Yariv Fishman, Chief Product Officer bij Deep Instinct – Interview Serie

Yariv Fishman is Chief Product Officer (CPO) bij Deep Instinct, hij is een ervaren productmanagement-executive met meer dan 20 jaar leidinggevende ervaring bij bekende wereldwijde B2B-merken. Fishman heeft verschillende prominente rollen bekleed, waaronder leidinggevende posities bij Microsoft (MSFT ) waar hij het Cloud App Security-productportfolio leidde en het MSSP- en security-partnerprogramma initieerde, en Head of Product Management, Cloud Security & IoT Security bij CheckPoint. Hij heeft een B.Sc in Information Systems Engineering van de Ben Gurion University en een MBA van de Technion, Israel Institute of Technology.

Deep Instinct is een cybersecurity-bedrijf dat diepe leerlingen toepast op cybersecurity. Het bedrijf past AI toe op de taak van het voorkomen en detecteren van malware.

Kunt u ons vertellen over uw reis in de cybersecurity-industrie en hoe deze uw aanpak van productmanagement heeft gevormd?

Gedurende mijn 20-jarige carrière heb ik voor verschillende wereldwijde B2B-organisaties gewerkt, waaronder Check Point Software Technologies (CHKP ) en Microsoft, waar ik productmanagement en strategie leidde en mijn cybersecurity-ervaring opbouwde over publieke cloud, endpoint, netwerk en SaaS-toepassingsbeveiliging.

Onderweg heb ik verschillende best practices geleerd – van hoe je een team moet managen tot hoe je de juiste strategie moet informeren – die mijn leiderschap bij Deep Instinct hebben gevormd. Werken voor verschillende cybersecurity-bedrijven van verschillende groottes heeft me een holistische kijk gegeven op managementstijlen en me geleerd hoe ik processen kan creëren die snel bewegende teams ondersteunen. Ik heb ook gezien hoe je producten moet lanceren en moet plannen voor product-marktfit, wat essentieel is voor zakelijk succes.

Wat trok u aan om bij Deep Instinct te komen en hoe is uw rol geëvolueerd sinds u begon als Chief Product Officer?

Als een veteranen in de industrie, word ik zelden enthousiast over nieuwe technologie. Ik hoorde voor het eerst over Deep Instinct terwijl ik bij Microsoft werkte. Toen ik meer over de mogelijkheden van predictieve preventietechnologie hoorde, realiseerde ik me snel dat Deep Instinct het echte werk deed en iets unieks deed. Ik sloot me aan bij het bedrijf om te helpen bij het productiseren van hun diepe leerlingenframework, het creëren van marktfit en use cases voor deze eerste zero-day data security-oplossing.

Sinds ik drie jaar geleden bij het team kwam, is mijn rol veranderd en geëvolueerd samen met ons bedrijf. Aanvankelijk richtte ik me op het opbouwen van ons productmanagementteam en relevante processen. Nu zijn we zwaar gefocust op strategie en hoe we onze zero-day data security-mogelijkheden op de markt brengen in een snel veranderende en steeds gevaarlijkere markt.

Deep Instinct gebruikt een uniek diepe leerlingenframework voor zijn cybersecurity-oplossingen. Kunt u de voordelen van diepe leerlingen bespreken in vergelijking met traditionele machine learning bij dreigingspreventie?

De term “AI” wordt breed gebruikt als een panacee om organisaties te helpen in de strijd tegen zero-day-dreigingen. Echter, terwijl veel cyberaanbieders beweren AI te brengen in de strijd, blijft machine learning (ML) – een minder geavanceerde vorm van AI – een kernonderdeel van hun producten. ML is niet geschikt voor de taak. ML-oplossingen worden getraind op beperkte subsets van beschikbare gegevens (typisch 2-5%), bieden slechts 50-70% nauwkeurigheid met onbekende dreigingen en introduceren valse positieven. Ze vereisen ook menselijke interventie omdat ze worden getraind op kleinere datasets, waardoor de kans op menselijke bias en fouten toeneemt.

Niet alle AI is gelijk. Diepe leerlingen (DL), de meest geavanceerde vorm van AI, is de enige technologie die in staat is om bekende en onbekende zero-day-dreigingen te voorkomen en te verklaren. Het onderscheid tussen ML- en DL-gebaseerde oplossingen wordt duidelijk wanneer je hun vermogen onderzoekt om bekende en onbekende dreigingen te identificeren en te voorkomen. In tegenstelling tot ML, is DL gebouwd op neurale netwerken, waardoor het zelf kan leren en trainen op ruwe gegevens. Deze autonomie stelt DL in staat om complexe dreigingen te identificeren, te detecteren en te voorkomen. Met zijn begrip van de fundamentele componenten van kwaadaardige bestanden, stelt DL teams in staat om snel een robuuste beveiligingspostuur te creëren en te onderhouden, waardoor de volgende dreiging kan worden voorkomen voordat deze zich voordoet.

Deep Instinct heeft onlangs DIANNA gelanceerd, de eerste generatieve AI-gebaseerde cybersecurity-assistent. Kunt u de inspiratie achter DIANNA en zijn belangrijkste functionaliteiten uitleggen?

Deep Instinct is de enige aanbieder op de markt die zero-day-aanvallen kan voorspellen en voorkomen. Enterprise zero-day-kwetsbaarheden nemen toe. We zagen een 64% toename in zero-day-aanvallen in 2023 in vergelijking met 2022, en we lanceerden Deep Instinct’s Artificial Neural Network Assistant (DIANNA) om deze groeiende trend te bestrijden. DIANNA is de eerste en enige generatieve AI-gebaseerde cybersecurity-assistent die expertniveau malware-analyse en verklaringen biedt voor zero-day-aanvallen en onbekende dreigingen.

