***
### SIEM連携
KeeperAIは、検出された脅威とリソース構成に対して[ARAMイベント](/keeperpam/jp/privileged-access-manager/references/event-reporting.md)を自動生成し、既存のセキュリティワークフローへの統合が可能です。
推奨事項は以下のとおりです。
* 脅威検出時のリアルタイム通知アラートの設定
* 接続済みSIEMプロバイダへのイベントログ送信
***
### レビュー効率
特権セッションのレビューは、従来、レビュアーがセッション再生をリアルタイムに近い速度で視聴し、セキュリティやコンプライアンス上重要なコマンドと操作を特定する、手作業で時間のかかる作業でした。KeeperAIはフル再生の代わりに、コマンドごとの構造化された要約とリスク分類を提示するため、レビュアーは映像を視聴するのではなく、検出結果を読み取ることができます。
以下の表は、1件の記録済みセッションを評価するのに必要なレビュアー時間を、手動再生とKeeperAI要約レビューで比較したモデルです。
| 方法 | 30分セッションのレビュー時間 | 根拠 |
| -------------- | --------------- | --------------------- |
| 手動再生 (リアルタイム) | 約30分 | セッション時間と1:1 |
| 手動再生 (1.5〜2倍速) | 約15〜20分 | 高速再生と、コマンド確認のための一時停止 |
| KeeperAI要約レビュー | 約1〜3分 | コマンドごとの検出結果とリスクレベルを読む |
このモデルでは、加速した手動再生と比較して、セッションあたりのレビュアー時間は推定\*\*85〜95%\*\*削減されます。セッションが長くなるほど、削減率はさらに大きくなります。
{% hint style="info" %}
これらの数値は分析上の推定値であり、お客様環境での実測値ではありません。Keeperのゼロ知識アーキテクチャに沿い、Keeperはお客様のセッション内容やレビュアーの行動を調査しません。このモデルは、(1) 手動レビュー時間がセッション時間に比例して増えること、(2) 加速再生では一時停止を含めて1.5〜2倍の速度向上が得られること、(3) 要約レビュー時間はセッション長にかかわらずセッションごとにほぼ一定であること、を前提としています。実際の結果は、セッション長、コマンド密度、レビュアーの習熟度、組織のポリシーによって異なります。
{% endhint %}
#### 削減効果がスケールする理由
手動レビュー時間はセッションの**長さ**に比例して増えます。2時間のセッションは30分のセッションの約4倍の視聴時間が必要です。KeeperAIの要約レビューは、実際の経過時間ではなく**重要なコマンド数**に比例して増えます。そのため、セッションが長く、アイドル時間が多いほど、時間削減の効果は大きくなります。
***
## よくある質問
**Q: KeeperAIで自分のLLMモデルを使用できますか？**\
**A:** はい。OpenAIの `/chat/completions` APIエンドポイントに準拠するプロバイダであれば利用できます。モデルはテキストと画像の両方の入力 (マルチモーダル/ビジョン機能) に対応している必要があります。
**Q: KeeperAIはリアルタイムで動作しますか？**\
**A:** はい。ユーザーが入力するたびに特権セッションをリアルタイムで分析し、完了したセッション録画と分析結果を暗号化ファイルに保存して、あとから確認できます。
**Q: ビジョン対応モデルが必要なのはなぜですか？**\
**A:** KeeperAIはGUIプロトコル (RDP、VNC、RBI) 向けにスクリーンショットをセッションテキストとともに送信するため、モデルは画像入力を受け付ける必要があります。SSH、Telnet、データベースプロトコルはテキストのみですが、マルチモーダルモデルであれば問題なく動作します。迷った場合はビジョン対応モデルを選ぶと、すべてのケースをカバーできます。
**Q: KeeperAIは機密情報をどのように扱いますか？**\
**A:** KeeperAIはセッション録画と分析結果を暗号化ファイルとして保存します。これらのファイルは、セッション録画の閲覧権限を持つお客様のみが復号できます。今後のリリースでは、機微な個人情報 (PII) の検出機能が強化され、PIIをLLMに送信する前に削除するオプションや、LLMの応答からPIIを除去する機能が追加される予定です。
**Q: ゲートウェイ、LLMプロバイダ、Keeperのシステム間でデータはどのように流れますか?**\
**A:** KeeperAIでは、データのプライバシーとセキュリティを確保するために、安全な多段階の通信フローを採用しています。
1. **ゲートウェイとLLMプロバイダの間** ([LLM連携](#llm-integration)): Keeperゲートウェイから構成済みのLLMプロバイダへ、暗号化HTTPSによる直接通信でセッションコマンドをリアルタイムに分析
