Rohan Sathe, medstifter og administrerende direktør for Nightfall – Interviewserie

I de tidlige dage ønskede vi at bruge maskinlæring til at opdage og beskytte følsomme data, hvor som helst de befandt sig på tværs af cloud-apps og moderne arbejdsgange. Da vi kom ud af stealth i 2019, positionerede vi os selv som en cloud-naturlig, ML-drevet SaaS DLP-løsning med en vision om at bygge ‘kontrolplanet for cloud-data.’ Da vi udvidede os ud over SaaS til at dække dataekstraktion på tværs af endpoints og generativ AI, blev ‘AI-naturlig DLP’ vores paraplybegreb.

Før du startede Nightfall, var du en af grundlæggerne af Uber Eats, hvor du så førstehånds, hvordan data spredte sig på tværs af SaaS- og cloud-værktøjer. Hvordan formede dine erfaringer deres syn på datasikkerhed, og hvilke specifikke øjeblikke eller udfordringer fik idéen til Nightfall i gang?

På Uber Eats ledede jeg backend-hold og byggede applied ML-tjenester – ting som ETA’er og supply- og efterspørgsels-forecasting. Vi havde at gøre med petabyte-skala data, der var spredt på tværs af mange forskellige systemer, hvilket er en miljø, hvor følsom information kan bevæge sig rigtigt hurtigt og ofte usynligt. Denne erfaring, kombineret med det, hele branchen lærte af begivenheder som Uber’s 2016-dataleak—hvor angribere i princippet udnyttede legitimationsoplysninger, der var eksponeret i kode på GitHub for at nå AWS-data—højligtede, hvordan denne kombination af datasprælling, legitimationsoplysninger og cloud-infrastruktur skaber denne usædvanlige risiko uden bedre opdagelse og sikkerhedsforanstaltninger. Disse realiteter formede Nightfalls fokus på kontekst-bevidst opdagelse og forebyggelse lige fra starten.

Nightfall lancerede offentligt i 2019 med Series A-finansiering. Kan du føre os igennem den tidlige rejse fra stealth-tilstand til lanceringsdato, herunder eventuelle nøgle-infleksionspunkter?

Vi opererede i stealth i omkring et år, derefter lancerede vi officielt den 7. november 2019 med 20,3 millioner dollars i finansiering ledet af Bain Capital Ventures og Venrock. De tidlige infleksionspunkter drejede sig virkelig om at bygge bred SaaS-integrationer og udvikle højere-accurat ML-baseret indholdsklassificering, der kunne reducere de falske positive, der plagede legacy DLP-løsninger.

Shadow AI henviser til den unovervågede brug af værktøjer som ChatGPT, Gemini og Copilot på arbejdspladsen, ofte resulterende i usynlige dataleaks. Hvordan definerer du Shadow AI, og hvorfor er det en voksende bekymring for moderne organisationer?

Vi definerer Shadow AI som den unautoriserede eller unovervågede brug af AI-værktøjer af medarbejdere—tænk på at indsætte kildekode eller kundedata i chatbots—hvilket skaber eksponeringsrisici uden for IT-styring. Denne definition stemmer overens med, hvad vi ser fra andre branchespillere som IBM og Splunk. Shadow AI er i virkeligheden AI, der bruges uden godkendelse eller overvågning, hvilket introducerer disse blindspots og potentielle dataekstraktionsrisici. Kombinationen af letanvendelige Generative AI-apps og manglen på ordentlige kontroller er, hvorfor dette problem vokser så hurtigt.

Du har beskrevet flere måder, hvorpå Nightfalls tilgang til Shadow AI adskiller sig fra traditionel DLP. Hvilken af disse funktioner—enten det er kontekst-bevidst overvågning, data-herkomst eller realtids-blokeringsfunktioner—har vist sig at være mest effektiv for dine kunder?

Fra det, vi konsekvent hører fra kunder, er der to hovedfaktorer, der gør den største forskel. Først er det forindsendelseskontroller—faktisk at fange følsom indhold, før det sendes til AI-værktøjer eller offentliggøres på nettet. Andet er vores AI-naturlig opdagelse, der bevæger sig ud over legacy-mønstergenkendelse til at forstå data-herkomst og kontekst.

Hvad der virkelig er kraftfuldt, er vores støjreduktion gennem kontinuerlig læring. Vores system forstår indhold og fil-herkomst, lærer af brugerannoteringer og handlinger og identificerer sikre arbejdsgange for at undertrykke lav-risiko-aktivitet. Dette reducerer falske positive sammenlignet med legacy DLP-løsninger dramatisk. Vi udfører også realtids-trussel-opdagelse og risiko-prioritering ved hjælp af LLM’er, transformers og computer-vision, med brugerdefinerede fil- og følsomheds-klassificatorer, der kan afsløre bevægelse af immaterielle aktiver og højværdi-dokumenter, der går langt ud over simple regel-baserede enheds-opdagelse. Vore kunder fortæller os, at de ser denne transformation fra alert-fatigue til fokuseret, høj-impact-sikkerhedsaktion.

Hvordan stopper Nightfalls browser-baserede og endpoint-naturlige detectionsystem dataleaks, før de sker, og hvordan sammenligner det med legacy DLP-systemer, der kun opdager brud efter indsendelse?

