Ido Livneh, Jazzin CEO ja perustaja – Haastattelu

Ido Livneh, Jazzin CEO ja perustaja, on kokenut tuotejohtaja ja yrittäjä, jolla on vahva tausta rakentamassa ja skaalauttamassa vaikuttavia teknologia-alustoja, mukaan lukien Laminarissa, jossa hän johti tuotetta sen myynnin aikana Rubrikille, ja auttoi Tapingon menestyksekästä myyntiä Grubhubille 150 miljoonalla dollarilla; hänen uransa kattaa seniorirooleja Axoniuksessa ja aiemmissa yrityksissä, kuten KnuPossa, ja on juurtunut syvään tekniseen perustaan, jota kehitettiin lähes kymmenen vuoden ajan Israelin puolustusvoimissa, jossa hän eteni insinööristä johtamaan ohjelmistojen tutkimus- ja kehitystyötä, kokemus, joka nyt muovaa hänen fokuksensa rakentaa AI:n alkuperäisiä kyberTurvallisuusratkaisuja.

Jazz on AI:n alkuperäinen kyberturvallisuusyhtiö, joka miettii uudelleen tietojen menetysen estämistä siirtymällä perinteisistä sääntöpohjaisista järjestelmistä kontekstia ymmärtävälle alustalle, joka ymmärtää, miten data liikkuu organisaatioissa, analysoi käyttäjän käyttäytymistä, järjestelmiä ja työnkulkuja todellisten riskien tunnistamiseksi, eikä liiallisten hälytysten tuottamiseksi; käyttämällä AI:ta tutkimaan tapahtumia niiden lähteestä ja tarjoamalla toimintavinkkejä, alusta mahdollistaa lean-turvallisuusjoukkueiden hallinnan monimutkaisissa ympäristöissä ja estää herkkien tietojen altistumisen pilvi-sovelluksissa, päätepisteissä ja sisäisissä järjestelmissä, asemoiden Jazzin uuden sukupolven yritysten joukkoon, jotka rakentavat uudelleen yritysten turvallisuutta AI-ajan mukaisesti.

Olet johtanut tuotetta yrityksissä, kuten Laminar, ja olet pitänyt johtavia rooleja Axoniuksessa ja Grubhubissa, ja perustanut useita startup-yrityksiä. Mikä tietty aukko tai oivallus näistä kokemuksista sai sinut perustamaan Jazzin, ja miksi nyt oli oikea hetki uudelleenmiettiä tietojen menetysen estämistä?

Olen viettänyt viimeisen kymmenen vuoden rakentamassa turvallisuustuotteja ja istunut CISO:iden vastapäätä. Kolme VP Tuote-roolia, kaksi ulosmenoa – mukaan lukien Laminar, jonka myimme Rubrikille. Ja jos on yksi asia, jonka olen oppinut kaiken aikana, se on tämä: ehdottomasti kukaan ei rakasta DLP:ää.

Laminarissa rakensimme DSPM-luokan ensimmäisen osan – tietoturvan asennusjohtamista. Hieno ongelma, mutta vietimme kolme vuotta kouluttamassa markkinaa, ennen kuin sisään tultiin. Poistuin ajatellessani: seuraavaksi haluan vanhan ongelman. Ongelman, josta jokainen hallitus jo tietää, jokainen CISO:lla on jo budjetti, ja kukaan ei ole ratkaissut.

DLP on tuo ongelma. Se on 20-vuotias. Jokainen turvallisuusorganisaatio tietää riskin. Ja markkinoilla olevat ratkaisut ovat yleisesti vihattuja – ei siksi, että toimittajat ovat epäpäteviä, vaan siksi, että koko kehys on väärä. Olemme pyytäneet koneita vastaamaan malleja ja ihmisiä antamaan kontekstia. Tuo malli oli aina tuomittu epäonnistumaan.

