Las operaciones de seguridad no pueden depender de reglas estáticas para siempre. Los atacantes se adaptan, los entornos cambian y los playbooks heurísticos se convierten en la fábrica de falsos positivos de mañana. Dolutech SOC Model V1 está diseñado para mejorar continuamente — pero no dejando que un modelo autónomo experimente con decisiones de incidentes en producción. En su lugar, usa una arquitectura de aprendizaje human-in-the-loop (HITL): active learning guiado por feedback de analistas, codificado como etiquetas supervisadas de ground truth, y devuelto al refinamiento del modelo mediante un flywheel de datos controlado.
El problema de los SOC estáticos
Los SOC tradicionales dependen de firmas fijas, reglas de correlación rígidas y playbooks mantenidos manualmente. El resultado es familiar: fatiga de alertas, MTTR más lento y una brecha creciente entre lo que el SOC detecta y lo que comprende.
Racional de diseño: active learning, no trial-and-error autónomo
El reinforcement learning que explora acciones en entornos de seguridad reales es seductor en papel y peligroso en la práctica. Nuestro enfoque prioriza el active learning supervisado en un pipeline gobernado:
- El feedback del analista se convierte en etiquetas
- Cribado determinista primero
- Escalado fail-safe
- Auditabilidad por diseño
Flujo de decisión: seis etapas
En SOC AI Agent, la inteligencia de amenazas recorre un pipeline repetible impulsado por SOC Model V1:
- Ingesta de telemetría
- Cribado determinista
- Análisis contextual con IA
- Evaluación conductual
- Validación humana
- Refinamiento del modelo
Cómo aprende el modelo
Evento de producción → recomendación de IA → validación humana → etiqueta ground truth → dataset curado → refinamiento supervisado → inferencia mejorada en el siguiente evento.
Los expertos humanos son la puerta de calidad que convierte el juicio operativo en señal de entrenamiento.
Seguridad y gobernanza
- Auditoría completa
- Autonomía por capas
- Redacción de datos y consentimiento
- Escalado por defecto ante incertidumbre
SOC tradicional vs aprendizaje adaptativo
DimensiónSOC tradicional / estáticoHITL adaptativo Dolutech Mantenimiento de reglasAjuste manual continuoRefinamiento del modelo desde feedback validado Falsos positivosSe acumulan con la deriva del entornoActive learning ataca patrones de ruido recurrentes Rol del analistaProcesamiento reactivo de ticketsPuerta de calidad + generación de etiquetas Mecanismo de aprendizajeNinguno (o ediciones ad-hoc)Flywheel supervisado con ground truth humano Perfil de riesgoAmenazas perdidas por reglas obsoletasAutonomía gobernada con escalado fail-safeQué significa para los operadores
- Menos fatiga de alertas con el tiempo
- Triaje más rápido sin automatización ciega
- Decisiones defendibles
- Un modelo alineado con su entorno
Lecturas relacionadas
- Por qué un LLM especializado supera a los modelos generalistas en trabajo SOC
- MDR con human-in-the-loop — sin construir un SOC interno
- Dolutech SOC Model V1 — explorar el modelo
- SOC AI Agent — plataforma de operaciones autónomas
Documento de arquitectura completo
Descargue el documento técnico completo sobre Dolutech SOC Model V1 — flujo de decisión, controles de seguridad y flywheel de aprendizaje supervisado (PDF, inglés).
