เอลิซาเบธ นัมมูร์ CEO และผู้ก่อตั้ง Teleskope – ซีรีส์สัมภาษณ์

เอลิซาเบธ นัมมูร์ CEO และผู้ก่อตั้ง Teleskope เป็นวิศวกรด้านความปลอดภัยที่เปลี่ยนมาเป็นผู้ก่อตั้ง โดยมีประสบการณ์การทำงานในด้านความปลอดภัยของข้อมูล ซอฟต์แวร์ และนวัตกรรมในบริษัทเทคโนโลยีที่ใหญ่ที่สุดในโลก ในขณะที่ทำงานเป็นวิศวกรซอฟต์แวร์ระดับสูงในด้านความปลอดภัยของข้อมูลที่ Airbnb (ABNB ) เธอได้เผชิญกับความท้าทายในการเข้าใจและควบคุมข้อมูลที่มีขนาดใหญ่และเติบโตอย่างรวดเร็วซึ่งกระจายอยู่ทั่วหลายระบบ ประสบการณ์นี้ร่วมกับการทำงานในตำแหน่งทางเทคนิคและยุทธศาสตร์ในบริษัท Amazon (AMZN ) และ Booz Allen Hamilton (BAH ) ได้กำหนดมุมมองของเธอเกี่ยวกับวิธีที่องค์กรสมัยใหม่ต่อสู้กับการจัดการข้อมูลที่มีความเสี่ยงในระดับใหญ่ และสุดท้ายทำให้เธอสร้างบริษัทที่แก้ไขช่องว่างนั้น

Teleskope เป็นแพลตฟอร์มความปลอดภัยของข้อมูลสมัยใหม่ที่ออกแบบมาเพื่อช่วยให้องค์กรเข้าใจอย่างต่อเนื่องว่าข้อมูลของพวกเขาอยู่ที่ไหน ข้อมูลถูกใช้อย่างไร และข้อมูลนั้นสร้างความเสี่ยงอะไรเมื่อสภาพแวดล้อมมีความซับซ้อนมากขึ้น แพลตฟอร์มนี้สร้างขึ้นโดยคำนึงถึงนักพัฒนาและทีมความปลอดภัย โดยเน้นความชัดเจนของข้อมูล การแก้ไขอัตโนมัติ และการควบคุมตามนโยบายทั่วทั้งคลาวด์ SaaS และสภาพแวดล้อมแบบผสม โดยการข้ามการตรวจสอบแบบคงที่และกระบวนการด้วยมือ Teleskope มีเป้าหมายที่จะให้องค์กรมีพื้นฐานที่เป็นรูปธรรมในการจัดการข้อมูลที่กระจายออกไปในขณะที่ทำให้สามารถนำ AI มาใช้ได้อย่างมีความรับผิดชอบ

คุณก่อตั้ง Teleskope หลังจากสร้างเครื่องมือความปลอดภัยของข้อมูลภายในที่ Airbnb เพื่อจัดทำและจัดประเภทข้อมูลในระดับขนาดใหญ่ คุณได้รับแรงบันดาลใจที่จะเปลี่ยนเป็นบริษัทแทนที่จะเป็นโครงการภายในในขณะใด และประสบการณ์เหล่านั้นได้กำหนดทฤษฎีผลิตภัณฑ์ของคุณอย่างไร

เมื่อฉันสร้างผลิตภัณฑ์นี้เสร็จที่ Airbnb ฉันมีโอกาสเขียนบทความบนบล็อกของ Airbnb เรื่อง “Automating Data Protection at Scale” ฉันไม่เคยคิดว่าจะมีอะไรเกิดขึ้น แต่ชุมชนความปลอดภัยตอบรับอย่างดี และฉันเริ่มได้รับการติดต่อจากผู้ปฏิบัติงานทั่วโลก ฉันมีเวลาที่จะรู้สึกว่าหลายคนแบ่งปันความท้าทายเดียวกับที่ฉันเผชิญ และผลิตภัณฑ์นี้เป็นสิ่งที่ตลาดต้องการอย่างแท้จริง ฉันพึ่งพาการให้คำปรึกษากับเพื่อนร่วมงานในระยะแรกๆ และแม้กระทั่ง Teleskope รุ่น 1.0 ก็ดีกว่าที่ฉันสร้างที่ Airbnb มาก ผลิตภัณฑ์ของเราตอนนี้มีขนาดใหญ่และมีผลกระทบมากกว่าที่ฉันเคยคิดไว้

