Ryan Schonfeld, medgrundare och VD för HiveWatch – Intervjuer

Ryan Schonfeld är medgrundare och VD för HiveWatch, ett säkerhetsteknikföretag som fokuserar på att förbättra hur organisationer hanterar och svarar på fysiska säkerhetshot. Med erfarenhet som säkerhetskonsult, polis och användare av Fortune 500, har han utvecklat en första-hand-uppfattning om de operativa utmaningar som säkerhetsteam står inför, vilket till slut ledde honom att bygga HiveWatch.

HiveWatch erbjuder en molnbaserad plattform som samlar verktyg som videosövervakning, åtkomstkontroll, larm och incidenthantering i en enda operativ instrumentpanel. Känd som HiveWatch GSOC Operating System, möjliggör plattformen för organisationer att övervaka aktivitet över anläggningar, utreda incidenter och samordna svar medan de använder automatisering och AI-driven analys för att förbättra effektivitet och minska falska larm.

Vad ledde dig att medgrundande HiveWatch, och vad var begränsningarna i traditionell fysisk säkerhet som gjorde AI till rätt grund från början?

Jag tillbringade år med att driva globala säkerhets- och säkerhetsteknologiprogram på globala organisationer och vår förmåga att effektivt använda teknologi var frustrerande. Säkerheten var toppklass, men vi var tvungna att använda infrastruktur som var fragmenterad, långsam, reaktiv och människocentrerad. Så jag startade RAS Consulting för att hjälpa organisationer modernisera sin säkerhetsverksamhet, planering, utbildning, risk- och skadeståndshantering. Vi byggde teknologiframåtriktade program för snabbt växande företag som behövde expandera snabbt.

Men även då såg jag samma problem: mina kunders operatörer drunknade i larm, begravdes under frånkopplade system, reagerade på allt och förutsåg ingenting. RAS Consulting-kunder behövde proaktiv säkerhet, men de hade inte kunskapen eller personalen för att bygga det själva. Pandemin gjorde det värre. Plötsligt behövde alla ompröva hur de skyddade människor och tillgångar, men de använde verktyg som byggts för en annan era.

Därför skapade vi HiveWatch. Vi behövde en plattform som kunde göra våra egna säkerhetsteam mer medvetna, anslutna, förutsägbara och informerade. Vi ville ha allt detta utöver att vara snabbare och bättre på att hantera incidenter. AI var inte en funktion som vi lade till senare, det var det enda praktiska sättet att förena data för det bästa, mest informerade beslutsfattandet. Vi kan göra det oavsett vilka system våra kunder har. Så nu kan vi enkelt skära igenom falska larm och hjälpa team att gå från reaktiv till proaktiv. Allt annat är bara att göra samma gamla problem något snyggare.

Hur påverkade din bakgrund som polis och utredare hur du utformade AI för att stödja verkliga säkerhetsoperationer?

Jag satt i stolen när incidenter utvecklades i säkerhetsoperationcenter och jag har varit på marken under högriskincidenter, hanterande hot i realtid. Den här erfarenheten lärde mig att både människor och teknologi är viktiga i dessa ögonblick, att trötthet eller utbrändhet kan påverka beslutsfattandet i en nödsituation. Det lärde mig också vad som fungerar, vad som inte fungerar och vad som får människor skadade när systemen misslyckas. Det är genom den här linsen som vi byggde HiveWatch.

Med den erfarenhet som vi fick från det arbetet, var vår AI-plattform inte bara från en whiteboard. Vi utformade den från insidan av säkerhetsoperationcenter. De som byggde detta har tillbringat karriärer med att stirra på skärmar fulla av brus, försöka hitta de verkliga hoten men inte ha verktygen för att se tydligt eller agera tillräckligt snabbt.

För länge sedan sålde branschen reaktiv incidenthantering och kallade det innovation. Vad team verkligen behöver är förmågan att se vad som är på väg, och vi byggde för det.

