อิโด ลิฟเนห์ CEO และผู้ร่วมก่อตั้ง Jazz – สัมภาษณ์ซีรีส์

อิโด ลิฟเนห์ CEO และผู้ร่วมก่อตั้ง Jazz เป็นผู้นำผลิตภัณฑ์ที่มีประสบการณ์และเป็นผู้ประกอบการมีประวัติการสร้างและขยายแพลตฟอร์มเทคโนโลยีที่มีผลกระทบสูง รวมถึงการเป็นผู้นำผลิตภัณฑ์ที่ Laminar ผ่านการเข้าซื้อกิจการโดย Rubrik และช่วยขับเคลื่อนการขาย Tapingo ให้กับ Grubhub มูลค่า 150 ล้านดอลลาร์ อาชีพของเขาประกอบด้วยบทบาทระดับสูง tại Axonius และการผจญภัยก่อนหน้านี้ เช่น KnuPo และมีพื้นฐานทางเทคนิคที่พัฒนาในช่วงเกือบหนึ่งทศวรรษในกองกำลังป้องกันของอิสราเอล ซึ่งเขาได้รับการเลื่อนตำแหน่งจากวิศวกรไปสู่การเป็นผู้นำด้านการวิจัยและพัฒนาซอฟต์แวร์ ซึ่งประสบการณ์นี้มีอิทธิพลต่อการมุ่งเน้นของเขาในการสร้างโซลูชันความปลอดภัยทางไซเบอร์ที่เป็นเจ้าของ AI

Jazz เป็นบริษัทความปลอดภัยทางไซเบอร์ที่เป็นเจ้าของ AI ซึ่งกำลังปฏิรูปการป้องกันการสูญเสียข้อมูลโดยการเคลื่อนไหวไปไกลกว่าระบบที่อาศัยกฎเกณฑ์แบบดั้งเดิม และแนะนำแพลตฟอร์มที่ตระหนักถึงบริบท ซึ่งเข้าใจว่าข้อมูลไหลผ่านองค์กรอย่างไร โดยวิเคราะห์พฤติกรรมของผู้ใช้ ระบบ และกระบวนการทำงานเพื่อระบุความเสี่ยงที่แท้จริง แทนที่จะสร้างการเตือนเกินจำเป็น โดยใช้ AI ในการสอบสวนเหตุการณ์ที่ต้นเหตุและให้ข้อมูลเชิงลึกที่สามารถดำเนินการได้ แพลตฟอร์มนี้ช่วยให้ทีมความปลอดภัยที่มีขนาดเล็กสามารถจัดการสภาพแวดล้อมที่ซับซ้อนและป้องกันการเปิดเผยข้อมูลที่ละเอียดอ่อนทั่วทั้งแอปพลิเคชันบนคลาวด์ จุดสิ้นสุด และระบบภายใน ทำให้ Jazz เป็นส่วนหนึ่งของบริษัทใหม่ที่กำลังสร้างความปลอดภัยทางองค์กรขึ้นมาใหม่สำหรับยุค AI

คุณได้นำผลิตภัณฑ์ที่บริษัทต่างๆ เช่น Laminar ผ่านการเข้าซื้อกิจการ และดำรงตำแหน่งผู้นำที่ Axonius และ Grubhub ในขณะเดียวกันก่อตั้งสตาร์ทอัพหลายแห่ง สิ่งใดหรือการมองเห็นที่เฉพาะเจาะจงจากประสบการณ์เหล่านั้นที่ผลักดันให้คุณเริ่มต้น Jazz และทำไมวันนี้จึงเป็นช่วงเวลาที่เหมาะสมในการปฏิรูปการป้องกันการสูญเสียข้อมูล (DLP)?