การจำแนกประเภทหลายรูปแบบของคุณผสมผสาน ML แบบดั้งเดิม โมเดลที่เฉพาะเจาะจงรูปแบบ และการตรวจสอบ GenAI คุณสามารถอธิบายตรรกะการตัดสินใจและวิธีการลดผลลัพธ์เท็จบวก/เท็จลบในระดับใหญ่ได้อย่างไร

ฉันขอแนะนำให้อ่านบล็อกของเราเรื่อง การจำแนกประเภทข้อมูล ที่ฉันเขียนร่วมกับหัวหน้าฝ่ายวิทยาศาสตร์ข้อมูลของเรา Ivan ฉันจะพูดว่านี่เป็นศิลปะมากเท่ากับวิทยาศาสตร์ มีความ细ียดอ่อนมาก – ทุกครั้งที่คุณพบกับข้อมูลที่มีความเสี่ยง สภาพแวดล้อมจะไม่เหมือนใคร ความท้าทายคือการสร้างสมดุลระหว่างการแลกเปลี่ยน – ความเร็ว ความล่าช้า ความแม่นยำ ค่าใช้จ่าย และความกว้าง (ในด้านรูปแบบข้อมูล ภาษา ฯลฯ) เราเชื่อมั่นว่าคำตอบต้องเป็นเชิงสร้างสรรค์และต้องเป็นแบบหลายรูปแบบ นี่คือเหตุผลที่เราใช้แนวทางนี้ โดยผสมผสานวิธีการจำแนกประเภทหลายวิธีเพื่อให้ได้แนวทางที่มีพลวัตและละเอียดอ่อน ซึ่งสร้างขึ้นเพื่อใช้วิธีการที่เบาที่สุดเท่าที่จะเป็นไปได้โดยไม่สูญเสียความแม่นยำอย่างมีนัยสำคัญ แนวทางแบบไดนามิกนี้ทำให้เราสามารถสแกนข้อมูลได้เร็วกว่าเครื่องมือที่พึ่งพา LLM แบบหนึ่งขนาดที่เหมาะกับทุกคน 10-20 เท่า ในขณะเดียวกันก็ให้ผลลัพธ์ที่แม่นยำมากกว่าวิธีการแบบ REGEX หรือการเข้าถึงตามบริบทแบบดั้งเดิม

คุณได้แนะนำ Prism โดยมุ่งเน้นไปที่ความเข้าใจข้อมูลในระดับธุรกิจและการบำบัดด้วย GenAI คุณปลดล็อกกรณีการใช้งานใหม่ๆ อะไรเมื่อเทียบกับการตรวจจับ PII ระดับองค์ประกอบ และคุณป้องกันการหลอกลวงในการดำเนินการบำบัดอย่างไร

เมื่อฉันเริ่มต้นเพื่อแก้ไขความท้าทายของการจำแนกประเภทและปกป้องข้อมูล ความสนใจของฉันอยู่ที่การลดผลลัพธ์เท็จบวกที่แท้จริง ตัวอย่างเช่น วิธีทำให้แน่ใจว่าอย่างน้อย 95% ของเวลาที่เราระบุว่าบางอย่างเป็นหมายเลขประกันสังคม จะต้องเป็นหมายเลขประกันสังคมจริงๆ เมื่อไม่กี่ปีที่แล้ว แม้ความแม่นยำ 80% ทั่วทั้งประเภทข้อมูลต่างๆ ก็ยังถือเป็นการปรับปรุง

