Elizabeth Nammour, Teleskope’un CEO’su ve Kurucusu – Röportaj Serisi

Elizabeth Nammour, Teleskope’un CEO’su ve kurucusu, bir güvenlik mühendisi olarak başladığı ve veri güvenliği, yazılım mühendisliği ve inovasyon rollerini dünyanın en büyük teknoloji şirketlerinde üstlendiği bir kariyere sahiptir. Airbnb’ (ABNB ) de veri güvenliği odaklı bir senior yazılım mühendisi olarak çalışırken, dozens of sistemler boyunca hızlı büyüyen devasa veri varlıklarını anlamak ve kontrol etmek için operasyonel bir zorlukla karşılaştı. Bu deneyim, Amazon (AMZN ) ve Booz Allen Hamilton’ (BAH ) daki önceki teknik ve stratejik rollerle birleşerek, modern organizasyonların büyük ölçekli hassas verileri yönetme mücadelesine ilişkin bakış açısını şekillendirdi ve sonunda bu boşluğu gidermek için bir şirket kurmasına yol açtı.

Teleskope, organizasyonların sürekli olarak verilerinin nerede yaşadığını, nasıl kullanıldığını ve çevrelerin daha karmaşık hale gelmesi nedeniyle neler yarattığını anlamalarına yardımcı olmak için tasarlanmış modern bir veri güvenliği platformudur. Geliştiriciler ve güvenlik ekipleri için oluşturulan platform, bulut, SaaS ve hibrit ortamlar boyunca precisa veri görünürlüğü, otomatik düzeltme ve politika tabanlı kontrolleri vurgulamaktadır. Statik denetimleri ve manuel işlemleri aşarak, Teleskope organizasyonlara veri dağınıklığını yönetmek için pratik bir temel sağlamayı ve sorumlu AI benimsemesini ermöglemek amacıyla tasarlanmıştır.

Teleskope’u, Airbnb’de büyük ölçekli veri kataloglama ve sınıflandırma için içsel veri güvenliği araçları geliştirerek kurduktan sonra, bu bir şirket olarak değil de iç bir proje olarak neden gerektiğini düşündüğünüz anı anlatır mısınız? Ve bu erken dersler ürün tezinizi nasıl şekillendirdi?

AirBnB’de bu ürünü tamamladığım zaman, AirBnB blogunda “Büyük Ölçekli Veri Koruma Otomasyonu” adlı bir yazı yazma fırsatım oldu. Aslında bundan bir şey çıkacağını beklemiyordum, ancak güvenlik topluluğu gerçekten olumlu bir şekilde karşılık verdi ve dünya çapındaki uygulayıcılar tarafından ulaşıldım. Bu ürünün gerçekten pazar tarafından talep edildiğini anladım ve bu anı gerçekleştirdim. Erken günlerde peerlerden geri bildirim aldım ve hatta Teleskope v1.0, AirBnB’de ilk olarak inşa ettiğim şeyden çok daha iyiydi. Bugün ürünümüz, o zamanlardan beri hayal edebileceğimden çok daha büyük ve etkili.

Çok modelli sınıflandırma pipeline’niz geleneksel ML, format özgü modeller ve GenAI doğrulamasını birleştirir. Karar mantığını ve büyük ölçekli yanlış pozitif/y.negatifleri nasıl azalttığınızı açıklar mısınız?

Veri sınıflandırması hakkında, Data Science başkanı Ivan ile birlikte yazdığım blog yazısını okumak için kesinlikle öneririm. Bu bir sanat, aynı zamanda bir bilim. Her zaman bir miktar nüans var – her zaman hassas veri varlığı bulunduğunuzda, bağlam benzersiz olacak. Bu problemi daha da zorlaştıran şey, üretim verilerini taramak için gereken compute ve zamanın miktarı. Temel olarak, bu problem neden hala büyük ölçüde çözülmemiş olarak görülüyor.

Sanat, tüm bu ticaretleri dengede tutmayı öğrenmektir – hız, gecikme, doğruluk, maliyet ve genişlik (veri depoları, dosya formatları, diller vb.). Her zaman yaratıcı bir cevap olduğuna inandık ve çok modelli bir yaklaşım olması gerekiyor. Bu nedenle, mevcut tüm sınıflandırma yöntemlerini birleştiren bu yaklaşımı aldık, dynamic ve nüanslı bir yaklaşım geliştirdik, Licht-weight method kullanarak, doğruluğu önemli ölçüde feda etmeden, veri taraması 10-20 kat daha hızlı hale geldi.

