Nati Hazut ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง Bold Security – ซีรีส์สัมภาษณ์

Nati Hazut เป็นประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง Bold Security ก่อนหน้านี้เขาร่วมก่อตั้ง SAM Seamless Network และ Polyrize ซึ่งทำให้เขาสั่งสมประสบการณ์ด้านการรักษาความปลอดภัยของอุปกรณ์ที่เชื่อมต่อ การจัดการข้อมูลระบุตัวตน สิทธิ์การเข้าถึงระบบคลาวด์ และการปกป้องข้อมูล งานของเขาที่ Bold นำบทเรียนเหล่านั้นมาประยุกต์ใช้เพื่อรักษาความปลอดภัยในการโต้ตอบระหว่างพนักงาน เอเจนต์ AI และข้อมูลสำคัญขององค์กร

Bold Security พัฒนาเทคโนโลยีปกป้องข้อมูลที่อุปกรณ์ปลายทาง โดยใช้โมเดลภาษาขนาดเล็กที่ทำงานบนอุปกรณ์โดยตรง เพื่อจำแนกข้อมูลสำคัญและทำความเข้าใจว่ามีการนำข้อมูลนั้นไปใช้อย่างไร แพลตฟอร์มของบริษัทมีเครื่องมือให้ทีมรักษาความปลอดภัยใช้แนะนำผู้ใช้ เปลี่ยนเส้นทางกิจกรรม หรือบล็อกการดำเนินการที่มีความเสี่ยง ทั้งบนเบราว์เซอร์ แอปพลิเคชันบนเดสก์ท็อป และเอเจนต์ AI ในบทสัมภาษณ์นี้ Hazut พูดถึง AI เงา ระบบอัจฉริยะที่ทำงานบนอุปกรณ์ เอเจนต์อัตโนมัติ และขอบเขตการรักษาความปลอดภัยของข้อมูลในองค์กรที่กำลังเปลี่ยนแปลงไป

ก่อนหน้านี้คุณร่วมก่อตั้ง SAM Seamless Network และ Polyrize ก่อนจะเริ่มต้น Bold Security ร่วมกับ Hadar Krasner และ Omri Mallis คุณเห็นความเปลี่ยนแปลงใดบ้างในด้านความปลอดภัยขององค์กรและ AI ที่ทำให้เชื่อว่าจำเป็นต้องก่อตั้งบริษัทด้านความปลอดภัยขึ้นมาใหม่ตั้งแต่ต้นอีกแห่งหนึ่ง?

สิ่งสำคัญที่สุดที่ AI ทำให้เปลี่ยนไปคือสถานที่ที่ผู้คนทำงาน ตลอดหลายทศวรรษที่ผ่านมา งานที่เกี่ยวข้องกับข้อมูลบริษัทและมีความอ่อนไหวมากที่สุดมักเกิดขึ้นบนเบราว์เซอร์และแอปพลิเคชัน SaaS ซึ่งเป็นจุดที่ระบบรักษาความปลอดภัยมุ่งเน้นอยู่พอดี แต่ปัจจุบัน งานเหล่านั้นเกิดขึ้นบนอุปกรณ์โดยตรงมากขึ้น ไม่ว่าจะเป็นการร่างเอกสารด้วยผู้ช่วย AI บนเดสก์ท็อป การวางซอร์สโค้ดลงในแอปพลิเคชันแบบเนทีฟ หรือการเรียกใช้เอเจนต์ที่เข้าถึงไฟล์ แอปพลิเคชัน และระบบของบริษัทบนแล็ปท็อปได้โดยตรง

การเปลี่ยนแปลงนี้ทำให้สมมติฐานที่ผลิตภัณฑ์รักษาความปลอดภัยส่วนใหญ่สร้างขึ้นใช้ไม่ได้อีกต่อไป ระบบตรวจสอบเครือข่ายจะมองเห็นเฉพาะทราฟฟิกที่วิ่งผ่านระบบเท่านั้น ส่วนแอปพลิเคชันบนเดสก์ท็อปก็เข้ารหัสทราฟฟิกของตนและหลีกเลี่ยงพร็อกซี CASB มองเห็นแอปคลาวด์ที่ได้รับอนุญาต ส่วน DSPM มองเห็นข้อมูลที่จัดเก็บอยู่บนคลาวด์ แต่ไม่มีระบบใดมองเห็นไฟล์ในเครื่องที่ถูกส่งเข้าแอป AI บนเดสก์ท็อป หรือเอเจนต์ที่เคลื่อนย้ายข้อมูลโดยไม่มีคนอยู่หน้าแป้นพิมพ์