แต่จากการทำงานอย่างใกล้ชิดกับลูกค้าในปีที่ผ่านมา มันชัดเจนว่า “เสียงรบกวน” ที่ทีมต่างๆ ต้องเผชิญไม่ได้มาจากผลลัพธ์เท็จบวกที่ไม่แม่นยำ (แบบดั้งเดิม) เท่านั้น แต่ยังมาจากการที่ถูกอัดแน่นด้วยการแจ้งเตือนที่ไม่เกี่ยวข้องอีกด้วย สิ่งที่ Prism ทำคือปลดล็อกความสามารถของเราในการพิจารณาบริบทที่มากขึ้น – ไม่ใช่แค่ “ข้อมูลชิ้นนี้คืออะไร” หรือ “ใครกำลังเข้าถึงไฟล์นี้” แต่ยังรวมถึง “สิ่งนี้มีความหมายอย่างไรในทางปฏิบัติ” เมื่อรวมสิ่งนี้เข้ากับข้อมูลที่เราสามารถรับเกี่ยวกับสิ่งที่ธุรกิจต่างๆ ควรสนใจจริงๆ เราสามารถส่งมอบผลิตภัณฑ์ที่ตอบสนองความต้องการที่แตกต่างกันของแต่ละบริษัทได้

การเข้าใจบริบทในระดับนี้เป็นการเปลี่ยนแปลงที่แท้จริง ตัวอย่างเช่น การเก็บหมายเลขประกันสังคมหลายร้อยหมายเลขใน Google (GOOGL ) Doc ในไดรฟ์ส่วนบุคคลอาจเป็นความเสี่ยงและละเมิดนโยบายการจัดการข้อมูลอย่างร้ายแรง แต่การมีแฟลเดอร์ในไดรฟ์ HR ที่มี W2 ของพนักงานหลายคนนั้นเป็นพฤติกรรมที่คาดหวัง ทีมความปลอดภัยต้องการได้รับการแจ้งเตือนเกี่ยวกับเรื่องแรก แต่การได้รับการแจ้งเตือนสำหรับ W2 ของพนักงานแต่ละคนซึ่งจัดเก็บอย่างถูกต้องก็เป็นเพียงเสียงรบกวนเท่านั้น การเข้าใจว่าข้อมูลที่มีความเสี่ยงอยู่ที่ไหนและในบริบทใดต้องมีมากกว่าแค่โมเดลการจำแนกประเภทขององค์ประกอบ

เราทำงานกับบริษัทเคมีหลายชาติ เช่น Chevron (CVX ) Philips Chemicals ธุรกิจนี้ไม่เคยซื้อเครื่องมือความเป็นส่วนตัวหรือ DSPM มาตรฐาน เพราะพวกเขาไม่เห็นความเสี่ยงของข้อมูลผู้บริโภคเป็นเรื่องสำคัญ แต่สิ่งที่พวกเขาห่วงคือทรัพย์สินทางปัญญาในรูปแบบของสมการเคมีที่เป็นเอกลักษณ์ โดยการทำให้สาระของเอกสารกลายเป็นรายการป้ายกำกับแบบคลัสเตอร์ เราสามารถไม่เพียงแต่ตรวจจับองค์ประกอบที่มีความเสี่ยงเท่านั้น แต่ยังสามารถค้นหากรณีที่ทรัพย์สินเหล่านี้อยู่ใน “ที่ที่ไม่ถูกต้อง” อีกด้วย เมื่อรวมบริบทนี้เข้ากับการบำบัดอัตโนมัติของเรา เราสามารถดำเนินการเพื่อเก็บถาวร ลบ แก้ไข หรือย้ายไฟล์เหล่านั้นไปยังตำแหน่งที่เหมาะสม ไม่มีใครในตลาดความปลอดภัยของข้อมูลทำงานในลักษณะนี้