ฉันใช้เวลาเกือบสิบปีในการสร้างผลิตภัณฑ์ความปลอดภัยและนั่งอยู่ข้างๆ CISO สามตำแหน่ง VP Product สองตำแหน่งที่เราขายได้ รวมถึง Laminar ซึ่งเราขายให้กับ Rubrik และถ้าฉันเรียนรู้สิ่งใดจากทั้งหมดนั้น มันคือสิ่งนี้: ไม่มีใครรัก DLP ของตนเอง

ที่ Laminar เราได้สร้าง DSPM หรือการบริหารจัดการท่าทางความปลอดภัยของข้อมูล ซึ่งเป็นปัญหาที่ดี แต่เราใช้เวลาสามปีในการศึกษาตลาดก่อนที่จะเริ่มรับคำขอเข้ามา ฉันเดินออกไปโดยคิดว่า: ครั้งหน้า ฉันต้องการปัญหาที่เก่าแล้ว ปัญหาที่ทุกคนในคณะกรรมการและ CISO ทุกคนรู้จักและได้รับงบประมาณแล้ว และไม่มีใครแก้ไขได้

DLP คือปัญหานั้น มันคือปัญหา 20 ปี ทุกองค์กรรู้ถึงความเสี่ยง และโซลูชันที่มีอยู่ในตลาดถูกเกลียดชังทั่วไป ไม่ใช่เพราะผู้ขายไม่มีความสามารถ แต่เพราะเฟรมเวิร์กทั้งหมดไม่ถูกต้อง เราได้ขอให้เครื่องจักรตรงกับรูปแบบและให้คนให้บริบท รูปแบบนั้นถูกกำหนดให้ล้มเหลวตั้งแต่แรก

การเวลาเป็นเรื่องชัดเจน AI ให้เรา能力ในการทำสิ่งที่เป็นไปไม่ได้ก่อนหน้านี้ – สร้างระบบที่เข้าใจข้อมูลเหมือนผู้วิเคราะห์ระดับอาวุโส แต่แบบอัตโนมัติและในระดับที่กว้างใหญ่ เมื่อเราพบสิ่งนั้น ผู้ร่วมก่อตั้งสี่คนของเรารู้ว่านี่คือช่วงเวลาที่จะกลับไปที่หลักการและสร้าง DLP ใหม่ตั้งแต่เริ่มต้น และคราวนี้ ให้มันทำงานได้และง่ายด้วย

ระบบ DLP แบบดั้งเดิมได้รับการวิพากษ์วิจารณ์อย่างกว้างขวางว่าสร้างการเตือนเกินจำเป็น สิ่งใดที่พังทลายในระบบ DLP ที่อาศัยกฎเกณฑ์ และทำไมอุตสาหกรรมต้องดิ้นรนในการแก้ปัญหานี้?

ปัญหาไม่ใช่ว่า DLP ที่อาศัยกฎเกณฑ์ต้องการกฎที่ดีกว่า ปัญหาก็คือว่ากฎเป็นเครื่องมือที่ไม่ถูกต้องสำหรับงานนี้ตั้งแต่แรก

นี่คือวิธีการทำงานจริงๆ คุณติดตั้งระบบที่เข้าใจรูปแบบ – รูปแบบการแสดงออกแบบ 정규 การ 匹配คำหลัก คุณเขียนกฎ เครื่องจักรจะจับคู่ข้อมูลกับกฎเหล่านั้น และทุกครั้งที่มีการจับคู่ จะบอกว่า “มาดูสิ่งนี้” ผู้วิเคราะห์จะต้องนำบริบททั้งหมดมา – ใครเป็นคนนี้ทำอะไร และทำไมทำ และตัดสินใจ

ส่วนที่สอง การสอบสวนของมนุษย์ไม่เคยขยายขนาดได้ ฟิสิกส์ของ DLP มีเสียงรบกวนมาก ข้อมูลเคลื่อนไหวอยู่เสมอภายในองค์กรขนาดใหญ่ ตัวเลขเก้าหลักไม่ใช่หมายเลขประกันสังคมเสมอไป การอัปโหลดไฟล์ไม่ใช่การขโมยข้อมูลเสมอไป ระบบไม่สามารถบอกได้ว่าการแชร์ไฟล์ที่ละเอียดอ่อนเป็นการทำงานที่สำคัญหรือสินค้าที่มีค่าออกไป

ดังนั้นบริษัทจึงทำอะไร พวกเขาบางส่วนเพิ่มการยกเว้น การยกเว้นแต่ละครั้งเป็นช่วงเวลาที่เครื่องมือล้มเหลวในการเข้าใจธุรกิจของพวกเขา และแต่ละครั้งเป็นเหมือนประตูหลังที่ได้รับการอนุมัติ

