Wawancara
Omer Bachar, Co-founder dan CEO Vetric – Seri Wawancara

Poin utamaBootstrapping memaksa Vetric memprioritaskan keandalan infrastruktur di atas ekspansi…
Lihat selengkapnya
- Bootstrapping memaksa Vetric memprioritaskan keandalan infrastruktur di atas ekspansi dengan segala cara.
- Model deteksi tidak berguna tanpa infrastruktur data publik yang skalabel untuk memberi mereka ancaman waktu nyata.
- Deepfake-as-a-Service sudah dikomoditisasi di tingkat gratis dengan alat sumber terbuka.
Omer Bachar, Co-founder dan CEO Vetric, adalah seorang wirausaha Israel dan pemimpin teknologi yang berfokus pada intelijen sumber terbuka (OSINT) yang telah membangun karirnya dengan menyelesaikan tantangan data dan intelijen yang kompleks. Sebelum mendirikan Vetric pada 2022, Bachar mengembangkan dan memonetisasi beberapa bisnis web sebagai seorang remaja, memperoleh pengalaman dalam pengembangan web, SEO, monitisasi lalu lintas, dan operasi digital yang dapat diskalakan. Ia kemudian bertugas di Pasukan Pertahanan Israel, di mana ia membantu memodernisasi operasi Polisi Militer melalui otomatisasi, AI, penambangan data, dan metode agile sambil memimpin tim dan inisiatif produk. Setelah sebuah startup gagal sebelumnya dan periode penelitian intensif di Thailand dengan co-pendiri, Bachar meluncurkan Vetric dengan fokus pada infrastruktur daripada pendanaan ventura, membesarkan perusahaan dengan cara bootstrapping sambil melayani organisasi yang bergantung pada akses data web publik yang dapat diskalakan. Pekerjaannya berfokus pada WEBINT, OSINT, pengumpulan data, dan intelijen ancaman digital, terutama di area yang melibatkan impersonasi, penipuan, dan risiko yang terkait dengan deepfake.
Vetric adalah sebuah perusahaan infrastruktur data yang membantu organisasi mengumpulkan, memproses, dan mengoperasikan data web publik dengan skala besar. Perusahaan ini memposisikan diri sebagai lapisan infrastruktur tepercaya untuk tim keamanan, keamanan siber, dan intelijen yang memerlukan akses data web terbuka yang andal dan waktu nyata. Daripada membangun platform yang berfokus pada konsumen, Vetric berfokus pada API yang dikelola dan pipa data yang fleksibel yang dirancang untuk mempermudah pengumpulan data web publik besar-besaran di lingkungan online yang terus berubah. Perusahaan ini menekankan pendekatan “data untuk kebaikan”, mendukung organisasi yang bekerja untuk mengidentifikasi kampanye impersonasi, deepfakes, penipuan, dan ancaman digital lainnya. Menurut perusahaan, mereka telah tumbuh dari tim pendiri kecil menjadi operasi yang berkembang pesat yang melayani lebih dari 100 organisasi di seluruh dunia sambil tetap fokus pada infrastruktur yang dapat diskalakan dan keandalan operasional.
Anda memulai membangun bisnis internet sebagai seorang remaja, kemudian bekerja pada modernisasi Polisi Militer Israel dengan alat AI dan OSINT, dan akhirnya co-mendirikan Vetric.io setelah menghabiskan beberapa bulan melakukan penelitian masalah di Thailand. Bagaimana pengalaman-pengalaman itu membentuk keyakinan Anda bahwa infrastruktur data, bukan hanya model deteksi, akan menjadi medan pertempuran yang sebenarnya dalam melawan deepfakes dan impersonasi digital?
Benang merah di seluruh tiga babak itu adalah sama: setiap masalah yang saya pikir adalah masalah deteksi ternyata menjadi masalah data satu lapisan di bawah.