Teleskope เน้นการค้นพบอย่างต่อเนื่องในระบบหลายคลาวด์ ในระบบภายในและระบบของบุคคลที่สาม รวมถึงข้อมูลเงา สิ่งที่ “แผนที่ที่สมบูรณ์” ดูเหมือนอย่างไร และคุณสามารถแสดงตัวเลือกที่ไม่รู้จักในระบบใหม่ได้อย่างรวดเร็วเพียงใด

“สมบูรณ์” เป็นคำที่ยากที่จะอธิบาย – ในความเป็นจริงแล้วเป็นมาตรฐานที่เคลื่อนไหวอยู่ตลอดเวลา โดยเฉพาะอย่างยิ่งในการจัดการกับข้อมูลที่กระจายออกไป เป้าหมายของเราคือ Teleskope จะต้องมีอยู่ทุกที่ที่ลูกค้าของเรามีข้อมูล เราเป็นผลิตภัณฑ์ที่ขึ้นอยู่กับการรวมระบบในหลายๆ ด้าน – เราได้สร้างตัวเชื่อมข้อมูลที่เป็นเอกลักษณ์หลายสิบตัวเพื่อให้สามารถค้นหา สแกน และจำแนกประเภทข้อมูลทั่วทั้งเครื่องมือ SaaS ที่หลากหลาย ร้านค้าข้อมูลคลาวด์ และระบบภายในสภาพแวดล้อม ส่วนใหญ่ลูกค้าเริ่มต้นด้วยตัวเชื่อมต่อที่พวกเขาเห็นว่ามีความเสี่ยงสูงหรือที่พวกเขาไม่มีการมองเห็นมากที่สุด ดังนั้นในความเป็นจริง เราไม่ได้อยู่ทุกที่ที่ข้อมูลของบริษัทอยู่ อย่างไรก็ตาม ในแต่ละแหล่งข้อมูล เรากำลังค้นหาและแสดงข้อมูลใหม่และเก่าในเวลาเกือบเรียลไทม์

สำหรับความปลอดภัยและธรรมาภิบาลของ AI คุณติดตามสายพันธุ์ระหว่างชุดข้อมูลการฝึกอบรม โมเดล คำสั่ง และเอาต์พุตเพื่อการตรวจสอบอย่างไร

เรามีสามวิธีหลักในการสนับสนุนความปลอดภัยและธรรมาภิบาลของ AI ประการแรก คือความสามารถของเราในการใช้เทคโนโลยีการจำแนกประเภทและการบำบัดของเราไปยังข้อมูลที่กำลังเคลื่อนไหวผ่าน API ของเรา เมื่อบริษัทต่างๆ กำลังสร้างหรือเตรียมชุดข้อมูลเพื่อฝึกโมเดลของตนเอง พวกเขาต้องการวิธีในการรับรองว่าข้อมูลนั้นไม่มีข้อมูลส่วนบุคคลหรือข้อมูลที่มีความเสี่ยงอื่นๆ ดังนั้นเราจึงเชื่อมต่อโดยตรงกับขั้นตอนการประมวลผลข้อมูลและสามารถลบข้อมูลชุดข้อมูลเหล่านั้นได้เมื่อถูกย้ายหรือคัดลอกเข้าไปในเซตการฝึกอบรม เพื่อให้แน่ใจว่าโมเดลเหล่านั้นจะไม่มีความเสี่ยงต่อการผลิตข้อมูลที่มีความเสี่ยง

การป้องกันความเป็นส่วนตัวและการปฏิบัติตามกฎระเบียบ: คุณอ้างว่ามีการตรวจสอบอย่างต่อเนื่องและการทำแผนที่อัตโนมัติไปยังกรอบการทำงาน/กฎระเบียบ คุณทำให้การทำแผนที่เหล่านี้ทันสมัยตามที่กฎหมายพัฒนาไปอย่างไร และการควบคุมสามารถปรับแต่งได้สำหรับภูมิภาคหรือหน่วยธุรกิจที่แตกต่างกันอย่างไร