เกี่ยวกับ 30% ของตลาดมีโปรแกรม DLP ที่มีความเป็นมืออาชีพ และแม้แต่พวกเขาเองก็รู้ว่ามันเป็นเพียงความพยายามที่ดีที่สุด – เพื่อความพึงพอใจของกรอบการทำงานที่เป็นไปตามข้อกำหนดและไม่เกินนั้น เราเรียกพวกเขาว่า “ผู้ที่ถูกจับ” อีก 70% ไม่เคยพยายามหรือพยายามแล้วล้มเหลว การพยายามแก้ไขปัญหานี้ในอดีตโดยการโรย AI บนเฟรมเวิร์กที่อาศัยกฎเกณฑ์แบบเดิมๆ นั้นเหมือนกับการทาสีใหม่บนรถที่ทุกคนรู้ว่าไม่สามารถรับภาระได้

Jazz ตั้งตนเป็นผู้ให้คำตอบแทนการเตือน สามารถอธิบายได้ว่าระบบสอบสวนเหตุการณ์อย่างไร และอะไรที่แตกต่างจากกระบวนการตรวจจับแบบดั้งเดิม?

DLP แบบดั้งเดิมให้การเตือนและ递มเครื่องมือให้คุณ “บางสิ่งเกิดขึ้นในอาคารนั้น ดีแล้วที่คุณมาดู”

Jazz ไม่ทำเช่นนั้น เราได้สร้างผู้สอบสวนแบบอัตโนมัติที่ชื่อ Melody ซึ่งทำงานเช่นเดียวกับผู้วิเคราะห์ระดับอาวุโส แต่ในระดับที่มากกว่ามนุษย์

เมื่อการทำธุรกรรมข้อมูลเกิดขึ้น Melody ไม่เพียงแต่จะแจ้งเตือน แต่จะดำเนินการสอบสวนอย่างเต็มรูปแบบใน bốnมิติ ประการแรก คือข้อมูลเอง – ไม่ใช่ด้วยรูปแบบการแสดงออกแบบ 정규 แต่เข้าใจลึกๆ ว่าข้อมูลนี้คืออะไร ใครเป็นเจ้าของ และความเสี่ยงในการสูญเสียมันหมายถึงอะไรสำหรับบริษัทนี้ ประการที่สอง คือระบบ – ที่ไหนมา ที่ไหนไป และที่ไหนสำคัญ – ซึ่งเป็นระบบใด และประการที่สาม คือผู้คน – เราเรียนรู้ว่าบุคคลปฏิบัติตนอย่างไร ใช้ข้อมูลอย่างไรตามเวลา และสิ่งที่ปกติสำหรับบทบาทของพวกเขา และประการที่สี่ คือกระบวนการทางธุรกิจ – ทำไมการทำธุรกรรมจึงเกิดขึ้น

ตัวแทนเหล่านี้มารวมกันและสร้างเรื่องราวที่สมบูรณ์: สิ่งที่เกิดขึ้น ทำไมจึงเกิดขึ้น และเจตนาเบื้องหลังของการกระทำนั้น เมื่อมนุษย์เห็นมัน มันไม่ใช่การเตือน แต่เป็นเรื่องราวที่มีการสอบสวนล่วงหน้าพร้อมหลักฐาน บริบท และคำตัดสิน ในการนำไปใช้แบบทั่วไป Jazz จะประมวลผลสัญญาณประมาณ 2 ล้านสัญญาณต่อเดือนสำหรับทุกๆ 1,000พนักงาน สอบสวนหลายร้อยพันเหตุการณ์ที่อาจเกิดขึ้น และแสดงเหตุการณ์ประมาณ 80 เหตุการณ์ที่ต้องการความสนใจของมนุษย์ นั่นคืออัตราส่วนสัญญาณต่อเสียงรบกวน 20,000 ต่อ 1 นั่นคือวิธีที่เราหยุดการเตือนแบบไม่สามารถดำเนินการได้และความเหนื่อยล้าจากการเตือน

แพลตฟอร์มของคุณวิเคราะห์บริบทข้ามข้อมูล ระบบ ผู้คน และกระบวนการทางธุรกิจ วิธีการทางเทคนิคในการรวมมิติเหล่านี้ และ AI ตัวแทนหรือระบบการให้เหตุผลมีบทบาทอย่างไรในกระบวนการนี้?

