LONDON (IT BOLTWISE) – Kindo bringt mit Deep Hat Sift ein KI-Modell auf den Markt, das in hochvolumigen Alerts, Tickets und Logs entscheidet, ob ein Large Language Model (LLM) überhaupt benötigt wird. Statt jedes Ereignis zu verarbeiten, filtert das System nur das heraus, was nach definierten Schwellenkriterien relevant ist. Das Training erfolgt über die Urteile des Ziel-Agents, während das Modell zunächst im Shadow Mode arbeitet und Transparenz über alle ausgefilterten Events liefert. Für Unternehmen bedeutet das: mehr Kostenkontrolle, aber auch ein verlässlicherer Betrieb durch „fails open“-Mechanismen.
Kosten für Künstliche Intelligenz sind in vielen Unternehmen längst kein reines „Compute-theoretisches“ Thema mehr, sondern schlagen direkt in Betriebsprozessen durch. Genau dort setzt Kindo mit Deep Hat Sift an: Das System entscheidet nicht pauschal, ob ein Large Language Model zum Einsatz kommt, sondern weicht die Frage auf Ereignisebene auf. Deep Hat Sift nutzt dabei einen einfachen, schnellen Modelltyp, der mit Ja/Nein-Antworten arbeitet, und schickt nur diejenigen Events an den Agenten weiter, die tatsächlich zusätzliche Analyse durch ein LLM erfordern. Für Teams, die SIEM- und EDR-Workflows ebenso betreiben wie Ticketing-Queues oder Log-Streams, ändert sich damit die Grundannahme: LLM-Aufrufe werden nicht mehr zum Standard für jeden einzelnen Datensatz, sondern zu einer gezielten Ausnahme.
Technisch betrachtet knüpft Deep Hat Sift an eine bekannte Begrenzung von „billigen Filtern“ an: Klassische, festgewichtete Modelle können funktionieren, verlieren aber mit der Zeit an Güte, wenn sich Datenverteilung oder Betriebsabläufe ändern. Genau diese Vertrauenslücke will Kindo schließen, indem Sift sich entlang der Entscheidungen des zuständigen Ziel-Agents verbessert. Statt neue Trainingsdaten zu sammeln oder aufwändige Label-Projekte zu fahren, dient die Entscheidungskette als Rückkopplung: Wenn der Agent ein Event als relevant einstuft, lernt Sift, welche Muster zu diesen Urteilen führen. Damit entsteht ein Filter, der mit jeder Entscheidung besser darin wird, was der Ziel-Agent vermutlich herausgreifen würde. Auch der Betriebsmodus ist dabei wichtig: In der Einführungsphase läuft Deep Hat Sift im Shadow Mode, bewertet jedes Event zunächst unabhängig und lernt daraus, ohne die Verarbeitung unmittelbar zu verändern.
Damit das System im Alltag nicht „heimlich“ entscheidet, legt Kindo zudem Wert auf Prozessierbarkeit und Nachvollziehbarkeit. Eine Person definiert einmalig eine Schwelle und erhält damit einen überprüfbaren Mechanismus, wann Events vom LLM-Baustein entkoppelt werden. Jede ausgefilterte Instanz wird aufgezeichnet, sodass IT-, Security-, Finance- und Compliance-Teams nachvollziehen können, warum ein Event übersprungen wurde. Auf Wunsch lässt sich auch die Qualitätsmessung aktiv betreiben: Ein zufälliges Sample von Events, die der Filter eigentlich zurückhalten würde, läuft weiterhin durch, damit die Miss-Rate kontinuierlich gemessen wird. Entscheidend ist außerdem die Sicherheitslogik beim Drift: Wenn die Qualität nachlässt, „failt“ Deep Hat Sift laut Kindo nicht in eine riskante Dunkelverarbeitung, sondern öffnet den Pfad wieder und sendet alles zur Beurteilung durch das LLM. Dieses Fails-open-Prinzip adressiert die typische Angst beim Einsatz von Entscheidungsfiltern – nämlich, dass ein Modell zu sicher wird und Relevantes dauerhaft übersieht.
