Ron Reiter, teknisk direktør og medgrunnlegger av Sentra – Intervju-serie

Ron Reiter, teknisk direktør og medgrunnlegger av Sentra, er en erfaren entrepreneur og cybersecurity-ekspert med dypt kunnskap om skytjenester, som har bygget innovative teknologiløsninger gjennom mer enn to tiår i programvareutvikling; han var med å grunnlegge og leder teknologi i Sentra, et datasikkerhetsfirma som fokuserer på å hjelpe bedrifter å sikre sine skydata, og tidligere var med å grunnlegge Crosswise (kjøpt av Oracle (ORCL ) for 50 millioner dollar), samt hadde en stilling som teknisk direktør i Oracle/Crosswise i over seks år, der han overvåket Oracle Data Cloud-produkter og -team.

Sentra er en sky-basert datasikkerhetsplattform som bruker AI-drevet oppdagelse, klassifisering og kontekstuell analyse for å gi organisasjonene full visibilitet og kontroll over sensitiv data over sky-, hybrid- og lokale miljøer, og hjelper dem å vurdere risiko, gjennomføre styring, møte krav og forhindre dataeksponering i stor skala over moderne multi-sky- og AI-arbeidsflyter.

Hva inspirerte deg til å etablere Sentra, og hvordan påvirkte din erfaring i Crosswise og Oracle selskapets tidlige retning?

Det som drev meg til å starte Sentra var et mønster jeg stadig så gjentas. I Crosswise og senere i Oracle var data alltid tyngdepunktet. Det var der verdien lå, men også der risikoen akkumulerte. Likevel behandlet de fleste sikkerhetstverktøy data som noe statisk, noe du oppdaget en gang og så antok var under kontroll.

Da skytjenesten økte og organisasjoner begynte å eksperimentere med AI, holdt den antagelsen opp. Data beveget seg stadig, ble kopiert, transformert og aksessert av systemer ingen fullt ut fulgte. Jeg ønsket å bygge et selskap som startet med data som en levende ressurs, noe du kontinuerlig forstår og styrer, i stedet for noe du oppdager en gang og så antar er under kontroll. Den ideen formet Sentra fra dag én.

Sentra fokuserer på å gi organisasjonene full kontroll og visibilitet over sine skydata. Hva var det største problemet du ønsket å løse da du begynte å utforme plattformen?

Det største problemet var feil tryggheit. Mange organisasjoner trodde de forstod sin datapostur, men den tryggheiten var basert på delvis visibilitet. De visste hvor noen sensitiv data lå, men ikke all, og de hadde sjelden en klar bildet av hvordan data ble aksessert eller gjenbrukt over tid.

Vi satte oss fore å lukke den gapen. Ikke bare ved å oppdage data, men ved å opprettholde en kontinuerlig forståelse av hva data eksisterer, hvor sensitivt det er og hvem eller hva som kan aksessere det. Uten den grunnlaget blir alt annet i sikkerhet reaktivt.

Du har talt om viktigheten av nøyaktighet i moderne datasikkerhet. Hva gjør det så vanskelig å oppnå høy nøyaktighet i store sky-miljøer, og hvordan nærmet ditt team seg dette problemet annerledes?

Nøyaktighet blir vanskelig i stor skala fordi kontekst teller. Ettersom miljøer vokser, blir data mer ustrukturert og mer spesifikt for hvordan en bedrift faktisk opererer. Enkel mønster-matching og generelle modeller fungerer rimelig bra i mindre miljøer, men de bryter sammen når data-volumer vokser og brukstilfeller blir mer komplekse.

Vi så dette første hånd i bedrifts-evalueringer hvor nøyaktigheten forverret seg når kundene flyttet fra titall terabyte til petabyte med ustrukturert data. Vår tilnærming var å designe klassifisering rundt kontekst, og å være disiplinerte om effisiens. Nøyaktighet som bare fungerer i liten skala eller krever ekstremt beregning er ikke nyttig i virkelige bedriftsmiljøer.

Å skanne og sikre data over distribuerte sky-miljøer er notorisk vanskelig. Hva er arkitektoniske avgjørelser som tillater Sentra å operere effektivt over flere skyer og data-lagre?

Vi antok fra starten at kundene ville operere over flere skyer, SaaS-plattformer og hybrid-miljøer. Det presset oss til å unngå design som avhenger av tung data-bevegelse eller konstant full gjen-skan, som ikke fungerer bra når miljøer vokser.

I stedet fokuserte vi på å opprettholde visibilitet når miljøer endrer seg og minimere unødvendig overhead. Den design-valget viser seg i pålitelighet og kostnadsprediktor, spesielt i store, komplekse miljøer.

