LLM（大規模言語モデル）とは？特徴と生成AIとの違い

LLM（大規模言語モデル）は、サイバーセキュリティにおける強力な資産として台頭しています。これらの高度なAIシステムを活用することで、高度な脅威検出や脆弱性分析から、権限昇格の検知、自動応答に至るまで、幅広いセキュリティ能力を向上させることができます。LLMをサイバーセキュリティ ソリューションに組み込むことは、ユーザー エクスペリエンスやタスク オートメーションを改善し続け、セキュリティ コミュニケーションに関する文脈的な理解を提供するため、急成長しているトレンドとなっています。

LLM（大規模言語モデル）とは、大量のテキストデータでトレーニングされ、単語やフレーズの間のパターンやつながりを学習する、人工知能の高度な言語モデルです。LLMは人間のようなテキストを、高い流暢さと一貫性で理解し、生成することができます。

LLMは主に、「トランスフォーマー ネットワーク」と呼ばれる特定の種類のディープラーニング構造に基づいています。これらのトランスフォーマーの中核となるのは、文中の単語などの異なる要素が互いにどのように関連しているかを細心の注意を払って分析することにより、文脈と意味を理解する能力です。

典型的なトランスフォーマー モデルは、「トランスフォーマー ブロック」または「レイヤー」と呼ばれるいくつかのコンポーネントで構成されています。これらには、モデルが入力データの重要な部分に集中するのを助ける「セルフアテンション」レイヤー、情報を線形に処理する「フィードフォワード」レイヤー、および処理全体を通じてデータの標準化を維持する「ノーマライゼーション レイヤー」が含まれます。これらのさまざまなレイヤーを連携させることで、トランスフォーマーは「推論時」として知られるプロセスの間に、入力データを正確に解釈し、関連する出力を生成できます。能力をさらに高めるために、これらのモデルは複数のブロックを積み重ね、ますます洗練された言語タスクを処理できる、より複雑なトランスフォーマーを構築します。

LLMの事例は、単純なチャットボットやバーチャル アシスタントから、高度なサイバーセキュリティ ソリューションのサポートへと拡大しています。従来の言語モデルとは異なり、LLMには次のような共通の特徴があります。

• スケール：LLMはパラメータ数が非常に多く、多くの場合、数十億から数兆に及ぶため、「大規模」と呼ばれます。これにより、人間の言語の複雑さを捉えることができます。
• プレトレーニング：LLMは、書籍、記事、ウェブサイトなどの膨大なテキスト データセットにさらされる、初期のプレトレーニング フェーズを経ます。このフェーズで、モデルはシーケンス内の次の単語を予測することを学習し、言語、文法、事実、さらにはデータ内のバイアスに関する理解を深めます。
• ファインチューニング：初期のプレトレーニングの後、LLMをより特定のデータセットでさらに微調整し、質問回答やコード生成などの特定のタスクや知識領域に特化させることができます。
• トランスフォーマー アーキテクチャ：多くの最先端のLLMは、2017年にGoogleが発表した論文「Attention Is All You Need」で紹介された概念であるトランスフォーマー アーキテクチャを使用して構築されています。トランスフォーマーは「アテンション メカニズム」を利用して、入力シーケンスの異なる部分間の関係を捉えるため、以前のモデルよりも効率的で並列化された処理が可能になります。
• テキスト生成：トレーニングが完了すると、LLMはユーザーから提供されたプロンプトや不完全な文章に基づいて新しいテキストを生成できます。文章を完成させたり、質問に答えたり、言語を翻訳したり、さらには異なるスタイルやトーンで記事を書いたりすることも可能です。

LLMは、読み、書き、コーディング、計算を行うことができ、さまざまな業界で人間の創造性と生産性を向上させます。幅広い用途があり、世界で最も複雑な問題の解決に役立っています。ただし、多くのAIベースのモデルと同様に、LLMには、生成されたコンテンツの正確性と信頼性の確保、潜在的なバイアスや倫理的懸念への対処などの課題も伴います。

LLMは、コンピュータを通じた言語との対話および処理能力を向上させてきました。これらの洗練されたモデルは、機械が人間の言語を理解、生成、解釈する方法における単なる漸進的な一歩ではなく、飛躍的な進歩を遂げたものです。LLMが及ぼす影響は、現代生活の多くの側面において極めて重要です。