Många organisationer arbetar fortfarande reaktivt. Hur möjliggör AI en övergång till proaktiv och förutsägbar fysisk säkerhet?

Reaktiv säkerhet är inte ett strategiproblem, det är ett problem som omfattar hantering av ett fragmenterat system som kan resultera i en kommunikationsbrytning. Det involverar också en brist på prioritering när incidenter inträffar. Team är också drunknade i brus skapat av oavbrutna larm som ofta är falska och skapade utan någon kontext. Det är där allt bryter samman.

Våra kunder använder en anpassad AI-operatör som faktiskt lär sig deras anläggningar — layouten, arbetsflödena, hur deras team fungerar. Istället för hundratals till tusentals skräplarm per dag, ser de de få som betyder något, med video och kontext som visar exakt varför.

När du skär igenom bruset och ytor verkliga mönster, sker en förändring. Team slutar jaga gårdagens problem och börjar komma före morgondagens hot. De är bättre på att ha den tydlighet de behöver för att bygga säkerhetsprogram som faktiskt fungerar.

När du pratar om förutsägbar säkerhet, vad ser det ut som i levande företagsmiljöer?

Det är inte en kristallkula. Det är mönsterigenkänning i hastighet.

Detta kan se ut som en öppen dörr som inte borde vara öppen. Eller rörelse på kameran som inte matchar normen. Eller aktivitet som aldrig har hänt på den platsen vid den tiden. AI upptäcker det, flaggar det och berättar för operatören vad som händer, varför det är viktigt och vad man ska göra härnäst.

Det ansluter till kameror, sensorer och åtkomstkontroller som du redan har, så ingenting glider igenom för att två system inte pratar med varandra. Resultatet är en säkerhetsoperation som är skarpare, snabbare och faktiskt byggd för att skydda människor i stor skala.

Vilka typer av risk-signaler, beteenden eller mönster upptäcker AI konsekvent som mänskliga team tenderar att missa?

Människor är bra när något uppenbart går fel. AI är bra på att upptäcka allt som tyst går fel.

Vi pratar om subtila avvikelser. Saker som inte utlöser en traditionell varning men absolut borde. AI lär sig kontinuerligt vad “normalt” ser ut för varje specifik miljö, så när något skiftar, märker den. I högvolymoperationer där ditt team hanterar tusentals signaler, är det de risker som tenderar att glida igenom. Att lägga till något som AI-operatören bringar en förändring mot prioritering av varningar så att operatörerna som svarar på incidenter vet vad som är kritiskt (och vägleds om hur man svarar effektivt).

Hur förändrar AI beslutsfattandet inom ett säkerhetsoperationcenter när tid och information är begränsade?

I en levande incident, finns det ett gap mellan “vad händer?” och “vad ska vi göra?” Det gapet är där dåliga utfall bor.

Att använda AI stänger det. Det drar kontext från dina integrerade system, som video, åtkomstkontroll, sensorer, kommunikation, hotinformation och placerar det framför din operatör med en rekommenderad nästa steg. De behöver inte längre växla mellan 15 flikar. De behöver inte gissa. Ditt team går från varning till åtgärd på sekunder istället för minuter.

Verkligheten är att de flesta SOC är underbemannade och överbelastade. AI fixar det inte genom att lägga till personal; det fixar det genom att se till att varje person i rummet fokuserar på vad som faktiskt betyder något, med den information de behöver för att fatta rätt beslut, just nu.

Stora evenemang som stora idrottsevenemang eller prisutdelningar skapar extrem komplexitet. Hur hjälper AI till att koordinera svar under press?

Stora evenemang kan bryta traditionell säkerhet. Signalvolymen exploderar, riskytan förökas och äldre verktyg kan inte hålla jämna steg.

