Марк Фетчес, технический директор Spinnaker Support – Интервью

Марк Фетчес является техническим директором Spinnaker Support для Европейского региона, где он консультирует крупные предприятия по вопросам технологической стратегии, безопасности, облачных вычислений, искусственного интеллекта и крупномасштабных трансформационных инициатив. Обладая более чем 30-летним опытом консультирования и руководства в Accenture, Deloitte и PwC, Марк тесно сотрудничал с руководителями высшего уровня и советами директоров для модернизации сложных корпоративных сред и согласования технологических решений с долгосрочными бизнес-целями. Базируясь в Великобритании, он специализируется на помощи организациям в навигации по проблемам устаревших технологий, операционным рискам и цифровой трансформации с помощью практических, бизнес-ориентированных рекомендаций.

Spinnaker Support является ведущим глобальным поставщиком третьей стороны поддержки программного обеспечения, управляемых услуг и консультационных услуг по безопасности для предприятий, работающих на платформах Oracle (ORCL ), SAP, JD Edwards и других критически важных платформ.

Вы провели более 20 лет, консультируя предприятия в Accenture, Deloitte и PwC, прежде чем стать техническим директором в Spinnaker Support. Оглядываясь назад на этот путь, какие самые большие заблуждения у руководителей постоянно были относительно технологических рисков, и как повлиял на эти разговоры рост искусственного интеллекта?

Я думаю, что самое большое заблуждение всегда было в том, что технологический риск находится где-то на стороне бизнеса и может быть управляем как специализированная проблема. Я никогда не видел этого так.

Большинство серьезных рисков, которые я видел, исходят от решений руководства. Сколько сложности вы терпите. Как сильно вы зависите от старых платформ или ключевых поставщиков. Как сильно вы толкаете на скорость. Доверяете ли вы действительно данным, на которых работает бизнес. Технология – это место, где эти решения проявляются, но обычно это не место, где они начинаются.

За годы я видел, как многие руководители фокусировались на очевидных вещах, таких как кибербезопасность, соблюдение требований и снижение затрат. Эти проблемы, конечно, реальны. Но риски, которые обычно ловят компании врасплох, часто более тихие, чем это. Это платформа, которую все знают, что она хрупка, но постоянно откладывают ее замену. Это проблема с данными, которую никто не совсем владеет. Это зависимость от аутсорсинга, которая выглядит эффективной, пока не становится узким местом. Это те вещи, которые могут находиться в фоновом режиме в течение лет и затем внезапно стать очень заметными, когда что-то ломается.

Я также считаю, что существует давняя привычка путать соблюдение требований с устойчивостью. Они не одно и то же. Вы можете пройти аудит и все равно быть намного более уязвимыми, чем вы думаете. Чек-лист не говорит вам, как бизнес отреагирует под давлением, как быстро он может восстановиться или видят ли руководители проблему достаточно четко, чтобы действовать.

Что изменил искусственный интеллект, так это уровень внимания. Эти разговоры раньше велись на более низком уровне в организации. Теперь они находятся прямо в центре обсуждений в совете директоров о росте, доверии, производительности и бренде. Это очень хорошая вещь. Но это также ввело новую упрощенность, которая заключается в том, что модель искусственного интеллекта, используемая, является риском. Обычно это больше, чем это.

Итак, если бы мне пришлось суммировать, я бы сказал, что технологический риск никогда не был только о технологии. Он всегда был отражением суждения руководства. Искусственный интеллект просто сделал это более трудным для игнорирования.

Команды безопасности теперь имеют доступ к большему количеству уязвимостей, чем когда-либо прежде, но организации продолжают бороться с приоритизацией. Почему, по вашему мнению, отрасль имеет проблему сигнал-шум, а не проблему обнаружения?

Я бы сказал, что отрасль не испытывает недостатка в уязвимостях. Она испытывает недостаток ясности.

Большинство команд безопасности уже имеют более чем достаточно входных данных, выходов сканеров, разведки угроз, оценок серьезности, рекомендаций по патчам, отчетов об эксплуатации. Проблема не в том, могут ли они найти слабости. Проблема в том, могут ли они отделить те, которые могут действительно навредить бизнесу, от тех, которые технически интересны, но менее значимы.

Это почему я вижу это как проблему сигнал-шум. Обнаружение сильно улучшилось. Что не поспевает за этим, так это способность применить контекст. Уязвимость становится реальной проблемой только тогда, когда вы понимаете, где она находится, насколько она уязвима, насколько критична эта система, какие компенсирующие меры контроля существуют и какой будет бизнес-воздействие, если она будет эксплуатирована.

