Yariv Fishman, Chief Product Officer på Deep Instinct – Intervju-serie

Yariv Fishman är Chief Product Officer (CPO) på Deep Instinct, han är en erfaren produktledare med mer än 20 års ledarerfarenhet inom kända globala B2B-varumärken. Fishman har haft flera framträdande roller, inklusive ledande positioner på Microsoft (MSFT ) där han ledde Cloud App Security-produktportföljen och initierade MSSP och säkerhetspartnerprogrammet, och ansvarig för produktledning, molnsäkerhet och IoT-säkerhet på CheckPoint. Han har en B.Sc i informations-systemteknik från Ben Gurion University och en MBA från Technion, Israel Institute of Technology.

Deep Instinct är ett cybersäkerhetsföretag som tillämpar djupinlärning på cybersäkerhet. Företaget implementerar AI för att förhindra och upptäcka skadlig kod.

Kan du berätta om din resa inom cybersäkerhetsbranschen och hur den har format din syn på produktledning?

Under min 20-åriga karriär har jag arbetat på flera globala B2B-organisationer, inklusive Check Point Software Technologies (CHKP ) och Microsoft, där jag ledde produktledning och strategi och byggde upp min erfarenhet inom cybersäkerhet över offentliga moln, slutpunkter, nätverk och SaaS-applikationer.

Under resans gång har jag lärt mig olika bästa praxis – från hur man leder ett team till hur man informerar om rätt strategi – som har format hur jag leder på Deep Instinct. Att arbeta för flera cybersäkerhetsföretag av olika storlekar har gett mig en helhetsbild av ledningsstilar och lärt mig hur man skapar processer som stöder snabbt föränderliga team. Jag har också sett hur man släpper produkter och planerar för produkt-marknadsanpassning, vilket är avgörande för affärssuccé.

Vad lockade dig att gå med i Deep Instinct, och hur har din roll utvecklats sedan du började som Chief Product Officer?

Som en veteran inom branschen blir jag sällan upphetsad över ny teknik. Jag hörde första gången om Deep Instinct medan jag arbetade på Microsoft. När jag lärde mig om möjligheterna med prediktivt förebyggande teknik insåg jag snabbt att Deep Instinct var riktigt och gjorde något unikt. Jag gick med i företaget för att hjälpa till att produktisera dess djupinlärningsramverk, skapa marknadsanpassning och användningsfall för denna första i sitt slag zero-day datasäkerhetslösning.

Sedan jag gick med i teamet för tre år sedan har min roll förändrats och utvecklats tillsammans med vår verksamhet. Initialt fokuserade jag på att bygga upp vår produktledningsteam och relevanta processer. Nu fokuserar vi starkt på strategi och hur vi marknadsför våra zero-day datasäkerhetsförmågor i dagens snabbt föränderliga och allt farligare marknad.

Deep Instinct använder ett unikt djupinlärningsramverk för sina cybersäkerhetslösningar. Kan du diskutera fördelarna med djupinlärning jämfört med traditionell maskininlärning i hotförebyggande?

Begreppet “AI” används ofta som en universallösning för att utrusta organisationer i kampen mot zero-day hot. Men medan många cybersäkerhetsleverantörer påstår att de tillför AI till kampen, förblir maskininlärning (ML) – en mindre avancerad form av AI – en central del av deras produkter. ML är inte lämplig för uppgiften. ML-lösningar tränas på begränsade delmängder av tillgängliga data (vanligtvis 2-5%), erbjuder endast 50-70% noggrannhet med okända hot och introducerar falska positiva resultat. De kräver också mänskligt ingripande eftersom de tränas på mindre datamängder, vilket ökar risken för mänsklig partiskhet och fel.

Inte all AI är lika. Djupinlärning (DL), den mest avancerade formen av AI, är den enda tekniken som kan förhindra och förklara kända och okända zero-day hot. Skillnaden mellan ML- och DL-baserade lösningar blir tydlig när man undersöker deras förmåga att identifiera och förhindra kända och okända hot. Till skillnad från ML byggs DL på neurala nätverk, vilket möjliggör självinlärning och träning på rådata. Denna autonomi möjliggör för DL att identifiera, upptäcka och förhindra komplexa hot. Med sin förståelse för de grundläggande komponenterna i skadliga filer ger DL team möjlighet att snabbt etablera och upprätthålla en robust datasäkerhetspostur, vilket förhindrar nästa hot innan det ens materialiseras.

Deep Instinct lanserade nyligen DIANNA, den första generativa AI-drivna cybersäkerhetsassistenten. Kan du förklara inspirationen bakom DIANNA och dess nyckelfunktioner?

