Greenlight Bedrock AgentCore SOC: Otomasi 90% Kasus Risiko

Kenapa Greenlight Butuh Otomasi SOC Berbasis Agen AI?

Greenlight ngeluarin produk finansial buat keluarga, mulai dari kartu debit anak, fitur tabungan, sampai perangkat pintar kayak Family Hub dan Pet Tracker. Karena megang data keuangan nasabah yang super sensitif, standar regulasi mereka sama ketatnya kayak bank-bank gede. Tiap bulan, tim SOC Greenlight kebanjiran 3.000 sampai 4.000 alert dari empat jalur utama:

• Dark web breach cards: Kartu nasabah Greenlight yang kedapatan bocor di dark web, dilaporkan sama jaringan kartu atau feed intelijen internal.
• Anomali identitas dan akses: Pola login yang mencurigakan, eskalasi izin akses mendadak, sampai pelanggaran aturan di penyedia identitas (IdP).
• Alert infrastruktur: Sinyal bahaya dari tool EDR (Endpoint Detection and Response), SIEM, inventaris aset, dan sistem monitoring lainnya.
• Event risiko finansial: Transaksi mencurigakan, pemicu kepatuhan regulasi, dan indikasi penipuan (fraud) dari sistem pemrosesan kartu.

Masalah terbesarnya ada di proses investigasi manual yang ribet banget. Pas ada satu kartu nasabah terdeteksi bocor di dark web, analis manusia harus buka banyak aplikasi sekaligus. Mereka mesti ngecek kartu masih aktif atau nggak, mastiin laporannya bukan dobelan, meriksa riwayat sesi nasabah di aplikasi, sampai ngecek tiket komplain yang lagi kebuka. Alur manual ini butuh waktu 15 sampai 30 menit per kasus. Kalau dikali 4.000 kasus per bulan, tim butuh 1.000 sampai 2.000 jam kerja analis cuma buat ngecek hal-hal rutin. Jelas hitung-hitungan ini nggak masuk akal buat jangka panjang.

Makanya, Greenlight butuh sistem yang bisa ngeberesin kasus rutin dalam hitungan detik, ngoper kasus pelik ke manusia bareng bukti lengkap, dan punya memori biar nggak gampang lupa.

Arsitektur Bertingkat Luna di Amazon Bedrock AgentCore

Biar kerjanya rapi, Greenlight ngerancang Luna pakai arsitektur supervisor bertingkat (tiered supervisor) di atas Amazon Bedrock AgentCore. Desain ini sengaja niru pembagian kerja tim SOC manusia: Tier 1 ngurusin kasus volume gede yang sifatnya rutin, sedangkan Tier 2 fokus ngerjain investigasi mendalam buat kasus yang rumit.

Infrastruktur Luna jalan di kapabilitas runtime Amazon Bedrock AgentCore dalam Amazon Virtual Private Cloud (Amazon VPC) dengan subnet privat. Kode agen dideploy langsung lewat file ZIP via Amazon S3. Jadi, tim Greenlight nggak usah repot ngerakit server orkestrasi sendiri dari nol.

Tier 1 Supervisor: Triase Cepat Volume Gede

Supervisor Tier 1 ditenagai model bahasa canggih yang ada di Amazon Bedrock. Tugasnya nerima laporan masuk dan langsung membagi tugas ke lebih dari 30 agen spesialis sesuai domainnya masing-masing:

Kasus masuk ke Tier 1 lewat dua pintu: Amazon API Gateway (yang nyediain endpoint Luna Queue API dan Model Context Protocol alias MCP) serta integrasi Tines SOAR. Hebatnya, median waktu triase kasus rutin di Tier 1 ini kelar cuma dalam hitungan detik aja.

Tier 2 Supervisor: Bedah Kasus Rumit

Kalau ada kasus yang tingkat keyakinannya di bawah standar Tier 1, kasus itu langsung dilempar ke Tier 2 supervisor. Di sini, Luna memakai model fondasi dengan kemampuan penalaran panjang (extended reasoning). Tier 2 cuma ngurusin sekitar 10 persen kasus sisa yang emang butuh analisis silang multi-langkah.

Supervisor Tier 2 manggil agen spesialis lewat library boto3 dengan jendela konteks yang lebih luas, ngerangkai logika sebab-akibat lintas 3 sampai 5 sumber data, lalu nyusun laporan investigasi lengkap bareng rantai buktinya buat diserahkan ke analis manusia. Proses Tier 2 jalan otomatis lewat jadwal berkala Amazon EventBridge dan antrean Amazon SNS, atau bisa juga dipanggil langsung pas ada kasus darurat dari Tier 1.