Ajoitus oli ilmeinen. AI antoi meille mahdollisuuden tehdä jotain, mikä oli kirjaimellisesti mahdotonta aiemmin – rakentaa järjestelmä, joka ymmärtää dataa samalla tavalla kuin vanhempi analyytikko, mutta autonomisesti ja suurella mittakaavalla. Kun näimme sen, neljä meistä perustajista – kaikki Unit 81:n alumni – tiesimme, että tämä on hetki palata perusperiaatteisiin ja rakentaa DLP:ää uudelleen alusta alkaen. Ja tällä kertaa, tehdä se toimivaksi, ja helposti.

Perinteiset DLP-järjestelmät ovat kauan kritisoineet liiallista hälytysten tuottamista. Mitä perustavasti murtuu sääntöpohjaisessa DLP:ssä, ja miksi teollisuus on kamppaillut ratkaisemalla tämän ongelman?

Ongelma ei ole se, että sääntöpohjaisella DLP:llä tarvitaan parempia sääntöjä. Ongelma on se, että säännöt olivat väärä työkalu tämän työn tekemiseen alusta alkaen.

Tässä on, miten se toimii. Käytät järjestelmää, joka ymmärtää malleja – regex, tiedostotyypit, avainsanat. Kirjoitat säännöt. Konetta vastaa dataa näiden sääntöjen mukaan, ja aina kun on vastaus, se kertoo ihmisanalyytikolle: “Tule katso tämä.” Analyytikko joutuu silloin tuomaan kaiken kontekstin – kuka on tämä henkilö, mitä he tekivät, miksi he tekivät sen – ja tekemään arvostelupäätöksen.

Tuo toinen osa, ihmisen tutkinta, ei koskaan skaalautu. DLP:n fysiikka on liian meluisa. Data liikkuu jatkuvasti sisällä suurissa yrityksissä. Yhdeksän numeron luku ei aina ole sosiaaliturvatunnus. Tiedoston lataus ei aina ole exfiltration. Kirjaimen arvosana “A” laukaisee FERPA-säännöt. Sisäinen siirto osastosta toiseen estetään. Järjestelmä ei voi sanoa, onko herkkä tiedostojakelu elintärkeää liiketoimintayhteistyötä vai kruununjalokiviä, jotka poistuvat oven ulkopuolelle.

Mitä yritykset tekevät? He lisäävät poikkeuksia. Jokainen poikkeus on hetki, jolloin työkalu epäonnistui ymmärtämään liiketoimintaa. Ja jokainen on tehokkaasti hyväksytty takaportti. Zoomaa ulos kahdeksantoista kuukauden jälkeen, ja mitä sinä ajattelet, ettei sinulla ole turvallisuusohjelmaa – sinulla on kompromissien kirjanpito, joka on sonnustettu yhdenmukaisuusraporttiin.

Noin 30 % markkinoista on kypsä DLP-ohjelma, ja heidänkin on tiedostettava, että se on parhaimmillaan parasta ponnahduslautaa – tyydyttävä yhdenmukaisuuskehyksiin ja ei enempää. Kutsuvat heitä “loukkuun”. Loput 70 % ei koskaan yrittänyt, tai yrittivät ja epäonnistuivat. Aikaisemmat yritykset korjata tämä sirottivat vähän AI:ta perinteisen sääntöpohjaisen kehysrakenteen päälle. Se on kuin maalaaminen uudelleen auto, jonka moottori jokainen tietää, ettei se voi todella käsitellä kuormaa. Kehys itsessään on se, mitä on muutettava.

Jazz asettaa itsensä toimittamaan vastauksia hälytysten sijaan. Voitko kertoa, miten järjestelmäsi tutkii tapahtumia ja mitä tekee siitä erilaisen verrattuna perinteisiin havaintojärjestelmiin?

Perinteinen DLP antaa sinulle palohälyttimen ja antaa sinulle luupin. “Jotain tapahtui tuossa rakennuksessa. Onnea etsimään, mihin kerrokseen.”