Jag har koordinerat skydd vid stora evenemang med exekutivskyddsteam, lokal säkerhet, evenemangsvärdar, lokal polis, medicinsk personal, federala myndigheter. Det är skiktad säkerhet på skiktad säkerhet. Men här är vad de senaste åren har lärt oss: ibland är hotet redan innanför perimetern. En betrodd insider. En ackrediterad gäst. Någon som redan är förbi dina kontroller.

Vi har sett det spela ut på live-TV också: incidenter på prisutdelningar, fans som bryter igenom barriärer, människor som hoppar över fält med politiska budskap. Där vi historiskt har ritat våra perimetrar kan behöva omprövas..

AI ger dig ytterligare ögon över hela miljön, inte bara ingångspunkterna. Det övervakar mönster, rörelse och avvikelser i realtid, så när något dyker upp innanför linjen, vet säkerhetsteamet det innan det eskalerar. I dessa fall betyder sekunder allt och situationsmedvetenhet är inte bara en “nice-to-have”.

Hur viktigt är djup systemintegration över video, åtkomstkontroll, sensorer och kommunikation för att AI ska kunna leverera verklig situationsmedvetenhet?

Oavsett. AI är bara så smart som de data den kan se. I så många fall är dessa system frånkopplade och om de inte är anslutna, kanske AI inte får hela bilden (det är där HiveWatch kan göra en verklig skillnad, genom att bringa alla dessa system samman i en enda miljö).

När allt är integrerat (tänk: video, åtkomstkontroll, sensorer, kommunikation, hotinformation), har AI full synlighet för att rekommendera rätt kurs. Det är kritiskt att din säkerhetsoperationsplattform är byggd för att fungera med det du redan har. Du köpte bra verktyg. De borde kunna fungera tillsammans så att du inte behöver riva och ersätta för att få värde.

Hur bör chefer realistiskt tänka på ROI när de utvärderar AI-drivna fysiska säkerhetsplattformar?

Börja med vad som redan kostar dig pengar, för det är mer än du tror.

Falska larm äter timmar. Frånkopplade system innebär dubbelt arbete. Operatörer som bränner ut och byter jobb innebär att du ständigt anställer och omutbildar. Det bygger tunga kostnader, och de flesta organisationer har aldrig kvantifierat det.

AI-drivna plattformar som vår kan minska antalet operatörer som behövs över ett säkerhetsoperationcenter och dess vaktresurser, vilket kan resultera i betydande ROI. Dessutom, eftersom tekniken skär ner falska larm dramatiskt, behövs färre människor för att triagera inkommande larm. Sekundärt kan minskning av dubblettteknologi över en SOCs tekniska stack minska det belopp som spenderas på överlappande system. Slutligen, eftersom vi integrerar med den infrastruktur du redan äger, river du inte ut vad du har byggt under åren. Istället får du slutligen fullt värde från det.

ROI är inte bara i vad du sparar, även om detta kan vara betydande när du överväger kostnadsreduceringar i resurser som behövs för att stödja ditt program (vilket historiskt har varit svårt att kvantifiera för säkerhetsledare). Det kan också avslöjas i vad ditt team förhindrar. En undveken incident, ett snabbare svar, ett hot som upptäcks tidigt. För din styrelse, anställda och kunder, är det den matematik som betyder något. Teamen som förstår det köper inte ny teknik för tekniken skull. De fixar ett trasigt program.

Om du ser framåt, hur ser du på relationen mellan mänskliga säkerhetsteam och AI-system utvecklas under de kommande åren?

Låt oss vara ärliga: om några år kommer AI i säkerhet inte att vara valfritt. Det kommer att vara baslinjen. Teamen som behandlar det som en “nice-to-have” kommer att hamna efter de som redan arbetar bredvid det.

När system mognar, tar AI på sig mer av den kognitiva bördan — filtrerar brus, upptäcker mönster, rekommenderar åtgärder — medan människor stannar där de hör hemma: i kontroll av bedömning och ansvar. Det partnerskapet kommer att definiera vad modern fysisk säkerhet ser ut som. Teamen som förstår det först vinner.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka HiveWatch.