สถาปัตยกรรมถูกสร้างขึ้นโดยใช้ตัวแทน AI ที่เชี่ยวชาญหลายตัว โดยแต่ละตัววิเคราะห์การทำธุรกรรมข้อมูลเดียวจากมุมมองที่แตกต่างกัน

ตัวแทนหนึ่งตัวมุ่งเน้นไปที่การเข้าใจข้อมูลอย่างลึกซึ้ง – เนื้อหา ความอ่อนไหว การเป็นเจ้าของ และความเกี่ยวข้องกับธุรกิจ อีกตัวมองไปที่ภูมิทัศน์ของระบบ – ไม่ใช่แค่ชื่อของแอปพลิเคชัน แต่ระบบใด ที่เชื่อถือได้หรือไม่ และเป็นขององค์กรหรือส่วนบุคคล อีกตัวหนึ่งสร้างและอัปเดตโปรไฟล์ของวิธีการทำงานของแต่ละบุคคลและใช้ข้อมูลเพื่อประเมินว่าการกระทำนั้นเป็นไปตามบทบาทหรือไม่ และอีกตัวหนึ่งสร้างกระบวนการทางธุรกิจ – เชื่อมโยงการทำธุรกรรมข้อมูลกับกระบวนการทำงานที่ทราบและระบุกระบวนการที่ไม่สามารถอธิบายได้

ตัวแทนเหล่านี้มารวมกันและสรุปผลการสอบสวน – เรื่องราวที่สมบูรณ์ของสิ่งที่เกิดขึ้น ทำไมจึงเกิดขึ้น และว่ามันเป็นความเสี่ยงหรือไม่

ทั้งหมดนี้อยู่บนพื้นฐานของนวัตกรรมสองประการ ประการแรก คือห้องเก็บบริบทจุดสิ้นสุด – สัญญาณใหม่ที่เราสร้างขึ้นโดยเฉพาะสำหรับ DLP ซึ่งไม่เพียงแต่การทำธุรกรรมข้อมูลเท่านั้น แต่ยังรวมถึงเรื่องราวทั้งหมดที่เกิดขึ้นรอบๆ มัน สัญญาณเหล่านี้มีบริบทที่มีคุณค่าและช่วยให้เราไม่เพียงแต่บอกว่าเกิดอะไรขึ้น แต่ยังบอกว่าทำไมและเจตนาเบื้องหลังการกระทำนั้นด้วย

ประการที่สอง คือเครื่องยนต์นโยบายภาษาธรรมชาติ ที่แทนที่ชุดกฎเกณฑ์แบบดั้งเดิม ไม่ใช่การเขียนกฎทางเทคนิคด้วยรูปแบบการแสดงออกแบบ 정규และขอบเขต แต่ให้ทีมความปลอดภัยอธิบายว่าอะไรที่ยอมรับได้และอะไรที่ไม่ได้รับอนุญาตในภาษาที่มนุษย์เข้าใจได้ Melody ใช้สิ่งนี้เพื่อตัดสินใจโดยใช้ความเข้าใจในสถานการณ์ที่ไม่ได้กล่าวถึงอย่างชัดเจนในนโยบายใดๆ

เรายังแสดงหลักฐานโดยตรง – ช่องว่างกิจกรรมทั้งหมด ไม่ใช่ “เชื่อใจ AI” แต่ “นี่คือสิ่งที่ AI เห็น นี่คือสิ่งที่ AI สรุป และนี่คือข้อมูลดิบเพื่อให้คุณตรวจสอบ” ลูกค้าของเราบอกว่ามันรู้สึกเหมือนได้รับการบรรยายจากเพื่อนร่วมงานที่มีความละเอียดมาก

หลายองค์กรกำลังใช้ตัวแทน AI อิสระที่โต้ตอบกับข้อมูลที่ละเอียดอ่อน การเปลี่ยนแปลงนี้เปลี่ยนแปลงภูมิทัศน์การคุกคามอย่างไร และทำไมจึงต้องใช้แนวทางใหม่ในการป้องกันการสูญเสียข้อมูล?

