Intervjuer
Omer Bachar, medgrunnlegger og CEO av Vetric – Intervju-serie

Viktige punkterBootstrapping tvang Vetric til å prioritere infrastrukturpålitelighet over…
Vis mer
- Bootstrapping tvang Vetric til å prioritere infrastrukturpålitelighet over vekst-for-enhver-pris-ekspansjon.
- Deteksjonsmodeller er ubrukelige uten skalerbar offentlig datainfrastruktur for å mate dem med sanntidstrusler.
- Deepfake-som-en-tjeneste er allerede kommodifisert på gratisnivået med åpen kildekode-verktøy.
Omer Bachar, medgrunnlegger og CEO av Vetric, er en israelsk entrepreneur og åpen kilde-intelligens (OSINT) fokusert teknologileder som har bygget en karriere rundt å løse komplekse data- og intelligensutfordringer. Før han grunnla Vetric i 2022, utviklet og monterte Bachar flere nettbaserte bedrifter som tenåring, og fikk erfaring med nettutvikling, SEO, trafikkmontasje og skalerbare digitale operasjoner. Han tjenestegjorde senere i Israels forsvar, hvor han hjalp til å modernisere militærpolitiet gjennom automatisering, AI, datautvinning og agile metoder mens han ledet team og produktinitiativer. Etter en tidligere feilslått startup og en intensiv forskningsperiode i Thailand med medgrunnleggerne, lanserte Bachar Vetric med fokus på infrastruktur i stedet for venturefinansiering, og vokste selskapet skjerpet mens han betjente organisasjoner som avhenger av skalerbar tilgang til offentlig nettdata. Hans arbeid handler om WEBINT, OSINT, datainnsamling og digital trusselintelligens, spesielt i områder som involverer etterligning, svindel og deepfake-relaterte risikoer.
Vetric er et datainfrastrukturselskap som hjelper organisasjoner med å samle inn, prosessere og operasjonalisere offentlig nettdata i skala. Selskapet stiller seg som en pålitelig infrastruktur for tillit, sikkerhet, cybersikkerhet og intelligenslag som trenger pålitelig, sanntids tilgang til åpen nettinformasjon. I stedet for å bygge en forbrukerrettede plattform, fokuserer Vetric på managed API-er og fleksible datapiper som er designet for å forenkle storstilte offentlige datainnsamlinger over stadig endrende nettmiljøer. Selskapet har betonet en “data for godt” tilnærming, og støtter organisasjoner som arbeider for å identifisere etterligningskampanjer, deepfakes, svindel og andre digitale trusler. Ifølge selskapet har det vokst fra et lite grunnleggerlag til en raskt voksende operasjon som betjener over 100 organisasjoner globalt, mens de fortsatt fokuserer på skalerbar infrastruktur og operasjonell pålitelighet.
Du startet å bygge internettbedrifter som tenåring, arbeidet senere med å modernisere det israelske militærpolitiet med AI- og OSINT-verktøy, og grunnla til slutt Vetric.io etter å ha tilbragt måneder med å forskere på problemer i Thailand. Hvordan har disse erfaringene formet din tro på at datainfrastruktur, og ikke bare detekteringsmodeller, vil bli det virkelige slagfeltet i kampen mot deepfakes og digital etterligning?
Tråden gjennom alle disse kapitlene var den samme: hver problem jeg trodde var et detekteringsproblem, viste seg å være et dataproblem ett lag dyptere.
Som tenåring som fant sårbarheter, var det harde delen aldri utnyttelsen — det var å bygge infrastrukturen for å finne de riktige målene i skala. I militærpolitiet var OSINT gapet ingen arbeidet med. Kriminelle etterlot bevis over hele den åpne nettsiden, i åpen sikt, og vi hadde nesten ingen systematisk måte å nå det på. Så i Thailand tilbrakte vi måneder med å snakke med forsvarsbyråer, trusselintelligenslag, merkevarebeskyttelsesleverandører, svindellag. Samme mønster overalt. Alle ønsket innsikt.
Da klikket det. Detekteringsmodeller er bare like gode som dataene du mater dem med. Hvis du ikke kan se deepfaken i øyeblikket den dukker opp på den åpne nettsiden, er din detektor irrelevant. Slagfeltet er ikke om din modell kan spore en syntetisk ansikt i en benchmark — det er om du har synlighet inn i overflaten der angrepet faktisk bor. Offentlig datainfrastruktur er den delen ingen ønsker å bygge fordi det er hardt og uglamorøst, men uten det er resten av staken teater.
