Rohan Sathe, medgrunnlegger og CEO av Nightfall – Intervju-serie

I de tidlige dagene ønsket vi å bruke maskinlæring til å oppdage og beskytte følsomme data hvor som helst de bor over skytjenester og moderne arbeidsflyter. Da vi kom ut av stealth i 2019, stilte vi oss selv som en skytjenest, ML-drevet SaaS DLP-løsning med en visjon om å bygge ‘kontrollplanet for skydata.’ Da vi utvidet oss utenfor SaaS til å dekke dataekstraksjon over sluttpunkter og generativ AI, ble ‘AI-nativ DLP’ vårt paraplybegrep.

Før du startet Nightfall, var du en av grunnleggerne av Uber Eats, der du så hvordan data spredte seg over SaaS og skyverktøy. Hvordan påvirkte dine erfaringer der din syn på datasikkerhet, og hva var de spesifikke øyeblikkene eller utfordringene som utløste ideen for Nightfall?

Ved Uber Eats ledet jeg backend-teamene og bygget anvendt maskinlæringstjenester – ting som ETA-prediksjon og etterspørselsprognose. Vi håndterte petabyte-skala data spredt over mange forskjellige systemer, som er en miljø hvor følsom informasjon kan bevege seg raskt og ofte usynlig. Denne erfaringen, kombinert med hva hele industrien lærte fra hendelser som Uber’s 2016-brudd – hvor angripere i hovedsak utnyttet legitimasjoner som var eksponert i kode på GitHub for å nå AWS-data – fremhet hvordan denne kombinasjonen av datasprening, legitimasjoner og skyinfrastruktur skaper en ubetydelig risiko uten bedre oppdagelse og vakt. Disse realitetene formede Nightfalls fokus på kontekst-bevisst oppdagelse og forebygging fra starten.

Nightfall lanserte offentlig i 2019 med Series A-finansiering. Kan du gå gjennom den tidlige reisen fra stealth-modus til lansering, inkludert noen nøkkel-punkter?

Vi opererte i stealth i omtrent ett år, deretter lanserte vi offisielt den 7. november 2019 med 20,3 millioner dollar i finansiering ledet av Bain Capital Ventures og Venrock. De tidlige punktene handlet hovedsakelig om å bygge ut bred SaaS-integreringer og utvikle høyere-akkurat ML-basert innholdsklassifisering som kunne redusere de falske positive resultater som plaget legacy DLP-løsninger.

Skjeggen AI henviser til den uovervåkede bruken av verktøy som ChatGPT, Gemini og Copilot på arbeidsplassen, ofte med usynlige datalekkasjer som resultat. Hvordan definerer du Skjeggen AI, og hvorfor er det en voksende bekymring for moderne organisasjoner?

Vi definerer Skjeggen AI som den uautoriserte eller uovervåkede bruken av AI-verktøy av ansatte – tenk på å lime inn kildekode eller kundedata i chatboter – som skaper eksponeringsrisiko utenfor IT-styring. Denne definisjonen stemmer overens med hva vi ser fra andre industriaktører som IBM og Splunk. Skjeggen AI er i hovedsak AI som brukes uten godkjenning eller tilsyn, som introduserer disse blindsonene og potensielle dataekstraksjonsrisiko. Kombinasjonen av lett å bruke generative AI-applikasjoner og mangelen på ordentlige kontroller er hvorfor dette problemet vokser så raskt.

Du har beskrevet flere måter Nightfalls tilnærming til Skjeggen AI forskjeller fra tradisjonell DLP. Hvilken av disse funksjonene – enten det er kontekst-bevisst overvåking, data-avstamning eller sanntids-blokkering – har vist seg å være mest effektiv for dine kunder?

Fra hva vi konsekvent hører fra kundene, er det to hoved-aktører som gjør den største forskjellen. Først er det forhånds-kontrollene – faktisk å fange følsom innhold før det sendes til AI-verktøy eller publiseres på nettet. Andre er vår AI-naturlig deteksjon som flytter seg bort fra legacy-mønster-matching til å forstå data-avstamning og kontekst.

Hva som virkelig er kraftfullt er vår støy-reduksjon gjennom kontinuerlig læring. Vårt system forstår innhold og fil-avstamning, lærer fra bruker-annotasjoner og -handlinger, og identifiserer trygge arbeidsflyter for å undertrykke lav-risiko-aktivitet. Dette reduserer falske positive resultater dramatisk sammenlignet med legacy DLP-løsninger. Vi gjør også sanntids-trussel-deteksjon og risiko-prioritering ved hjelp av LLM-er, transformatorer og datamaskin-syn, med tilpassede fil- og sensitivitets-klassifiseringer som kan avdekke bevegelse av immaterielle eiendommer og høyverdi-dokumenter som går langt utover enkle regel-basert enhetsdeteksjon. Våre kunder forteller oss at de ser denne transformasjonen fra varsling-utmattelse til fokusert, høy-impakt-sikkerhetshandlinger.

Hvordan stopper Nightfalls nettleser-basert og sluttpunkt-nativ deteksjonssystem lekkasjer før de skjer, og hvordan sammenligner det med legacy DLP-systemer som bare detekterer brudd etter innsending?