• 自然言語処理能力の向上：LLMは、膨大なトレーニング データセットとトランスフォーマーのような高度なアーキテクチャを活用することで、高い流暢さと一貫性を持って人間のようなテキストを解釈し、生成することができます。これにより、LLMは言語翻訳、質問回答、テキスト要約など、幅広い自然言語処理タスクにおいて優れた性能を発揮します。
• 多用途性と幅広い適用性：さまざまな業界や用途で使用されるLLMは、チャットボットやバーチャル アシスタント、コンテンツ生成、コード開発、さらには科学研究をサポートできます。一般的な言語パターンを学習し、特定のドメインに合わせてファインチューニングできる能力により、非常に高い汎用性を備えています。
• 自動化と効率化：LLMは言語に関連する多くのタスクを自動化し、生産性を向上させ、データ分析、カスタマーサービス、クリエイティブ ライティングなどの活動に要する時間と労力を削減できます。
• 検索と情報アクセスの変革の可能性：高度なLLMが、クエリに対してより直接的で人間のような回答を提供することで、従来の検索エンジンを代替または補完する可能性があるという予測があります。しかし、LLMが生成するコンテンツの信頼性や事実の正確性については依然として懸念があり、さらなる開発が必要です。
• AIと機械学習の進歩：LLMは人工知能の進歩における重要な節目であり、大規模なデータ駆動型言語モデルのパワーと、さらなるイノベーションを推進する可能性を示しています。LLMは、機械学習の手法、特にディープラーニングを使用して、膨大な量のトレーニング データから教師なし学習で言語パターンを学習します。

LLMは、従来のルールベースのシステムよりも高度でデータ駆動型の言語モデリング アプローチを象徴しており、卓越した柔軟性、スケーラビリティ、および文脈理解能力を提供します。

LLMから派生した進歩は、幅広い具体的な利点をもたらしました。コミュニケーションや単純なタスクの効率向上から、広範なデータセットを処理して有用な文脈的意味を見出すことに至るまで、LLMの利点は多大です。

• 手作業とコストの削減： センチメント分析、カスタマーサービス、コンテンツ作成、不正検出、予測、分類などのプロセスを自動化し、手作業や関連コストの削減につながります。
• 可用性、パーソナライゼーション、および顧客満足度の向上： 企業は、LLMを使用したチャットボットやバーチャルアシスタントを通じて、24時間365日の対応が可能になります。自動化されたコンテンツ作成は、大量のデータを処理して顧客の行動や好みを理解することで、パーソナライゼーションを推進し、顧客満足度と良好なブランド関係を高めます。
• 時間の節約： マーケティング、営業、人事、カスタマーサービスにおけるデータ入力、ドキュメント作成、大規模データセット分析などのプロセスを自動化し、従業員が人間の専門知識を必要とするタスクに集中できるようにします。
• タスクの正確性の向上： 膨大なデータを処理することで、データ分析や意思決定などのタスクにおける正確性を向上させます。
• スケーラビリティとパフォーマンス： 現代のLLMは高性能であり、人的リソースを比例的に増やすことなく、膨大なテキストデータやユーザーとのやり取りを処理できる、迅速で低レイテンシな応答を生成します。
• 適応性と拡張性： LLMは追加のトレーニングを行うことで、特定の組織のニーズに合わせてカスタマイズでき、その結果、独自の要件を満たす高度に微調整されたモデルが得られます。
• 自然言語理解： 人間の言語理解を模倣した方法でテキスト入力を解釈および把握し、チャットボット、コンテンツ作成、および情報検索を強化します。
• 柔軟性： 1つのLLMを、さまざまな業界、組織、ユーザー、アプリケーションにわたる幅広いタスクや展開に使用できるため、汎用性の高いツールとなります。
• トレーニングの容易さ： 多くのLLMはラベルなしデータでトレーニングされるため、トレーニングプロセスが加速し、広範な手動のラベル付けの必要性が軽減されます。
• 生産性の向上： 自動化されたコンテンツ作成、テキスト要約、調査支援、および言語翻訳サービスにより、生産性が大幅に向上します。
• パーソナライズされた支援： ユーザーとのやり取りに基づいてパーソナライズされた支援や推奨事項を提供し、カスタマーサービスや学習環境におけるユーザー エクスペリエンスを向上させます。
• 費用対効果、一貫性、高品質： LLMは、カスタマーサポート、コンテンツ作成、および言語翻訳サービスにおいて、効率的で費用対効果の高いソリューションを提供できます。モデルは、コンテンツ作成、品質保証、およびデータ分析タスクにおいて、一貫性と品質を確保します。