Du har argumentert for at deepfake-problemet har endret seg fundamentalt de siste 18 månedene. Hva er de spesifikke tekniske skiftene som gjør i dagens AI-genererte svindel farligere enn tidligere bølger av svindel- og etterligningsangrep?
Tre ting endret seg samtidig, og kombinasjonen er det som gjør dette forskjellig.
Først ble multimodale modeller gode nok til at du kan generere overbevisende video, stemme og tekst fra samme prompt på minutter. Det som tidligere krevde et lite team og noen uker, tar nå en person og en kopp kaffe.
For det andre falt kostnadene gjennom gulvet. En høykvalitets stemme-kopi av en offentlig person krevde tidligere en betydelig GPU-budsjett. I dag kjører det på forbrukerhardare, eller en $20-per-måned SaaS-abonnement. Kostnaden er ikke lenger en barriere.
Tredje — og dette er den underverdierte delen — distribusjonslaget fanget opp. Falskhetene sitter ikke lenger på et obskurt forum og venter på å bli oppdaget. De bor på den åpne nettsiden, i de samme offentlige kildene dine kunder og ansatte forbruker dusinvis av ganger om dagen, ofte med betalt forsterkning på toppen. En fabrikkert video reiser like raskt som noe annet på den offentlige internettet.
I tidligere bølger måtte en angriper velge mellom kvalitet, hastighet, skala og rekkevidde. Nå kan de ha alle fire for under $100. Asymmetrien mellom hva det koster å fabrikere en overbevisende etterligning og hva det koster et foretak å detektere, tilskrive og reagere på det, er større enn det noen gang har vært. Det er skiftet.
De fleste offentlige diskusjoner om deepfakes fokuserer fortsatt på detekteringsprogramvare. Hvorfor tror du at pålitelig, storstilt offentlig datainfrastruktur nå er like viktig som AI-modellene selv?
Fordi en detektor som ikke kan se trusselen, er et forskningsprosjekt, ikke et forsvar.
De fleste deepfake-samtalene fokuserer på om modellen kan skille en syntetisk ansikt fra et ekte i en kontrollert benchmark. Det er basis krav. Den operative problemstillingen er den hardeste: en merkevare-etterligningsvideo går opp klokken 03.00, får 200 000 visninger før noen legger merke til det, og din detekteringspipeline må faktisk motta innholdet i sanntid, tilskrive det og utløse en reaksjon. Hvis du ikke har en stabil, skalerbar måte å innta offentlig data fra den åpne nettsiden — stedene hvor etterligning og svindel faktisk utspiller seg — har du ingenting å kjøre din detektor på.
Det er en relatert poeng vi gjorde nylig i en artikkel om Anodot-leverandørbruddet. Foretak begynner å innse at sikkerhetsposturen til deres dataleverandører er deres egen sikkerhetspostur. Den samme erkjennelsen kommer for AI: påliteligheten til din detekteringsstak er påliteligheten til din datapipeline. Modeller får presses. Infrastruktur gjør jobben. Å behandle de to som separate budsjettlinjer er en feil markedet er på vei til å slutte å gjøre.
Vetric vokste til betydelig skala uten ekstern finansiering mens de betjente foretak og intelligensrelaterte organisasjoner. Hvordan påvirkede bootstrapping måten du bygget selskapet og prioriteterte infrastrukturpålitelighet over vekst-til-alle-kostnader-ekspansjon?
Bootstrapping tvinger en slags kundeobsesjon som kapitaliserte selskaper kan unngå i lang tid. Vi har alltid trodd på å gi verdi før vi vokser raskt — og for oss er det ikke et slagord, det er en finansiell realitet.
Hver enkelt dollar i vår bankkonto er en kunde valgte å gi oss i bytte mot noe som fungerte. Vi har ikke en $50 millioner-pude til å bro over gapet mellom et produkt som nesten fungerer og ett som gjør.
Dette endrer hver enkelt beslutning selskapet tar. Det har formet vår arkitektur like mye som det har formet vår veikart. Våre kunder, etterretningsetater, digitale risikobeskyttelseslag, offentlige sikkerhetslag, trusselintelligensplattformer, ønsker ikke bare et produkt som fungerer.