Ettersom AI-agenter, co-piloter og automatiserte arbeidsflyter blir integrert i bedriftssystemer, hva tror du er nye kategorier av datasikkerhetsrisiko som bedrifter fortsatt undervurderer?

Det største blindpunktet er ikke-menneskelig aksess. AI-agenter, integrasjoner og automatiserte arbeidsflyter aksesserer nå sensitiv data kontinuerlig, ofte utenfor kontrollene designet for menneskelige brukere.

Disse systemene logger ikke inn på samme måte mennesker gjør, og de utløser ikke tradisjonelle varsler. Å behandle dem som bare en annen bruker er en feil. Bedrifter må forstå hva disse systemene kan aksessere og sikre at disse tillatelsene forblir i samsvar med intensjon, ellers øker risikoen raskere enn team kan reagere.

Sentra bruker en modell-drevet tilnærming til å klassifisere og sikre sensitiv data. Hvordan balanserer du modell-ytelse, operasjonell kostnad og skalerbarhet når du bygger for bedrifts-arbeidsflyter?

Balanse kommer fra å være bevisst på hvordan modeller brukes. Ikke alle problemer krever den største eller mest generelle modellen. Vi fokuserer på å bruke små språk-modeller (SLM) som er godt egnet for klassifiseringsoppgaver og kan operere effektivt i store miljøer.

Dette lar oss opprettholde sterk nøyaktighet samtidig som vi holder operasjonskostnadene lave og forutsigbare. For bedriftssikkerhetsteam er konsistens og pålitelighet like viktig som rå-ytelse.

Hva er den største misforståelsen du ser blant CISO-er om å sikre skydata i AI-æraen, og hvordan bør deres strategier utvikle seg?

En vanlig misforståelse er at å oppdage data en gang er nok. I virkeligheten endrer sky- og AI-miljøer seg kontinuerlig. Data beveger seg, tillatelser glider og nye systemer kommer online hver uke.

Strategier må skifte fra periodisk vurdering til kontinuerlig styring. Det betyr å behandle datasikkerhet som en kontinuerlig disiplin i stedet for et prosjekt. Målet er ikke bare å finne risiko, men å forhindre at risikoen dukker opp igjen når miljøet utvikler seg.

Data Security Posture Management (DSPM) har blitt en sentral del av den moderne sky-sikkerhets-staken. I din mening, hva kjennetegner en moden DSPM-plattform?

En moden DSPM-plattform gjør tre ting bra. Den må forstå data nøyaktig, den må operere pålitelig i stor skala, og den må støtte handling i stedet for bare rapportering.

Det vi ser nå er at mange plattformer ser sterke ut i POVs eller tidlige utrullinger, men sliter når miljøer vokser og aksess-mønstre blir mer dynamiske. Skanningene blir tregere, kostnadene stiger og nøyaktigheten forverres, spesielt med ustrukturert data. En moden DSPM-plattform er en som sikkerhetsteamene fortsatt stoler på når data-volumer når produksjonsskala og AI-systemer aksesserer data kontinuerlig. Tillit i stor skala er hva skiller brukbare plattformer fra teoretiske.

Du har også investert i flere cybersecurity-startups. Fra den perspektivet, hva skiller grunnleggerne som lykkes i denne industrien fra de som sliter?

Grunnleggerne som lykkes tenderer til å være svært nær virkelige kunde-problemer. De motstår fristelsen til å jage buzz-ord eller overbygge for spesialtilfeller, og i stedet fokuserer på å løse problemer som dukker opp gjentakende i produksjonsmiljøer.

De tenker også på bærekraft tidlig. I sikkerhet er det lett å vinne en proof of concept, men å kjøre pålitelig i stor skala over år er mye harder. Grunnleggerne som designer for den realiteten fra starten tenderer til å vare.

I 2026 og fremover, hvordan forventer du at datasikkerhetskravene vil endre seg når organisasjoner adopterer desentraliserte arkitekturer, autonome AI-systemer og stadig mer komplekse data-flows?

Data-sikkerhet vil gå fra å beskytte lokasjoner til å styre bevegelse. Ettersom arkitekturer desentraliseres og AI-systemer handler autonomt, vil spørsmålet ikke lenger være hvor data ligger, men hvordan det flyter og hvem eller hva som kan bruke det.

Organisasjoner må ha kontinuerlig visibilitet og politikk-gjennomføring som reiser med data selv. De som ikke kan oppnå det vil finne sine AI-initiativer bremset av risiko og compliance-bekymringer. De som kan, vil flytte raskere, med tillit.

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