Vores browser-udvidelse og endpoint-agenter scannrer faktisk prompts og filer, før de indsendes. Vi kan redigere eller blokere risikabelt indhold i realtid—så før en ChatGPT-prompt sendes, for eksempel. Vi sporer også herkomst, så sikkerhedsholdene ved, om en fil oprindeligt kommer fra et virksomhedssystem. Vi deployer på macOS og Windows med Chrome- og Firefox-udvidelser, der giver denne før-du-sender-redigering og upload-blokeringsfunktion. Dette er en ret markant kontrast til legacy DLP, der primært handler om efterfølgende opdagelse.

Nightfall er vokset betydeligt, siden det blev grundlagt. Hvordan har virksomhedssikkerhedsbehov ændret sig over den tid, og hvordan har dit produkt tilpasset sig herefter?

Landskabet har virkelig ændret sig dramatisk. Vi startede med SaaS-scanning—tænk på Slack og Google Drive—omkring 2020-2021. Så blev Generative AI-vagtposter kritiske fra starten af 2023, og nu ser vi dette akutte behov for autonome, intelligente trussel-forhindring, der kan skala med virksomheds-vækst.

Sikkerhedsoperationer-hold kæmper med stadig mere komplekse værktøjer, legacy-mønstergenkendelse DLP, konstant manuel politik-tilpasning og simpelthen knusende alert-fatigue. Disse problemer langsommere undersøgelser, øger overhovedet og reducerer sikkerheds-effektivitet. Vores produkts udvikling har fulgt denne ændring fra reaktiv, manuel operation til proaktiv, intelligent automation. Vi annoncerede Generative AI-dækning i 2023, udvidede til dataekstraktionsforhindring, kryptering og e-mail-beskyttelse i 2024, og nu med Nyx, indfører vi, hvad vi ser som den næste æra af agentic AI i dataprotektion—transformerende alert-fatigue til fokuseret, høj-impact-sikkerhedsaktion på tværs af SaaS, endpoints og AI-værktøjer.

Du har nyligt introduceret Nightfall Nyx, som du beskriver som branchens første autonome AI-naturlige DLP-platform. Hvad gør den autonom, og hvilke problemer løser det for sikkerhedshold?

Nightfalls AI-opdagelsesplatform leverer allerede meget præcise, lav-støj-resultater — 95% præcision sammenlignet med de 5–30%, der er typisk for traditionel regex eller regel-baseret DLP. Siddende på toppen af denne grundlæggelse er Nyx det AI-intelligens-lag, der hjælper sikkerhedshold med at undersøge, korrelerer og forstå risici.

Selv efter støjen er væk, begynder det rigtige arbejde. I store organisationer kan SecOps-hold stadig stå overfor hundredvis af legitime alerts hver dag. At sieve gennem dem for at adskille forretnings-godkendte arbejdsgange fra risikable data-hygiejne-problemer eller insider-trusler kan slugte timer. Nyx tager på sig denne undersøgelses-mæssige tungt-arbejde — accelererer analyse, så holdene kan fokusere på handling, ikke på at søge og sortere gennem sider af alerts.

Nyx forbinder punkterne på tværs af dataekstraktionsbegivenheder — brugere, domæner, enheder, data-typer, filnavne og mere — og fremhæver mønstre øjeblikkeligt. Gennem dens naturlige-sprog-grænseflade kan analytikere handle på mønstre, undersøge resultater, producere rapporter og få anbefalede handlinger på sekunder. Opgaver, der tidligere tog to timer, kan nu udføres på under to minutter — en sand 20× tid-sparende game-changer.

Med generativ AI-brug eksploderende på arbejdspladser og sikkerhedshold kæmpende for at følge med, tror du, at værktøjer som Nightfall vil blive en standard-lag af kontrol for virksomheds-miljøer?

Jeg tror, banen antyder ja. Vi ser en bred Generative AI-adoptionsplan på tværs af virksomheder, og store platforme som Microsoft (MSFT ) Entra Internet Access ruller inline, før-indsendelses-kontroller for Generative AI-trafik ud. Når du parrer det med branchensensus om Shadow AI-risici, er det rimeligt at forvente, at før-indsendelses-, AI-bevidst DLP bliver en standard-kontrollag sammen med ting som identitet- og adgangs-styring og endpoint-opdagelse og -respons.

Til sidst, som grundlægger af en så hurtigt udviklende branche, hvad er din langsigtede vision for Nightfall og AI’s rolle i virksomhedsdataprotektion?

Vores langsigtede vision bygger på, hvad vi formulerede ved lanceringsdatoen — at være kontrolplanet for cloud-data — men nu udvider vi det med autonome operationer og agentic AI-kapaciteter. Vi forestiller os en fremtid, hvor sikkerheds-posturen forbedres kontinuerligt uden at lægge mere arbejde på analytikere, hvor AI eliminerer behovet for specialiseret domæne-ekspertise, og hvor organisationer kan skifte fra reaktiv, manuel sikkerhedsoperation til proaktiv, intelligent trussel-forhindring.

I praksis betyder det AI, der både forstår data i kontekst og tager sikre, intelligente handlinger — undersøge, coach, redigere, blokere — på tværs af SaaS, endpoints, e-mail og Shadow AI. Vi ønsker at lukke cirklen fra opdagelse til forhindring, hvor sikkerhedsholdene får en altid-til-rådighed-intelligent partner, der bliver klogere med hver undersøgelse og transformerer uger med manuel forensik til minutter af fokuseret respons.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, skal besøge Nightfall.