Deep Instinct är den enda leverantören på marknaden som kan förutsäga och förhindra zero-day attacker. Företags zero-day sårbarheter ökar. Vi såg en 64% ökning av zero-day attacker 2023 jämfört med 2022, och vi släppte Deep Instincts artificiella neuronnätassistent (DIANNA) för att bekämpa denna växande trend. DIANNA är den första och enda generativa AI-drivna cybersäkerhetsassistenten som tillhandahåller expertnivå malwareanalys och förklarbarhet för zero-day attacker och okända hot.

Vad som särskiljer DIANNA från andra traditionella AI-verktyg som använder LLM är dess förmåga att ge insikt i varför okända attacker är skadliga. Idag, om någon vill förklara en zero-day attack, måste de köra den genom en sandbox, vilket kan ta dagar och inte kommer att ge en utförlig eller fokuserad förklaring. Medan denna metod är värdefull, erbjuder den endast retrospektiv analys med begränsad kontext. DIANNA analyserar inte bara koden, utan förstår också avsikten, potentiella åtgärder och förklarar vad koden är utformad för att göra: varför den är skadlig och hur den kan påverka system. Denna process möjliggör för SOC-team att fokusera på larm och hot som verkligen är viktiga.

Hur skiljer sig DIANNA:s förmåga att tillhandahålla expertnivå malwareanalys från traditionella AI-verktyg på cybersäkerhetsmarknaden?

DIANNA är som att ha ett virtuellt team av malwareanalytiker och incidenthanterare till hands för att tillhandahålla djup analys av kända och okända attacker, förklara angriparnas metoder och beteendet hos skadliga filer.

Andra AI-verktyg kan endast identifiera kända hot och existerande attackvektorer. DIANNA går utöver traditionella AI-verktyg och erbjuder organisationer en utanför jämförelse nivå av expertis och insikt i okända skript, dokument och råbinärer för att förbereda sig för zero-day attacker. Dessutom tillhandahåller DIANNA förbättrad synlighet i beslutsprocessen för Deep Instincts förebyggande modeller, vilket möjliggör för organisationer att finjustera sin säkerhetspostur för maximal effektivitet.

Vilka är de primära utmaningarna som DIANNA hanterar i den nuvarande cybersäkerhetslandskapet, särskilt när det gäller okända hot?

Problemet med zero-day attacker idag är bristen på information om varför en incident stoppades och bedömdes som skadlig. Hotanalytiker måste spendera betydande tid på att avgöra om det var en skadlig attack eller en falsk positiv. Till skillnad från andra cybersäkerhetslösningar blockerade Deep Instinct rutinmässigt zero-day attacker med vår unika DL-lösning. Men kunderna bad om detaljerade förklaringar för att bättre förstå naturen hos dessa attacker. Vi utvecklade DIANNA för att förbättra Deep Instincts djupinlärningsförmågor, minska belastningen på överbelastade SecOps-team och tillhandahålla realtidsförklarbarhet för okända, sofistikerade hot. Vår förmåga att fokusera GenAI-modellerna på specifika artefakter möjliggör för oss att tillhandahålla en omfattande, men fokuserad, respons för att hantera marknadsgapet.

DIANNA är en betydande framsteg för branschen och ett konkret exempel på AI:s förmåga att lösa verkliga problem. Den använder enbart statisk analys för att identifiera beteendet och avsikten hos olika filformat, inklusive binärer, skript, dokument, genvägsfiler och andra hotleveransfiler. DIANNA är mer än bara en teknisk framsteg; det är en strategisk förändring mot en mer intuitiv, effektiv och effektiv cybersäkerhetsmiljö.

Kan du förklara hur DIANNA översätter binärkod och skript till naturliga språkrapporter och vilka fördelar detta medför för säkerhetsteam?

Den processen är en del av vår hemliga sås. På en hög nivå kan vi upptäcka skadlig kod som djupinlärningsramverket markerar inom ett angrepp och sedan mata in den som metadata i LLM-modellen. Genom att extrahera metadata utan att exponera känslig information tillhandahåller DIANNA zero-day förklarbarhet och fokuserade svar som kunderna söker.

Med den ökande förekomsten av AI-genererade attacker, hur ser du att AI utvecklas för att motverka dessa hot mer effektivt?

Så länge AI-baserade hot ökar, krävs det att man håller sig före de allt mer sofistikerade angriparna genom att gå utöver traditionella AI-verktyg och innovera med bättre AI, särskilt djupinlärning. Deep Instinct är det första och enda cybersäkerhetsföretaget som använder djupinlärning i sin datasäkerhetsteknologi för att förhindra hot innan de orsakar en säkerhetsincident och förutsäga framtida hot. Deep Instincts zero-day datasäkerhetslösning kan förutsäga och förhindra kända, okända och zero-day hot på <20 millisekunder, 750 gånger snabbare än den snabbaste ransomware kan kryptera – vilket gör det till en avgörande tillägg till varje säkerhetsstack, som tillhandahåller komplett, flerskiktad skydd mot hot över hybridmiljöer.

Tack för den utmärkta intervjun. Läsare som vill lära sig mer kan besöka Deep Instinct.