Sebagai seorang remaja yang menemukan kerentanan, bagian yang sulit tidak pernah exploit — itu adalah membangun infrastruktur untuk menemukan target yang tepat dengan skala besar. Di Polisi Militer, OSINT adalah celah yang tidak ada yang bekerja. Penjahat meninggalkan bukti di seluruh web terbuka, di depan mata, dan kita hampir tidak memiliki cara sistematis untuk mencapainya. Lalu di Thailand, kami menghabiskan beberapa bulan berbicara dengan agen pertahanan, tim intelijen ancaman, vendor perlindungan merek, tim penipuan. Pola yang sama ada di mana-mana. Semua orang menginginkan wawasan.
Itulah saatnya saya menyadari. Model deteksi hanya sebaik data yang Anda berikan kepada mereka. Jika Anda tidak bisa melihat deepfake saat itu muncul di web terbuka, detektor Anda tidak relevan. Medan pertempuran bukanlah apakah model Anda bisa mendeteksi wajah sintetis dalam benchmark — itu adalah apakah Anda memiliki visibilitas ke permukaan di mana serangan itu benar-benar hidup. Infrastruktur data publik adalah bagian yang tidak ada yang ingin membangun karena itu sulit dan tidak glamor, tetapi tanpa itu, sisa tumpukan itu adalah teater.
Anda telah berargumen bahwa masalah deepfake telah berubah secara fundamental selama 18 bulan terakhir. Apa perubahan teknologi spesifik yang membuat penipuan AI yang dihasilkan saat ini lebih berbahaya daripada gelombang penipuan dan serangan impersonasi sebelumnya?
Tiga hal berubah pada saat yang sama, dan kombinasi itulah yang membuat ini berbeda.
Pertama, model multimodal menjadi cukup baik sehingga Anda bisa menghasilkan video, suara, dan teks yang meyakinkan dari prompt yang sama dalam beberapa menit. Apa yang dulunya memerlukan tim kecil dan beberapa minggu sekarang hanya membutuhkan satu orang dan secangkir kopi.
Kedua, biaya turun melalui lantai. Klone suara berkualitas tinggi dari seorang tokoh publik dulunya memerlukan anggaran GPU yang serius. Sekarang itu berjalan di perangkat konsumen, atau langganan SaaS seharga $20 per bulan. Biaya tidak lagi menjadi penghalang.
Ketiga — dan ini adalah bagian yang kurang dihargai — lapisan distribusi menyusul. Palsu tidak lagi berada di forum yang tidak jelas menunggu untuk ditemukan. Mereka hidup di web terbuka, di sumber publik yang sama yang dikonsumsi oleh pelanggan dan karyawan Anda beberapa kali sehari, sering dengan amplifikasi berbayar di atasnya. Video palsu melakukan perjalanan dengan kecepatan yang sama seperti apa pun di internet publik.
Di gelombang sebelumnya, penyerang harus memilih antara kualitas, kecepatan, skala, dan jangkauan. Sekarang mereka bisa memiliki keempatnya dengan biaya di bawah $100. Asimetri antara apa yang diperlukan untuk membuat impersonasi yang meyakinkan dan apa yang diperlukan oleh perusahaan untuk mendeteksi, mengatributkan, dan merespons adalah lebih lebar daripada sebelumnya. Itulah pergeseran.
Sebagian besar diskusi publik tentang deepfakes masih fokus pada perangkat lunak deteksi. Mengapa Anda percaya bahwa infrastruktur data publik yang dapat diandalkan sekarang sama pentingnya dengan model AI itu sendiri?
Karena detektor yang tidak bisa melihat ancaman adalah proyek penelitian, bukan pertahanan.
Sebagian besar diskusi tentang deepfakes fokus pada apakah model bisa membedakan wajah sintetis dari wajah asli dalam benchmark yang terkendali. Itu adalah syarat minimum. Masalah operasional adalah yang lebih sulit: video impersonasi merek muncul pukul 3 pagi, mendapatkan 200.000 tayangan sebelum siapa pun menyadari, dan pipa deteksi Anda harus benar-benar menerima konten itu secara waktu nyata, mengatributkannya, dan memicu respons. Jika Anda tidak memiliki cara yang stabil dan dapat diskalakan untuk mengonsumsi data publik dari web terbuka — tempat-tempat di mana impersonasi dan penipuan benar-benar terjadi — Anda tidak memiliki apa-apa untuk dijalankan pada detektor Anda.