Nggak cuma otomatis, para engineer keamanan dan operasional juga bisa nyobain interaksi langsung bareng Luna lewat tiga jalur: Tines SOAR buat aliran otomatis, panggilan API langsung buat kebutuhan ad-hoc, sampai ekstensi Claude Desktop via MCP. Jadi, teknisi yang lagi piket on-call tinggal ngetik santai di Claude Desktop buat minta Luna ngerjain investigasi mendalam.

Memori Agen AI: Rahasia Luna Makin Hari Makin Pinter

Banyak eksperimen agen AI mandek karena sifatnya yang gampang lupa alias stateless. Luna beda banget karena udah dipasangi lapisan memori dari fitur Amazon Bedrock AgentCore. Fitur ini dibagi jadi dua lapis:

1. Episodic Memory (Jendela Putar 30 Hari)

Memori episodik nyimpen kejadian dan keputusan yang diambil selama 30 hari terakhir. Pas ada alert baru masuk, Luna langsung ngecek: "Pola kayak gini udah pernah muncul belum ya dalam 30 hari ini? Kemarin keputusannya gimana? Apakah ini aktivitas wajar yang perlu dimasukin allowlist?"

Contoh nyatanya keren banget. Ada satu peran infrastruktur internal di Greenlight yang selalu ngebikin pola akses serupa tiap Selasa jam 3 pagi pas jadwal maintenance. Kalau nggak punya memori, Luna bakal terus-terusan ngirim alarm bahaya tiap minggu. Tapi berkat memori episodik, Luna udah belajar dari penanganan pertama kalau pola itu emang wajar, jadi langsung otomatis dimasukin ke daftar aman.

2. Long-term Memory dan Pipeline Pembelajaran Kasus

Memori jangka panjang nyimpen preferensi dan template penanganan kasus buat jangka panjang. Dari sini, Luna tahu data historis Greenlight yang nunjukin kalau kartu bocor dari sumber dark web tertentu ternyata punya tingkat alarm palsu (false-positive) sampai 73 persen. Jadi, Luna bakal lebih fokus ngecek deduplikasi dulu.

Alur belajarnya jalan mulus lewat pipeline khusus:

• Fungsi AWS Lambda nangkep setiap hasil akhir kasus dari event Tines.
• DynamoDB nyimpen pola penyelesaian dan ngecek duplikasi. Pas Luna nyelesaiin kasus serupa dengan cara yang sama sampai tiga kali, sistem langsung nyatet itu sebagai pola paten.
• Fungsi Lambda lainnya ngolah data tadi jadi ringkasan konteks baru yang dibaca supervisor tiap kali ngerjain inferensi.

Berkat pipeline memori ini, tingkat resolusi mandiri Luna melesat dari 83 persen (pas cuma ngandelin Tier 1) jadi tembus lebih dari 90 persen.

Alur Triase Kartu Bocor: Dari 30 Menit Jadi Cuma Beberapa Detik

Nggak butuh waktu lama, cuma dalam dua bulan setelah sukses di ranah SOC, Greenlight langsung ngebaruin fungsi Luna buat nanganin triase risiko finansial. Mereka nggak perlu ngebongkar ulang sistem dari awal; cukup nambah agen spesialis baru kayak sistem Galileo dan scoring penipuan, terus dipadukan bareng supervisor domain risiko.

Berikut alur kerja otomatis Luna pas dapet laporan kartu nasabah yang bocor di dark web:

1. Ingest: Pemasok intelijen ancaman (kayak Mastercard atau laporan internal) ngasih nomor kartu yang bocor.
2. Verify: Luna langsung nanya ke Galileo: Kartu ini beneran punya nasabah Greenlight nggak? Masih aktif atau udah mati? Gimana riwayat transaksi terbarunya?
3. Deduplicate: Sistem ngecek DynamoDB: Ini laporan berulang bukan? Udah pernah ditangani sebelumnya belum? Soalnya beberapa provider intelijen sering ngelaporin kartu yang sama barengan.
4. Cross-reference: Luna ngecek Mixpanel buat ngeliat ada anomali sesi nasabah atau nggak, buka Zendesk buat ngecek tiket komplain, terus narik skor fraud internal.
5. Assess and Act: Luna nentuin tingkat risiko. Kalau risiko rendah, sistem cuma nyatet dan mantau. Risiko sedang bakal ditandai buat ditinjau. Kalau risiko tinggi, Luna langsung ngoper kasus ke analis manusia bareng bukti lengkap.

Bayangin, kalau analis manusia butuh 15 sampai 30 menit per kartu buat login ke banyak tool tadi, Luna ngeberesin semuanya cuma dalam hitungan detik aja.