Dette er også hvorfor vi tegnet tillitsgrensen på den måten vi gjorde. Vi skyver data ut til kunder; vi trekker aldri data fra dem. Vi holder ikke lange innlogginger til en kundes sky. Når kundene ønsker levering til sine egne AWS, bruker vi avgrensede, skrivebare IAM-roller med eksterne ID-er — AWS-anbefalt mønster spesifikt designet for å forhindre den type leverandør-angrepsvektor-brudd som nettopp rammet Anodots kunder.
Deepfake-til-tjeneste-plattformer senker terskelen for angripere. Er vi på vei mot et punkt hvor høyt avanserte svindelkapasiteter blir fullstendig kommersialisert og tilgjengelig for nesten alle?
Vi er allerede der for de grunnleggende kapasitetene — og ikke bare på betalt nivå, på gratisnivå. Vi er 12 til 18 måneder unna de mer avanserte. Se på hva som er åpent tilgjengelig nå. Modeller som Sora genererer overbevisende video fra en tekstprompt. Åpen kilde-ansiktsutvekslingsprosjekter på GitHub vil ta noen referansebilder og sette ansiktet inn i en video, og resultatene ser virkelig bra ut — ingen spesialistferdigheter nødvendig, ingen betaling, ingen undergrunnsmarked.
Terskelen for å produsere en høykvalitets falsk er en gratis nedlasting og en ettermiddag med eksperimentering. Det er også betalte tjenester som pakker en helhetlig arbeidsflyt rundt de samme modellene for mennesker som ikke ønsker å installere noe, men åpen kilde-nivået er den virkelige historien, fordi det er det du ikke kan prissætte noen ut av. Personen som opererer det trenger ikke å forstå den underliggende teknologien mer enn noen som kjører en phishing-kit trenger å forstå SMTP.
Hva som kommer neste er den malte, kampanje-i-en-boks-nivå — forhåndsbygde etterligningssett for spesifikke merker, spesifikke eksuktiver, spesifikke valgkretser, med syntetisk media, falske kontoer, distribusjonsplan og målretting alle pakket sammen. Når det eksisterer i skala, synker den marginale kostnaden for å kjøre en etterligningsangrep til omtrent kostnaden for å kjøre en betalt annonse. Implikasjonen for forsvarerne er ubehagelig. Du kan ikke lenger anta at angriperen er sofistikert eller godt ressurssterkt. Angriperen er hvem som helst med en bærbar datamaskin og en klagemål. Det endrer volumet og variasjonen av truslene med en størrelsesorden, og det redefinierer hva “troverdig trussel” betyr for noen merke, eksutiv, eller offentlig person med en internetttilstedeværelse.
Mange foretak avhenger fortsatt av fragmenterte overvåkningssystemer og forsinket trusselintelligens. Hva er de største svakhetene du ser i hvordan organisasjoner samler inn og prosesserer offentlig nettdata relatert til etterligning og svindel?
Noen svakhetene viser seg stadig over kundesamtaler. Den første er fragmentering. De fleste foretak kjører ett verktøy for merkevareovervåking, ett annet for eksutivbeskyttelse, ett annet for svindel, ett annet for sikkerhetsoperasjoner. Hver enkelt trekker fra forskjellige kilder med forskjellig dekning, forskjellig forsinkelse og forskjellige blinde flekker.
Når en etterligningskampanje bryter ut over flere hjørner av den åpne nettsiden samtidig, er det mellomrommet mellom disse verktøyene akkurat der angriperen skjuler seg. Og under denne fragmenteringen ligger et dypere problem: de fleste av disse verktøyene optimaliserer for nedleggelse. Å fjerne det falske profilet er nødvendig, men på egen hånd er det whac-a-mole — et annet dukker opp dagen etter. Lagene som får virkelig grep, er de som doblet ned på etterforskning: kobler punktene mellom kontoer, infrastruktur og kampanjer, så de demonterer nettverket bak etterligningen i stedet for å slå på ett URL om gangen.
Den andre er avhengighet av mellomvare som trenger dyp innlogging til kundesystemer. Det er det strukturelle problemet vi skrev om i sammenheng med Anodot-bruddet — leverandører som krever OAuth eller API-nøkler til din sky blir enkelt punkt for feil for alle nedstrøms. SOC 2 vil ikke redde deg fra det. Arkitekturen har enten blast-radius eller ikke.
