Ιντό Λίβνε, Διευθύνων Σύμβουλος και Συνιδρυτής της Jazz – Σειρά Συνεντεύξεων

Ιντό Λίβνε, Διευθύνων Σύμβουλος και Συνιδρυτής της Jazz, είναι ένας έμπειρος ηγέτης προϊόντων και επιχειρηματίας με ισχυρό εύρος κατασκευής και κλιμάκωσης υψηλής επίδρασης τεχνολογικών πλατφορμών, συμπεριλαμβανομένης της ηγεσίας προϊόντων στη Laminar μέσω της απόκτησής της από την Rubrik και της βοήθειας για την επιτυχημένη πώληση της Tapingo στη Grubhub για 150 εκατομμύρια δολάρια· η καριέρα του περιλαμβάνει ανώτερες θέσεις στην Axonius και σε προηγούμενες επιχειρήσεις όπως η KnuPo, και βασίζεται σε einen βαθύ τεχνικό ιστό που αναπτύχθηκε κατά τη διάρκεια σχεδόν μιας δεκαετίας στις Ισραηλινές Αμυντικές Δυνάμεις όπου προχώρησε από τη μηχανική στην ηγεσία του λογισμικού R&D, εμπειρία που τώρα διαμορφώνει την εστίασή του στην κατασκευή λύσεων κυβερνοασφάλειας που είναι ιθαγενείς στο AI.

Jazz είναι μια εταιρεία κυβερνοασφάλειας που είναι ιθαγενής στο AI, που αναθεωρεί την Πρόληψη Απώλειας Δεδομένων με την κίνηση πέρα από τις παραδοσιακές συστήματα που βασίζονται σε κανόνες και την εισαγωγή μιας πλατφόρμας που είναι συνείδηση του контекστού και καταλαβαίνει πώς τα δεδομένα ρέουν μέσα στις οργανώσεις, αναλύοντας τη συμπεριφορά των χρηστών, τα συστήματα και τις εργασίες για να αναγνωρίσει πραγματικούς κινδύνους αντί να παράγει υπερβολικά ειδοποιήσεις· με τη χρήση του AI για τη διερεύνηση περιστατικών στην πηγή τους και την παροχή ενεργών επιλύσεων, η πλατφόρμα επιτρέπει στις λιγότερες ομάδες ασφαλείας να διαχειρίζονται σύνθετα περιβάλλοντα και να προλαμβάνουν την έκθεση ευαίσθητων δεδομένων σε εφαρμογές cloud, τελικά σημεία και εσωτερικά συστήματα, τοποθετώντας την Jazz ως μέρος μιας νέας γενιάς εταιρειών που ξαναχτίζουν την ασφάλεια επιχείρησης για την εποχή του AI.

Έχετε ηγηθεί προϊόντων σε εταιρείες όπως η Laminar μέσω της απόκτησής της και κατέχετε ηγετικές θέσεις στην Axonius και Grubhub, ενώ ιδρύσατε επίσης πολλές startups. Ποια συγκεκριμένη лакούνα ή έμπνευση από αυτές τις εμπειρίες σας ώθησε να ξεκινήσετε την Jazz, και γιατί ήταν η σωστή στιγμή για να αναθεωρήσετε την Πρόληψη Απώλειας Δεδομένων (DLP);

Έχω περάσει την τελευταία δεκαετία κατασκευάζοντας προϊόντα ασφαλείας και καθιστώντας τον πίνακα με CISOs. Τρεις ρόλοι VP Product, δύο εξόδους – συμπεριλαμβανομένης της Laminar, την οποία πουλήσαμε στη Rubrik. Και αν υπάρχει ένα πράγμα που έχω μάθει σε όλα αυτά, είναι αυτό: απολύτως κανείς δεν αγαπάει το DLP τους.

Στην Laminar, κατασκευάσαμε την πρώτη πτυχή της κατηγορίας DSPM – διαχείριση ασφάλειας δεδομένων. Μεγάλο πρόβλημα, αλλά περάσαμε τρία χρόνια εκπαιδεύοντας την αγορά πριν αρχίσουμε να λαμβάνουμε εισερχόμενες ερωτήσεις. Έφυγα σκεπτόμενος: την επόμενη φορά, θέλω ένα παλιό πρόβλημα. Ένα πρόβλημα που κάθε διοικητικό συμβούλιο ήδη γνωρίζει, κάθε CISO ήδη έχει προϋπολογισμό για, και κανείς δεν έχει πραγματικά λύσει.

