イミュータのジョー・レーゲンスバーガー氏（VP of Research）- インタビュー・シリーズ

ジョー・レーゲンスバーガー氏は、現在、データセキュリティのリーダーであるImmutaの研究担当VPです。Immutaは、クラウドデータを保護し、セキュアなアクセスを提供することで、組織がその価値を解き放つことを可能にします。

Immutaは、クラウド環境にシームレスに統合するように設計されており、主要なクラウドベンダーとネイティブに統合しています。NISTサイバーセキュリティフレームワークに従って、Immutaは、ほとんどの組織のデータセキュリティのニーズの多くをカバーしています。

あなたの教育背景は物理学と応用数学ですが、どのようにしてデータサイエンスとアナリティクスで働くことになったのですか。

私の大学院での研究分野は、実験高エネルギー物理学でした。この分野でデータを分析するには、多くの統計分析が必要であり、特に、希なイベントのシグネチャと頻繁なバックグラウンドイベントのシグネチャを区別する必要があります。これらのスキルは、データサイエンスで必要なスキルと非常に似ています。

現在の役割であるImmutaの研究担当VPについて説明してください。

Immutaでは、データセキュリティに焦点を当てています。これには、データがどのように使用されているか、どのようにして悪用される可能性があるか、そしてデータプロフェッショナルに必要なツールを提供することが含まれます。したがって、私たちの役割は、データプロフェッショナルのニーズと課題、特に規制とセキュリティについて理解し、それらの課題を解決することです。規制の負担を軽減し、データプロフェッショナルがコアミッションに集中できるようにしたいと考えています。私の役割は、負担を軽減するソリューションを開発することです。これには、機密データを発見するツールの開発、データ分類の自動化方法、データの使用方法の検出、データポリシーを適用してデータが適切に使用されることを保証するプロセスの作成が含まれます。

AIガバナンスと従来のデータガバナンスのトップチャレンジについて説明してください。

テクノロジー領袖は、AIガバナンスはデータガバナンスから自然に発展した次のステップであると述べています。ただし、注意すべきいくつかの違いがあります。まず、AIシステムの出力に対する信頼が必要です。従来のデータガバナンスでは、データリーダーは伝統的な統計モデルを使用して答えから結果まで簡単に追跡できました。AIの場合、追跡可能性と連鎖が実際の課題となり、ラインが簡単にぼやけます。AIモデルが到達する結果を信頼することが、幻覚やfabulationsによって否定的に影響を受ける可能性があります。これは、適切なガバナンスを確保するために解決する必要がある、AI固有の課題です。

AIガバナンスとデータセキュリティに対するユニバーサルソリューションがあると思いますか、それともケースバイケースですか。

「現在、データセキュリティに関してAIガバナンスに万能のアプローチがあるとは考えていません。ただし、データリーダーが今すぐに採用すべき考慮事項があります。AIを管理する際には、AIモデルが使用されるコンテキストと理由についての理解が非常に重要です。影響が少ない、より日常的なタスクにAIを使用する場合、リスク計算は大幅に低くなります。一方、AIをヘルスケアや自動運転車のトレーニングに使用する場合、リスクの影響は大幅に高くなります。これは、データガバナンスと同様です。データが使用される理由は、データが使用される方法と同等に重要です。

最近、「Shadow AIの潜在的な脅威に取り組む」と題した記事を書きました。Shadow AIとは何ですか、それを企業が注目する理由を教えてください。

「Shadow AIは、組織のガバナンスフレームワークの外側で使用される未承認のAIツールの使用を指します。企業は、内部データを未承認のAIツールにフィードすることで生じる巨大なリスクを認識する必要があります。Shadow ITは一般的に知られており、発見次にアプリケーションを廃止することで比較的簡単に管理できます。Shadow AIの場合、AIモデルをトレーニングするために使用されるデータや、生成されたモデルが最終的にどこで共有されるかについての明確なユーザー契約はありません。基本的に、データがモデルに入ったら、それを制御できなくなります。Shadow AIの潜在的なリスクを軽減するには、企業はこれらのツールを使用するための明確な契約と正式なプロセスを確立する必要があります。