大規模言語モデルの能力とパフォーマンスは継続的に向上しています。LLMは、より多くのデータとパラメータが追加されるにつれて拡張および改善されます。学習すればするほど、性能は向上します。

LLMは、トレーニング中に取得したパターンや知識に基づいて、人間のようなテキストを処理・生成するためにトランスフォーマー アーキテクチャを活用します。これにより、膨大なデータセットやさまざまなNLPタスクの処理において優れた能力を発揮します。LLMがどのように機能するかについての詳細は以下の通りです。

トランスフォーマー アーキテクチャ

LLMは通常、エンコーダとデコーダで構成されるトランスフォーマー アーキテクチャを使用して構築されます。エンコーダは入力テキストを中間表現に変換し、デコーダは出力テキストを生成します。トランスフォーマー アーキテクチャは、アテンション メカニズムを使用して、入力シーケンスの異なる部分間の関係を捉えます。

トレーニングプロセス

LLMは、書籍、ウェブサイト、記事、ソーシャルメディアなどの情報源から得られる、多くの場合数十億語に及ぶ膨大なテキストデータでトレーニングされます。トレーニング中、モデルは先行する単語が提供する文脈に基づいて、シーケンス内の次の単語を予測することを学習します。次の単語を予測することで、モデルは言語内のパターン、文法、意味論、および概念的な関係を学習できるようになります。

トークン化とエンベディング

入力テキストは最初にトークン化され、単語やサブワードなどのより小さな単位に分解されます。その後、これらのトークンは「エンベディング」と呼ばれる数値表現に変換され、単語の文脈や意味を捉えます。エンベディングは、さらなる処理のためにトランスフォーマー アーキテクチャに送られます。

テキスト生成

トレーニングが完了すると、LLMは入力に基づいて次の単語を自律的に予測することで、新しいテキストを生成できます。モデルは、トレーニングプロセスの間に取得したパターンや知識を活用して、一貫性があり文脈に関連した言語を生成します。

最適化とファインチューニング

LLMのパフォーマンスと正確性を向上させるために、プロンプト エンジニアリング、プロンプト チューニング、特定のデータセットのファインチューニングなど、さまざまな手法を採用できます。これらの手法は、大規模で多様なデータセットでのトレーニングから生じる可能性のあるバイアス、事実の不正確さ、および不適切な出力に対処するのに役立ちます。

多用途性とアプリケーション

LLMは、言語翻訳、質問回答、テキスト要約、コンテンツ生成など、幅広い自然言語処理タスクに適用できます。その汎用性は、一般的な言語パターンを学習し、その後、特定のドメインやユースケースに合わせてファインチューニングできる能力に由来します。

LLMのトレーニングには、多様なデータセットでの大規模なプレトレーニング、プロセスを高速化するためのモデル並列、特定のタスクのファインチューニング、およびモデルの出力をユーザーの期待に沿わせるためのRLHFやDPOといった手法の組み合わせが含まれます。これらの具体的なトレーニング メカニズムについて、より詳しく見ていきましょう。

プレトレーニング

LLMはまず、書籍、ウェブサイト、記事、ソーシャルメディアなどの情報源から得られる、多くの場合数十億語に及ぶ膨大なテキストデータにさらされます。このプレトレーニング フェーズにおいて、モデルはシーケンス内の次の単語を予測することを学習します。これにより、単語、文法、情報、推論能力、さらにはデータ内のバイアス間のパターンやつながりを理解するのに役立ちます。このプレトレーニング プロセスには数十億回の予測が含まれており、モデルは言語に関する一般的な理解を構築することができます。

モデル並列

「モデル並列」は、モデルをより小さな部分に分割し、複数のGPUやAIチップ上で各部分を並列にトレーニングすることで、これらの大規模モデルのトレーニング時間を短縮し、結果として収束の高速化と全体的なパフォーマンスの向上をもたらします。一般的なモデル並列の種類には、データ並列、シーケンス並列、パイプライン並列、およびテンソル並列が含まれます。

