Die proprietäre Intelligenzschicht hinter DolutechAI-Sicherheitsprodukten — über 300.000 kuratierte Trainingsbeispiele auf einem 3TB+ Korpus, aufgebaut über 5 Jahre, mit SFT, hochwertigem DPO und kontinuierlichem RL.
SOC Model V1 ist die proprietäre Engine in DolutechAI-Sicherheitsplattformen. Kunden nutzen seine Fähigkeiten über SOC AI Agent und SOC WebApps — nicht über eine eigenständige Modell-API.
Autonomes Enterprise-SOC: Orchestrator, acht Spezialagenten, SOAR-Playbooks und Incident Response — alles angetrieben von SOC Model V1.
SOC AI Agent Entdecken →Website- und WebApp-Schutz mit derselben Modellintelligenz, rein webbasierten Connectors und site-freundlichen Preisen.
SOC WebApps Entdecken →Wir bieten keinen öffentlichen API-Zugang zum Modell. Intelligenz wird ausschließlich über unsere Produkte bereitgestellt.
Datenkorpus
Open-Weight-Foundation spezialisiert zu einem proprietären Cybersicherheitsmodell.
Spezialisten-kuratierte SFT-Beispiele — CVEs, Incidents, Playbooks, IOCs und Netzwerkverkehrsmuster.
Proprietärer Cybersicherheits-Korpus — Threat Intelligence, Security-Logs und PCAP-Archive.
Kontinuierliche menschliche Kuration von Datasets und PCAPs durch Sicherheitsanalysten.
Spezialisierungs-Pipeline
Cybersicherheitsspezialisierung via SFT — kein Generalist mit Wrapper.
Direct Preference Optimization mit analystenvalidierten Paaren.
Kontinuierliches Reinforcement Learning aus agentischem Produktions-Feedback.
Human-in-the-Loop Active Learning mit governierten Verfeinerungszyklen.
Eine bewährte Open-Weight-Foundation kombiniert mit über 300.000 kuratierten SFT-Beispielen — aufgebaut auf einem 3TB+ Korpus aus CVE-Datenbanken, Incident-Berichten, SOC-Playbooks, IOC-Intelligence und PCAP-Archiven, kuratiert über 5 Jahre.
Domänenspezialisierung durch SFT auf kuratierten Cybersicherheits-Datasets. Ein proprietäres Modell für Sicherheit — kein Generalist mit Sicherheits-Prompt.
Direct Preference Optimization mit analystenvalidierten Präferenzpaaren, abgestimmt auf Triage, Untersuchung und Reaktion von Sicherheitsprofis.
Closed-Loop Reinforcement Learning aus unserer agentischen Produktions-Pipeline — das Modell verbessert sich mit jeder realen Interaktion.
Entscheidungsworkflow, Sicherheitskontrollen und das überwachte Lern-Flywheel, das SOC Model V1 in Produktion verbessert.
Unser Paper dokumentiert den sechsstufigen Entscheidungsworkflow, deterministisches Screening, Fail-Safe-Eskalation und wie Analystenvalidierung governierte Modellverfeinerung speist.
Kontinuierliche Verbesserung durch Human-in-the-Loop Active Learning — ein überwachtes Daten-Flywheel geleitet von Analysten-Ground-Truth.
Das Modell adressiert Unsicherheit und wiederkehrende Rauschmuster — und passt sich an, wenn Bedrohungen evolvieren.
Analystenvalidierung wandelt operatives Urteil in Ground-Truth-Labels für SFT, DPO und governierte Verfeinerung um.
Deterministisches Screening zuerst, Fail-Safe-Eskalation bei hochwirksamen Entscheidungen und vollständige Audit-Trails.
Jeder validierte Incident schärft die nächste Triage — und reduziert Alert-Müdigkeit über die Zeit.
Produktionsereignis → KI-Empfehlung → menschliche Validierung → Ground-Truth-Label → kurierter Datensatz → überwachte Verfeinerung → verbesserte Inferenz
Bewertet durch unseren agentischen Produktions-Workflow — dieselbe Pipeline, die SOC AI Agent im Einsatz antreibt.
Interner Benchmark — Methodik abgestimmt auf unsere agentische Produktions-Pipeline. Ergebnisse spiegeln echte SOC-Analyseaufgaben wider, keine synthetische Trivia.
SOC Model V1 ist kein eigenständiger Chatbot — es ist die proprietäre Intelligenzschicht, die Orchestrierung, Spezialanalyse und automatisierte Reaktion auf unseren Plattformen antreibt.
Trainingsdaten werden von Spezialisten aus öffentlichen CVE-Datenbanken, anonymisierten Incident-Mustern und intern validierten Sicherheits-Datasets kuratiert. Kundenproduktionsdaten werden ohne ausdrückliche Zustimmung nicht für Modelltraining verwendet.
Analystenvalidierung erzeugt überwachte Ground-Truth-Labels für governierte Verfeinerungszyklen — kein riskantes Trial-and-Error bei Live-Bedrohungsentscheidungen.
Deterministisches Screening, Fail-Safe-Eskalation und vollständige Audit-Trails für Compliance-Review und operative Transparenz.
Das Modell treibt autonome Erkennung, Analyse und Reaktion in SOC AI Agent und SOC WebApps an.
