Ron Reiter, CTO og medstifter af Sentra – Intervieuserie

Ron Reiter, CTO og medstifter af Sentra, er en erfaren iværksætter og cybersecurity-ekspert med dyb viden om cloud-teknologi, der har udviklet innovative teknologiløsninger gennem mere end to årtier i softwareudvikling; han har medstiftet og leder teknologien i Sentra, et data-cybersecurity-firma, der fokuserer på at hjælpe virksomheder med at sikre deres cloud-data, og tidligere har han medstiftet Crosswise (opkøbt af Oracle (ORCL ) for 50 millioner dollars), mens han også har fungeret som teknisk direktør i Oracle/Crosswise i mere end seks år, hvor han har overvåget Oracle Data Cloud-produkter og -hold.

Sentra er en cloud-naturlig data-sikkerhedsplatform, der bruger AI-drevet opdagelse, klassificering og kontekstuel analyse til at give organisationer fuld synlighed og kontrol over følsomme data på tværs af cloud-, hybrid- og on-premises-miljøer, hvilket hjælper dem med at vurdere risiko, gennemtvinge regler, opfylde krav og forhindre data-eksponering i stor målestok på tværs af moderne multi-cloud- og AI-arbejdsgange.

Du har stiftet flere virksomheder inden for cybersecurity og data-infrastruktur. Hvad inspirerede dig til at oprette Sentra, og hvordan har din erfaring fra Crosswise og Oracle påvirket virksomhedens tidlige retning?

Det, der fik mig til at starte Sentra, var et mønster, jeg igen og igen så gentage sig. På Crosswise og senere på Oracle var data altid centrum for tyngdekraften. Det var, hvor værdien lå, men også hvor risikoen akkumuleredes. Alligevel behandlede de fleste sikkerhedsværktøjer data som noget statisk, noget man opdagede én gang og derefter antog var under kontrol.

Da cloud-adopteringshastigheden accelererede, og organisationer begyndte at eksperimentere med AI, holdt den antagelse op med at holde. Data var i konstant bevægelse, blev kopieret, transformeret og adgang til systemer, som ingen fuldt ud sporede. Jeg ville oprette en virksomhed, der startede med data som en levende aktiv, noget man kontinuerligt forstår og regulerer, snarere end noget man opdager én gang og glemmer. Den idé formede Sentra fra dag én.

Sentra fokuserer på at give organisationer fuld kontrol og synlighed over deres cloud-data. Hvad var det centrale problem, du var mest fast besluttet på at løse, da du begyndte at arkitektere platformen?

Det centrale problem var falsk tillid. Mange organisationer troede, de forstod deres data-postur, men den tillid var baseret på partielt syn. De vidste, hvor nogen følsomme data boede, men ikke alle, og de havde sjældent en klar billed af, hvordan data blev adgang til eller genbrugt over tid.

Vi satte os for at lukke den åbning. Ikke kun ved at opdage data, men ved at opretholde en kontinuerlig forståelse af, hvad data findes, hvor følsomt det er og hvem eller hvad der kan adgang til det. Uden den grundlag bliver alt andet i sikkerhed reaktivt.

Du har talt om vigtigheden af nøjagtighed i moderne data-sikkerhed. Hvad gør opnåelse af høj nøjagtighed på massive cloud-skala så udfordrende, og hvordan nærmede dit hold sig dette problem?

Nøjagtighed bliver svær på skala, fordi kontekst er vigtig. Da miljøer vokser, bliver data mere ustruktureret og mere specifik for, hvordan en forretning faktisk opererer. Enkel mønster-matching og generelle modeller fungerer rimeligt godt i små miljøer, men de bryder sammen, da data-volumener vokser, og brugstilfælde bliver mere komplekse.

Vi så dette først i enterprise-evalueringer, hvor nøjagtigheden forringedes, da kunderne flyttede fra ti terabyte til petabyte af ustruktureret data. Vores tilgang var at designe klassificering omkring kontekst og at være disciplineret om effektivitet. Nøjagtighed, der kun fungerer på små skala eller kræver ekstremt beregningskraft, er ikke nyttig i virkelige enterprise-miljøer.

Scanning og sikring af data på tværs af distribuerede cloud-miljøer er notorisk svært. Hvad arkitektoniske beslutninger tillader Sentra at fungere effektivt på tværs af multiple clouds og data-lager?

Vi antog fra starten, at kunder ville operere på tværs af multiple clouds, SaaS-platforme og hybrid-miljøer. Det fik os til at undgå designs, der afhænger af tung data-bevægelse eller konstant fuld gen-scanning, som ikke fungerer godt, da miljøer vokser.

I stedet fokuserede vi på at opretholde synlighed, mens miljøer ændrer sig, og minimere unødvendig overhæng. Den design-valg viser sig i pålidelighed og omkostningsforudsigelighed, især i store, komplekse miljøer.