ファインチューニング

初期のプレトレーニングの後、LLMをより特定のデータセットでさらに微調整し、特定のタスクや知識領域に特化させることができます。このファインチューニング プロセスは、モデルの出力を特定のユースケースにおける望ましい結果に合わせるのに役立ちます。

評価と最適化

トレーニングされたモデルは、そのパフォーマンスを評価するためにテスト データセットに対して評価されます。評価結果に基づき、パフォーマンスを向上させるためにハイパーパラメータの調整、アーキテクチャの変更、または追加データでのトレーニングによって、モデルにはさらなるファインチューニングが行われる場合があります。

RLHF（人間のフィードバックによる強化学習）

LLMをユーザーの期待に沿わせる方法の1つは、RLHF（人間のフィードバックによる強化学習）を利用することです。RLHFは、人間が好む回答に対してより高いスコアを割り当てる「報酬モデル」をトレーニングし、その後、この報酬モデルを使用してオリジナルのLLMをファインチューニングする手法です。DPO（直接選好最適化）と呼ばれる、より新しく効率的なアプローチも開発されており、これにより、個別の報酬モデルを必要とせずに、LLMがデータから直接学習できるようになります。

LLMは、自然言語処理とテキスト生成に焦点を当てた生成AIの専門的なサブセットです。生成AIは、画像、音楽、テキストを含むさまざまな種類のコンテンツ作成を包含するより広い概念ですが、LLMは特に人間のようなテキストを理解し、生成するように設計されています。LLMはテキストデータの膨大なデータセットでトレーニングされており、言語パターン、文法、意味論を学習し、その知識を使用してプロンプトに対して一貫性があり文脈に関連した回答を生成します。

対照的に、生成AIモデルは、画像や音声などの多様なデータタイプでトレーニングされ、それぞれの形式でオリジナルのコンテンツを作成できます。これらのモデルは、GAN（敵対的生成ネットワーク）やRNN（再帰型ニューラル ネットワーク）を含むさまざまなニューラル ネットワーク アーキテクチャを採用しており、トレーニングデータのパターンや特性を模倣した新しいデータを生成します。

LLMが言語関連のタスクに焦点を当てているのに対し、生成AIはより広い範囲を持ち、コンテンツ作成やパーソナライ ゼーションから創薬や製品設計まで、幅広い業界に適用できます。LLMと生成AIの組み合わせは、マルチモーダル コンテンツの生成、パーソナライズされた推奨事項、インタラクティブな対話型エクスペリエンスなど、強力なアプリケーションにつながる可能性があります。

LLMは、以下を含むさまざまな用途において、ますます不可欠な役割を果たすようになっています。

• カスタマーサービスおよびサポート： LLMは、チャットボットやバーチャル アシスタントを強化して、パーソナライズされたやり取りを提供し、サポート機能を自動化し、顧客のセンチメントを測定します。これらの進歩は、カスタマーサービスのワークフローを大幅に合理化します。
• ソーシャルメディアおよびコンテンツ作成： コンテンツ生成において、LLMは記事、ブログ投稿、ソーシャルメディアの更新、および製品説明の作成を容易にします。この機能により、企業やクリエイターはコンテンツ制作を効率的に管理できるようになります。
• 金融および投資： 金融分野では、LLMは財務データを精査して投資戦略に役立つインサイトを見つけ出します。さらに、より正確に信用リスクを評価することで、ローンの処理を支援します。
• コード生成および自動化： コードスニペットの生成から、シェルコマンドの作成やコードレビューの実行といったルーチンのプログラミングタスクの自動化まで、LLMはソフトウェア開発の効率向上の最前線に立っています。
• 対話型AIおよびチャットボット： ChatGPTに代表されるように、LLMは対話型インターフェースにより人間のような回答を提供することで、デジタルなやり取りにおけるユーザー エクスペリエンスを大幅に向上させます。
• 医療およびヘルスケア アプリケーション： 電子健康記録と医学文献を統合することで、LLMはリアルタイムの臨床意思決定プロセスをサポートできるようになりました。LLMは治療計画の策定を支援し、医療従事者の事務的負担を軽減し、患者ケアの成果を高める可能性があります。
• 輸送および物流： LLMは、物流や輸送管理へのアプローチに革命をもたらしています。交通の流れ、気象条件、物流スケジュールに関する膨大なデータセットを分析することで、これらのモデルはルーティングを最適化し、運用効率を高めます。さらに、車両や機器からのセンサーデータを処理してメンテナンスの必要性を予測し、ダウンタイムを最小限に抑える予防的な保守戦略を促進します。