На практике многие организации все еще полагаются на метрики, которые легче всего производить, такие как оценки серьезности, количество патчей и отчеты о старении. Эти метрики полезны, но они не то же самое, что человеческое суждение. Высокая оценка проблемы в системе с низкой ценностью может быть менее важной, чем проблема с более низкой оценкой, расположенная на системе, критической для бизнеса или операций.

Итак, я не думаю, что это фундаментально проблема видимости. Это проблема приоритизации бизнеса, которую необходимо выучить командам безопасности. Мы стали очень хорошими в генерации результатов. Мы все еще менее последовательны в переводе этих результатов в короткий список действий, которые руководство может поддержать с уверенностью.

И с моей точки зрения, это реальный сдвиг, который отрасль все еще должна сделать, переход от измерения того, что мы можем обнаружить, к решению о том, что действительно важно с точки зрения бизнес-воздействия.

На уровне совета директоров это действительно вопрос перевода риска, может ли организация перевести техническую уязвимость в небольшое количество ясных, действенных бизнес-приоритетов? Те, кто может сделать это хорошо, являются теми, кто переходит от шума к сигналу.

Многие поставщики кибербезопасности утверждают, что искусственный интеллект может автоматически расставлять приоритеты уязвимостей и предсказывать угрозы. Где, по вашему мнению, находится разрыв между маркетинговым повествованием и тем, что искусственный интеллект может реально доставить сегодня в корпоративных средах?

Я думаю, что самый простой способ сказать это – маркетинг вокруг этого обещает уровень уверенности, которого реальные корпоративные среды просто не допускают.

Поставщики часто описывают искусственный интеллект так, как если бы он мог подняться выше шума, принять все и надежно сказать команде безопасности, что самое важное и что, скорее всего, произойдет дальше. Это убедительная история, потому что каждый руководитель безопасности хочет меньше шума и больше уверенности. Но как только вы войдете в большую организацию, вещи редко бывают достаточно чистыми, чтобы это обещание было так просто.

Искусственный интеллект может абсолютно помочь. Он может объединить закономерности, уменьшить некоторую ручную сортировку, выделить аномалии и помочь командам работать с объемами информации, которые в противном случае были бы трудными для управления, и это имеет реальную ценность. Но есть разница между тем, чтобы помочь команде двигаться быстрее, и тем, чтобы знать, с какой надежной точностью, что должно быть наиболее важным в этой конкретной среде.

Это где появляется разрыв. Большинство предприятий полны несоответствующего контекста. Инвентаризация активов не полна. Владение не всегда ясно. Критичность бизнеса меняется. Контроли варьируются от одной части имущества к другой. Качество данных смешанное. Если основная картина запятнана, то и вывод искусственного интеллекта будет запятнан тоже, независимо от того, насколько отполирован интерфейс.

Я думаю, что это особенно верно, когда поставщики говорят о предсказании. Есть значительная разница между тем, чтобы сказать: “эта закономерность выглядит рискованной”, и тем, чтобы сказать: “это то, что произойдет дальше”. Первое может быть полезным. Второе – это где язык часто опережает реальность.

Итак, для меня искусственный интеллект лучше всего понимается сегодня как усилитель, а не как авторитет. Он может помочь командам сортировать, коррелировать и фокусироваться. Что он не может сделать последовательно, так это заменить необходимость человеческого суждения, местных знаний и ясного понимания того, о чем бизнес действительно заботится.

Это действительно деление. Повествование предполагает уверенность. Реальность более скромна и более полезна, чем шум, если вы честны с этим. Искусственный интеллект может улучшить качество и скорость анализа, но он не удаляет необходимость человеческого суждения.

Spinnaker Support работает в тесном сотрудничестве с Oracle, SAP и JD Edwards. Что делает высоко настраиваемые среды ERP особенно трудными для инструментов безопасности, работающих на основе искусственного интеллекта, для понимания и оценки точно?

Что делает эти среды трудными, так это то, что после достаточно долгого времени они перестают вести себя как стандартное программное обеспечение, на котором был обучен искусственный интеллект, и начинают вести себя больше как запись того, как бизнес действительно работает.