Το DLP είναι αυτό το πρόβλημα. Είναι είκοσι χρονών. Κάθε οργάνωση ασφαλείας γνωρίζει τον κίνδυνο. Και οι λύσεις στην αγορά είναι καθολικά μισούμενες – όχι γιατί οι προμηθευτές είναι ανίκανοι, αλλά γιατί ολόκληρο το πλαίσιο είναι λάθος. Ζητάμε από τις μηχανές να ταιριάζουν με πρότυπα και από τους ανθρώπους να παρέχουν контекστο. Αυτό το μοντέλο ήταν πάντα προορισμένο να σπάσει.

Ο χρόνος ήταν προφανής. Το AI μας έδωσε την ικανότητα να κάνουμε κάτι που ήταν κυριολεκτικά αδύνατο πριν – να κατασκευάσουμε ένα σύστημα που καταλαβαίνει τα δεδομένα όπως ένας ανώτερος αναλυτής, αλλά αυτονομικά και σε κλίμακα. Όταν είδαμε αυτό, οι τέσσερις συνιδρυτές – όλοι απόφοιτοι της Unit 81 – γνωρίζαμε ότι αυτή ήταν η στιγμή να ξαναρχίσουμε από τις αρχές και να ξαναχτίσουμε το DLP από την αρχή. Και αυτή τη φορά, να το κάνουμε να λειτουργήσει, και με ευκολία.

Οι παραδοσιακές συστήματα DLP έχουν επικριθεί για την παραγωγή υπερβολικών ειδοποιήσεων. Τι σπάει ουσιαστικά στις συστήματα DLP που βασίζονται σε κανόνες, και γιατί η βιομηχανία έχει δυσκολευτεί να λύσει αυτό το πρόβλημα;

Το πρόβλημα δεν είναι ότι τα συστήματα DLP που βασίζονται σε κανόνες χρειάζονται καλύτερους κανόνες. Το πρόβλημα είναι ότι οι κανόνες ήταν το λάθος εργαλείο για αυτή τη δουλειά από την αρχή.

Εδώ είναι πώς λειτουργεί στην πραγματικότητα. Καθιστάτε ένα σύστημα που καταλαβαίνει πρότυπα – regex, τύποι αρχείων, λέξεις-κλειδιά. Γράφετε κανόνες. Η μηχανή ταιριάζει τα δεδομένα με τους κανόνες, και κάθε φορά που υπάρχει μια αντιστοιχία, λέει σε έναν ανθρώπινο αναλυτή: “Έλα να δεις αυτό.” Ο αναλυτής πρέπει να φέρει όλο τον контекστο – ποιος είναι αυτός ο άνθρωπος, τι έκανε, γιατί το έκανε – και να κάνει μια κρίση.

Αυτό το δεύτερο μέρος, η ανθρώπινη διερεύνηση, δεν κλιμακώνεται ποτέ. Η φυσική του DLP είναι απλά πολύ θορυβώδης. Τα δεδομένα κινούνται συνεχώς μέσα σε κάθε μεγάλη επιχείρηση. Ένας αριθμός εννέα ψηφίων δεν είναι πάντα ένας αριθμός ασφαλείας. Eine ανέβασμα αρχείου δεν είναι πάντα εξαγωγή. Ένα γράμμα βαθμού “Α” ενεργοποιεί κανόνες FERPA. Μια εσωτερική μεταφορά μεταξύ τμημάτων μπλοκάρεται. Το σύστημα δεν μπορεί να καταλάβει αν μια ευαίσθητη κοινή χρήση αρχείου είναι ζωτικό επιχειρηματικό συνεργατικό ή τα στέμματα σας που βγαίνουν από την πόρτα.

Τι κάνουν οι εταιρείες; Προσθέτουν εξαιρέσεις. Κάθε εξαίρεση είναι μια στιγμή που το εργαλείο σας δεν κατάφερε να καταλάβει την επιχείρησή σας. Και κάθε μία από αυτές είναι αποτελεσματικά μια εγκεκριμένη πίσω πόρτα. Ζουμ out μετά από δεκαοκτώ μήνες και τι τρέχετε δεν είναι ένα πρόγραμμα ασφαλείας – είναι ένα βιβλίο των συμβιβασμών ντυμένο σε μια αναφορά συμμόρφωσης.