Ada poin terkait yang kami buat baru-baru ini dalam sebuah artikel tentang pelanggaran rantai pasokan Anodot. Perusahaan mulai menyadari bahwa postur keamanan vendor data mereka adalah postur keamanan mereka sendiri. Hal yang sama berlaku untuk AI: keandalan tumpukan deteksi Anda adalah keandalan pipa data Anda. Model mendapatkan pers. Infrastruktur melakukan pekerjaan. Mengobati keduanya sebagai garis anggaran yang terpisah adalah kesalahan yang pasar akan segera berhenti membuat.
Vetric tumbuh ke skala signifikan tanpa pendanaan luar sambil melayani perusahaan dan organisasi yang terkait dengan intelijen. Bagaimana bootstrapping mempengaruhi cara Anda membangun perusahaan dan memprioritaskan keandalan infrastruktur daripada ekspansi pertumbuhan-biaya-apa-saja?
Bootstrapping memaksa obsesi pelanggan yang dapat dihindari oleh perusahaan yang didanai selama waktu yang lama. Kami selalu percaya pada memberikan nilai sebelum tumbuh cepat — dan bagi kami itu bukanlah slogan, itu adalah kenyataan keuangan.
Setiap dolar di rekening bank kami adalah satu yang dipilih oleh pelanggan untuk diberikan kepada kami sebagai imbalan untuk sesuatu yang berfungsi. Kami tidak memiliki bantalan $50 juta untuk menghubungkan kesenjangan antara produk yang hampir berfungsi dan yang benar-benar berfungsi.
Itu mengubah setiap keputusan yang dibuat perusahaan. Itu membentuk arsitektur kami sama seperti itu membentuk roadmap kami. Pelanggan kami, badan intelijen, tim perlindungan risiko digital, tim keamanan publik, platform intelijen ancaman, tidak hanya menginginkan produk yang berfungsi.
Itulah juga mengapa kami menarik batas kepercayaan dengan cara kami. Kami mendorong data ke pelanggan; kami tidak pernah menarik data dari mereka. Kami tidak menyimpan kredensial yang berlangsung lama ke sistem cloud pelanggan. Ketika pelanggan ingin pengiriman ke AWS mereka sendiri, kami menggunakan peran IAM yang diatur, hanya-tulisan dengan ID eksternal – pola yang disarankan oleh AWS secara khusus untuk mencegah pelanggaran vendor-sebagai-vektor serangan yang baru saja mengenai pelanggan Anodot.
Platform Deepfake-as-a-Service menurunkan hambatan masuk bagi penyerang. Apakah kita mendekati titik di mana kemampuan penipuan yang sangat canggih menjadi sepenuhnya komoditisasi dan dapat diakses oleh hampir semua orang?
Kami sudah ada di sana untuk kemampuan dasar — dan tidak hanya di tingkat berbayar, di tingkat gratis. Kami 12 hingga 18 bulan dari yang lebih canggih. Lihat apa yang tersedia secara terbuka sekarang. Model seperti Sora menghasilkan video yang meyakinkan dari prompt teks. Proyek penggantian wajah sumber terbuka di GitHub akan mengambil gambar referensi apa pun dan memasukkan wajah itu ke dalam video, dan hasilnya benar-benar terlihat baik — tidak ada keterampilan khusus yang diperlukan, tidak ada pembayaran, tidak ada pasar bawah tanah.
Hambatan untuk menghasilkan palsu yang berkualitas tinggi adalah unduhan gratis dan sore hari percobaan. Juga ada layanan berbayar yang membungkus alur kerja turnkey di sekitar model-model yang sama untuk orang-orang yang tidak ingin menginstal apa pun, tetapi tingkat sumber terbuka adalah cerita yang sebenarnya, karena itu adalah satu yang tidak bisa Anda hargai keluar. Orang yang mengoperasikannya tidak perlu memahami teknologi yang mendasarinya lebih dari orang yang menjalankan kit phishing perlu memahami SMTP.
