มายังกุมาร์ วิศวกรร่วมผู้ก่อตั้ง DeepTempo – สัมภาษณ์ซีรีส์

มายังกุมาร์ เป็นวิศวกรร่วมผู้ก่อตั้ง DeepTempo ซึ่งเขานำการออกแบบและพัฒนา Log Language Model (LogLM) ของบริษัท เขามีประสบการณ์ทางวิชาการและวิจัยที่เข้มแข็งในด้าน AI ที่สร้างและหลายรูปแบบ ซึ่งเขานำความเชี่ยวชาญเฉพาะด้านในการสร้างโมเดลเฉพาะโดเมนที่เพิ่มการตรวจจับและตอบสนองต่อภัยคุกคามใน môi trường Cybersecurity

DeepTempo เป็นบริษัทด้าน Cybersecurity ที่สร้างขึ้นโดยใช้ LogLM เป็นรากฐาน ซึ่งเป็นโมเดล AI ที่ได้รับการฝึกอบรมจากข้อมูลลอกรักษาความปลอดภัยขนาดใหญ่ แพลตฟอร์มนี้มีความสามารถในการระบุภัยคุกคามที่ซับซ้อนและไม่เคยเห็นมาก่อน ในขณะที่ลดการแจ้งเตือนเท็จให้เหลือน้อยที่สุด ได้รับการออกแบบมาเพื่อทำงานร่วมกับกระบวนการรักษาความปลอดภัยที่มีอยู่แล้ว DeepTempo รองรับการใช้งานใน datalakes, Kubernetes และ Snowflake ทำให้การตรวจสอบและตอบสนองต่อภัยคุกคามมีความเร็วและง่ายขึ้น

อะไรที่ทำให้คุณตัดสินใจร่วมก่อตั้ง DeepTempo และประสบการณ์ทางวิชาการและวิจัยของคุณมีส่วนช่วยในการพัฒนาบริษัทอย่างไร?

ฉันเติบโตในครอบครัวที่มีความสัมพันธ์ที่ดีและให้ความสำคัญกับการช่วยเหลือผู้อื่น พ่อของฉันเป็นครูและได้สอนฉันถึงความสำคัญของการให้และช่วยเหลือผู้อื่น ในสภาพแวดล้อมดังกล่าว คุณจะเรียนรู้ว่าการแก้ปัญหาไม่ใช่แค่เรื่องของความสามารถส่วนบุคคล แต่เป็นเรื่องของความเข้มแข็งของทีม

จุดเปลี่ยนเกิดขึ้นเมื่อพ่อของฉันถูกโจมตีโดย ransomware นั่นไม่ใช่แค่ปัญหาเทคนิค แต่ยังทำให้เกิดความกลัว ความสับสน และความอ่อนแอในบ้านของเรา ประสบการณ์นั้นเปิดเผยให้ฉันเห็นถึงความอ่อนแอของโลกดิจิทัล ไม่ใช่แค่สำหรับบุคคล แต่ยังสำหรับองค์กรที่ต้องเผชิญกับภัยคุกคามอย่างต่อเนื่อง

ในขณะเดียวกัน ฉันพบกับ Evan ซึ่งมีวิสัยทัศน์ในการสร้างการป้องกันร่วมกันที่ระดับอินเทอร์เน็ต ซึ่งสอดคล้องกับเป้าหมายของฉันในการใช้เทคโนโลยีเพื่อช่วยเหลือผู้อื่น นั่นคือสิ่งที่ดึงดูดฉันให้มาอยู่ที่ DeepTempo

ที่มหาวิทยาลัยวอชิงตัน ฉันทำวิจัยเกี่ยวกับสองด้านหลัก ได้แก่ การเรียนรู้แบบหลายรูปแบบและการเรียนรู้ที่มีศูนย์กลางอยู่ที่ข้อมูล ทั้งสองสิ่งนี้มีความสำคัญในการสร้าง LogLM ของเรา

เรายังลงทุนในการประเมินประสิทธิภาพของโมเดลอย่างมาก เนื่องจากในด้านความปลอดภัย ความแม่นยำไม่ใช่เรื่องเล่นๆ

คุณสามารถอธิบายแนวคิด “การป้องกันร่วมกัน” ได้อย่างไร และมันแตกต่างจากแนวทางด้านความปลอดภัยแบบดั้งเดิมอย่างไร?

การป้องกันร่วมกันหมายถึงการแบ่งปันข้อมูลและความเชี่ยวชาญระหว่างองค์กรต่างๆ เพื่อป้องกันและตอบสนองต่อภัยคุกคามร่วมกัน

ในทางปฏิบัติ การป้องกันร่วมกันหมายถึงการแบ่งปันข้อมูลและความเชี่ยวชาญระหว่างองค์กรต่างๆ เพื่อป้องกันและตอบสนองต่อภัยคุกคามร่วมกัน

อะไรที่ทำให้คุณพัฒนา LogLM และมันแตกต่างจากระบบตรวจจับภัยคุกคามแบบดั้งเดิมอย่างไร?

เราพัฒนา LogLM เพื่อแก้ไขปัญหาสามประการหลัก ได้แก่ อัตราส่วนสัญญาณต่อเสียงรบกวน การตรวจจับที่ไม่แข็งแรง และการปรับตัวที่ช้าในการตอบสนองต่อภัยคุกคามใหม่ๆ

ระบบตรวจจับภัยคุกคามแบบดั้งเดิมมักใช้การตรวจจับตามกฎหรือการเรียนรู้ของเครื่องจักรที่แคบ ซึ่งต้องใช้เวลาหลายสัปดาห์หรือหลายเดือนในการปรับให้เหมาะสมกับสภาพแวดล้อมใหม่ๆ

LogLM ของเราได้รับการฝึกอบรมจากข้อมูลลอกรักษาความปลอดภัยขนาดใหญ่ และสามารถรับรู้ลำดับและรูปแบบที่ซับซ้อนได้

คุณสามารถอธิบายแนวคิด “เอเย่นต์เงา” ได้อย่างไร และมันทำให้เกิดความเสี่ยงต่อองค์กรที่ไม่มีการกำกับดูแลอย่างไร?

เอเย่นต์เงาเป็นเครื่องมือ AI ที่ทำงานโดยไม่มีการกำกับดูแลหรือการตรวจสอบจากทีมรักษาความปลอดภัย

เอเย่นต์เงาเหล่านี้สามารถเพิ่มประสิทธิภาพการทำงาน แต่ก็สามารถทำให้เกิดความเสี่ยงต่อการรักษาความปลอดภัยได้ เนื่องจาก它们สามารถเข้าถึงข้อมูลที่ไม่ได้รับอนุญาตและดำเนินการโดยไม่มีการตรวจสอบ

คุณสามารถอธิบายถึงความเสี่ยงของการโจมตีโดยใช้ AI และโมเดลรากฐานได้อย่างไร และ DeepTempo วางแผนจะรับมือกับภัยคุกคามเหล่านี้อย่างไร?

ภัยคุกคามที่เกิดจาก AI และโมเดลรากฐานสามารถทำให้เกิดการโจมตีที่ซับซ้อนและหลากหลาย

เรากำลังลงทุนในการฝึกอบรมแบบกันขัดและตรวจจับการโจมตีแบบ AI เพื่อป้องกันและตอบสนองต่อภัยคุกคามเหล่านี้

เรายังพยายามพัฒนาโมเดลที่สามารถรับมือกับการโจมตีแบบ AI ได้อย่างมีประสิทธิภาพ

 ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม DeepTempo เพื่อเรียนรู้เพิ่มเติม