Jazz ei tee sitä. Rakensimme autonomisen tutkijan, jonka nimi on Melody, joka tekee työn, jonka ihmisanalyytikko tekisi, mutta supervoimakkaalla mittakaavalla.

Kun tietoliikenne tapahtuu, Melody ei vain merkitse sitä. Hän suorittaa täydellisen tutkinnan neljässä ulottuvuudessa. Ensinnäkin, itse data – ei regex:llä ja malleilla, vaan syvällisesti ymmärtäen, mitä tämä data on, kuka omistaa sen, mitä se merkitsee tämän tietyn yrityksen kannalta. Toiseksi, järjestelmät – mistä data tulee, mihin se menee, ja kriittisesti, mikä vuokralainen. On valtava ero ladata tiedostoa yrityksen Google Driveen verrattuna henkilökohtaiseen.

Kolmanneksi, ihmiset – opimme, miten yksilöt toimivat, miten he käyttävät dataa ajan myötä, mikä on normaalia heidän roolilleen. Ja neljänneksi, liiketoimintaprosessi – miksi tämä transaktio tapahtuu? Onko se osa tunnettua työnkulkua vai jotain, mitä emme voi selittää?

Nämä useat agentit yhdistyvät ja syntetisoi tutkimustuloksensa yhdenmukaiseksi tutkimukseksi – täydelliseksi kertomukseksi siitä, mitä tapahtui, miksi, ja onko se todellinen riski.

Tyypillisessä käyttöönotossa Jazz prosessoi noin 2 miljoonaa signaalia kuukaudessa jokaiselle tuhannelle työntekijälle, tutkii satoja tuhansia potentiaalisia tapahtumia ja tuo esiin noin 80 tapahtumaa, jotka vaativat ihmisen huomion. Se on 20 000: 1 signaali-melun suhde. Se on, miten lopetamme toimimattomat hälytykset ja hälytysväsymyksen.

Tutkinne alusta analysoi kontekstia datan, järjestelmien, ihmisten ja liiketoimintaprosessien yli. Miten yhdistät teknisesti nämä ulottuvuudet, ja mikä rooli AI-agenteilla tai päättelyjärjestelmissä on tässä prosessissa?

Arkkitehtuuri on rakennettu useiden erikoistuneiden AI-agenttien ympärille, jotka analysoivat yksittäistä tietoliikennettä eri näkökulmista.

Yksi agentti keskittyy syvällisesti ymmärtämään dataa – sen sisältöä, herkkyyttä, omistajuutta ja merkitystä liiketoiminnalle. Toinen tarkastelee järjestelmämaisemaa – ei vain sovellusten nimiä, vaan tarkasti vuokralaista, luottamuksellisuustasoa, onko se yritys- vai henkilökohtainen.

Kolmas rakentaa ja päivittää jatkuvasti yksilöiden profiileja siitä, miten he käyttävät dataa, jotta se voi arvioida, onko tietty toiminta yhdenmukainen heidän roolinsa kanssa vai täysin poikkeava. Ja neljäs kartoittaa liiketoimintaprosesseja – yhdistää tietoliikenteen tunnettuun työnkulkuun ja tunnistaa ne, joita ei voida selittää.

Nämä agentit yhdistyvät ja syntetisoi tutkimustuloksensa yhdenmukaiseksi tutkimukseksi – täydelliseksi kertomukseksi siitä, mitä tapahtui, miksi, ja onko se todellinen riski.

Kaikki tämä on perustettu kahteen perusinnovaatioon. Ensinnäkin, mitä kutsuvat päätepistekohtaisiksi kontekstivaulteiksi – uudenlaisiksi signaaleiksi, joita olemme patentoineet nimenomaan DLP:lle. Nämä kaappaavat ei vain itse tietoliikennettä vaan koko tarinan siitä – mitä tapahtui ennen, mitä tapahtui jälkeen, mitkä sovellukset olivat mukana, koko käyttäjän toimintaketju. Nämä signaalit ovat erittäin rikkaan kontekstin ansiosta, ja ne mahdollistavat meille toimittaa ei vain sitä, mitä tapahtui, vaan myös sitä, miksi se tapahtui, ja toimijan aikomus, jotka olivat aina koneille vaikeita ymmärtää laajassa mittakaavassa.