เราเริ่มต้น Bold เพราะอุปกรณ์ปลายทางเป็นจุดเดียวที่ทุกอย่างมารวมกัน คุณจะเห็นข้อมูล พนักงานหรือเอเจนต์ที่กำลังโต้ตอบกับข้อมูลนั้น สิ่งที่พวกเขาพยายามทำ และปลายทางที่ข้อมูลกำลังมุ่งไปได้ อีกทั้งยังจัดการได้ก่อนที่ข้อมูลสำคัญจะหลุดพ้นจากการควบคุมของบริษัท

AI เงาอาจมีตั้งแต่พนักงานใช้บัญชี ChatGPT ส่วนตัว ไปจนถึงแอปพลิเคชันบนเดสก์ท็อป ส่วนขยายเบราว์เซอร์ API การเชื่อมต่อ Model Context Protocol และเอเจนต์ที่ทำงานได้อย่างอิสระมากขึ้นเรื่อย ๆ ปัจจุบัน AI เงารูปแบบใดบ้างที่ตรวจจับและควบคุมได้ยากที่สุดสำหรับทีมรักษาความปลอดภัยขององค์กร?

เมื่อปีที่แล้ว ทุกคนกังวลเรื่อง AI เงา แต่ตอนนี้การพูดคุยเริ่มลงลึกมากขึ้น ทีมรักษาความปลอดภัยขององค์กรกำลังยอมรับความจริงที่ว่าพนักงานนำเครื่องมือ AI ใหม่ ๆ มาใช้เร็วกว่าที่เคย ดังนั้น ประเด็นจึงไม่ได้อยู่ที่การจัดทำบัญชีเครื่องมืออีกต่อไป แต่อยู่ที่การควบคุมข้อมูลที่ไหลผ่านเครื่องมือเหล่านั้น

แน่นอนว่าคุณควบคุมสิ่งที่มองไม่เห็นไม่ได้ และช่องทางที่มองเห็นได้ยากที่สุดก็คือช่องทางที่ไม่ผ่านเส้นทางเครือข่ายซึ่งมีใครเฝ้าตรวจสอบอยู่เลย แอปพลิเคชันบนเดสก์ท็อปอ่านไฟล์จากอุปกรณ์โดยตรงและเข้ารหัสทราฟฟิก จึงไม่มีข้อมูลใดวิ่งผ่านเครื่องมือที่สร้างขึ้นมาเพื่อตรวจสอบ ส่วนเอเจนต์มีสิทธิ์เข้าถึงข้อมูลของบริษัทและยังคงใช้ข้อมูลนั้นต่อไป โดยไม่ต้องรอให้พนักงานส่งข้อมูลให้ทุกครั้ง

ทั้งหมดนี้เป็นช่องทางใหม่ในการลักลอบนำข้อมูลออก และประเด็นสำคัญอยู่ที่ข้อมูลที่ไหลผ่านช่องทางเหล่านี้ การส่งเอกสารสาธารณะเข้าไปยังบัญชีองค์กรที่ได้รับอนุมัติ ไม่ใช่เหตุการณ์เดียวกับการส่งฐานข้อมูลลูกค้าหรือซอร์สโค้ดที่เป็นกรรมสิทธิ์เข้าไปยังบัญชีส่วนตัว ความแตกต่างนี้มองเห็นได้เฉพาะในจุดที่ข้อมูลอยู่และเกิดการดำเนินการ ดังนั้น AI เงาที่คุณมองไม่เห็นจึงเป็นจุดที่ประเด็นเรื่องข้อมูลสำคัญที่สุดเช่นกัน

Bold ใช้แนวทางที่ให้อุปกรณ์ปลายทางเป็นศูนย์กลาง โดยให้ AI ทำงานบนอุปกรณ์โดยตรง แทนที่จะพึ่งพาการตรวจสอบเครือข่ายหรือคลาวด์เป็นหลัก โมเดลที่ทำงานบนอุปกรณ์เข้าใจอะไรเกี่ยวกับการโต้ตอบกับ AI ได้บ้าง ซึ่งระบบป้องกันข้อมูลสูญหายแบบดั้งเดิมทำไม่ได้?