นี่คือปัญหาที่ยังไม่ได้ถูกแก้ไข

การระเบิดของ SaaS ทำให้ทีมความปลอดภัยต้องจัดการกับเครื่องมือใหม่ๆ มากมายทุกสัปดาห์ ลูกค้าของเราพบว่ามีเครื่องมือ GenAI มากกว่า 400 ชิ้นที่ทำงานในองค์กรโดยไม่มีใครรู้

ตัวแทน AI ไม่เพียงแต่จัดการข้อมูลเท่านั้น แต่ยังดึงข้อมูลมาเปลี่ยนแปลงและส่งไปยังบริการอื่นๆ และตัดสินใจว่าจะส่งไปที่ไหน การเชื่อมต่อ AI ที่เขียนโค้ดกับฐานโค้ดของบริษัทโดยใช้บัญชีส่วนบุคคลและผลลัพธ์ที่ส่งไปยังที่เก็บส่วนบุคคล – เราเห็นสิ่งนี้ในสนาม หรือบางคนวางเอกสารกลยุทธ์ที่เป็นกรรมสิทธิ์ลงในเซสชัน ChatGPT ส่วนบุคคลเพราะบริษัทไม่ได้จัดเตรียมบัญชีองค์กรให้ หรือแม้แต่ปลั๊กอิน Grammarly ที่ตรวจสอบทุกสิ่งที่คุณพิมพ์ รวมถึงรายละเอียดการโอนเงินและข้อมูลลูกค้า

DLP ที่อาศัยกฎเกณฑ์ถูกสร้างขึ้นสำหรับโลกที่ข้อมูลเคลื่อนผ่านช่องทางที่ทราบได้ ไม่ว่าจะเป็นไฟล์แนบ อุปกรณ์ USB หรือการอัปโหลดเว็บ AI ทำให้โมเดลนี้พังทลาย ข้อมูลเคลื่อนผ่านเวกเตอร์หลายสิบที่ระบบดั้งเดิมไม่สามารถมองเห็นหรือเข้าใจได้ คุณต้องการระบบที่เข้าใจบริบท – ไม่ใช่แค่ว่าข้อมูลเคลื่อนไป แต่ทำไม จึงผ่านอะไร และว่าจุดหมายปลายเป็นจุดใดที่ได้รับการอนุมัติ

นั่นคือเหตุผลที่เฟรมเวิร์กเก่าไม่สามารถแก้ไขได้ คุณต้องการแนวทางที่เข้าใจบริบทธุรกิจโดยธรรมชาติ เพราะพื้นผิวการโจมตีไม่ใช่รายการช่องทางอีกต่อไป แต่เป็นทุกปฏิสัมพันธ์ระหว่างมนุษย์ เครื่องมือ AI และข้อมูลที่ละเอียดอ่อน

ความสามารถในการอธิบายยังคงเป็นอุปสรรคสำคัญในการนำ AI ไปใช้ในด้านความปลอดภัย คุณรับประกันว่าการตัดสินใจของระบบของคุณนั้นสามารถเข้าใจและเชื่อถือได้สำหรับทีมความปลอดภัยที่ทำงานในสภาพแวดล้อมที่มีความเสี่ยงสูง?

สิ่งนี้คือสิ่งที่เราคิดถึงตั้งแต่วันแรก เพราะสิ่งสุดท้ายที่ CISO ต้องการคือกล่องดำอีกกล่องหนึ่ง

การสอบสวนทุกครั้งที่ Melody สร้างขึ้นเป็นเรื่องราว – ไม่ใช่คะแนน ไม่ใช่สี ไม่ใช่ตัวเลขความเสี่ยง ไม่ใช่การอธิบายที่ไม่ชัดเจน มันเหมือนกับการบรรยายจากผู้วิเคราะห์ระดับอาวุโส นี่คือสิ่งที่เกิดขึ้น นี่คือผู้ที่เกี่ยวข้อง นี่คือเหตุผลที่พวกเขากระทำ และนี่คือหลักฐาน นี่คือนโยบายที่สอดคล้องกัน และนี่คือการประเมินของเรา

เครื่องยนต์นโยบายภาษาธรรมชาติเป็นสิ่งสำคัญสำหรับสิ่งนี้ เนื่องจากนโยบายเขียนด้วยภาษาที่มนุษย์เข้าใจได้ ทีมความปลอดภัยจึงสามารถเห็นได้อย่างชัดเจนว่าการตัดสินใจใดสอดคล้องกับนโยบายใด และทำไม หาก Melody ระบุสิ่งใด ทีมสามารถติดตามเหตุผลจากสัญญาณดิบผ่านการวิเคราะห์บริบทไปยังนโยบายที่ตรงกัน และหากพวกเขาไม่เห็นด้วย พวกเขาสามารถปรับนโยบายได้ด้วยภาษาธรรมชาติ – ไม่ใช่การแก้ไขชุดกฎ