Σχετικά με το 30% της αγοράς έχει ένα ώριμο πρόγραμμα DLP, και ακόμη και αυτοί γνωρίζουν ότι είναι η καλύτερη προσπάθεια στο καλύτερο – ικανοποιώντας πλαισια συμμόρφωσης και τίποτα περισσότερο. Οι λεγόμενες “παραπαίει”. Οι άλλοι 70% είτε δεν προσπάθησαν ποτέ, είτε προσπάθησαν και απέτυχαν. Προηγούμενες προσπάθειες να διορθώσουν αυτό σκόρπισε λίγο AI πάνω από το ίδιο πλαίσιο που βασίζεται σε κανόνες. Αυτό είναι σαν να βάλετε ένα φρέσκο χρώμα σε ένα αυτοκίνητο με einen κινητήρα που όλοι γνωρίζουν ότι δεν μπορεί πραγματικά να χειριστεί το φορτίο. Το πλαίσιο selbst είναι αυτό που πρέπει να αλλάξει.

Η Jazz θέτει τον εαυτό της ως παροχή απαντήσεων αντί για ειδοποιήσεις. Μπορείτε να μας οδηγήσετε μέσα από το πώς το σύστημά σας διερευνά περιστατικά και τι το κάνει διαφορετικό από τις παραδοσιακές διαδικασίες ανίχνευσης;

Η παραδοσιακή DLP σας δίνει μια πυροσβεστική συναγερμό και σας δίνει ένα μεγεθυντικό γυαλί. “Κάτι συνέβη σε αυτό το κτίριο. Καλή τύχη να βρείτε ποιο πάτωμα.”

Η Jazz δεν κάνει αυτό. Κατασκευάσαμε einen αυτόνομο διερευνητή, το όνομα της είναι Melody, που κάνει την δουλειά που θα έκανε ένας ανθρώπινος αναλυτής, αλλά σε υπεράνθρωπη κλίμακα.

Όταν συμβεί μια συναλλαγή δεδομένων, η Melody δεν την σημαδεύει απλά. Εκτελεί μια πλήρη διερεύνηση σε τέσσερις διαστάσεις. Πρώτα, τα δεδομένα themselves – όχι με regex και πρότυπα, αλλά βαθιά καταλαβαίνοντας τι είναι αυτά τα δεδομένα, ποιος τα κατέχει, τι είναι ο κίνδυνος της απώλειας τους για αυτή τη συγκεκριμένη εταιρεία. Δεύτερον, τα συστήματα – από πού έρχεται το δεδομένο, πού πηγαίνει, και κρίσιμο, ποιο tenant. Υπάρχει một τεράστια διαφορά μεταξύ της ανέβασμα ενός αρχείου σε einen εταιρικό Google Drive και einen προσωπικό. Και η Melody καταλαβαίνει αυτή τη διαφορά.

Τρίτον, οι άνθρωποι – μαθαίνουμε πώς λειτουργούν τα άτομα, πώς χρησιμοποιούν τα δεδομένα με την πάροδο του χρόνου, τι είναι το κανονικό για τον ρόλο τους. Και τέταρτον, η επιχειρηματική διαδικασία – γιατί συμβαίνει αυτή η συναλλαγή; Είναι μέρος μιας γνωστής ροής εργασίας ή είναι κάτι που δεν μπορούμε να εξηγήσουμε;

Αυτοί οι πολλαπλοί παράγοντες έρχονται μαζί και ανακατασκευάζουν την πλήρη ιστορία: τι συνέβη, γιατί συνέβη, και η πρόθεση του ηθοποιού. Όταν ένας άνθρωπος το βλέπει, δεν είναι μια ειδοποίηση – είναι μια προ-διερευνημένη αφήγηση με αποδεικτικά στοιχεία, контекστο και μια απόφαση. Σε μια τυπική ανάπτυξη, η Jazz επεξεργάζεται περίπου 2 εκατομμύρια σήματα ανά μήνα για κάθε χιλιάδα υπαλλήλων, διερευνά εκατοντάδες χιλιάδες πιθανές εκδηλώσεις και εμφανίζει περίπου 80 περιστατικά που πραγματικά χρειάζονται ανθρώπινη προσοχή. Αυτό είναι ένα比率 σήματος προς θόρυβο 20.000 προς 1. Αυτό είναι πώς τελειώνουμε τις ακατάλληλες ειδοποιήσεις και την κούραση των ειδοποιήσεων.

Η πλατφόρμα σας αναλύει τον контекστο σε δεδομένα, συστήματα, ανθρώπους και επιχειρηματικές διαδικασίες. Πώς τεχνικά ενοποιείτε αυτές τις διαστάσεις, και ποιο ρόλο παίζουν οι πράκτορες AI ή τα συστήματα συλλογισμού σε αυτή τη διαδικασία;

Η αρχιτεκτονική είναι χτισμένη γύρω από πολλούς εξειδικευμένους πράκτορες AI, каждый από τους οποίους αναλύει μια seule συναλλαγή δεδομένων από διαφορετική οπτική.