Bold ทำสิ่งต่างจากแนวทางทั่วไปสองประการ ประการแรก เราใช้ AI ปกป้องข้อมูลสำคัญโดยไม่ต้องส่งข้อมูลนั้นไปให้บริการ AI อื่นวิเคราะห์ โมเดลภาษาขนาดเล็กของเราทำงานบนอุปกรณ์โดยตรง จึงเข้าใจได้ว่าข้อมูลใดมีความอ่อนไหว ใครกำลังเข้าถึงข้อมูลนั้น และข้อมูลกำลังมุ่งไปที่ใด ทำให้เราระบุและหยุดการดำเนินการที่มีความเสี่ยงได้แบบเรียลไทม์ โดยไม่ต้องแลกกับความล่าช้าและค่าใช้จ่ายจากการส่งทุกอย่างขึ้นคลาวด์

ประการที่สอง เราครอบคลุมช่องทางที่เครื่องมือรักษาความปลอดภัยแบบดั้งเดิมไม่ได้ตรวจสอบ ตลาดส่วนใหญ่ยังคงมุ่งเน้นที่เบราว์เซอร์และทราฟฟิกเครือข่าย แต่ปัจจุบันข้อมูลสำคัญเคลื่อนผ่านแอปพลิเคชัน AI บนเดสก์ท็อป เครื่องมือเขียนโค้ด เทอร์มินัล และเอเจนต์อัตโนมัติมากขึ้นเรื่อย ๆ ผลิตภัณฑ์ DLP และผลิตภัณฑ์รักษาความปลอดภัยบนคลาวด์แบบเดิมมองเห็นสิ่งเหล่านี้ได้ยากกว่ามาก

การทำงานที่อุปกรณ์ปลายทางช่วยให้เราปกป้องข้อมูลได้ในสภาพแวดล้อมทั้งหมดนี้ และเข้าแทรกแซงได้ก่อนที่ข้อมูลสำคัญจะหลุดพ้นจากการควบคุมของบริษัท

เทคโนโลยีของคุณออกแบบมาให้เข้าใจไม่เพียงว่ามีการเข้าถึงข้อมูลใด แต่ยังเข้าใจบริบทและเจตนาเบื้องหลังการดำเนินการด้วย คุณแยกแยะการใช้ข้อมูลสำคัญอย่างถูกต้องตามวัตถุประสงค์ออกจากพฤติกรรมที่เป็นความเสี่ยงด้านความปลอดภัยจริงได้อย่างไร โดยไม่ทำให้เกิดผลบวกลวงมากเกินไป?

บริบทคือทุกสิ่งในเรื่องนี้ คุณจะมองการอัปโหลดไฟล์หรือการที่เอเจนต์เข้าถึงข้อมูลทุกครั้งว่าเป็นเหตุการณ์ด้านความปลอดภัยไม่ได้ ไม่อย่างนั้นก็ไม่มีใครทำงานได้เลย

ไฟล์เดียวกันอาจเป็นเรื่องปกติในที่หนึ่ง แต่เป็นเรื่องร้ายแรงในอีกที่หนึ่ง รายชื่อลูกค้าเป็นสิ่งที่คาดว่าจะพบในเครื่องมือสนับสนุนลูกค้า แต่การอัปโหลดไปยังบัญชีส่วนตัวถือเป็นปัญหาจริง โค้ดต้นฉบับควรอยู่ในคลังเก็บโค้ด ไม่ใช่ในพรอมต์ที่ป้อนให้เครื่องมือ AI สำหรับผู้ใช้ทั่วไป