2. **ゲートウェイからKeeperへ**: LLM分析の受領後、ゲートウェイ上でセッションデータと分析結果を固有のレコードキーで暗号化し、Keeperのエンドポイントへ送信して保存
**Q: KeeperAIはインターネットに接続されていない環境 (エアギャップ環境) でも使用できますか？**\
**A:** はい。ビジョン対応モデルを使用したオンプレミスLLMデプロイメントにより、サードパーティまたはインターネット経由のサービスではなくローカルサービスと連携できます。セルフホストモデルがマルチモーダル入力 (テキストと画像) に対応していることを確認してください。
**Q: セッション分析1回あたりの想定コストはどれくらいですか？**\
**A:** プロトコルごとにシステムプロンプトが異なるため、トークン数は変動します。おおよそのシステムプロンプトサイズは以下のとおりです。
| プロトコル | システムプロンプトのトークン数 |
| ------------------ | --------------- |
| TUI / SSH / Telnet | 約3,200 |
| GUI / RDP / VNC | 約3,200 |
| RBI | 約2,500 |
| KeeperDB | 約2,500 |
ユーザープロンプトはコマンド長に応じておおよそ15〜50トークンが追加されるため、1リクエストあたりの合計は**3,500〜4,000トークン**程度です。
送信するスクリーンショットごとに、それに加えて画像トークンが発生します。モデルによって計算式は異なりますが、おおよそ以下のとおりです。
`image_tokens ≈ (width × height) / 700`
セッション終了時の全体要約では、システムメッセージが約2,000トークンです。ユーザープロンプトはセッション長に応じて増加し、10コマンドでおおよそ100トークンからスケールします。
{% hint style="info" %}
ビジョン対応モデルは料金体系が異なる場合があります。マルチモーダル料金の詳細はLLMプロバイダにご確認ください。RDP/VNC/RBIセッションの画像分析は、分析した画面キャプチャ数に応じて追加コストが発生します。
{% endhint %}
**Q: モデルの選び方は？**\
**A:** モデル選択は、速度、精度、コストのトレードオフです。小さいモデル (40億〜200億パラメータ) は安価で高速、大きいモデルは精度が高い一方で遅く高価です。
| モデルサイズ | 例 | トレードオフ |
| --------- | ---------------- | -------------------- |
| 4B〜20B | Gemma 3 4B、Haiku | 高速、低コスト、多くのセッションに適する |
| 20B〜70B | Haiku、Mistral 7B | バランスが良い。推奨の出発点 |
| 70B〜120B+ | Sonnet、GPT-4o | 精度が高い。低速で高コスト |
**Q: モデルがビジョン機能に対応しているか確認するには？**\
**A:** LLMプロバイダのドキュメントで、モデルがマルチモーダル入力 (テキストと画像) に対応していることを確認してください。モデル仕様で「vision」「multimodal」「image input」「visual understanding」などのキーワードを探します。不明な場合は までお問い合わせください。
**Q: サードパーティのLLMプロバイダに送信されるデータと、その保護方法は？**\
**A:** コマンドテキストと再構成された画像 (RDP、VNC、RBIなどのビジュアルプロトコル向け) は、暗号化HTTPSで構成済みのLLMプロバイダへ送信されます。LLMの応答は、Keeperクラウドに保存する前に暗号化されます。すべてのトラフィックはゲートウェイからLLMプロバイダへ直接行われます。ゼロ知識とゼロトラストを維持するため、プライベートキーによる暗号化を経ずにKeeperへ送られるトラフィックはありません。
**Q: コンプライアンス報告用に脅威検知データをエクスポートできますか？**\
**A:** はい。**\[セッション分析]** ポップアップから分析データをJSON形式でエクスポートし、コンプライアンス報告に利用できます。
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://docs.keeper.io/keeperpam/jp/privileged-access-manager/keeperai.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