Ο ένας πράκτορας εστιάζει στην глубινή καταλαβαίνη των δεδομένων – του περιεχομένου, της ευαισθησίας, της ιδιοκτησίας και της σχετικότητας με την επιχείρηση. Ένας άλλος κοιτάζει το τοπίο του συστήματος – όχι μόνο τα ονόματα των εφαρμογών, αλλά και τους συγκεκριμένους tenants, το επίπεδο εμπιστοσύνης, αν είναι εταιρικό ή προσωπικό. Ένας τρίτος χτίζει και συνεχώς ενημερώνει προφίλ του πώς λειτουργούν τα άτομα και χρησιμοποιούν τα δεδομένα, ώστε να μπορεί να αξιολογήσει αν μια δεδομένη ενέργεια είναι συνεπής με τον ρόλο τους ή完全 ανωμαλία. Και ένας τέταρτος χαρτογραφεί τις επιχειρηματικές διαδικασίες – συνδέοντας τις συναλλαγές δεδομένων με γνωστές ροές εργασίας και αναγνωρίζοντας αυτές που δεν μπορούν να εξηγηθούν.

Αυτοί οι πράκτορες στη συνέχεια συναντώνται και συνθέτουν τα ευρήματά τους σε μια ενοποιημένη διερεύνηση – μια πλήρη αφήγηση του τι συνέβη, γιατί, και αν είναι πραγματικός κίνδυνος.

Όλα αυτά καθίστανται πάνω σε δύο θεμελιώδεις καινοτομίες. Πρώτα, αυτά που ονομάζουμε endpoint context vaults – ένα νέο είδος σημάτων που έχουμε δειπλώσει ειδικά για το DLP. Αυτά τα σημάδια δεν περιλαμβάνουν μόνο τη συναλλαγή δεδομένων herself, αλλά και την πλήρη ιστορία γύρω από αυτή: τι συνέβη πριν, τι συνέβη μετά, ποιες εφαρμογές ήταν εμπλεγμένες, η πλήρη αλυσίδα δραστηριότητας του χρήστη. Αυτά τα σημάδια είναι εξαιρετικά πλούσια контекστο και μας επιτρέπουν να παρέχουμε όχι μόνο τι συνέβη, αλλά και γιατί συνέβη, και την πρόθεση του ηθοποιού, τα οποία ήταν πάντα δυσκολο να καταλαβαίνουν οι μηχανές σε κλίμακα.

Δεύτερον, ένα φυσικό γλωσσικό μηχανισμό πολιτικής που αντικαθιστά τα παραδοσιακά σκληρά σετ κανόνων. Αντί να γράφετε τεχνικούς κανόνες με regex και κατωφλί, οι ομάδες ασφαλείας περιγράφουν τι είναι αποδεκτό και τι όχι με τον τρόπο που θα το έκανε ένας άνθρωπος – σε απλή γλώσσα. Η Melody χρησιμοποιεί αυτό για να κάνει νюανσικές κρίσεις σε καταστάσεις που μπορεί να μην αναφέρονται ρητά σε καμία πολιτική. Γιατί η πραγματικότητα της καθημερινής επιχειρηματικής πρακτικής σε μια οργάνωση συχνά διαφέρει μαζικά από αυτό που είναι γραμμένο σε ένα έγγραφο πολιτικής. Γεφυρώνουμε αυτό το χάσμα, και για εκείνους με μακρά εμπειρία με προγράμματα DLP, αυτό feels σαν μαγία.

Πολυάριθμες επιχειρήσεις αναπτύσσουν αυτόνομους πράκτορες AI που αλληλεπιδρούν με ευαίσθητα δεδομένα. Πώς αλλάζει αυτό το τοπίο απειλών, και γιατί απαιτεί μια νέα προσέγγιση στο DLP;

Αυτό είναι μια τικ τοίχος.

Η έκρηξη του SaaS ήταν ήδη καταπιεστική για τις ομάδες ασφαλείας – κάθε εβδομάδα, πέντε νέα εργαλεία εμφανίζονται στο περιβάλλον, πολλά από τα οποία υιοθετούνται από τους υπαλλήλους χωρίς έγκριση IT. Έχουμε πελάτες που ανακάλυψαν πάνω από 400 εργαλεία GenAI που τρέχουν σε όλη την οργάνωση τους που κανείς δεν γνώριζε. Τώρα στρώστε αυτόνομους πράκτορες AI πάνω από αυτό.