Apa yang akan datang selanjutnya adalah tingkat kampanye-dalam-kotak yang ditemplat — kit impersonasi pra-bangun untuk merek tertentu, eksekutif tertentu, siklus pemilu tertentu, dengan media sintetis, akun palsu, jadwal distribusi, dan target yang semua dibundel bersama. Begitu itu ada dalam skala besar, biaya marginal untuk menjalankan serangan impersonasi turun menjadi sekitar biaya menjalankan iklan berbayar. Implikasinya untuk pembela adalah tidak nyaman. Anda tidak bisa lagi menganggap penyerang itu canggih atau memiliki sumber daya yang baik. Penyerang adalah siapa saja dengan laptop dan dendam. Itu mengubah volume dan variasi ancaman dengan pesanan besarnya, dan itu meredefinisi apa yang dimaksud dengan “ancaman yang kredibel” untuk merek, eksekutif, atau tokoh publik mana pun dengan kehadiran internet.
Banyak perusahaan masih mengandalkan sistem pemantauan yang terfragmentasi dan intelijen ancaman yang tertunda. Apa kelemahan terbesar yang Anda lihat dalam cara organisasi saat ini mengumpulkan dan memproses data web publik yang terkait dengan impersonasi dan penipuan?
Beberapa kelemahan terus muncul di seluruh percakapan pelanggan. Yang pertama adalah fragmentasi. Sebagian besar perusahaan menjalankan satu alat untuk pemantauan merek, lain untuk perlindungan eksekutif, lain untuk penipuan, lain untuk operasi keamanan. Masing-masing menarik dari sumber yang berbeda dengan cakupan, latensi, dan titik buta yang berbeda.
Ketika kampanye impersonasi pecah di beberapa sudut web terbuka pada saat yang sama, celah antara alat-alat itu adalah tempat penyerang bersembunyi. Dan di bawah fragmentasi itu adalah masalah yang lebih dalam: sebagian besar alat ini dioptimalkan untuk penurunan. Menghapus profil palsu diperlukan, tetapi itu sendiri adalah permainan whac-a-mole — yang lain muncul keesokan harinya. Tim yang mendapatkan keuntungan sebenarnya adalah mereka yang menggandakan penyelidikan: menghubungkan titik-titik antara akun, infrastruktur, dan kampanye, sehingga mereka membongkar jaringan di balik impersonasi daripada memukul satu URL pada satu waktu.
Kedua adalah ketergantungan pada middleware yang memerlukan akses masuk yang dalam ke sistem pelanggan. Itu adalah masalah struktural yang kami tulis dalam konteks pelanggaran Anodot — vendor yang memerlukan OAuth atau kunci API ke cloud Anda menjadi titik kegagalan tunggal untuk semua yang ada di hilir. SOC 2 tidak akan menyelamatkan Anda dari itu. Arsitektur baik memiliki radius ledakan atau tidak.
Ketiga adalah latensi. Banyak yang dijual sebagai “intelijen ancaman waktu nyata” sebenarnya adalah pada penundaan empat hingga dua puluh empat jam karena koleksi yang mendasarinya adalah berorientasi batch. Untuk impersonasi dan penipuan, itu adalah keabadian. Begitu peringatan itu memicu, kampanye telah berjalan sepenuhnya.
Keempat adalah alokasi yang salah antara cakupan deteksi dan kemampuan analisis. Perusahaan berinvestasi pada alat yang membenderai konten sintetis atau mencurigakan, tetapi mereka berinvestasi kurang pada cakupan untuk benar-benar melihat apa yang diposting tentang mereka di seluruh web terbuka, dan pada kemampuan analisis untuk memahami apa yang mereka lihat — siapa yang di balik itu, bagaimana akun itu terhubung, apa infrastruktur yang mereka bagikan. Pembenderaan adalah satu langkah; cakupan dan analisis adalah apa yang mengubah bendera menjadi tindakan. Itu seperti membeli alarm asap yang hebat dan melupakannya untuk dicolokkan.
