Yariv Fishman, Chief Product Officer hos Deep Instinct – Interviewserie

Yariv Fishman er Chief Product Officer (CPO) hos Deep Instinct, og han er en erfaren produktleder med mere end 20 års ledelseserfaring på tværs af bemærkelsesværdige globale B2B-mærker. Fishman har haft flere fremtrædende roller, herunder ledelsesstillinger hos Microsoft (MSFT ), hvor han ledede Cloud App Security-produktporteføljen og iværksatte MSSP- og sikkerhedspartnerprogrammet, og som leder af produktledelse, Cloud Security & IoT Security hos CheckPoint. Han har en B.Sc. i informationsystemer fra Ben Gurion University og en MBA fra Technion, Israel Institute of Technology.

Deep Instinct er et cybersikkerhedsfirma, der anvender dyb læring til cybersikkerhed. Firmaet implementerer AI til opgaven med at forhindre og opdage malware.

Kan du fortælle os om din rejse i cybersikkerhedsbranchen og hvordan den har formet din tilgang til produktledelse?

Under min 20-årige karriere har jeg arbejdet for flere globale B2B-organisationer, herunder Check Point Software Technologies (CHKP ) og Microsoft, hvor jeg ledede produktledelse og strategi og opbyggede min erfaring inden for cybersikkerhed på tværs af offentlige cloud, endpoint, netværk og SaaS-applikationsikkerhed.

På vej har jeg lært forskellige bedste praksis – fra, hvordan man leder et hold, til, hvordan man informerer den rette strategi – som har formet, hvordan jeg leder hos Deep Instinct. At arbejde for flere cybersikkerhedsfirmaer af forskellige størrelser har givet mig en helhedsorienteret syn på ledelsesstilarter og lært mig, hvordan man bedst skaber processer, der understøtter hurtigt flyttende hold. Jeg har også set førstehånds, hvordan man udgiver produkter og planlægger for produkt-markedsfit, hvilket er afgørende for forretningsucces.

Hvad fik dig til at tilslutte dig Deep Instinct, og hvordan er din rolle udviklet, siden du startede som Chief Product Officer?

Som en veteran i branchen bliver jeg sjældent begejstret for ny teknologi. Jeg hørte først om Deep Instinct, mens jeg arbejdede hos Microsoft. Da jeg lærte om mulighederne for predictiv forebyggelsesteknologi, indså jeg hurtigt, at Deep Instinct var noget særligt og gjorde noget unikt. Jeg tilsluttede mig firmaet for at hjælpe med at produktisere deres dyb læring-ramme, skabe markedsmæssig fit og brugsfald for denne første-af-dens-art zero-day datasikkerheds løsning.

Siden jeg tilsluttede mig for tre år siden, er min rolle ændret og udviklet sammen med vores forretning. Initialt fokuserede jeg på at bygge vores produktledelsehold og relevante processer. Nu er vi stærkt fokuseret på strategi og, hvordan vi markedsfører vores zero-day datasikkerhedsfunktioner i dagens hurtigt flyttende og stadig mere farlige marked.

Deep Instinct bruger en unik dyb læring-ramme til sine cybersikkerheds løsninger. Kan du diskutere fordelene ved dyb læring i forhold til traditionel maskinlæring i trusselsforebyggelse?

Begrebet “AI” bruges bredt som en universel løsning til at udstyre organisationer i kampen mod zero-day-trusler. Men mens mange cybervirksomheder påstår at bringe AI til kampen, er maskinlæring (ML) – en mindre avanceret form for AI – stadig en kernefunktion i deres produkter. ML er ikke egnet til opgaven. ML-løsninger trænes på begrænsede undermængder af tilgængelige data (typisk 2-5%), tilbyder kun 50-70% nøjagtighed med ukendte trusler og introducerer falske positive resultater. De kræver også menneskelig indgriben, fordi de trænes på mindre datasæt, hvilket øger chancerne for menneskelig bias og fejl.

Ikke al AI er ligeværdig. Dyb læring (DL), den mest avancerede form for AI, er den eneste teknologi, der kan forhindre og forklare kendte og ukendte zero-day-trusler. Forskellen mellem ML- og DL-baserede løsninger bliver tydelig, når man undersøger deres evne til at identificere og forhindre kendte og ukendte trusler. I modsætning til ML er DL bygget på neurale netværk, der giver det mulighed for at selv-lære og træne på rådata. Denne selvstændighed giver DL mulighed for at identificere, opdage og forhindre komplekse trusler. Med sin forståelse af de grundlæggende komponenter i skadelige filer giver DL holdene mulighed for hurtigt at etablere og opretholde en robust datasikkerhedsposition, der kan afværge den næste trussel, før den overhovedet materialiserer sig.

Deep Instinct lancerede nyligt DIANNA, den første generative AI-drevne cybersikkerhedsassistent. Kan du forklare inspirationen bag DIANNA og dens nøglefunktioner?