Toiseksi, luonnollisen kielen politiikkamoottori, joka korvaa perinteiset jähmettyneet sääntöjoukot. Sen sijaan, että kirjoittaisimme teknisiä sääntöjä regex:llä ja kynnyksillä, turvallisuusjoukkueet kuvaavat, mitä on hyväksyttyä ja mitä ei ole, tavallisella kielellä. Melody käyttää sitä tehdäkseen hienostuneita arvostelupäätöksiä tilanteissa, joita ei välttämättä mainita kunnolla kunnossa olevassa asiakirjassa. Koska jokapäiväisen liiketoimintakäytännön todellisuus organisaatiossa usein poikkeaa massiivisesti siitä, mitä on kirjoitettu perusasiakirjaan. Silloin me yhdistämme tämän aukon, ja niille, joilla on pitkäaikainen kokemus DLP-ohjelmista, se tuntuu magialta.

Monet yritykset ottavat nyt käyttöön autonomisia AI-agenteja, jotka vuorovaikuttavat herkkien tietojen kanssa. Miten tämä muutos muuttaa uhka-kuvaa, ja miksi se edellyttää uudenlaista lähestymistapaa DLP:hen?

Tämä on tikittävä pommi.

SaaS-räjähdys oli jo ylipäänsä turvallisuusjoukkueita – joka viikko viisi uutta työkalua ilmestyy ympäristöön, useimmat otetaan käyttöön ilman IT-hyväksyntää. Olemme nähneet asiakkaiden, jotka ovat löytäneet yli 400 GenAI-työkalua, jotka toimivat heidän organisaatiossaan, joista kukaan ei tiennyt. Nyt lisää autonomisia AI-agenteja päälle.

AI-agentit eivät vain käsittele dataa passiivisesti – ne aktiivisesti vetävät sen, muuttavat sen, lähettävät sen muihin palveluihin, tekevät päätöksiä siitä, mihin se menee. Työntekijä, joka yhdistää AI-koodausavustin yrityksen koodipohjaan, henkilökohtaisella tilillä, ja sitten työntää tulokset henkilökohtaiseen varastoon – olemme nähneet täsmälleen sen kenttätyössä. Tai joku liittää omistajien strategiadokumentit henkilökohtaiseen ChatGPT-istuntoon, koska yritys ei ole varustanut yritystiliä. Jopa yksinkertainen henkilökohtainen Grammarly-liittymä tarkastelee kaikkea, mitä kirjoitat, mukaan lukien pankkisiirtojen yksityiskohdat ja asiakastiedot.

Sääntöpohjainen DLP oli rakennettu maailmaan, jossa data liikkui muutamien tunnettujen kanavien kautta – sähköpostiliitteen, USB-avaimen, ehkä web-latauksen kautta. AI-aikakausi rikkoi tämän mallin. Data liikkuu nyt kautta useita vektoreita, joita perinteiset järjestelmät eivät voi edes nähdä, puhumattakaan ymmärtää. Tarvitset järjestelmän, joka voi ymmärtää, mitä tapahtuu kontekstuaalisesti – ei vain sitä, että data liikkuu, vaan miksi, minkä kautta ja onko kohde hyväksytty.

Siksi vanha kehys ei voi olla korjattavissa. Tarvitset lähestymistapaa, joka ymmärtää liiketoimintakontekstin luonnostaan, koska hyökkäyspinta ei ole enää kanavien luettelo, vaan jokainen vuorovaikutus ihmisten, AI-työkalujen ja herkkien tietojen välillä.