Я видел, что это особенно верно для сильно настраиваемых сред Oracle, SAP и JD Edwards. На бумаге вы можете все еще смотреть на известную платформу. В реальности вы часто смотрите на годы местных адаптаций, пользовательского кода, унаследованных интеграций, структур разрешений, логики отчетности и обходных путей, построенных для очень конкретных операционных причин. Для инструмента безопасности, работающего на основе искусственного интеллекта, я считаю, что это может быть трудно прочитать с какой-либо реальной уверенностью.

Многие из этих инструментов работают лучше всего, когда среда относительно последовательна, и закономерности легче сравнивать. Высоко настраиваемые среды ERP редко бывают такими. Логика более запутана. Документация часто неполна. Владение может быть распределено по командам. То, что выглядит необычным, может быть совершенно намеренным, а то, что выглядит рутинным, может оказаться поддерживающим что-то действительно критическое в финансах, цепочке поставок или операциях.

Это где лежит трудность. Инструмент не просто обнаруживает уязвимость или неправильную конфигурацию. Он должен понять, что эта проблема значит в контексте бизнес-процесса, пользовательской зависимости или структуры контроля, которая может не существовать нигде еще.

И это намного более трудная проблема, чем маркетинг обычно подразумевает. Искусственный интеллект может помочь выделить закономерности, уменьшить некоторую ручную анализ и помочь командам работать с объемами информации, которые в противном случае были бы трудными для управления, и это имеет реальную ценность. Но если имущество только частично задокументировано, сформировано годами исключений и глубоко связано с тем, как компания работает, есть предел тому, насколько точно автоматизированная система может интерпретировать это самостоятельно.

Итак, я думаю, что реальная проблема не в том, может ли это увидеть. Это в том, может ли это понять достаточно контекста, чтобы правильно оценить это. В высоко настраиваемых средах ERP это все еще то место, где человеческая экспертиза делает разницу.

Одним из ваших ключевых аргументов является то, что человеческая экспертиза не является узким местом, которое необходимо устранить, а важной частью процесса безопасности. Можете ли вы поделиться примерами, где человеческое суждение выявляло риски, которые двигатель приоритизации на основе искусственного интеллекта, скорее всего, пропустил бы?

Да, абсолютно. И для меня это место, где пределы автоматизированной приоритизации становятся очень очевидными.

Некоторые риски имеют смысл только тогда, когда вы знаете среду достаточно хорошо, чтобы понять, что стоит за данными. Система может не выглядеть особенно важной извне. Оценка уязвимости может быть незаметной. Но кто-то, кто знает имущество, может знать, что оно поддерживает зарплату, отчетность на конец квартала, хрупкую интеграцию или бизнес-процесс, который компания просто не может прервать. Сигнал в данных может выглядеть обычным. Реальное последствие не является.

Я также видел случаи, когда картина контроля выглядит лучше в теории, чем на практике. Двигатель искусственного интеллекта может предположить, что риск снижен, потому что сегментация присутствует, или потому, что доступ ограничен, или потому, что контроль мониторинга существует. Но человек, близкий к среде, может знать, что один контроль применяется не последовательно, другой обходится, когда операции находятся под давлением, и третий тихо перестал быть надежным. Этот разрыв не всегда появляется чисто в системе учета.

То же самое происходит в настраиваемых средах. Скрипт, рабочий процесс или модель разрешений может выглядеть рутинным, если вы сканируете закономерности в масштабе. Для кого-то, кто понимает, как эта система была адаптирована со временем, тот же деталь может сразу же выделиться как реальный источник уязвимости.

Тайминг также имеет значение. Уязвимость может выглядеть управляемой в изоляции, затем становится намного более серьезной, потому что бизнес находится в середине миграции, приобретения, нормативного срока или пикового операционного периода. Этот тип сдвига не всегда легко для автоматизированного двигателя интерпретировать с правильным весом.

Итак, когда я говорю о человеческой экспертизе, я не говорю об интуиции в каком-то расплывчатом смысле. Я имею в виду местные знания. Память. Суждение. Способность видеть, когда небольшая техническая проблема прикреплена к чему-то намного более значимому.

Это почему я не вижу человеческую экспертизу как узкое место, которое необходимо устранить. Я вижу ее как часть, которая предотвращает ложную уверенность. Искусственный интеллект может помочь сортировать и сужать данные. Но риски, которые имеют наибольшее значение, часто являются теми, которые становятся очевидными только тогда, когда кто-то понимает, как бизнес действительно работает.

Когда организации спешат принять искусственный интеллект по всей безопасности, какие самые большие риски чрезмерной автоматизации управления уязвимостями и оценки воздействия?