LLMの広範な用途は、その変革の可能性を浮き彫りにしており、業界全体の新たな機会を解き放つと同時に、現在の課題に対処するための極めて重要なツールとして位置づけています。

多くの組織が、幅広いプロジェクトをサポートするためにLLMに投資しています。これらの実例の中には、一般的で日常的なツールもあれば、特定のニーズやユースケース向けに設計された、より的を絞ったソリューションもあります。

• OpenAIによって開発されたChatGPTは、最も広く知られ、利用されているLLMの1つです。自然言語処理、テキスト生成、対話型のやり取りにおいて、目覚ましい能力を発揮しています。
• Geminiは、LLMを活用した対話型AIアシスタントであり、GoogleによるChatGPTへの対抗策です。オープンエンドな会話を行い、さまざまなタスクを支援するように設計されています。
• NVIDIAは、LLMと検索拡張生成を使用したパイプラインを構築し、セキュリティ アナリストが個々のCVE（共通脆弱性識別子）を平均で4倍速く調査できるようにしました。これにより、脆弱性の優先順位付けと対処をより効果的に行うことが可能になります。
• AnthropicのClaudeは、安全で倫理的なAIシステムの構築に注力している企業であるAnthropicによって開発されたLLMです。幅広い自然言語タスクにおける強力なパフォーマンスで知られています。
• LLMを搭載したSalesforceのEinstein AIは、顧客関係管理タスクの自動化とパーソナライズを通じて、営業効率と顧客満足度を高めるために使用されています。
• MicrosoftのSecurity Copilotや同様のソリューションは、LLMと検索拡張生成を活用して、サイバーセキュリティの専門家に複雑な展開シナリオに関するリアルタイムの回答やガイダンスを提供し、効率性と有効性を向上させます。

これらの例は、サイバーセキュリティのような大きなセクター内の特定の需要に対処しながら、さまざまな業界にわたるLLMの汎用性を示しています。テクノロジーが進化し続けるにつれて、多くの異なる領域でさらに革新的なLLMのアプリケーションが登場することが期待されます。

LLMはAI活用における大きな飛躍を象徴していますが、その展開と開発には顕著な課題と限界が伴います。これらを理解することは、さまざまなアプリケーションにわたってLLMをより効果的に活用するための指針となります。

• バイアスと公平性： LLMはトレーニングデータに含まれるバイアスを不注意に反映してしまう可能性があり、不公平さを永続させるような出力につながる恐れがあります。公平な結果を確実にするために、これらのバイアスに対処することは極めて重要です。
• 倫理的考慮事項： LLMの展開は、コンテンツの信憑性、ディープフェイクの拡散、誤情報の流布、および広範な社会的影響に関連する複雑な倫理的問いを提起します。これらの問題には慎重に対処する必要があります。
• 安全性とセキュリティ： LLMが誤解を招く情報や有害な情報を生成するために使用されるリスクがあります。敵対的攻撃からの保護を含め、これらのモデルが悪用されないよう安全性を確保することは重要な優先事項です。
• プライバシーとデータ保護： LLMのトレーニングに使用されるデータの機密性には、厳格なプライバシー対策が必要です。信頼を維持し、倫理基準を遵守するためには、ユーザー情報の機密性を確保することが極めて重要です。
• 説明可能性と透明性： LLMがどのように意思決定を行うかを理解することは、その複雑さゆえに依然として困難です。信頼性と説明責任を果たすためには、モデルの意思決定プロセスに関する明確性を高めることが不可欠です。
• 環境の持続可能性： LLMのトレーニングに必要な膨大な計算能力は、高いエネルギー消費による環境への懸念を引き起こします。この課題に対処するには、より持続可能な慣行に向けた革新が求められます。
• 文脈を越えた理解： さまざまな文脈におけるニュアンスを把握し、複雑な言語パターンを認識するLLMの能力を高めることは、AI研究界における継続的な追求課題です。
• 継続的な学習と進化： 以前の知識を忘れることなく、新しいデータや文脈の変化にシームレスに適応しながらLLMが継続的に学習できるような戦略を立てることは、AI研究におけるエキサイティングな未開拓分野です。モデルが長期にわたって適切で有用であり続けるためには、適応性が鍵となります。
• 実地展開における課題： LLMを現実世界の環境に導入するには、効果的に拡張できること、アクセス可能であること、既存の技術的な インフラストラクチャとスムーズに統合できることを確実にするなど、ハードルを乗り越える必要があります。これらの課題に対処することは、LLMテクノロジーの適用を成功させるために極めて重要です。
• クリエイティブな能力： LLMは独創的に見えるコンテンツの生成において進歩を遂げてきましたが、真に革新的または創造的に深い作品を生み出す能力については疑問が残っています。これらのモデルによるクリエイティブ アウトプットの限界を理解し、その独創性を高める方法を模索することは、継続的な調査領域です。