Selitettävyys on edelleen suuri este AI:n omaksumiselle turvallisuudessa. Miten varmistat, että järjestelmäsi päätökset ovat ymmärrettäviä ja luotettavia turvallisuusjoukkueille, jotka toimivat korkean panoksen ympäristössä?

Tämä on jotain, jota olemme miettineet päivästä yksi, koska viimeinen asia, mitä CISO tarvitsee, on toinen musta laatikko.

Jokainen Melodyn tuottama tutkinta on kertomus – ei pisteytys, ei värikoodi, ei salaperäinen riskinumero. Se lukee kuin vanhemman analyytikon briefkausi. Tässä on, mitä tapahtui. Tässä on, kuka oli mukana. Tässä on, miksi he tekivät sen. Tässä on todiste. Tässä on politiikka, johon se liittyy. Tässä on arvionti.

Luonnollisen kielen politiikkamoottori on kriittinen tässä. Koska itse politiikat on kirjoitettu tavallisella kielellä, turvallisuusjoukkueet voivat nähdä täsmälleen, mihin politiikkaan päätös liittyy ja miksi. Jos Melody merkitsee jotain, joukkue voi jäljittää päättelyketjun raakasignaaleista kontekstianalyysiin ja politiikkasopimukseen. Ja jos he erottuvat, he voivat hienostaa politiikkaa tavallisella kielellä – ei debuggaamalla sääntöjoukkoa.

Näytämme myös todisteet suoraan, koko toimintaketju. Se ei ole “luota AI:hin”, vaan “tässä on, mitä AI näki, tässä on, mitä se johti, ja tässä on raakadata, jotta voit vahvistaa.” Asiakkaamme sanovat, että se tuntuu vähemmän kuin tarkastella AI-tulostetta ja enemmän kuin saada briefing vanhalta kollegalta.

Se on mitä. Turvallisuusjoukkueet toimivat ympäristössä, jossa väärä päätös voi tarkoittaa sääntelyseuraamuksia, oikeudellista altistumista tai työntekijän uran. Järjestelmän on ansaittava luottamus olemalla avoin siitä, miten se saavuttaa johtopäätöksensä.

Jazz kuvailee järjestelmäänsä toimivan enemmän kuin ihmisen tutkija kuin sääntömoottori. Mitä se tarkoittaa käytännössä, ja kuinka lähellä olemme todella autonomisista turvallisuustoimista?

Kun sanon, että Melody toimii kuin ihmis tutkija, tarkoitan sitä kirjaimellisesti.

Hyvä DLP-analyytikko ei vain näe, että tiedosto on ladattu. Hän katsoo, kuka latoi sen, mitä siinä oli, mihin se meni, onko tämä henkilö normaalisti käsittelee tällaista dataa, onko siinä liiketoimintasyy, ja mitä tapahtui ennen ja jälkeen. Hän käyttää kontekstuaalista arvostelua – ei vain sääntöjä – ja se vaatii kontekstuaalisen ymmärryksen heidän liiketoiminnastaan. Se on täsmälleen sitä, mitä Melody tekee, mutta jokaisen datatransaktion kohdalla yrityksessä, jatkuvasti ja suurella mittakaavalla.

Käytännössä asiakkaamme kuvaavat Melodyn toimivan kuin heidän joukkueensa jäsen. Hän näyttää heille tilanteita, jotka ovat ulkona kunnossa, antaa täydellisen tutkinnan todisteiden kanssa, ja pyytää heidän arvosteluaan tapauksissa, jotka todella tarvitsevat ihmisen syötettä. Hän oppii organisaation ajan myötä – liiketoimintaprosessit, poikkeukset, asiat, jotka ovat teknisesti rikkomuksia, mutta operatiivisesti normaaleja.

Todella autonomisista turvallisuustoimista – olemme lähempänä, kuin useimmat ajattelevat, mutta haluan olla tarkka siitä, mitä se tarkoittaa. Melody toimii jo autonomisesti tutkimisvaiheessa. Hän ottaa raakasignaaleja ja tuottaa täydellisesti tutkitut, kontekstualisoidut johtopäätökset ilman ihmisen osallistumista. Korkean luottamuksen, korkean riskin skenaarioissa hän voi myös tehdä ehkäiseviä toimia autonomisesti – estääksesi exfiltrationin ennen kuin se on valmis.