เครื่องมือที่รู้เพียงว่าเนื้อหาตรงกับกฎข้อหนึ่งต้องแจ้งเตือนทั้งสองกรณี หรือไม่แจ้งเตือนเลย นี่คือที่มาของผลบวกลวง การรู้ว่าข้อมูลนั้นคืออะไร ใครเป็นผู้เคลื่อนย้าย และกำลังส่งไปที่ใด คือวิธีแยกการใช้ AI ตามปกติออกจากความเสี่ยงที่แท้จริง

เอเจนต์ AI ทำให้เกิดรูปแบบการรักษาความปลอดภัยที่แตกต่างออกไป เพราะซอฟต์แวร์สามารถเข้าถึงไฟล์ เรียกใช้เครื่องมือ เชื่อมต่อผ่านเซิร์ฟเวอร์ MCP และดำเนินการต่าง ๆ ได้โดยมีมนุษย์เกี่ยวข้องอย่างจำกัด การรักษาความปลอดภัยปลายทางจำเป็นต้องพัฒนาไปอย่างไร เมื่อผู้ที่โต้ตอบกับข้อมูลสำคัญขององค์กรอาจเป็นเอเจนต์อัตโนมัติ แทนที่จะเป็นพนักงาน?

การรักษาความปลอดภัยส่วนใหญ่สร้างขึ้นโดยยึดมนุษย์เป็นศูนย์กลาง แต่ปัจจุบันเอเจนต์สามารถทำงานด้วยความเร็วระดับเครื่องจักร เปิดไฟล์ เรียกใช้เครื่องมือ และเคลื่อนย้ายข้อมูลได้โดยไม่ต้องมีใครอนุมัติทุกขั้นตอน การรักษาความปลอดภัยจึงต้องทำงานด้วยความเร็วระดับเดียวกัน ผลิตภัณฑ์จำนวนมากใช้ AI วิเคราะห์เหตุการณ์หลังจากเกิดขึ้นแล้ว ส่วนเราใช้ AI ทำความเข้าใจและหยุดการกระทำที่มีความเสี่ยงแบบเรียลไทม์ รวมถึงการกระทำที่เกิดขึ้นนอกเบราว์เซอร์

เอเจนต์อาจทำงานผ่านแอปพลิเคชันบนเดสก์ท็อป เทอร์มินัล หรือเครื่องมืออื่นที่ค้นพบระหว่างทำงาน การรักษาความปลอดภัยต้องติดตามข้อมูลและการกระทำข้ามสภาพแวดล้อมเหล่านั้น ไม่ว่าจะเป็นบุคคลหรือเอเจนต์ที่รับผิดชอบ

เรื่องนี้ยังทำให้เกิดคำถามที่ทีมรักษาความปลอดภัยไม่เคยต้องถามมาก่อน เมื่อเกิดเหตุเสี่ยงขึ้น บุคคลนั้นตั้งใจทำเช่นนั้นหรือเอเจนต์เข้าใจผิด? ทั้งสองกรณีต้องรับมือแตกต่างกัน หากพนักงานตัดสินใจผิด คุณก็ให้คำแนะนำและปรับพฤติกรรม แต่หากเอเจนต์กำลังทำสิ่งที่ไม่มีใครสั่ง คุณก็ต้องหยุดมัน

อุปกรณ์ปลายทางเป็นจุดที่คุณแยกความแตกต่างได้ เพราะข้อมูล กระบวนการ และการกระทำมาปรากฏร่วมกันที่นั่น

องค์กรขนาดใหญ่หลายแห่งรับมือกับความเสี่ยงจาก AI เชิงสร้างสรรค์ด้วยการจำกัดหรือแบนเครื่องมือบางอย่าง คุณคิดว่าองค์กรกำลังมุ่งไปสู่รูปแบบที่อนุญาตให้ใช้เครื่องมือ AI ได้แทบทุกชนิด ตราบใดที่มีการควบคุมข้อมูลที่เครื่องมือเข้าถึงได้และปลายทางที่ข้อมูลนั้นส่งไปหรือไม่?