Anda telah berbicara tentang menangani miliaran poin data publik setiap bulan. Apa tantangan teknis yang muncul ketika mencoba membangun infrastruktur waktu nyata yang mampu mengidentifikasi ancaman yang didorong AI pada skala internet?
Masalah yang sulit bukanlah yang kebanyakan orang harapkan. Yang pertama adalah bahwa membangun infrastruktur ini tidaklah sulit — mempertahankannya adalah. Anda tidak membangun pipa seperti kami sekali dan berjalan pergi. Anda memerlukan tim yang seluruh pekerjaannya adalah menjaganya tetap hidup, dan itulah tim yang kami bangun. Sumber web publik yang kami kumpulkan dari terus menerus mendorong perubahan, dan salah satunya dapat dengan diam-diam merusak pengumpul. Sebagian besar upaya teknik selama umur produk seperti ini masuk ke pemeliharaan, bukan pengembangan hijau.
Kedua adalah penskalaan adalah treadmill. Anda memperbaiki pipa, Anda mendorongnya lebih keras, dan pada suatu titik skala menjadi terlalu besar untuk apa yang Anda bangun dan hal-hal mulai bergetar. Lalu Anda membangun kembali lapisan itu — kadang-kadang dari awal — untuk level berikutnya. Siklus itu tidak pernah benar-benar berakhir. Setiap pesanan besarnya dalam volume secara efektif adalah sistem yang berbeda, bahkan jika itu terlihat seperti produk yang sama dari luar.
Ketiga adalah waktu aktif, yang terdengar membosankan sampai Anda ingat siapa pelanggan kami. Beberapa dari mereka menggunakan data kami untuk membantu mencegah serangan teror. Waktu nyata berarti Anda tidak mendapatkan periode anugerah. Hal-hal akan rusak — mereka selalu melakukannya — dan apa yang penting adalah bahwa mereka hidup sebagian besar waktu dan diperbaiki secepat mungkin ketika mereka tidak. Kami telah merancang postur on-call, pengingatan, dan redundansi di sekitar kenyataan itu, bukan di sekitar nomor waktu nyata SaaS generik.
Seiring media sintetis menjadi lebih meyakinkan, apakah Anda pikir masyarakat menuju krisis kepercayaan yang lebih luas di mana orang mulai meragukan audio, video, dan komunikasi yang sah secara default?
Lebih dekat daripada yang orang inginkan. Tapi saya tidak pikir itu berakhir dengan runtuh — saya pikir itu berakhir dengan keseimbangan yang berbeda.
Versi naif dari krisis kepercayaan mengatakan: tidak ada yang akan percaya pada audio atau video, dan ruang publik runtuh. Saya tidak pikir itu akan terjadi. Manusia sangat adaptif tentang lingkungan epistemik. Kami belajar membaca koran dengan skeptis, kemudian televisi, kemudian web. Kami akan belajar membaca media yang dihasilkan AI dengan skeptis juga, dan itu tidak sepenuhnya merupakan hasil yang buruk — dasar kepercayaan yang lebih sehat untuk “verifikasi sebelum Anda percaya” sudah lama tertunda.
Apa yang saya pikir kita akan lihat adalah pergeseran dalam apa yang dihitung sebagai bukti. Video dan audio mentah akan menjadi bentuk bukti yang lebih lemah; provenance, tanda tangan kriptografis, rantai keaslian, dan verifikasi identitas akan menjadi yang lebih kuat. Lembaga yang memahami bagaimana memverifikasi komunikasi mereka sendiri dengan kredibel — bank, pemerintah, organisasi berita — akan melangkah maju. Mereka yang tidak akan diimpersonasi menjadi tidak relevan.
Interval berbahaya adalah yang tengah, dua hingga tiga tahun ke depan, di mana palsu menjadi lebih meyakinkan lebih cepat daripada lapisan verifikasi yang diterapkan. Itulah jendela di mana kerusakan dilakukan, dan itulah jendela yang kami coba berikan kepada pelanggan kami untuk bertahan.
Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Vetric.