これらの課題と限界は、大規模言語モデルを取り巻くさまざまな技術的、倫理的、および実務的な問題に対処するための継続的な研究開発の重要性を浮き彫りにしています。

LLMの未来は有望であり、いくつかの主要な進展やトレンドが目前に迫っています。特定の業界やドメインに特化した、より専門的なモデルのさらなる開発が進むと考えられます。例えば、法務、医療、金融セクター向けに設計された高度なLLMが登場し続けるでしょう。これらは、ドメイン特有の用語やデータでトレーニングされ、それらの分野独自の言語や要件をより適切に処理できるようになります。このような専門化は、機密情報や高度に専門的な情報の処理に関する、汎用LLMの限界の一部を解消するのに役立つ可能性があります。

LLMのもう1つの潜在的な将来の方向性は、広く使用されているツールやプラットフォームとの統合です。LLMはすでにGoogle WorkspaceやMicrosoft 365との統合が進んでおり、LLMの機能がユーザーの日常的な生産性向上ツールやコラボレーション ツールによりシームレスに組み込まれていくことを示唆しています。これにより、より自然で効率的な対話が可能になり、ユーザーはLLMの言語理解および生成能力を活用してワークフローを強化できるようになります。

アナリストは、多くのLLMに固有の文化的・言語的バイアスに対処することの重要性を強調しています。これらは多くの場合、主にアメリカ英語のデータでトレーニングされています。これに対処するため、欧州やその他の地域では、より大きな文化的多様性を取り入れ、現地の言語や知識を保護する、競争力のあるLLMの代替案を開発するでしょう。これは、LLMテクノロジーにおける、より包括的でグローバルに代表的な展望につながる可能性があります。

LLMの未来には、倫理的考慮事項、安全性とセキュリティ、説明可能性、環境への影響などの分野における継続的な進歩が含まれると考えられます。これらのモデルがより広く採用されるようになるにつれ、責任あるLLMの開発と展開を確実に行い、潜在的な害を軽減し、カーボン フットプリントを最小限に抑えることに重点が置かれるようになるでしょう。

プルーフポイントは、主要なサイバーセキュリティ企業として、脅威検出能力を強化するために大規模言語モデルを活用する最前線に立っています。プルーフポイントの主要なイノベーションの1つは、BERT LLMをCLEARソリューションに組み込み、ソーシャル エンジニアリング攻撃に対する業界初の配信前保護を提供することです。この極めて重要な進歩は、悪意のあるURLをクリックするユーザーに対して強力な解決策を提供します。プルーフポイントの調査によると、ユーザーはBEC（ビジネスメール詐欺）攻撃のメールを受信してから数分以内に反応することが示されています。

配信前の脅威検出に加えて、プルーフポイントはChatGPTやWormGPTを含むLLMを活用して機械学習モデルをトレーニングし、AIによって生成されたフィッシングメールによる脅威を特定し、軽減しています。これらのLLM生成サンプルをトレーニング データに組み込むことで、プルーフポイントは、AIを悪用した斬新なフィッシング詐欺を検出するモデルの精度を向上させることができます。

また、プルーフポイントは「Proofpoint Security Assistant」と呼ばれる生成AIベースのユーザー インターフェースを開発しています。これにより、セキュリティ アナリストは自然言語で質問を行い、実用的なインサイトや推奨事項を受け取ることができるようになります。この機能は、当初はSigma Information Protectionプラットフォームに統合されますが、今後はAegisやIdentity Threat Defenseプラットフォームにも拡張され、セキュリティチームに強力なLLM主導の脅威分析機能を提供します。

詳細については、プルーフポイントまでお問い合わせください。