Οι πράκτορες AI δεν απλά χειρίζονται παθητικά δεδομένα – ενεργούνται, μετατρέπουν τα δεδομένα, τα στέλνουν σε άλλες υπηρεσίες, λαμβάνουν αποφάσεις για το πού πηγαίνουν. Ένας υπάλληλος που συνδέει einen AI βοηθό κωδικοποίησης με einen εταιρικό κώδικα και στη συνέχεια στέλνει εξόδους σε einen προσωπικό αποθετήριο – έχουμε δει ακριβώς αυτό στο πεδίο. Ή κάποιος που επικολλάει στρατηγικά έγγραφα σε eine προσωπική συνεδρία ChatGPT γιατί η εταιρεία δεν έχει προμηθεύσει einen εταιρικό λογαριασμό. Ακόμη και κάτι τόσο απλό όπως ένα προσωπικό πρόγραμμα Grammarly που αναθεωρεί όλα όσα γράφετε, συμπεριλαμβανομένων των λεπτομερειών της τράπεζας και των δεδομένων του πελάτη.

Τα συστήματα DLP που βασίζονται σε κανόνες χτίστηκαν για einen κόσμο όπου τα δεδομένα κινούνταν μέσα από λίγα γνωστά κανάλια – επιστολές, USB, ίσως eine ανέβασμα ιστοσελίδας. Η εποχή του AI έσπασε αυτό το μοντέλο. Τα δεδομένα κινούνται τώρα μέσα από δεκάδες διαύλους που τα παραδοσιακά συστήματα δεν μπορούν ούτε να δουν, ούτε να καταλάβουν. Χρειάζεστε ένα σύστημα που μπορεί να καταλάβει τι συμβαίνει контεκστο – όχι μόνο ότι τα δεδομένα κινούνται, αλλά γιατί, μέσω τι, και αν ο προορισμός είναι εγκεκριμένος.

Αυτό είναι ουσιαστικά γιατί το παλιό πλαίσιο δεν μπορεί να επιδιορθωθεί. Χρειάζεστε μια προσέγγιση που καταλαβαίνει τον επιχειρηματικό контекστο φυσικά, γιατί η επιφάνεια επίθεσης δεν είναι πλέον eine λίστα καναλιών, αλλά κάθε αλληλεπίδραση μεταξύ ανθρώπων, εργαλείων AI και ευαίσθητων δεδομένων.

Η ερμηνευσιμότητα παραμένει ένας σημαντικός εμπόδιο για την υιοθέτηση του AI στην ασφάλεια. Πώς διασφαλίζετε ότι οι αποφάσεις του συστήματός σας είναι κατανοητές και αξιόπιστες για τις ομάδες ασφαλείας που λειτουργούν σε περιβάλλοντα υψηλού κινδύνου;

Αυτό είναι κάτι που σκεφτήκαμε από την πρώτη μέρα, γιατί το τελευταίο που χρειάζεται ένας CISO είναι ένα άλλο μαύρο κουτί.

Κάθε διερεύνηση που παράγει η Melody είναι eine αφήγηση – όχι ένα σκορ, όχι ένα χρωματικό κώδικας, όχι ένας κρυπτικός αριθμός κινδύνου. Διαβάζει σαν eine ενημέρωση από einen ανώτερο αναλυτή. Τι συνέβη. Ποιος ήταν εμπλεγμένος. Γιατί το έκανε. Τι είναι τα αποδεικτικά στοιχεία. Ποια πολιτική αντιστοιχεί. Ποια είναι η αξιολόγησή μας.

Ο φυσικός γλωσσικός μηχανισμός πολιτικής είναι κρίσιμος για αυτό. Γιατί οι πολιτικές themselves είναι γραμμένες σε απλή γλώσσα, οι ομάδες ασφαλείας possono δουν ακριβώς ποια πολιτική αντιστοιχεί μια απόφαση και γιατί. Αν η Melody σημαδέψει κάτι, η ομάδα μπορεί να ακολουθήσει την αλυσίδα συλλογισμού από τα сыρά σήματα μέσω της контεκστοτικής ανάλυσης στην αντιστοιχία πολιτικής. Και αν διαφωνούν, μπορούν να βελτιώσουν την πολιτική σε απλή γλώσσα – όχι με την αντιστοίχιση eines κανόνα.