การแบนแบบครอบคลุมไม่ช่วยแก้ปัญหานี้ พนักงานหาเครื่องมือ AI ตัวใหม่และเริ่มใช้งานได้ภายในไม่กี่วินาที และส่วนใหญ่ก็ไม่ได้พยายามหลบเลี่ยงระบบรักษาความปลอดภัย พวกเขาแค่อยากทำงานให้เสร็จเร็วขึ้น

คำถามที่ดีกว่าคือ เมื่อพนักงานใช้เครื่องมือเหล่านั้นแล้ว ข้อมูลของบริษัทจะเป็นอย่างไร

หากใครใช้บัญชี AI ส่วนตัวทำงานที่ไม่มีความเสี่ยง บางทีคุณอาจแค่แนะนำให้เปลี่ยนไปใช้บัญชีของบริษัท แต่หากพวกเขากำลังจะส่งโค้ดต้นฉบับ ข้อมูลลูกค้า หรือข้อมูลรับรองไปยังที่ที่บริษัทไม่อนุญาต ฝ่ายรักษาความปลอดภัยก็ต้องเข้ามาจัดการ

ผมคิดว่านี่คือทิศทางที่กำลังมุ่งไป เปิดโอกาสให้ผู้คนใช้ AI ได้ แต่ควบคุมการจัดการข้อมูล รู้ว่ามีการเข้าถึงข้อมูลใด ข้อมูลกำลังไปที่ไหน และเมื่อใดที่คุณจำเป็นต้องเข้าแทรกแซง

การเรียกใช้ AI ในเครื่องอาจมีข้อดีด้านความหน่วงและความเป็นส่วนตัว แต่อุปกรณ์ปลายทางก็มีขีดจำกัดด้านกำลังประมวลผลและหน่วยความจำ คุณพบข้อแลกเปลี่ยนทางเทคนิคอะไรบ้างในการสร้างโมเดลที่จำแนกข้อมูลตามความหมายและบังคับใช้นโยบายแบบเรียลไทม์บนอุปกรณ์ของพนักงานโดยตรง?

คุณจะติดตั้งโมเดลขนาดใหญ่ไว้ในแล็ปท็อปของใครสักคน ใช้ทรัพยากรซีพียูและหน่วยความจำจนหมด แล้วเรียกสิ่งนั้นว่าระบบรักษาความปลอดภัยไม่ได้ หากผลิตภัณฑ์รักษาความปลอดภัยทำให้คอมพิวเตอร์ใช้งานลำบาก พนักงานก็จะเกลียดมัน และฝ่ายไอทีก็จะปิดการทำงาน

ดังนั้นจึงมีข้อแลกเปลี่ยนที่ต้องคำนึงถึงอย่างจริงจัง โมเดลต้องเข้าใจข้อมูลได้ดีพอที่จะแยกแยะสิ่งที่ไม่มีอันตรายออกจากข้อมูลสำคัญได้ แต่ขณะเดียวกันก็ต้องรวดเร็ว มีขนาดเล็ก และเชื่อถือได้มากพอที่จะทำงานต่อเนื่องอยู่เบื้องหลัง

งานในช่วงแรกคือการสร้างโมเดลที่จำแนกข้อมูลได้อย่างมีประโยชน์บนคอมพิวเตอร์หลายประเภทโดยไม่ทำให้เครื่องช้าลง เราดำเนินงานด้านวิศวกรรมดังกล่าวเสร็จแล้ว ลูกค้าจึงไม่ต้องเผชิญข้อแลกเปลี่ยนเหล่านี้ด้วยตนเอง

ตลอดการพัฒนา เราให้ความสำคัญกับประสบการณ์ผู้ใช้เป็นอันดับแรก ผลิตภัณฑ์ของเราใช้ทรัพยากรประมวลผลประมาณ 20% เมื่อเทียบกับเอเจนต์ที่ไม่ใช้ AI ของคู่แข่งรุ่นเก่า ขณะเดียวกันก็ตัดสินใจในเครื่อง ณ ขณะที่เกิดการกระทำ ไม่จำเป็นต้องส่งข้อมูลสำคัญออกจากอุปกรณ์เพียงเพื่อพิจารณาว่าข้อมูลนั้นเป็นข้อมูลสำคัญหรือไม่

Bold สามารถระบุเครื่องมือ AI บัญชี และกิจกรรมของเอเจนต์ พร้อมให้คำแนะนำ เปลี่ยนเส้นทาง หรือปิดกั้นการกระทำที่มีความเสี่ยง คุณตัดสินใจอย่างไรว่าระบบควรเพียงเตือนผู้ใช้ หรือหยุดการกระทำนั้นโดยอัตโนมัติ?