Самый большой риск, который я вижу, заключается в том, что вы создаете видимость контроля без реальности того, что вы действительно контролируете.

Управление уязвимостями – это одна из тех областей, где автоматизация очевидно ценна. На корпоративном уровне вам нужна автоматизация, чтобы найти проблемы, коррелировать данные, расставлять приоритеты в объеме и поддерживать весь процесс. Никакая серьезная организация не может управлять этим вручную.

Но опасность возникает, когда автоматизация начинает управлять программой без достаточного человеческого вызова вокруг нее.

Первый очевидный риск – это ложная приоритизация. Если вы слишком сильно полагаетесь на автоматизированную оценку, вы можете оказаться, леча техническую серьезность как если бы она была одной и той же вещью, что и бизнес-риск. Это не так. Критическая уязвимость на изолированной или компенсируемо контролируемой системе может быть менее важной на практике, чем проблема с более низкой оценкой на высоко уязвимой системе, связанной с критическим бизнес-процессом.

Второй риск, который я вижу, – это потеря контекста. Автоматизированные программы только так хороши, как данные об активах, данные о владении, сопоставление зависимостей и обработка исключений, стоящие за ними. Если эта информация неполна, и в большинстве предприятий некоторые из них обычно таковы, то автоматизация может стать очень эффективной в продвижении ошибочных решений через систему.

Третий риск – это поведенческий. Как только люди начинают слишком сильно доверять рабочему процессу, они перестают проверять его выводы. Команды предполагают, что то, что поднимается на вершину, должно быть тем, что имеет наибольшее значение, и то, что не поднимается на вершину, может подождать. Это понятно, но я считаю это опасным. Потому что это меняет культуру с информированного управления рисками на пассивное принятие машино-ориентированного порядка.

И затем есть более широкий стратегический риск, который заключается в том, что организации начинают путать пропускную способность с улучшением безопасности. Закрытие большого количества уязвимостей выглядит хорошо операционно. Это создает панели, метрики и чувство импульса. Но если вы не снижаете воздействия, которые имеют наибольшее значение для бизнеса, вы можете просто стать быстрее в том, чтобы выглядеть занятым.

Итак, мой взгляд заключается в том, что автоматизация должна абсолютно выполнять тяжелую работу. Но она должна поддерживать суждение, а не заменять его. В противном случае вы получите процесс, который является эффективным, измеримым и масштабируемым, но не обязательно более безопасным.

Вы работали обширно в области трансформации ИТ и корпоративной архитектуры. Как руководителям безопасности следует балансировать необходимость быстро исправлять уязвимости с операционными рисками нарушения критически важных бизнес-систем?

Отличный вопрос, поскольку это одна из тех областей, где простой ответ обычно неправильный.

Конечно, вы хотите исправить быстро. Никто не будет спорить о том, что необходимо сидеть на известных уязвимостях дольше, чем необходимо. Но в реальном предприятии, особенно в том, которое работает критически важные системы, скорость сама по себе не является целью. Если вы исправляете плохо и нарушаете что-то, на что бизнес полагается, вы решили одну проблему, создав другую.

Итак, баланс заключается в понимании того, какие риски реальны, какие являются теоретическими и какие системы могут терпеть изменения без причинения проблем где-то еще.

Некоторые уязвимости действительно требуют срочных действий. Если что-то уязвимо, эксплуатируется и находится в части имущества, которая имеет значение, то вы действуете. Но большую часть времени решение менее абсолютное, чем люди делают его звучать. У вас могут быть другие контроли вокруг проблемы. Поврежденная система может быть плотно содержана. Операционный риск от внесения изменений сегодня может быть выше, чем удержание позиции на короткий период и правильное ее выполнение.

Это почему лучшие руководители безопасности – это те, кто может иметь взрослый разговор с бизнесом. Не просто “Это критично, исправьте его сейчас”, а “Вот воздействие, вот что может произойти, вот что может пойти не так, если мы вмешаемся плохо, и вот самый безопасный путь через это”. Это более достоверная форма лидерства, чем обращение с каждой уязвимостью как если бы она существовала в изоляции.

Я также считаю, что эти моменты раскрывают что-то более глубокое об имуществе само по себе. Если организация постоянно боится исправлять основные системы, потому что любое изменение кажется опасным, это обычно говорит о том, что среда стала хрупкой. Слишком много скрытых зависимостей, не Enough тестирования уверенности, слишком мало устойчивости в архитектуре. В этой ситуации дебаты о патчах являются симптомом более старой проблемы.