Da AI-agenter, co-piloter og automatiserede arbejdsgange bliver integreret i enterprise-systemer, hvilke nye kategorier af data-sikkerheds-risiko tror du, at virksomheder stadig undervurderer?

Det største blinde punkt er ikke-menneskelig adgang. AI-agenter, integrationer og automatiserede arbejdsgange adgang til følsomme data kontinuerligt, ofte uden for kontrollerne, der er designet til menneskelige brugere.

Disse systemer logger ikke ind på samme måde, som mennesker gør, og de udløser ikke traditionelle advarsler. At behandle dem som endnu en bruger er en fejl. Virksomheder skal forstå, hvad disse systemer kan adgang til, og sikre, at disse tilladelser forbliver i overensstemmelse med hensigten, ellers skal risikoen accelerere hurtigere, end hold kan reagere.

Sentra bruger en model-drevet tilgang til at klassificere og sikre følsomme data. Hvordan balancerer du model-præstation, operationel omkostning og skalerbarhed, når du bygger til enterprise-arbejdsmængder?

Balance kommer fra at være bevidst om, hvordan modellerne bruges. Ikke alle problemer kræver den største eller mest generelle model. Vi fokuserer på at bruge små sprog-modeller (SLM’er), der er velegnede til klassificering-opgaver og kan fungere effektivt i store miljøer.

Dette tillader os at opretholde stærk nøjagtighed, mens vi holder driftsomkostningerne lave og forudsigelige. For enterprise-sikkerhedshold betyder konsistens og pålidelighed lige så meget som rå-præstation.

Hvad er den største misforståelse, du ser blandt CISO’er om at sikre cloud-data i AI-æraen, og hvordan skal deres strategier udvikle sig?

En almindelig misforståelse er, at opdagelse af data én gang er nok. I virkeligheden ændrer cloud- og AI-miljøer sig konstant. Data flytter sig, tilladelser glider, og nye systemer kommer online hver uge.

Strategier skal skifte fra periodisk vurdering til kontinuerlig reguleringsstyring. Det betyder at behandle data-sikkerhed som en kontinuerlig disciplin snarere end et projekt. Målet er ikke kun at finde risiko, men at forhindre, at risiko genopstår, mens miljøet udvikler sig.

Data Security Posture Management (DSPM) er blevet en central del af den moderne cloud-sikkerhedsstak. I din mening, hvilke egenskaber definerer en rigtig moden DSPM-platform?

En moden DSPM-platform gør tre ting godt. Den skal forstå data nøjagtigt, den skal fungere pålideligt på stor skala, og den skal støtte handling snarere end kun rapportering.

Det, vi ser nu, er, at mange platforme ser stærke ud i POV’er eller tidlige installationer, men kæmper, da miljøer vokser, og adgangsmønstre bliver mere dynamiske. Scans langsommelighed, omkostninger stiger, og nøjagtighed forringedes, især med ustruktureret data. En moden DSPM-platform er en, som sikkerhedshold stadig stoler på, når data-volumener når produktions-skala, og AI-systemer adgang til data kontinuerligt. Tillid på skala er, hvad adskiller brugbare platforme fra teoretiske.

Du har også investeret i flere cybersecurity-startups. Fra den synsvinkel, hvad adskiller grundlæggere, der lykkes i denne branche, fra dem, der kæmper?

Grundlæggerne, der lykkes, tenderer til at være meget tæt på virkelige kunde-problemer. De modstår fristelsen til at jage buzzwords eller overbygge for edge-cases, og i stedet fokuserer de på at løse problemer, der viser sig gentagne gange i produktions-miljøer.

De tænker også på bæredygtighed tidligt. I sikkerhed er det let at vinde en proof of concept, men at køre pålideligt på skala i årevis er meget sværere. Grundlæggere, der designer til den virkelighed fra starten, tenderer til at vare.

I 2026 og derefter, hvordan forventer du, at data-sikkerheds-kravene skal ændre sig, mens organisationer adopterer decentrale arkitekturer, autonome AI-systemer og stadig mere komplekse data-flows?

Data-sikkerhed vil flytte sig fra at beskytte lokaliteter til at regulerings-styre bevægelse. Da arkitekturer decentraliseres, og AI-systemer handler autonomt, vil spørgsmålet ikke længere være, hvor data befinder sig, men hvordan det flytter sig og hvem eller hvad der kan bruge det.

Organisationer skal have kontinuerlig synlighed og regulerings-styring, der rejser med data selv. Dem, der ikke kan opnå det, vil finde, at deres AI-initiativer langsommes af risiko- og overholdelses-bekymringer. Dem, der kan, vil flytte hurtigere med tillid.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Sentra.