เรายังแสดงหลักฐานโดยตรง – ช่องว่างกิจกรรมทั้งหมด ไม่ใช่ “เชื่อใจ AI” แต่ “นี่คือสิ่งที่ AI เห็น นี่คือสิ่งที่ AI สรุป และนี่คือข้อมูลดิบเพื่อให้คุณตรวจสอบ” ลูกค้าของเราบอกว่ามันรู้สึกเหมือนได้รับการบรรยายจากเพื่อนร่วมงานที่มีความละเอียดมาก

นั่นคือมาตรฐาน ระบบต้องสร้างความไว้วางใจโดยการเปิดเผยถึงวิธีการที่มันสรุปได้

Jazz อธิบายระบบของตนเองว่าทำงานเหมือนผู้สอบสวนมนุษย์มากกว่าเครื่องมือที่อาศัยกฎเกณฑ์ สิ่งนี้หมายถึงอะไรในทางปฏิบัติ และเรากำลังใกล้จะไปสู่การดำเนินการความปลอดภัยอัตโนมัติอย่างแท้จริงหรือไม่?

เมื่อฉันพูดว่า Melody ทำงานเหมือนผู้สอบสวนมนุษย์ ฉันหมายความว่ามันจริงๆ

ผู้วิเคราะห์ DLP ที่ดีไม่เพียงแต่เห็นว่าไฟล์ถูกอัปโหลดเท่านั้น แต่ยังดูว่าใครอัปโหลด มีอะไรอยู่ในนั้น ไปที่ไหน และว่ามีเหตุผลทางธุรกิจสำหรับการทำธุรกรรมนั้นหรือไม่ พวกเขาทำการวิเคราะห์เชิงบริบท – ไม่ใช่แค่การอ้างอิงกฎ – และสิ่งนี้ต้องมีการทำความเข้าใจบริบทธุรกิจของพวกเขา

ในทางปฏิบัติ ลูกค้าของเราอธิบาย Melody ว่าเป็นสมาชิกอีกคนหนึ่งในทีมของพวกเขา เธอแสดงให้พวกเขาเห็นถึงสถานการณ์ที่อยู่นอกนโยบาย โดยให้การสอบสวนที่สมบูรณ์พร้อมหลักฐานและขอความเห็นจากพวกเขาในกรณีที่ต้องการการตรวจสอบของมนุษย์ เธอเรียนรู้องค์กรตลอดเวลา – กระบวนการทางธุรกิจ ข้อยกเว้น และสิ่งที่เป็นการละเมิดทางเทคนิคแต่ปกติในการดำเนินงาน

ในเรื่องการดำเนินการความปลอดภัยอัตโนมัติอย่างแท้จริง – เรากำลังใกล้แล้วกว่าที่คนส่วนใหญ่คิด แต่ฉันต้องการชี้แจงว่าสิ่งนี้หมายถึงอะไร Melody ทำงานอัตโนมัติแล้วในขั้นตอนการสอบสวน เธอใช้สัญญาณดิบและสร้างการสอบสวนที่สมบูรณ์พร้อมบริบทโดยไม่ต้องมีการแทรกแซงจากมนุษย์ สำหรับสถานการณ์ที่มีความมั่นใจสูงและความเสี่ยงที่สูง เธอยังสามารถดำเนินการป้องกันแบบอัตโนมัติ – ปิดกั้นการขโมยข้อมูลก่อนที่จะเสร็จสิ้น

มนุษย์ยังคงอยู่ในวงจรสำหรับการตัดสินใจและสำหรับการเรียนรู้ของมนุษย์ และนี่คือการออกแบบ ทีมความปลอดภัยไม่ต้องการให้ AI แทนที่การตัดสินใจของมนุษย์ แต่ต้องการให้ AI ช่วยลดภาระงานที่น่าเบื่อและให้ความสามารถในการมุ่งเน้นไปที่การตัดสินใจที่ต้องการความเข้าใจของมนุษย์ นั่นคือที่ที่เราอยู่ในปัจจุบัน และมันกำลังเปลี่ยนแปลงวิธีการดำเนินธุรกิจความปลอดภัยของลูกค้าของเรา

จากมุมมองของผลิตภัณฑ์และวิศวกรรม สิ่งที่ยากที่สุดในการสร้างแพลตฟอร์ม DLP ที่เป็นเจ้าของ AI ตั้งแต่เริ่มต้นแทนการปรับปรุงสถาปัตยกรรมที่มีอยู่คืออะไร?