Итак, да, исправляйте быстро, когда риск реален и путь ясен. Но когда среда чувствительна, работа заключается в снижении риска без создания большего беспорядка. Это баланс.

И честно говоря, большинство опытных руководителей безопасности уже знают это. Вызов заключается в применении их решений под давлением, когда часы тикают и никто не хочет владеть последствиями неправильного действия.

Подход Spinnaker сочетает анализ на основе искусственного интеллекта с экспертной проверкой. Какие конкретные задачи должен выполнять искусственный интеллект, а какие решения должны оставаться твердо в руках опытных специалистов по безопасности?

Я думаю, что граница раздела на самом деле довольно проста.

Искусственный интеллект должен выполнять работу, которая выигрывает от скорости, масштаба и последовательности. Перебор большого количества данных, объединение сигналов, выделение закономерностей, выделение аномалий, помощь людям в сужении поля, это именно тот вид работы, для которого машины полезны. Это экономит время, уменьшает ручной труд и дает командам безопасности лучшую отправную точку.

Это также хорошо подходит для повторяющихся частей работы. Первый уровень триажа. Суммирование результатов. Соединение похожих проблем. Отслеживание повторяющихся исключений. Выделение того, где определенные виды слабостей контроля постоянно появляются. Ни одна из этих вещей не заменяет экспертизу, но они делают лучшее использование ее.

Где я был бы намного более осторожным, так это когда вы переходите от анализа к принятию решений.

Важные решения должны все еще находиться с опытными специалистами по безопасности. Это действительно серьезный риск в этом бизнесе или это просто выглядит серьезным в абстрактном смысле? Это настоящая неисправность контроля или это запутанная, но понятная исключение? Если мы исправим это сейчас, что еще мы можем нарушить? Если мы подождем, что мы действительно принимаем? Это суждения.

И это прежде, чем вы даже доберетесь до более человеческой стороны. Почему это происходит снова и снова? Знает ли организация, что она несет этот риск, или она просто перестала его замечать? Это изолированная проблема или знак чего-то культурного под поверхностью? Этот тип интерпретации все еще имеет большое значение.

Итак, я бы позволил искусственному интеллекту выполнять сортировку, кластеризацию, первый проход, тяжелую работу. Но я не позволил бы ему решать, о чем бизнес должен заботиться больше всего, или какие действия следует предпринять без человеческого обзора.

Потому что как только решение имеет последствия, либо операционно, финансово или репутационно, вы больше не просто обрабатываете информацию. Вы принимаете суждение.

И в безопасности, я считаю, что это все еще должно быть человеком с реальным интеллектом.

Многие организации все еще фокусируются на количестве уязвимостей и оценках серьезности. Почему, по вашему мнению, настоящее управление воздействием требует более широкого взгляда, который включает компенсирующие меры контроля, ограничения доступа, архитектуру системы и контекст бизнеса?

Это требует более широкого взгляда, потому что число само по себе не говорит вам много о том, насколько вы действительно в беде.

Оценки серьезности имеют свое место. Количество уязвимостей имеет свое место. Они помогают вам оценить проблему. Они помогают вам организовать задолженность. Но они не то же самое, что понимание воздействия, и это то, где я думаю, что многие организации все еще ошибаются.

Уязвимость может выглядеть серьезной в теории и все еще быть относительно хорошо содержана на практике. Если доступ к системе сильно ограничен, если есть другие компенсирующие меры контроля вокруг нее, если она находится в части среды, которая трудна для доступа через ограничения доступа, то реальная вероятность того, что эта проблема причинит вред, может быть намного другой, чем то, что говорит сырой счет.

И тогда вы получаете противоположный случай, который часто более интересен. Что-то ниже списка может оказаться намного более важным, потому что того, где оно находится. Оно касается критической службы. Оно легче достичь. Оно находится в части системы, где одна компрометация дает вам место для движения. Это то, что простая оценка серьезности не объяснит хорошо.

Итак, когда люди говорят об управлении воздействием, я считаю, что это должно быть больше, чем просто сортировка уязвимостей по оценке и работа вниз по списку.

Вам нужно знать, что находится вокруг проблемы. Какие контроли уже есть. Кто может до нее добраться. Насколько критична эта система. И что действительно произойдет, если она будет эксплуатирована. В противном случае вы будете управлять картиной риска, а не самим риском.