Wat DIANNA onderscheidt van andere traditionele AI-hulpmiddelen die LLM’s gebruiken, is zijn vermogen om inzicht te geven in waarom onbekende aanvallen kwaadaardig zijn. Vandaag de dag, als iemand een zero-day-aanval wil verklaren, moet hij deze door een zandbak laten lopen, wat dagen kan duren en uiteindelijk geen gedetailleerde of gefocuste verklaring biedt. Terwijl deze aanpak waardevol is, biedt het alleen retrospectieve analyse met beperkte context. DIANNA analyseert niet alleen de code; het begrijpt de intentie, potentiële acties en legt uit wat de code is ontworpen om te doen: waarom het kwaadaardig is en hoe het systemen kan beïnvloeden. Dit proces stelt SOC-teams in staat om zich te concentreren op waarschuwingen en dreigingen die echt belangrijk zijn.

Hoe verschilt DIANNA’s vermogen om expertniveau malware-analyse te bieden van traditionele AI-hulpmiddelen op de cybersecurity-markt?

DIANNA is als een virtueel team van malware-analisten en incidentresponse-experts die diepe analyse bieden van bekende en onbekende aanvallen, waarbij de technieken van aanvallers en het gedrag van kwaadaardige bestanden worden uitgelegd.

Andere AI-hulpmiddelen kunnen alleen bekende dreigingen en bestaande aanvalsvector identificeren. DIANNA gaat verder dan traditionele AI-hulpmiddelen, waarbij organisaties een ongekend niveau van expertise en inzicht krijgen in onbekende scripts, documenten en ruwe binaries om zich voor te bereiden op zero-day-aanvallen. Bovendien biedt DIANNA verbeterde zichtbaarheid in het besluitvormingsproces van Deep Instinct’s preventiemodellen, waardoor organisaties hun beveiligingspostuur kunnen fine-tunen voor maximale effectiviteit.

Wat zijn de primaire uitdagingen die DIANNA aanpakt in het huidige cybersecurity-landschap, met name met betrekking tot onbekende dreigingen?

Het probleem met zero-day-aanvallen vandaag de dag is het gebrek aan informatie over waarom een incident werd gestopt en als kwaadaardig werd bestempeld. Dreigingsanalisten moeten veel tijd besteden aan het bepalen of het een kwaadaardige aanval of een valse positief was. In tegenstelling tot andere cybersecurity-oplossingen, blokkeerde Deep Instinct routinematig zero-day-aanvallen met onze unieke DL-oplossing. Echter, vroegen klanten om gedetailleerde verklaringen om de aard van deze aanvallen beter te begrijpen. We ontwikkelden DIANNA om Deep Instinct’s diepe leerlingenmogelijkheden te verbeteren, de druk op overbelaste SecOps-teams te verminderen en real-time verklaringen te bieden voor onbekende, geavanceerde dreigingen. Ons vermogen om de GenAI-modellen te focussen op specifieke artefacten, stelt ons in staat om een uitgebreide, maar gefocuste reactie te bieden om de marktgap te dichten.

DIANNA is een significante vooruitgang voor de industrie en een tastbaar voorbeeld van AI’s vermogen om echte wereldproblemen op te lossen. Het gebruikt alleen statische analyse om het gedrag en de intentie van verschillende bestandsformaten te identificeren, waaronder binaries, scripts, documenten, shortcut-bestanden en andere dreigingsleveringsbestanden. DIANNA is meer dan alleen een technologische vooruitgang; het is een strategische verschuiving naar een meer intuïtieve, efficiënte en effectieve cybersecurity-omgeving.

Kunt u uitleggen hoe DIANNA binaire code en scripts vertaalt in natuurlijke taalrapporten en welke voordelen dit biedt aan beveiligingsteams?

Die proces is onderdeel van onze geheime saus. Op hoog niveau kunnen we malware detecteren die het diepe leerlingenframework in een aanval markeert en deze vervolgens als metadata in de LLM-model voeren. Door metadata te extraheren zonder gevoelige informatie bloot te geven, biedt DIANNA de zero-day-verklaringen en gefocuste antwoorden die klanten zoeken.

Hoe ziet u AI evolueren om deze dreigingen effectiever te bestrijden, gezien de toename van AI-gegenereerde aanvallen?

Terwijl AI-gebaseerde dreigingen toenemen, vereist het blijven vooroplopen van steeds geavanceerdere aanvallers dat we verder gaan dan traditionele AI-hulpmiddelen en innoveren met betere AI, specifiek diepe leerlingen. Deep Instinct is het eerste en enige cybersecurity-bedrijf dat diepe leerlingen gebruikt in zijn data security-technologie om dreigingen te voorkomen voordat ze een inbreuk veroorzaken en toekomstige dreigingen te voorspellen. De Deep Instinct zero-day data security-oplossing kan bekende, onbekende en zero-day-dreigingen voorspellen en voorkomen in <20 milliseconden, 750x sneller dan de snelste ransomware kan versleutelen – waardoor het een essentiële toevoeging is aan elke beveiligingsstack, waardoor complete, multi-laagse beveiliging tegen dreigingen wordt geboden in hybride omgevingen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Deep Instinct bezoeken.