ลองนึกถึงวิธีที่เพื่อนร่วมงานที่ดีจะรับมือ หากคุณกำลังจะวางร่างข้อความลงใน ChatGPT ส่วนตัว เพื่อนร่วมงานก็คงโน้มตัวมาบอกว่า “นี่ เรามีบัญชีของบริษัทสำหรับเรื่องนี้นะ” แต่ถ้าคุณกำลังจะอัปโหลดฐานข้อมูลลูกค้าไปยัง Drive ส่วนตัว เพื่อนร่วมงานก็คงคว้าแขนคุณไว้

เราพยายามทำงานในลักษณะเดียวกัน และพบว่าการให้คำแนะนำช่วยเปลี่ยนทิศทางผู้ใช้ไปสู่ทางเลือกที่ปลอดภัยได้อย่างน้อย 90% ในกรณีส่วนใหญ่ ผู้ใช้มักเผลอใช้บัญชีผิดบัญชี หรือไม่ทราบนโยบายของบริษัทว่าข้อมูลสามารถไปอยู่ที่ใดได้บ้าง

ท้ายที่สุดแล้ว ลูกค้าเป็นผู้ตัดสินใจว่าจะบล็อกอะไร และแต่ละบริษัทก็กำหนดเส้นแบ่งนี้แตกต่างกันไป หน้าที่ของเราคือให้บริบทและความมั่นใจแก่ลูกค้า เพื่อให้ตัดสินใจได้อย่างเหมาะสม สำหรับขั้นตอนการทำงานที่มีความเสี่ยงและซับซ้อนกว่า ก็หมายถึงการใช้บริบทที่เราได้กล่าวถึงไปก่อนหน้านี้ โดยพิจารณาเทียบกับประวัติการใช้งานของผู้ใช้เอง รวมถึงประวัติของกลุ่มผู้ใช้ที่มีลักษณะใกล้เคียงกัน

เส้นทางอาชีพของคุณเปลี่ยนจากการรักษาความปลอดภัยให้กับอุปกรณ์ที่เชื่อมต่อที่ SAM ไปสู่การจัดการข้อมูลประจำตัวและสิทธิ์การเข้าถึงระบบคลาวด์ที่ Polyrize และตอนนี้เป็นการปกป้องปฏิสัมพันธ์ระหว่างผู้คน เอเจนต์ AI และข้อมูลองค์กรที่ Bold มุมมองของคุณต่อขอบเขตพื้นฐานด้านความปลอดภัยเปลี่ยนไปอย่างไรตลอดวิวัฒนาการทั้งสามยุคของความมั่นคงปลอดภัยไซเบอร์?

มุมมองของผมต่อหลักพื้นฐานชัดเจนขึ้น ประเด็นร่วมคือการนำการรักษาความปลอดภัยไปไว้ใกล้กับจุดที่เกิดการดำเนินการ และทำให้รองรับการใช้งานในวงกว้างได้

ที่ SAM เรานำการรักษาความปลอดภัยระดับองค์กรมาใช้กับเราเตอร์ที่มีทรัพยากรจำกัดมาก ประสบการณ์นั้นสอนให้เรารู้วิธีนำเทคโนโลยีขั้นสูงไปใช้ที่อุปกรณ์ปลายทางอย่างมีประสิทธิภาพ ที่ Polyrize เรามุ่งปกป้องข้อมูลในสภาพแวดล้อมคลาวด์และ SaaS ด้วยการมองเห็นข้อมูลและการจัดการสถานะความมั่นคงปลอดภัย การทำความเข้าใจความเสี่ยงจากการเปิดเผยข้อมูลเป็นสิ่งจำเป็น แต่ก็ไม่ได้ช่วยให้เราป้องกันการกระทำที่มีความเสี่ยงได้เสมอไป