Die Produktidee zielt auf einen konkreten Engpass in Hochvolumen-Umgebungen: Dort entstehen regelmäßig Ereignisstürme („Alert Storms“), in denen SIEM- und EDR-Systeme, Ticket- und Alert-Queues oder Monitoring-Tools mit massenhaft Meldungen überschwemmt werden. Wenn jedes Event einen LLM-Schritt auslöst, explodieren Kosten und Latenz; gleichzeitig können starre Regeln allein zu einer unerwünschten Blindheit führen. Deep Hat Sift setzt daher vor den Stellen an, die ohnehin triagiert werden, etwa bei SIEM- und EDR-Events, System- und Netzlogdaten oder bei Streaming-Setups. In der Praxis nennt Kindo auch typische Integrationspunkte wie Kafka sowie Monitoring-Ökosysteme mit New Relic, Splunk und Datadog. Das Modell wird dabei zweckgebunden eingesetzt: einem Datenquellensystem, einem Ziel-Agenten und einer spezifischen Filteraufgabe zugeordnet, sodass aus einem generischen KI-Ansatz eine passgenaue Entscheidungsschicht wird.
Für die Markt- und Betriebsrealität ist das Timing bedeutsam, weil Künstliche Intelligenz in vielen Organisationen gerade nicht mehr als einzelnes Experiment läuft, sondern als Agenten-Ökosystem ausgerollt wird. Die Quelle verweist auf die wachsende Zahl an Agenten in Unternehmen und die damit verbundenen Effekte wie Komplexität und Managementaufwand. Deep Hat Sift liefert in diesem Bild einen Hebel, der in vielen Agenten-Setups bisher fehlt: LLM-Verwendung vermeiden, wenn sie nicht nötig ist. Genau diese „LLM-use-avoidance“ ist auch aus Zuverlässigkeitssicht relevant, denn Agenten müssen häufig mehrere Schritte mit Tools planen und ausführen. Wenn jeder Schritt mit einer gewissen Fehlerrate behaftet ist, sinkt die Wahrscheinlichkeit, dass die Gesamtaufgabe reibungslos durchläuft. Kindo positioniert Deep Hat Sift daher als eine Art „Guardian“-Filter, der niedrige bis mittlere Unklarheiten effizient mit Entscheidungen abdeckt und komplexere Anomalien an den LLM-gestützten Teil eskaliert.
Dass das System in produktionsnahen Prozessen funktionieren soll, ist auch an der Deploy-Strategie erkennbar: Deep Hat Sift soll vollständig in der Kundenumgebung laufen, inklusive air-gapped Szenarien, wie Kindo explizit betont. Für regulierte Branchen bedeutet das weniger Architekturschichten und potenziell geringere Hürden bei Datenhoheit. Gleichzeitig wird die Verantwortlichkeit nicht komplett an das Modell ausgelagert. „Enterprises are scrambling to rein in runaway LLM costs because they’ve been locked into an unfair binary choice. Either run a large model on everything and sacrifice speed and cost control, or run a simple, fixed-weight model and accept that you cannot trust what it ignores, “ sagte Ron Williams, CEO von Kindo. Der Ansatz sei darauf ausgelegt, Teams in IT, Security, Finance und Compliance neue Optionen zu geben, intelligente Agenten dort arbeiten zu lassen, wo Kosten bisher einen sinnvollen Einsatz blockierten.
Praktisch lassen sich damit mehrere Use-Cases bedienen, die im Betrieb oft dieselbe Ursache haben: zu viele Ereignisse, zu wenig Zeit für manuelle Prüfung und ein wirtschaftlicher Druck, schnelle Entscheidungen zu treffen. Kindo nennt unter anderem Alert-Stürme, Alert- und Ticket-Triage, Log-Streams sowie das Triaging gemeldeter Phishing-Fälle. In solchen Szenarien kann Deep Hat Sift das „erste Sieb“ liefern, während das LLM nur dort ansetzt, wo wirklich Interpretationsbedarf besteht – beispielsweise bei policy-anomalien oder Indikatoren für Betrug. Die Rolle der Menschen im Loop bleibt dabei zentral, etwa beim Freigabemechanismus für Schwellenwerte. Troy Presley, Deep Hat Sift engineer bei Kindo, ordnet das so ein: „We built Deep Hat Sift so an operations team can trust it with the decision to skip something, “ und weiter: „It filters nothing until a person approves the threshold, and if quality drifts it fails open and sends everything through for LLM judgment.“
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Deep Hat Sift: KI-Filter für LLM-Agenten senkt Kosten und verbessert Zuverlässigkeit" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Deep Hat Sift: KI-Filter für LLM-Agenten senkt Kosten und verbessert Zuverlässigkeit" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Deep Hat Sift: KI-Filter für LLM-Agenten senkt Kosten und verbessert Zuverlässigkeit« bei Google Deutschland suchen, bei Bing oder Google News!