Επίσης, εμφανίζουμε τα αποδεικτικά στοιχεία trực tiếp, την πλήρη αλυσίδα δραστηριότητας. Δεν είναι “πιστέψτε στο AI”, είναι “εδώ είναι τι είδε το AI, εδώ είναι τι συμπέρανε, και εδώ είναι τα сыρά δεδομένα ώστε να можете να ελέγξετε”. Οι πελάτες μας μας λένε ότι feels σαν να λαμβάνουν eine ενημέρωση από einen πολύ προσεκτικό συνεργάτη.

Αυτό είναι ο ρυθμός. Οι ομάδες ασφαλείας λειτουργούν σε περιβάλλοντα όπου eine λάθος απόφαση μπορεί να σημαίνει νομικές συνέπειες, εκθέσεις, ή την καριέρα ενός υπαλλήλου. Το σύστημα πρέπει να κερδίσει την εμπιστοσύνη σας být διαφανές σχετικά με το πώς φτάνει στις αποφάσεις του.

Η Jazz περιγράφει το σύστημά της ως συμπεριφορά που μοιάζει περισσότερο με einen ανθρώπινο διερευνητή παρά με einen μηχανή κανόνων. Τι σημαίνει αυτό στην πράξη, και πόσο κοντά είμαστε σε πραγματικά αυτόνομες επιχειρηματικές διαδικασίες ασφαλείας;

Όταν λέω ότι η Melody συμπεριφέρεται σαν einen ανθρώπινο διερευνητή, το λέω κυριολεκτικά.

Ένας μεγάλος DLP αναλυτής δεν βλέπει μόνο ότι ένα αρχείο ανεβασμένο. Κοίταξε ποιος το ανέβασε, τι ήταν μέσα, πού πήγε, αν αυτό το άτομο συνήθως χειρίζεται αυτό το είδος δεδομένων, αν υπάρχει επιχειρηματικός λόγος γι’ αυτό, και τι συνέβη πριν και μετά. Χρησιμοποιεί κρίση στο контекστο – όχι μόνο κανόνες – και αυτό απαιτεί контεκστοτική κατανόηση της επιχείρησής τους. Αυτό ακριβώς κάνει η Melody, αλλά σε κάθε συναλλαγή δεδομένων σε eine επιχείρηση, συνεχώς, και σε κλίμακα.

Στην πράξη, οι πελάτες μας περιγράφουν την Melody σαν ένα άλλο μέλος της ομάδας τους. Τους δείχνει καταστάσεις που είναι έξω από την πολιτική, παρέχει την πλήρη διερεύνηση με αποδεικτικά στοιχεία, και ζητά την κρίση τους σε περιπτώσεις που πραγματικά χρειάζονται ανθρώπινη είσοδο. Μαθαίνει την οργάνωση με την πάροδο του χρόνου – τις επιχειρηματικές διαδικασίες, τις εξαιρέσεις, τα πράγματα που είναι τεχνικά παραβίαση αλλά επιχειρηματικά φυσιολογικά.

Όσον αφορά τις πραγματικά αυτόνομες επιχειρηματικές διαδικασίες ασφαλείας – είμαστε πιο κοντά από ότι νομίζουν πολλοί. Αλλά θέλω να είμαι ακριβής σχετικά με αυτό που σημαίνει. Η Melody λειτουργεί ήδη αυτόνομα στη φάση διερεύνησης. Λαμβάνει сыρά σήματα και παράγει πλήρως διερευνημένες, контεκστοποιημένες αποφάσεις χωρίς ανθρώπινη εμπλοκή. Για σενάρια υψηλής εμπιστοσύνης, υψηλού κινδύνου, μπορεί επίσης να λαμβάνει προληπτικές ενέργειες αυτόνομα – μπλοκάροντας eine εξαγωγή πριν ολοκληρωθεί.

Ο άνθρωπος παραμένει στο loop για κρίσεις, και για τη διαδικασία μάθησης με ανθρώπινη είσοδο. Και αυτό είναι με πρόθεση. Ο στόχος δεν είναι να αφαιρέσουμε τους ανθρώπους από την ασφάλεια, αλλά να αφαιρέσουμε την πλήξη, την επαναλαμβανόμενη δουλειά που τους εξαντλεί και να τους αφήσουμε να εστιάσουν στις αποφάσεις που πραγματικά απαιτούν ανθρώπινη κρίση. Αυτό είναι όπου είμαστε σήμερα, και ήδη μεταμορφώνει τον τρόπο με τον οποίο οι πελάτες μας τρέχουν τα προγράμματά τους.