Bold นำบทเรียนเหล่านั้นมาผสานเข้าด้วยกัน เรานำระบบอัจฉริยะไปไว้บนอุปกรณ์ปลายทาง ซึ่งเป็นจุดที่ผู้คนและเอเจนต์ AI โต้ตอบกับข้อมูล พร้อมให้บริบทแก่ทีมรักษาความปลอดภัยเพื่อทำความเข้าใจความเสี่ยงและเข้าแทรกแซงได้แบบเรียลไทม์

การรักษาความปลอดภัยเครือข่ายและคลาวด์ยังคงสำคัญ แต่อุปกรณ์ปลายทางสามารถมองเห็นกิจกรรมผ่านแอปพลิเคชันบนเดสก์ท็อป ไฟล์ในเครื่อง บัญชีส่วนตัว และเอเจนต์ที่ทำงานอยู่บนอุปกรณ์ ผมได้เรียนรู้ว่าการรักษาความปลอดภัยทำงานที่ใดและเมื่อใดนั้นสำคัญพอๆ กับความฉลาดของระบบ

เมื่อมองไปข้างหน้าอีกสามถึงห้าปี ในขณะที่พนักงานทำงานร่วมกับเอเจนต์ AI ที่ทำงานได้อย่างอิสระมากขึ้น คุณคาดว่าอุปกรณ์ปลายทางขององค์กรจะพัฒนาไปเป็นอะไร เราจะไปถึงจุดที่อุปกรณ์ทุกเครื่องมีชั้นความปลอดภัยอัจฉริยะของตัวเอง ซึ่งคอยตัดสินใจอย่างต่อเนื่องว่ามนุษย์และเอเจนต์ใดสามารถโต้ตอบกับข้อมูลบางประเภทได้หรือไม่?

ผมคิดว่านั่นคือทิศทางที่เรากำลังมุ่งไปอย่างแน่นอน

อุปกรณ์ปลายทางจะกลายเป็นชั้นความปลอดภัยอัจฉริยะที่เข้าใจข้อมูลในอุปกรณ์ รู้ว่าผู้ที่กำลังโต้ตอบกับข้อมูลเป็นคนหรือเอเจนต์ และตัดสินใจในอุปกรณ์เองว่าอะไรควรหรือไม่ควรเกิดขึ้น

เรื่องนี้ยิ่งสำคัญเมื่อเอเจนต์ทำงานได้อย่างอิสระมากขึ้น คนคนหนึ่งอาจมีเอเจนต์หลายตัวทำงานแทนตนเองพร้อมกัน ทั้งกับไฟล์ แอปพลิเคชัน และระบบต่างๆ ของบริษัท การรักษาความปลอดภัยจะพึ่งพาการอนุมัติทุกขั้นตอนจากบุคคลนั้นไม่ได้ เพราะต่อไปบุคคลนั้นจะไม่ได้คอยเฝ้าดูการทำงานอยู่เสมอ

ข้อมูลยังคงต้องได้รับการปกป้อง แต่จำนวนผู้ที่เข้าถึงข้อมูลจะเพิ่มขึ้นมากกว่าการมีเพียงคนคนเดียวอยู่หน้าแป้นพิมพ์ ระบบรักษาความปลอดภัยจะต้องสื่อสารกับเอเจนต์ ตัดสินใจ และตอบสนองโดยอัตโนมัติเมื่อเกิดการดำเนินการต่างๆ ผู้ที่ดูแลระบบเหล่านั้นจะทำหน้าที่กำกับดูแลการควบคุมและการตัดสินใจมากขึ้น แทนที่จะตรวจสอบเหตุการณ์แต่ละรายการ อุปกรณ์ปลายทางคือจุดที่สามารถตัดสินใจเหล่านั้นได้ในขณะที่ข้อมูลยังอยู่ภายใต้การควบคุมของบริษัท

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการปกป้องข้อมูลบนอุปกรณ์ปลายทางและการนำ AI มาใช้ในองค์กรอย่างปลอดภัย สามารถเยี่ยมชม Bold Security ได้