Deep Instinct er den eneste leverandør på markedet, der kan forudsige og forhindre zero-day-angreb. Enterprise zero-day-sårbarheder er på vej op. Vi så en 64% stigning i zero-day-angreb i 2023 i forhold til 2022, og vi udgav Deep Instincts kunstig intelligens-baserede assistent (DIANNA) for at bekæmpe denne voksende trend. DIANNA er den første og eneste generative AI-drevne cybersikkerhedsassistent, der giver ekspertniveau-malware-analyse og forklarbarhed for zero-day-angreb og ukendte trusler.

Hvad adskiller DIANNA fra andre traditionelle AI-værktøjer, der udnytter LLM’er, er dens evne til at give indsigt i hvorfor ukendte angreb er skadelige. I dag, hvis nogen vil forklare et zero-day-angreb, skal de køre det gennem en sandbox, hvilket kan tage dage, og til sidst giver det ikke en detaljeret eller fokuseret forklaring. Mens denne tilgang kun tilbyder retrospektiv analyse med begrænsede kontekster, giver DIANNA ikke kun kodeanalyse, men forstår også hensigten, potentielle handlinger og forklarer, hvad koden er designet til at gøre: hvorfor den er skadelig og hvordan den kan påvirke systemer. Denne proces giver SOC-hold tid til at fokusere på alarmer og trusler, der virkelig betyder noget.

Hvordan adskiller DIANNA’s evne til at give ekspertniveau-malware-analyse sig fra traditionelle AI-værktøjer på cybersikkerhedsmarkedet?

DIANNA er som at have et virtuelt hold af malware-analytikere og incidentrespons-eksperter til rådighed for at give dyb analyse af kendte og ukendte angreb, forklare teknikkerne bag angriberne og adfærden af skadelige filer.

Andre AI-værktøjer kan kun identificere kendte trusler og eksisterende angrebsvektorer. DIANNA går ud over traditionelle AI-værktøjer og tilbyder organisationer en hidtil uset niveau af ekspertise og indsigt i ukendte scripts, dokumenter og rå binærer til at forberede sig på zero-day-angreb. Derudover giver DIANNA forbedret synlighed i beslutningsprocessen bag Deep Instincts forebyggelsesmodeller, hvilket giver organisationer mulighed for at finjustere deres sikkerhedsposition for maksimal effektivitet.

Hvad er de primære udfordringer, som DIANNA løser i det nuværende cybersikkerhedslandskab, især med hensyn til ukendte trusler?

Problemet med zero-day-angreb i dag er manglen på information om, hvorfor en incident blev stoppet og betragtet som skadelig. Trusselsanalytikere skal bruge betydelig tid på at bestemme, om det var et skadeligt angreb eller en falsk positiv. I modsætning til andre cybersikkerheds løsninger blokerede Deep Instinct rutinemæssigt zero-day-angreb med vores unikke DL-løsning. Men kunderne bad om detaljerede forklaringer for bedre at forstå naturen af disse angreb. Vi udviklede DIANNA for at forbedre Deep Instincts dyb læring-kapaciteter, reducere belastningen på overarbejdede SecOps-hold og give realtid-forklarbarhed i ukendte, avancerede trusler. Vores evne til at fokusere GenAI-modellerne på specifikke artefakter giver os mulighed for at give en komplet, men fokuseret, respons for at dække markedsgabet.

DIANNA er en betydelig fremgang for branchen og et konkrekt eksempel på AI’s evne til at løse virkelige problemer. Den udnytter udelukkende statisk analyse til at identificere adfærden og hensigten af forskellige filformater, herunder binærer, scripts, dokumenter, genveje og andre trusselsleveringsfiltyper. DIANNA er mere end bare en teknologisk fremgang; det er en strategisk skiftning mod en mere intuitiv, effektiv og effektiv cybersikkerhedsomgivelse.

Kan du uddybe, hvordan DIANNA oversætter binær kode og scripts til naturlige sprog-rapporter, og hvilke fordele det giver til sikkerhedshold?

Den proces er en del af vores hemmelige sauce. På et højt niveau kan vi detektere malware, som den dybe læring-ramme markerer inden for et angreb, og derefter føde det som metadata ind i LLM-modellen. Ved at udtrække metadata uden at afsløre følsomme oplysninger giver DIANNA den zero-day-forklarbarhed og fokuserede svar, som kunderne søger.

Hvordan ser du AI udvikle sig til at modgå disse trusler mere effektivt, når AI-genererede angreb stiger?

Som AI-baserede trusler stiger, kræver det at holde sig foran stadig mere avancerede angribere at gå ud over traditionelle AI-værktøjer og innovere med bedre AI, specifikt dyb læring. Deep Instinct er det første og eneste cybersikkerhedsfirma, der bruger dyb læring i sin datasikkerhedsteknologi til at forhindre trusler, før de forårsager en brud, og forudsige fremtidige trusler. Deep Instincts zero-day datasikkerheds-løsning kan forudsige og forhindre kendte, ukendte og zero-day-trusler på under 20 millisekunder, 750 gange hurtigere end den hurtigste ransomware kan kryptere – hvilket gør det til en essentiel tilføjelse til enhver sikkerhedsstak, der giver komplet, flerlaget beskyttelse mod trusler på tværs af hybrid-miljøer.

Tak for det gode interview. Læsere, der ønsker at lære mere, skal besøge Deep Instinct.