Από πλευράς προϊόντος και μηχανικής, ποια ήταν τα πιο δύσκολα τεχνικά προκλήματα στην κατασκευή μιας πλατφόρμας DLP που είναι ιθαγενής στο AI από την αρχή, αντί να επαναχτίζουμε τις υπάρχουσες αρχιτεκτονικές;

Το πιο δύσκολο μέρος ήταν η αντίσταση στην诱惑ation να πάρουμε συντομεύσεις.

Όταν ξεκινάτε από την αρχή, υπάρχει πάντα πίεση να δανειστείτε κομμάτια της παλιάς αρχιτεκτονικής γιατί είναι αποδεδειγμένα και γρήγορα, και είναι πιο συναφής με τις υπάρχουσες προσδοκίες των πελατών. Αλλά κάθε φορά που το κάνετε, κληρονομείτε τις περιορισμούς του παλιού μοντέλου. Λαμβάναμε μια σκόπιμη απόφαση να ξαναρχίσουμε από τις αρχές – να σκεφτούμε τα βασικά φυσικά του προβλήματος και να ξαναχτίσουμε.

Ο πράκτορας τερματικού ήταν eine από τις μεγαλύτερες προκλήσεις. Χρειαζόμασταν να ξανασκεφτούμε την πρόκληση συλλογής σημάτων και να φτάσουμε σε υψηλό контекστο, και να μην πάρουμε τον δοκιμασμένο δρόμο των παλιών σημάτων – ενώ διατηρούμε χαμηλή επίδραση στην απόδοση του συστήματος. Η κατασκευή αυτής σε όλα τα λειτουργικά συστήματα ήταν eine σοβαρή μηχανική προσπάθεια. Έχουμε καταλήξει σε eine πατενταρισμένη προσέγγιση που μας δίνει ορατότητα που κανείς άλλος δεν έχει.

Το σύστημα πολλαπλών πρακτόρων AI ήταν μια άλλη μεγάλη πρόκληση. Να πάρουμε πολλούς εξειδικευμένους πράκτορες AI να αναλύουν την ίδια συναλλαγή από διαφορετικές οπτικές και στη συνέχεια να συναντώνται σε eine συνεπή, ακριβή αφήγηση – αυτό απαιτούσε πολλή αρχιτεκτονική σκέψη. Δεν είναι απλά να ρίχνετε einen LLM σε einen ροή δεδομένων. Το επίπεδο ορχήστρας, ο τρόπος που οι πράκτορες μοιράζονται контекστο, ο τρόπος που λύνουν σύγκρουση σημάτων – εκεί είναι όπου ζει η większość της προκλήματος.

Και στη συνέχεια, ο φυσικός γλωσσικός μηχανισμός πολιτικής. Να μεταφράσετε περιγραφές ανθρώπινης γλώσσας του τι είναι αποδεκτό και τι όχι σε κάτι που μπορεί να εφαρμόσει ένα AI με συνέπεια σε χιλιάδες περιπτώσεις – αυτό είναι ένα θεμελιωδώς δύσκολο πρόβλημα. Ημερήσιες επιχειρηματικές πρακτικές συχνά διαφέρουν σημαντικά από γραπτές πολιτικές. Το σύστημα πρέπει να γεφυρώσει αυτό το χάσμα, και πρέπει να το κάνει σωστά, γιατί οι συνέπειες του να το κάνει λάθος στο DLP είναι σοβαρές.

Επιλέξαμε κάθε eine από αυτές τις δύσκολες προκλήσεις σκόπιμα, γιατί είναι αυτές που κάνουν τη διαφορά μεταξύ ενός καλύτερου DLP και κάτι που είναι θεμελιωδώς νέο.

Σε κάθε eine από αυτές τις προκλήσεις και πολλές άλλες, υπάρχουν ακόμη ανοιχτά εμπόδια να ξεπεραστούν, και khá μοναδικά σύνολα προβλημάτων για το σωστό ταλέντο να τα λάβει. Η λύση του DLP καλά είναι eine πραγματικά σκέψη και eine γοητευτική διαδρομή.

Η Jazz επιλέχθηκε ως ο νικητής του 2026 Cybersecurity Startup Accelerator που υποστηρίζεται από την CrowdStrike (CRWD ), την AWS και την NVIDIA. Τι επικύρωσε αυτή η εμπειρία σχετικά με την προσέγγισή σας, και πώς έχει επηρεάσει το δρόμο σας προς τα εμπρός;

Χιλιάδες startups applied. Έξι έφτασαν στον τελικό. Κερδίσαμε.