И я думаю, что часть причины этого заключается в том, что числа комфортны. Они выглядят объективными. Они дают людям что-то аккуратное, чтобы представить. Они создают чувство, что проблема была уменьшена до чего-то измеримого и под контролем. Но реальное воздействие обычно намного более запутанное, чем это.

Оно находится в перекрытии уязвимости, контроля вокруг нее, архитектуры, в которой она существует, и бизнес-воздействия, если что-то пойдет не так.

Итак, да, используйте оценки. Используйте счета. Конечно. Но не путайте их с пониманием.

Если вы хотите знать, где реальное воздействие, я считаю, что вам нужно посмотреть на всю среду, а не только на число, прикрепленное к ней.

Корпоративные программные среды входят в период значительных изменений, поскольку организации модернизируют устаревшие системы, одновременно принимая технологии искусственного интеллекта. Смотрите вперед на следующие три-пять лет, как вы видите эволюцию отношений между искусственным интеллектом, кибербезопасностью и корпоративными платформами, и на что технологические лидеры должны готовиться сегодня?

Я думаю, что следующие три-пять лет будут довольно определяющими.

Главным образом потому, что компании пытаются модернизировать старые корпоративные имущества, одновременно вводя искусственный интеллект в смесь, и ни одна из этих вещей не проста сама по себе. Делание обоих вместе повышает ставки.

Что меняется сначала, я думаю, так это то, что искусственный интеллект перестает быть сторонним экспериментом и начинает становиться частью того, как бизнес действительно работает. Он появляется в рабочих процессах, поддержке, разработке, операциях безопасности и администрировании платформы, не как новинка, а как часть трубопроводов.

И как только это происходит, разговор о кибербезопасности становится более серьезным. Вы не просто спрашиваете, полезен ли инструмент. Вы спрашиваете, что он может достичь, что он может повлиять, какие данные он кормит и какие последствия будут, если он сделает что-то неправильно.

Я также думаю, что мы увидим, как безопасность и архитектуру станет все труднее разделить. Во многих старых средах то, что выглядит как проблема безопасности, часто на самом деле является проблемой архитектуры в маскировке. Слабый дизайн идентификации, слишком много зависимостей, неясное владение, хрупкие интеграции, плохая видимость, это те вещи, которые обычно находятся под видимой проблемой. Искусственный интеллект не сгладит это. Если что-то, он может раскрыть беспорядок быстрее.

Итак, организации, которые справятся с этим хорошо, я считаю, будут теми, кто перестанет рассматривать принятие искусственного интеллекта, кибербезопасность и модернизацию платформы как три отдельных потока работы. Они все больше становятся одним и тем же разговором.

Если бы я советовал технологическим лидерам сейчас, я бы начал с видимости. Вам нужно гораздо лучше понять, что у вас есть, как оно соединено, кто имеет доступ к чему, куда перемещаются чувствительные данные и где находятся ваши реальные точки контроля. Без этого наложение искусственного интеллекта просто увеличивает количество вещей, которые вы не полностью понимаете.

Следующая вещь – это управление, но не то, которое выполняется. Реальные решения. Где можно использовать искусственный интеллект? Где человеческий обзор должен оставаться на месте? Как проверяются выводы? Какие данные находятся вне пределов? Кто владеет последствиями, если система стимулирует неправильное действие? Эти вопросы должны быть ответы сейчас, а не позже.

И честно говоря, упрощение имеет значение больше, чем многие люди хотят признать. Чем более запутана среда, тем труднее ее защищать, тем труднее ее модернизировать и тем труднее использовать искусственный интеллект без создания свежей неопределенности.

Затем есть человеческая сторона. Лучшие организации будут теми, кто знает, как сочетать автоматизацию с суждением. Они не будут просто потреблять вывод искусственного интеллекта, потому что он быстрый или отполированный. Они будут проверять его. Тестировать. Отталкивать, когда необходимо.

Итак, да, в течение следующих нескольких лет я думаю, что искусственный интеллект, кибербезопасность и корпоративные платформы станут намного более тесно связаны.

И я думаю, что лидеры, которые подготовятся хорошо, будут теми, кто понимает, что это не просто технологический сдвиг. Это изменение в том, как принимаются решения, как осуществляется контроль и насколько устойчива их организация на самом деле.

Спасибо за отличное интервью. Читателям, которые хотят узнать больше, следует посетить Spinnaker Support.