属性ベースのアクセス制御（ABAC）を使用することの利点について、伝統的なロールベースのアクセス制御（RBAC）と比較して説明してください。

ロールベースのアクセス制御（RBAC）は、組織内の個人のロールに基づいて、アクセス許可やシステムアクセスを制限するものです。これにより、アクセス制御が静的で線形になるという利点があり、ユーザーは事前に定義されたロールに割り当てられていない限りデータにアクセスできません。RBACモデルは、内部データ使用を制御するための手間がかからない方法として従来使用されてきましたが、その単純さが最大の欠点でもあります。

RBACモデルは、ロールが限られ、データイニシアチブが少ない小規模な組織では実用的でした。現代の組織はデータドリブンであり、データニーズは時間の経過とともに増加しています。このようなシナリオでは、RBACの効率は崩壊します。幸いなことに、データアクセスとセキュリティに更にダイナミックで柔軟なオプションがあります。属性ベースのアクセス制御（ABAC）モデルは、ユーザーとデータの観察可能な属性を組み合わせて論理的なロールを定義し、それらの属性に基づいてアクセス決定を下します。ABACの最大の強みは、そのダイナミックでスケーラブルな性質です。データ使用ケースが増え、データ民主化が組織内のより多くのユーザーを可能にすると、データアクセス制御は環境とともに拡大して一貫したデータセキュリティを維持する必要があります。ABACシステムは、以前のアクセス制御モデルとガバナンス標準よりも本質的に安全です。また、この高いレベルのデータセキュリティは、スケーラビリティを犠牲にしません。以前のアクセス制御とガバナンス標準とは異なり、ABACのダイナミックな特性は、将来にわたるモデルを作成します。

データアクセスを拡大しながら、強力なデータガバナンスとセキュリティを維持するための重要なステップについて説明してください。

データアクセスを制御することは、特定のユーザーとシステムに与えられるアクセス、許可、特権を制限するために使用され、承認された個人だけが特定のデータセットを表示および使用できるようにします。ただし、データチームは、最も正確なビジネスインサイトを推進するために、可能な限り多くのデータにアクセスする必要があります。これにより、データセキュリティとガバナンスチームは、データが不正アクセスやその他のリスクから適切に保護されるようにする責任が生じます。データドリブンのビジネス環境では、これらの競合する利益のバランスを取る必要があります。過去には、組織はデータアクセス制御に対するパッシブアプローチを使用してこのバランスを取ろうとしましたが、これによりデータボトルネックが生じ、組織のスピードが遅くなりました。データアクセス制御を自動化することで、プロセスにスピード、敏捷性、精度が導入されます。データアクセス制御を自動化するには、以下の5つのステップをマスターする必要があります。

1. データチームが使用するツールをすべてサポートできる必要があります。
2. すべてのデータをサポートする必要があります。データが保存されている場所や、基になるストレージテクノロジーに関係なく。
3. 組織全体で同じライブデータに直接アクセスできる必要があります。
4. 誰でも、どのようなレベルの専門知識を持っていても、企業データに適用されるルールとポリシーを理解できる必要があります。
5. データプライバシーポリシーは、1つの中央ロケーションに存在する必要があります。
6. これらの柱をマスターすると、組織はデータアクセス制御に対するパッシブアプローチから脱却し、セキュアで効率的でスケーラブルなデータアクセス制御を可能にできます。

リアルタイムのデータモニタリングについて、Immutaは組織がデータ使用とセキュリティリスクを積極的に管理することをどのように可能にしますか。

ImmutaのDetect製品は、データを自動的にスコアリングして、どれだけ機密性が高いか、どのように保護されているか（例：データマスキングまたはアクセス目的の記載）を判断し、データとセキュリティチームがリスクを優先して、潜在的なセキュリティインシデントについてリアルタイムでアラートを受け取ることができます。Immuta Detectを使用してデータ使用リスクを迅速に浮き彫りにして優先順位付けすることで、顧客はリスク軽減までの時間を短縮し、データの強力なセキュリティを維持できます。

素晴らしいインタビュー、詳細を知りたい読者はImmutaを訪問してください。