Θα είμαι ειλικρινής, η στιγμή πριν ανέβεις στη σκηνή, το μυαλό σου σας θυμίζει όλα όσα μπορεί να πάνε λάθος. Και στη συνέχεια αρχίζεις να μιλάς για το πρόβλημα που έχουμε δουλέψει, και όλα γίνονται ήσυχα. Κάθε αργά βράδια που συζητάμε πώς θα δουλέψει η Melody, κάθε δύσκολο αρχιτεκτονικό σχέδιο, κάθε συνομιλία με πελάτες που σχήματισε το προϊόν, όλα συμπιέζονται σε αυτά τα λεπτά.

Οι κριτές, George Kurtz, CJ Moses, Bartley Richardson, και ο θρυλικός καρχαρίας, Robert Herjavec, τους είδαν. Αναφέρθηκαν ειδικά στο μοντέλο διερεύνησης πρακτόρων και στην ταχεία υιοθέτηση πελατών. Για εμάς, η επικύρωση των ηγετών της βιομηχανίας ήταν πιο σημαντική από το τρόπαιο. Αυτοί είναι άνθρωποι που έχουν χτίσει και τρέχουν προγράμματα ασφαλείας στο υψηλότερο επίπεδο, και αναγνώρισαν ότι αυτό που κάνουμε είναι θεμελιωδώς διαφορετικό από ότι έχει προσπαθήσει πριν – και ότι η πρόοδος μας μιλάει για τον εαυτό της.

Όσον αφορά το δρόμο μας προς τα εμπρός, ο επιταχυντής ενίσχυσε αυτό που μας έλεγαν οι πελάτες μας – η αγορά είναι έτοιμη για αυτό, και θέλουν να προχωρήσουμε γρήγορα. Διπλασιάζουμε την επέκταση των ικανοτήτων του διερευνητή και παίρνουμε το προϊόν σε όσο το δυνατόν περισσότερες ομάδες ασφαλείας.

Κοιτάζοντας μπροστά, πιστεύετε ότι το DLP εξελίσσεται σε ένα πλήρως αυτόνομο, πράκτορα-κίνητο σύστημα, και τι είναι η μακροπρόθεσμη μελλοντική εικόνα της ασφάλειας δεδομένων σε eine επιχείρηση που είναι ιθαγενής στο AI;

Πιστεύω ότι το DLP θα γίνει πλήρως αυτόνομο σε στάδια. Το επίπεδο διερεύνησης είναι ήδη εκεί – η Melody το κάνει σήμερα. Η πρόληψη για σενάρια υψηλής εμπιστοσύνης συμβαίνει τώρα. Με την πάροδο του χρόνου, το σύστημα γίνεται πιο έξυπνο για την οργάνωση, μαθαίνει τις ροές εργασίας, καταλαβαίνει τους ανθρώπους, και η επιφάνεια που πραγματικά απαιτεί ανθρώπινη κρίση συρρικνώνεται.

Αλλά θέλω να είμαι σαφής – “αυτόνομο” δεν σημαίνει “απροσκόπιστο”. Σημαίνει ότι το σύστημα χειρίζεται την δουλειά που οι άνθρωποι δεν πρέπει να κάνουν, ώστε να μπορούν να εστιάσουν στις αποφάσεις που πραγματικά έχουν σημασία. Ο CISO του μέλλοντος δεν πνίγεται σε ειδοποιήσεις. Αναθεωρεί στρατηγικές αξιολογήσεις κινδύνου από ένα AI που καταλαβαίνει την επιχείρησή του τόσο βαθιά όσο και ο καλύτερος αναλυτής του. Λαμβάνει χειρουργικές ενέργειες που είναι σχετικές για την οργάνωση του, με βάση συναθροισμένες ενημερώσεις για το τοπίο της ενεργού απώλειας δεδομένων, και όχι εκτιμήσεις. Αυτό του επιτρέπει να μειώσει τον κίνδυνο δεδομένων, χωρίς να επιβραδύνει την επιχείρησή του.

Η μεγαλύτερη εικόνα είναι αυτή: σε eine επιχείρηση που είναι ιθαγενής στο AI, τα δεδομένα κινούνται γρηγορότερα, μέσα από περισσότερα κανάλια, σε πιο σύνθετους τρόπους από ότι μπορεί να παρακολουθήσει οποιαδήποτε ανθρώπινη ομάδα. Οι οργανώσεις που θα κερδίσουν θα είναι αυτές που έχουν συστήματα ασφαλείας που μπορούν να καταλάβουν τον контекστο με την ταχύτητα του AI, όχι αυτές που ακόμη γράφουν κανόνες regex και ελπίζουν για το καλύτερο.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν την Jazz.