อย่างตรงไปตรงมา เป้าหมายของเรามีการเปลี่ยนแปลงจากการจัดทำเช็คลิสต์ไปสู่การทำความเข้าใจอย่างลึกซึ้งเกี่ยวกับสิ่งที่ลูกค้าของเราห่วงใย ในบางกรณี พวกเขาต้องการจัดทำแผนที่ 100% ไปยังกฎระเบียบที่ใหม่ที่สุด และเรากำลังติดตามการเปลี่ยนแปลงเหล่านี้และรวมเข้ากับผลิตภัณฑ์ของเราอย่างต่อเนื่อง แต่จริงๆ แล้ว บริษัทส่วนใหญ่ยังห่างไกลจากความสามารถในการปฏิบัติตามกฎหมายเหล่านี้อย่างสมบูรณ์แบบ ดังนั้นเราจึงต้องพบพวกเขา ณ จุดที่พวกเขาอยู่และรับรองว่าเราสามารถพาให้พวกเขาจากจุด A ไปจุด B และจุด C ก่อนที่จะห่วงใยเรื่องการไปถึงจุด Z วิธีที่เราทำคือการเข้าใจสิ่งที่การปฏิบัติตามกฎหมายหมายถึงสำหรับบริษัทนั้น (อีกครั้ง บริษัทผลิตอาจไม่เห็นกฎหมายอย่าง GDPR เป็นข้อกังวลหลัก) และรับรองว่าเราสามารถสร้างผลิตภัณฑ์ให้เหมาะสมกับโปรไฟล์ความเสี่ยงและความต้องการเฉพาะของพวกเขา

การนำ AI มาใช้: ลูกค้าของคุณใช้ Teleskope เพื่อสร้าง “อินพุตที่ปลอดภัย” และ “เอาต์พุตที่ปลอดภัย” โดยไม่ทำให้ความเร็วในการพัฒนาลดลง มีรูปแบบที่คุณแนะนำหรือไม่

ลูกค้าเชื่อมต่อ API การลบข้อมูลของ Teleskope เข้ากับขั้นตอนการฝึกอบรมและขั้นตอนการอนุมานเพื่อให้แน่ใจว่าข้อมูลที่มีความเสี่ยงจะไม่ไหลไปยังโมเดล AI ที่สร้างขึ้น กระบวนการลบข้อมูลถูกแยกออกจากนักพัฒนาเพื่อรักษาความเร็วในการพัฒนาด้วยการลบข้อมูลก่อนการอนุมานและฟื้นฟูข้อมูลหลังจากนั้น

เมื่อมองไปข้างหน้า คุณได้พูดถึงแพลตฟอร์มความปลอดภัยของข้อมูล “อเจนติก” ที่สมบูรณ์ซึ่งมีการบำบัดอัตโนมัติ อนุสรณ์สัญญาณที่จะบ่งชี้ว่าอุตสาหกรรมพร้อมสำหรับการปกป้องข้อมูลอัตโนมัติเต็มรูปแบบคืออะไร

เรารู้ว่าอุตสาหกรรมพร้อมสำหรับสิ่งนี้แล้ว พื้นที่อื่นๆ ของไซเบอร์ เช่น SOC ได้แสดงการเปลี่ยนแปลงที่สมบูรณ์ไปสู่ AI อเจนติกเพื่อปรับขนาดความสามารถของทีมความปลอดภัย เรามีลูกค้าที่รอเป็นหุ้นส่วนในการออกแบบงานนี้ ดังนั้นเราจึงรู้ว่าหลายบริษัทต่างๆ รู้สึกถึงความเจ็บปวดในการต้องยังคงต้องแยกแยะ ติดตาม และตัดสินใจด้วยตนเองเพื่อแก้ไขตั๋วใบเดียว เรามั่นใจว่านี่คือทิศทางที่ตลาดกำลังไป และเราตั้งใจที่จะนำการเปลี่ยนแปลงนี้

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Teleskope