Ihminen pysyy silmukassa arvostelupäätöksissä, ja ihmisen silmukassa oppimisprosessissa. Ja se on tarkoituksella. Tavoitteena ei ole poistaa ihmisiä turvallisuudesta, vaan poistaa turhat, toistuvat työt, jotka polttavat heidät, ja antaa heidän keskittyä päätöksiin, jotka todella vaativat ihmisen arvostelua. Se on, missä olemme tänään, ja se on jo muuttamassa, miten asiakkaamme ajattelevat ohjelmaansa.

Tuotteen ja insinööritieteellisestä näkökulmasta, mitkä olivat haastavimmat tekniset haasteet rakentamassa AI:n alkuperäisestä DLP-alustasta alusta alkaen eikä iteroida olemassa olevista arkkitehtuureista?

Haastavin osa oli vastustaa lyhyitä ratkaisuja.

Kun aloitat alusta, on aina painetta ottaa lyhyitä ratkaisuja, koska ne ovat todistettuja ja nopeita, ja ovat enemmän linjassa olemassa olevien asiakasodotuksien kanssa. Mutta jokainen kerta, kun teet sen, perii vanhan mallin rajoitukset. Teimme tietoisen päätöksen palata perusperiaatteisiin – miettiä perusfysiikkaa ongelmaa ja rakentaa uudelleen.

Päätepiste-agentti oli yksi suurimmista haasteista. Meidän piti ajatella uudelleen signaaleiden keräämisen haaste ja saada riittävästi kontekstia, ja ei ottaa testattua polkua perinteisistä signaaleista – samalla ylläpitäen matalaa vaikutusta järjestelmän suorituskykyyn. Rakentaminen kaikille käyttöjärjestelmille oli vakava insinööritieteellinen ponnistus. Päädyimme patentoituun lähestymistapaan, joka antaa meille näkyvyyden, jota kukaan muu ei ole.

Moniagenttinen AI-järjestelmä oli toinen suuri haaste. Saada useat erikoistuneet AI-agentit analysoimaan samaa transaktiota eri näkökulmista ja sitten yhdistymään yhdenmukaiseksi, tarkaksi kertomukseksi – se vaati paljon arkkitehtonista ajattelua. Se ei ole vain heittäminen LLM:ää data-virtaan. Orkestraatiokerros, tapa, jolla agentit jakavat kontekstia, tapa, jolla ne ratkaisevat ristiriitaisia signaaleja – siinä on, missä suurin osa haasteista asuu.

Ja sitten luonnollisen kielen politiikkamoottori. Kääntäminen ihmis kielen kuvaus siitä, mitä on hyväksyttyä ja mitä ei ole, joksikin, mitä AI voi luotettavasti soveltaa tuhansiin reunatapauksiin – se on perustavanlaatuinen haaste. Jokapäiväinen liiketoimintakäytäntö poikkeaa usein merkittävästi kirjoitetuista politiikoista. Järjestelmän on silloin yhdistettävä tämä aukko, ja se on tehtävä oikein, koska DLP:n virheiden seuraukset ovat vakavia.

Valitsimme jokaisen näistä haasteista tietoisesti, koska ne ovat ne, jotka tekevät eron parantuneesta DLP:stä ja jostakin todella uudesta.

Jokaisessa näistä haasteista ja monissa muissa on edelleen avoimia esteitä voittaa, ja erittäin ainutlaatuisia ongelmaryhmiä oikealle lahjalle ratkaista. Ratkaista DLP hyvin on todella ajatuksia herättävä ja viehättävä matka.

