscrit dans la tendance des éditeurs de sécurité à ajouter des assistants conversationnels à leurs plateformes, tandis que les fournisseurs de cloud rivalisent pour proposer les briques d'orchestration de ces systèmes multi-modèles.
Pas d'impact direct sur la France/UE