Hasil Nyata di Produksi: Metrik Performa Greenlight

Keberhasilan Luna di Greenlight ini bukan sekadar klaim manis tanpa data. Hasil di lingkungan kerja produksi mereka nunjukin lonjakan performa yang lumayan gede:

Dengan beban 4.000 kasus tiap bulan, Greenlight ngelaporin kalau Luna berhasil ngehemat sekitar 900 sampai 1.800 jam kerja analis per bulan. Tim analis manusia nggak perlu lagi stres ngerjain tugas repetitif, dan bisa fokus mikirin investigasi kasus berat yang butuh pertimbangan mendalam.

5 Pelajaran Berharga Buat Startup dan Fintech di Indonesia

Dari pengalaman Greenlight ngebangun Luna, ada lima pelajaran penting yang pas banget buat dipelajari para developer dan pimpinan tech di Indonesia:

1. Mulai dari ruang lingkup kecil dulu: Jangan langsung kepikiran bikin AI yang serba bisa. Greenlight mulai dari triase keamanan karena batasannya simpel: kasusnya beres atau perlu eskalasi. Pas polanya udah stabil, baru mereka geser ke risiko transaksi perbankan.
2. Tiru struktur tim manusia: Desain Tier 1 dan Tier 2 bikin analis manusia gampang percaya sama sistem. Konsepnya akrab di kepala mereka karena mirip banget sama jenjang analis L1 dan L2 di kantor.
3. Kekuatan memori itu nyata: Lapisan memori episodik dan jangka panjang terbukti naikin akurasi dari 83 persen jadi tembus 90 persen lebih. Memori bikin AI nggak bego karena nggak ngulangin salah yang sama.
4. Jaga model human-in-the-loop: AI ngumpulin bukti dan ngasih rekomendasi, tapi keputusan mitigasi berisiko tinggi tetap ada di tangan manusia atau aturan baku yang udah diverifikasi tim compliance.
5. Manfaatin lagi agen yang udah ada: Pas nambah fitur risiko transaksi, Greenlight nggak bikin agen Zendesk atau Datadog baru. Mereka pakai agen yang sama, jadi biaya maintenance kode tetap hemat.

Buat developer yang pengin nyobain bikin prompt triase keamanan bertingkat, kamu bisa pakai template santai tapi terstruktur kayak gini:

Kamu adalah agen triase keamanan Tier 1. Tugasmu adalah menganalisis alert berikut:- Sumber data: [Nama Sistem/EDR]- Indikator: [IP / ID Pengguna / Hash]- Anomali: [Deskripsi Singkat Kejadian] Langkah kerja:1. Cek apakah pola ini cocok sama jadwal pemeliharaan server atau aktivitas normal pengguna.2. Hubungkan data ini dengan status MFA dan riwayat login 24 jam terakhir.3. Tentukan tingkat risiko: Rendah, Sedang, atau Tinggi, lengkap bareng buktinya.4. Kalau tingkat keyakinanmu masih di bawah 85%, jangan ambil keputusan final. Tandai kasus ini buat dieskalasi ke Tier 2 supervisor.

Nyobain Arsitektur Agen AI Sendiri

Seluruh infrastruktur Luna jalan mulus di atas layanan AWS: Bedrock AgentCore buat orkestrasi runtime di VPC, EventBridge buat pemicu jadwal, DynamoDB buat memori pola, Secrets Manager buat nyimpen kredensial API, dan Lambda buat fungsi pemrosesan. Ke depannya, Greenlight bakal nyobain AWS DevOps Agent bareng protokol MCP buat audit infrastruktur otomatis.

Kalau kamu lagi ngerancang sistem multi-agent serupa buat kantor atau startup-mu, kamu butuh fondasi model bahasa yang gesit dan gampang diakses. Lewat Classai Router, kamu bisa langsung nyobain model cerdas kayak claude-sonnet-4.6 dengan tarif Rp2.700 per 1 juta token input dan Rp13.500 per 1 juta token output, atau gpt-4o-mini yang super hemat di harga Rp945 per 1 juta token input dan Rp3.750 per 1 juta token output tanpa pusing mikirin gonta-ganti SDK.

Biar pemahamanmu soal keamanan agen AI makin matang, jangan lupa baca juga ulasan teknis kami soal /developer/okta-bedrock-agentcore-governance dan panduan arsitektur data di /developer/mcp-server-ecs-fargate-data-lake-ai.

Keberhasilan Greenlight Financial nunjukin kalau agen AI bukan cuma hype sesaat. Asal dirancang bareng struktur bertingkat dan memori yang tepat, agen AI beneran bisa diandalkan buat nanganin tugas berat di industri dengan regulasi super ketat.