สิ่งที่ยากที่สุดคือการขัดขวางความ诱惑ที่จะใช้ทางลัด

เมื่อคุณเริ่มต้นจากศูนย์ มักจะมีความกดดันที่จะยืมชิ้นส่วนของสถาปัตยกรรมเก่าเพราะมันถูกทดสอบและเร็ว และสอดคล้องกับความคาดหวังของลูกค้า แต่ทุกครั้งที่คุณทำเช่นนั้น คุณจะถือเอาความจำกัดของโมเดลเก่ามาไว้ เราตัดสินใจที่จะกลับไปที่หลักการและสร้างใหม่ตั้งแต่เริ่มต้น

ตัวแทนจุดสิ้นสุดเป็นหนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุด เราต้องคิดใหม่เกี่ยวกับการรวบรวมสัญญาณและสร้างบริบทที่เพียงพอโดยไม่ต้องใช้เส้นทางที่ทดสอบของสัญญาณเก่า ในขณะเดียวกันก็รักษาความสอดคล้องกับการแสดงผลของระบบให้ได้ การสร้างสิ่งนี้ข้ามระบบปฏิบัติการทั้งหมดเป็นความพยายามทางวิศวกรรมที่ร้ายแรง เราได้แนวทางที่ได้รับการจดสิทธิบัตรซึ่งให้ความสามารถในการมองเห็นที่ไม่มีใครมี

ระบบ AI ที่มีตัวแทนหลายตัวเป็นอีกความท้าทายที่สำคัญ การทำให้ตัวแทน AI ที่เชี่ยวชาญหลายตัววิเคราะห์การทำธุรกรรมข้อมูลเดียวกันจากมุมมองที่แตกต่างกันและรวมเข้าด้วยกันเพื่อให้ได้เรื่องราวที่สอดคล้องกันและแม่นยำ – สิ่งนี้ต้องการการคิดเชิงสถาปัตยกรรมมาก มันไม่ใช่แค่การโยนโมเดลภาษาขนาดใหญ่เข้าไปในฟีดข้อมูล แต่การประสานงานชั้น การแบ่งปันบริบทระหว่างตัวแทน และการแก้ไขสัญญาณที่ขัดแย้งกัน – นั่นคือที่ที่ความท้าทายอาศัยอยู่

และเครื่องยนต์นโยบายภาษาธรรมชาติ การแปลคำอธิบายภาษาธรรมชาติของสิ่งที่ยอมรับได้และไม่ได้รับอนุญาตให้เป็นสิ่งที่ AI สามารถนำไปใช้ได้อย่างน่าเชื่อถือในกรณีเชิงขอบเขตหลายพันกรณี – นี่คือปัญหาที่ยากมาก วิธีการดำเนินธุรกิจประจำวันในองค์กรมักจะแตกต่างอย่างมากจากสิ่งที่เขียนไว้ในเอกสารนโยบายทั่วไป ระบบต้องสะท้อนความแตกต่างนี้และต้องทำได้อย่างถูกต้อง เพราะผลที่ตามมาของการทำผิดพลาดใน DLP นั้นรุนแรง

เราตัดสินใจที่จะเลือกปัญหาเหล่านี้ทั้งหมดอย่างตั้งใจ เพราะพวกมันคือสิ่งที่ทำให้ความแตกต่างระหว่าง DLP ที่ดีขึ้นเล็กน้อยและบางสิ่งที่แท้จริงใหม่ๆ

ในความท้าทายเหล่านี้และอื่นๆ ยังมีอุปสรรคที่เปิดกว้างที่จะเอาชนะ และชุดปัญหาที่เหมาะสมสำหรับคนมีความสามารถที่จะรับมือ การแก้ปัญหา DLP ที่ดีเป็นการเดินทางที่น่าสนใจและน่าดึงดูดใจ

Jazz ถูกเลือกให้เป็นผู้ชนะของ Cybersecurity Startup Accelerator ประจำปี 2026 โดยได้รับการสนับสนุนจาก CrowdStrike (CRWD ), AWS และ NVIDIA สิ่งนี้ได้ตรวจสอบความถูกต้องเกี่ยวกับแนวทางของคุณอย่างไร และมีอิทธิพลต่อแผนการในอนาคตของคุณอย่างไร?

