Kunstmatige intelligentie is nog niet klaar voor industriële besturingssysteem-cyberbeveiliging

Toen Google Duplex voor het eerst sprak op een restauranttelefoonlijn, klonk het bijna menselijk. De demo toonde wat AI vandaag kan doen: nauwe, gescriptte gesprekken voeren met ongekende vlotheid. Toch benadrukt dezelfde technologie, nu beschikbaar in 43 Amerikaanse staten voor Google Pixel-gebruikers, de grenzen van de huidige AI – capabel van routinematige interacties maar nog ver verwijderd van het aanpakken van de complexiteit van industriële besturingssystemen (ICS).

Andere high-profile AI-projecten benadrukken deze kloof. IBM's Project Debater kan overtuigende argumenten construeren, maar de stem blijft robotisch en het begrip abstract. Beide voorbeelden illustreren dat de meest geavanceerde AI afkomstig is van bedrijven diepe zakken en massive datasets hebben – toch waarschuwen zelfs zij dat algoritmes kunnen falen, data biased kan zijn, en onjuiste praktijken vertrouwen kunnen ondermijnen.

Marketing-narratieven schilderen AI vaak als een panacee voor zakelijke uitdagingen, belovend om zin te geven aan enorme hoeveelheden industriële data en de beveiliging van besturingssystemen te versterken. Industriële analytics, toegepast op machinedata, drijft de convergentie van OT en IT en brandt de Vierde Industriële Revolutie, volgens het Industrial Internet of Things Analytics Framework van het Industrial Internet Consortium.

Cybersecurity-veteran Jason Haward-Grau, CISO van PAS Global, merkt op dat „robotic process automation waarschijnlijk veel interessanter is, vanuit een AI-perspectief, dan AI in beveiliging.” Hij betoogt dat vendors kunnen claimen dat ze AI voor elk probleem bieden, maar bedrijven eerst moeten vragen: „Wat heeft mijn organisatie nodig?” en dan bepalen of AI het antwoord is.

Dreigingsniveaus blijven hoog. Een 2018 Kaspersky-studie vond dat 49% van 321 industriële respondenten minstens één aanval per jaar rapporteerden – een onderrapportering die de ware cijfer waarschijnlijk onderschat.

AI definiëren is zelf een filosofische uitdaging. Technologyschrijver Jaron Lanier waarschuwde in 2016 dat zonder een meetbare baseline, „je in fantasyland bent.” In de praktijk betekent dit dat veel systemen gelabeld als „slim” gebrekken aan empirische gronding.

Een concreet use case is malware- of anomaliedetectie. Met een betrouwbare netwerk-baseline en robuuste machine-learning algoritmes getraind op voldoende data, kan AI dreigingen snel vlaggen en false positives reduceren. Dit is vooral waardevol gegeven de cybersecurity-talenttekort.

Toch hangt succes af van data-relevantie. Als het systeem onbewust is van bepaalde zakelijke processen, kan het false alarms genereren. Bovendien kan training op geforceerde data ertoe leiden dat malware als benigne wordt geclassificeerd. Adversaries kunnen zelfs model-functies reverse-engineeren om detectie te ontlopen.

Industriële omgevingen presenteren extra hindernissen. OT-apparaten gebruiken vaak geen standaard IT-protocollen, en legacy control buses (bijv. een 25-jarig systeem) zijn moeilijk voor AI te interpreteren. Haward-Grau illustreerde dit met een raffinaderij-voorbeeld: terwijl de 500 IT-apparaten gemonitord kunnen worden met netwerktracking, presenteren de 28.500 OT-eindpunten van meerdere leveranciers (ABB, Schneider Electric, Siemens, Yokogawa, Philips, GE, Honeywell) een gefragmenteerd datalandschap dat AI-vertaling en het definiëren van „goed” gedrag compliceert.

De shift van „het is slechts kwestie van tijd voordat we gebreekt worden” naar „we zijn al gecompromitteerd” versterkt de complexiteit van het vaststellen van normaal netwerkgedrag. Een IBM-ondersteunde 2018-studie toonde aan dat het gemiddeld 197 dagen duurt voor enterprises om een inbraak te detecteren – tijd die de betrouwbaarheid van machine-learning-modellen getraind op evoluerende netwerktopologieën kan undermijnen.

AI beloftes voor industriële cyberbeveiliging, maar adoptie moet beginnen met goed-gedefinieerde use cases die datacomplexiteit beperken. Zoals E.F. Schumacher zei: „Het vereist een vleugje genie – en veel moed – om in de tegenovergestelde richting te bewegen.” Voor industriële leiders betekent dat: begin met kleine, beheersbare projecten voordat AI over het gehele OT-landschap geschaald wordt.