Den tredje er forsinkelse. Mye av hva som selges som “sanntids trusselintelligens” er faktisk på en fire-til-tjuefiretimers forsinkelse fordi den underliggende innsamlingen er batch-orientert. For etterligning og svindel er det en evighet. Når varslingen utløses, har kampanjen allerede løpt sin gang.
Den fjerde er feilfordelingen mellom detekteringsdekning og analysekapasiteter. Selskaper investerer i verktøy som flagger syntetisk eller mistenkelig innhold, men de underinvesterer i dekningen for å faktisk se hva som blir postet om dem over hele den åpne nettsiden, og i analysekapasiteter for å gjøre mening av hva de ser — hvem som står bak det, hvordan kontoene kobler seg, hva infrastruktur de deler. Flagging er ett steg; dekning og analyse er hva gjør et flagg til handling. Det er som å kjøpe en god røykvarslere og glemme å plugge den inn.
Du har snakket om å håndtere milliarder av offentlige datapunkter hver måned. Hva er de tekniske utfordringene som oppstår når du prøver å bygge sanntidsinfrastruktur i stand til å identifisere AI-drevne trusler i internett-skala?
De harde problemene er ikke de folk flest forventer. Først og fremst er bygging av denne type infrastruktur ikke det harde — det er å holde den i live. Du bygger ikke en pipeline som vår en gang og går bort. Du trenger et helt team hvis jobb er å holde den i live, og det er teamet vi har bygget. De offentlige kildene vi samler inn fra, skyver endringer konstant, og noen av dem kan stille og si bryte en innsamler. Det meste av ingeniørarbeidet over produktets levetid går til vedlikehold, ikke grønne felt-utvikling.
Den andre er at skalerbarhet er en løpebane. Du forbedrer pipeline, du skyver den hardere, og på et tidspunkt blir skalaen for stor for det du bygget og ting begynner å riste. Så bygger du om den delen — noen ganger fra scratch — for neste nivå. Den syklusen slutter aldri. Hver orden av størrelse i volum er effektivt et annet system, selv om det ser ut som samme produkt fra utsiden.
Den tredje er oppetid, som kan høres ut som noe kjedelig, til du husker på hvem våre kunder er. Noen av dem bruker våre data for å hjelpe til å forhindre terrorangrep. Sanntid betyr du ikke får en nådeperiode. Ting vil bryte — de gjør alltid — og hva som betyr noe, er at de er oppe resten av tiden og fikset så raskt som menneskelig mulig når de ikke er. Vi har ingeniørt on-call-posturen, varslingen og redundansen rundt den virkeligheten, ikke rundt en generisk SaaS-oppetidsnummer.
Ettersom syntetisk media blir mer overbevisende, tror du at samfunnet er på vei mot en bredere “tillitskrise” hvor folk begynner å tvile på legitime lyd, video og kommunikasjon som standard?
Nærere enn folk ønsker å innrømme. Men jeg tror ikke det ender i sammenbrudd — jeg tror det ender i en annen likevekt.
Den naive versjonen av tillitskrisen sier: ingen vil tro noen lyd eller video, og den offentlige sfæren kollapser. Jeg tror ikke det er der dette går. Mennesker er usedvanlig tilpasningsdyktige når det gjelder epistemiske miljøer. Vi lærte å lese aviser med skepsis, så TV, så nettet. Vi vil lære å lese AI-generert media med skepsis også, og det er ikke helt et dårlig resultat — en sunnere basis for “verifiser før du stoler” er overdo.
Hva jeg tror vi vil se, er en skift i hva som teller som bevis. Rå video og lyd vil bli svakere former for bevis; proveniens, kryptografisk signing, kjede av besittelse og identitetsverifisering vil bli sterkere. Institusjonene som figurerer ut hvordan de skal verifisere sine egne kommunikasjoner — banker, regjeringer, nyhetsorganisasjoner — vil trekke foran. De som ikke gjør det, vil bli etterlignet til uviktighet.
Den farlige intervallet er midten, de neste to til tre år, hvor falskhetene blir overbevisende raskere enn verifiseringslaget blir deployert. Det er vinduet hvor skaden gjøres, og det er vinduet vi prøver å gi våre kunder synlighet til å overleve.
Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Vetric.