Vår nettleser-utvidelse og sluttpunkt-agenter skanner faktisk forspørsler og filer før de sendes. Vi kan redigere eller blokkere risikabelt innhold i sanntid – så før en ChatGPT-forspørsel sendes, for eksempel. Vi sporer også avstamning, så sikkerhetsteamene vet om en fil opprinnelig kom fra et bedriftssystem. Vi deployer på macOS og Windows med Chrome- og Firefox-utvidelser som gir denne før-du-sender-redigering og laste-blokk-funksjonalitet. Dette er en ganske markant kontrast til legacy DLP, som hovedsakelig handler om etterfaktisk deteksjon.

Nightfall har utvidet seg betydelig siden grunnleggelsen. Hvordan har bedriftssikkerhetsbehovene utviklet seg over denne tiden, og hvordan har produktet ditt tilpasset seg i respons?

Landskapet har faktisk skiftet dramatisk. Vi startet med SaaS-skanning – tenk Slack og Google Drive – rundt 2020-2021. Deretter ble Generative AI-vaktler kritiske fra 2023, og nå ser vi dette急 behovet for autonom, intelligent trussel-forebygging som kan skaleres med organisatorisk vekst.

Sikkerhetsoperasjons-teamene sliter med økende komplekse verktøy, legacy-mønster-matching DLP, konstant manuell retningslinje-tilpasning og bare knusende varsling-utmattelse. Disse problemene sakte ned etterforskninger, øker overhodet og reduserer sikkerhetseffektiviteten. Produktets utvikling har fulgt denne skiftningen fra reaktiv og manuell drift til proaktiv, intelligent automatisering. Vi kunngjorde Generative AI-dekning i 2023, utvidet til dataekstraksjons-forebygging, kryptering og e-post-beskyttelse i 2024, og nå med Nyx, innfører vi det vi ser på som den neste æraen av agens AI i datavern – transformerer varsling-utmattelse til fokusert, høy-impakt-sikkerhetshandlinger over SaaS, sluttpunkter og AI-verktøy.

Du har nylig introdusert Nightfall Nyx, som du beskriver som den første autonome AI-naturlige DLP-plattformen. Hva gjør den autonom, og hvilke problemer løser det for sikkerhetsteamene?

Nightfalls AI-deteksjonsplattform leverer allerede svært nøyaktige, lav-støy-resultater – 95% presisjon sammenlignet med de 5-30% typisk for tradisjonell regex eller regel-basert DLP. Sittende på toppen av denne grunnlaget er Nyx det AI-intelligens-laget som hjelper sikkerhetsteamene med å etterforske, korrelere og forstå risikoer.

Selv etter at støyen er borte, begynner det virkelige arbeidet. I store organisasjoner kan sikkerhetsoperasjons-teamene fortsatt møte hundrevis av legitime varslinger hver dag. Å si fra hverandre godkjente arbeidsflyter fra risikable data-hygiene-problemer eller insider-trusler kan fortære timer. Nyx tar på seg denne etterforskningens tungt arbeid – akselererer analyse så teamene kan fokusere på handling, ikke søking og sortering gjennom sider med varslinger.

Nyx kobler punktene over dataekstraksjons-hendelser – brukere, domener, enheter, data-typer, filnavn og mer – og presenterer mønster øyeblikkelig. Gjennom dens naturlige-språk-grensesnitt kan analytikere handle på mønster, etterforske funn, produsere rapporter og få anbefalte handlinger på sekunder. Oppgaver som tidligere tok to timer kan nå gjøres på under to minutter – en virkelig 20 ganger tid-sparings-spill-forvandler.

Med generativ AI-bruken eksploderer på arbeidsplasser og sikkerhetsteamene sliter med å holde pace, tror du at verktøy som Nightfall vil bli en standard kontroll-lag for bedriftsmiljøer?

Jeg tror trajektorien antyder ja. Vi ser en omfattende plan for generativ AI-adoptsjon over bedrifter, og store plattformer som Microsoft (MSFT ) Entra Internet Access ruller ut inline, før-innsending-kontroller for generativ AI-trafikk. Når du parer det med industrikonsensus rundt Skjeggen AI-risiko, er det rimelig å forvente før-innsending, AI-bevisst DLP å bli en standard kontroll-lag sammen med ting som identitet- og tilgangs-styring og sluttpunkt-deteksjon og -respons.

Til slutt, som en grunnlegger som bygger i et så raskt-bevegelig område, hva er din langsiktige visjon for Nightfall og rollen til AI i bedriftsdatasikkerhet?

Vår langsiktige visjon bygger på hva vi artikulerte ved lanseringen – å være kontrollplanet for skydata – men nå utvider vi det med autonome operasjoner og agens AI-kapasiteter. Vi forestiller oss en fremtid hvor sikkerhetsposturen forbedres kontinuerlig uten å legge mer arbeid på analytikere, hvor AI eliminerer behovet for spesialisert domene-ekspertise, og hvor organisasjoner kan skifte fra reaktiv, manuell sikkerhetsdrift til proaktiv, intelligent trussel-forebygging.

I praksis betyr det AI som både forstår data i kontekst og tar trygge, intelligente handlinger – etterforske, trene, redigere, blokkere – over SaaS, sluttpunkter, e-post og Skjeggen AI. Vi ønsker å lukke løkken fra oppdagelse til forebygging, gi sikkerhetsteamene en alltid-på intelligent partner som blir smartere med hver etterforskning og transformerer uker med manuell kriminologi til minutter med fokusert respons.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Nightfall.