มี 1,000 สตาร์ทอัพเข้าร่วม มี 6 ทีมเข้ารอบสุดท้าย และเราคือผู้ชนะ

ฉันจะซื่อสัตย์ ก่อนที่คุณจะเดินขึ้นบนเวที จิตใจของคุณจะเตือนคุณถึงทุกสิ่งที่อาจผิดพลาด และจากนั้นคุณเริ่มพูดถึงปัญหาที่เราได้ทำงานอย่างหนัก และทุกสิ่งที่เราทำก็เงียบลง

ผู้พิพากษา George Kurtz, CJ Moses, Bartley Richardson และ Robert Herjavec เห็นมัน พวกเขาเรียกแบบจำลองการสอบสวน agentic ของเราและความสามารถในการรับลูกค้าอย่างรวดเร็ว สำหรับเรา การยอมรับจากผู้นำในอุตสาหกรรมมีความสำคัญมากกว่าถ้วยรางวัล พวกเขาเป็นคนที่สร้างและดำเนินโปรแกรมความปลอดภัยในระดับสูงสุด และพวกเขาเห็นว่าสิ่งที่เรากำลังทำนั้นแตกต่างจากที่เคยพยายามมาก่อน และความสำเร็จของเราพูดถึงตัวเอง

ในแง่ของแผนการในอนาคต การเร่งความเร็วได้เน้นย้ำว่าตลาดพร้อมแล้วและต้องการให้เราเคลื่อนไหวอย่างรวดเร็ว เรากำลังเพิ่มความสามารถของตัวสอบสวนและนำผลิตภัณฑ์ไปให้กับทีมความปลอดภัยมากขึ้น

เมื่อมองไปข้างหน้า คุณเชื่อว่า DLP จะพัฒนาเป็นระบบอัตโนมัติและขับเคลื่อนด้วยตัวแทนอย่างเต็มรูปแบบหรือไม่ และอนาคตระยะยาวของความปลอดภัยของข้อมูลในองค์กรที่เป็นเจ้าของ AI จะเป็นอย่างไร?

ฉันเชื่อว่า DLP จะกลายเป็นอัตโนมัติในหลายขั้นตอน ส่วนการสอบสวนอยู่ที่นั่นแล้ว – Melody ทำสิ่งนี้ได้แล้ว การป้องกันสำหรับสถานการณ์ที่มีความมั่นใจสูงกำลังเกิดขึ้น

แต่ฉันต้องการชี้แจงว่า “อัตโนมัติ” ไม่ได้หมายถึง “ไม่มีการกำกับ” มันหมายถึงระบบจัดการงานที่มนุษย์ไม่ควรต้องทำ เพื่อให้พวกเขาสามารถมุ่งเน้นไปที่การตัดสินใจที่มีความสำคัญจริงๆ CISO ในอนาคตไม่ได้จมอยู่กับการเตือน แต่กำลังตรวจสอบการประเมินความเสี่ยงที่เชิงกลยุทธ์จาก AI ที่เข้าใจธุรกิจของพวกเขาเหมือนกับวิเคราะห์ที่ดีที่สุดของพวกเขา พวกเขาทำการดำเนินการที่เป็นศัลยกรรมซึ่งมีความเกี่ยวข้องสำหรับองค์กรของตนโดยอาศัยข้อมูลเชิงลึกที่รวบรวมจากภูมิทัศน์ของการขาดดุลของข้อมูลที่ใช้งานอยู่ และไม่ใช่การเดา

ภาพใหญ่คือ – ในองค์กรที่เป็นเจ้าของ AI ข้อมูลเคลื่อนไหวเร็วขึ้น ผ่านช่องทางที่ซับซ้อนกว่าที่ทีมมนุษย์สามารถติดตามได้ องค์กรที่ชนะจะเป็นองค์กรที่มีระบบความปลอดภัยที่เข้าใจบริบทด้วยความเร็วของ AI ไม่ใช่ผู้ที่ยังคงเขียนกฎ regex และหวังว่าจะดีที่สุด

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Jazz เพื่อเรียนรู้เพิ่มเติม