Jazz valittiin voittajaksi vuoden 2026 kyberturvallisuuden startup-kiihdyttämössä, jota tukevat CrowdStrike (CRWD ), AWS ja NVIDIA. Mitä tämä kokemus vahvisti lähestymistavastanne, ja miten se on vaikuttanut tienkarttaanne eteenpäin?

Tuhannet startupit hakivat. Kuusi pääsi finaaliin. Me voitimme.

Olen rehellinen, hetki ennen kuin astut lavalle, aivot muistavat kaiken, mitä voi mennä pieleen. Ja sitten aloitetaan puhuminen ongelmasta, jota olemme työskennelleet, ja kaikki vaikenee. Jokainen myöhäinen ilta, jolloin Melodyn toimintaa oli keskusteltu, jokainen vaikea arkkitehtuuri-päätös, jokainen asiakas keskustelu, joka muovasi tuotetta, kaikki tiivistyi niihin minuutteihin.

Tuomarit, George Kurtz, CJ Moses, Bartley Richardson ja legendaarinen hai, Robert Herjavec, he näkivät sen. He mainitsivat agenteille tutkimusmallin nimenomaan sekä nopean asiakasomaksumisen. Meille teollisuuden johtajien vahvistus merkitsi enemmän kuin palkinto. Nämä ovat ihmisiä, jotka ovat rakentaneet ja johtaneet turvallisuusohjelmia korkeimmalla tasolla, ja he tunnustivat, että mitä teemme, on perustavanlaatuista erilaista kuin mitä on yritetty aiemmin – ja että meidän otteemme puhuu itsestään.

Tienkartan suhteen kiihdyttäjä vahvisti, mitä asiakkaamme jo olivat sanoneet – markkinat ovat valmiit tähän, ja he haluavat meidän liikkuvan nopeasti. Olemme panostamassa tutkijan kykyjen laajentamiseen ja tuotteiden saattamiseen eteen mahdollisimman monille turvallisuusjoukkueille.

Etäältä katsottaessa, uskotko, että DLP kehittyy täysin autonomiseksi, agent-pohjaiseksi järjestelmäksi, ja mitä on tulevaisuus dataturvallisuudelle AI-alkuperäisessä yrityksessä?

Uskon, että DLP tulee olemaan täysin autonominen vaiheittain. Tutkimuskerros on jo siellä – Melody tekee sen tänään. Ehkäisy korkean luottamuksen skenaarioissa tapahtuu jo. Ajan myötä järjestelmä oppii organisaatiota, oppii sen työnkulkuja, ymmärtää sen ihmisiä, ja pinta-ala, joka todella vaatii ihmisen arvostelua, kutistuu.

Mutta haluan olla selkeä – “autonominen” ei tarkoita “valvomaton”. Se tarkoittaa, että järjestelmä käsittelee työn, jonka ihmiset eivät pitäisi tehdä, jotta he voivat keskittyä päätöksiin, jotka todella merkitsevät. Tulevaisuuden CISO ei ole hukkumassa hälytyksiin. He tarkastelevat strategisia riskiarvioita AI:sta, joka ymmärtää heidän liiketoimintansa yhtä syvällisesti kuin heidän paras analyytikko. He tekevät kirurgisia toimia, jotka ovat relevantteja heidän organisaatiolleen, perustuen kokoelmakokemuksiin heidän aktiivisen datamenetysmaisemastaan, eikä arvauksiin. Se mahdollistaa heidän vähentää datariskiä ilman liiketoiminnan hidastamista.

Suurempi kuva on tämä: AI-alkuperäisessä yrityksessä data liikkuu nopeammin, useiden kanavien kautta, monimutkaisemmin kuin mitä ihmisjoukkue voi seurata. Yritykset, jotka voittavat, ovat niitä, joiden turvallisuusjärjestelmät voivat ymmärtää kontekstia AI:n nopeudella, eivät ne, jotka ovat edelleen kirjoittamassa regex-sääntöjä ja toivomassa parasta.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia enemmän, kannattaa vierailla Jazz:ssa.