Son olarak Prism’i tanıttınız, iş düzeyinde veri anlama ve GenAI ile güçlendirilmiş düzeltme odaklı. Element düzeyinde PII algılama ile karşılaştırıldığında, bu yeni kullanım örneklerini neler sağlar ve düzeltme eylemlerinde hayal gücünü nasıl önlersiniz?

Veri sınıflandırması ve koruması zorluğunu ele alırken, ilk odak noktam yanlış pozitif sonuçlarını azaltmaktı. Örneğin, bir Sosyal Güvenlik Numarası olarak işaretlediğimiz şeyin gerçekten bir SSN olması için %95’lik bir oran hedefledim. Birkaç yıl önce, farklı veri öğesi türleri için %80’lik bir doğruluk oranı bile bir iyileşme olurdu.

Ancak, müşterilerimizle yakın çalışarak, takımların boğulduğu “gürültü”nün yalnızca yanlış veri varlık sınıflandırmalarından (geleneksel “yanlış pozitifler”) değil, aynı zamanda alakasız uyarılardan kaynaklandığını farkettim. Prism, daha fazla bağlamı dikkate almamızı sağlar – yalnızca “bu verinin ne olduğu” veya “kimin bu dosyaya eriştiği” değil, aynı zamanda “bu dosyanın pratik olarak ne olduğu”. İşletmenin gerçekten neye önem verdiğini anlamak için, her şirketin farklı “hassas” veri tanımlarına göre uyarlanabilir bir ürün sunabiliriz.

Bu düzeyde nüanslı bağlamı yakalamak, gerçekten oyun değiştirici. Örneğin, kişisel sürücünüzde hundreds of SSN’leri depolamak büyük bir risk ve veri yönetimi politikasının ihlali olabilir, ancak güvenli bir HR sürücüsünde çalışanlarınızın W2’lerini depolamak beklenen bir davranıştır. Güvenlik ekipleri, former için uyarılmak ister, ancak her çalışanın W2’si için uyarı almak sadece gürültüdür. Hassas verilerin nerede ve hangi bağlamda depolandığını anlamak için yalnızca bir varlık sınıflandırma modeline ihtiyacınız yoktur.

Chevron (CVX ) Philips Chemicals gibi çok uluslu bir kimya şirketi ile çalışıyoruz. Bu işletme, tüketici verileri riskini öncelikli olarak görmediği için, bir gizlilik aracı veya standard DSPM satın almayacaktır. Ancak, fikri mülkiyet olarak özel kimyasal formüllerine önem verir. Belgelerin özünü kümeleme etiketleri listesine indirgeyerek, benzersiz hassas veri öğelerini tespit edebilir ve bu veri varlıklarının “yanlış” yerlerde bulunduğunu bulabiliriz. Bağlamı otomatik düzeltme ile birleştirerek, bu dosyaları arşivleme, silme, redaksiyon veya uygun konuma taşıma eylemlerini gerçekleştirebiliriz. Veri güvenliği pazarında kimse bu tür bir çalışma yapmıyor.

Teleskope, çok bulut, şirket içi ve üçüncü taraf sistemleri dahil olmak üzere sürekli keşif vurgulamaktadır – “tam harita” kapsamı nedir ve yeşil alan dağıtımı sırasında bilinmeyen depolama alanlarını ne kadar hızlı bir şekilde sunabilirsiniz?

“Tam” kelimesi burada zor – gerçekte, bu bir barajdır ve sürekli olarak hareket halindedir. Veri dağınıklığını yönetmek bu kadar zor. Amacımız, müşterilerimizin verilerinin olduğu her yerde Teleskope’un bulunmasıdır. Çoğu müşteri, en yüksek riskli veya en az görünürlüğe sahip bağlayıcılarla başlar, bu nedenle gerçekte nadiren bir şirketin verilerinin bulunduğu her yerde bulunmayız. Ancak, her bir veri kaynağında, sürekli olarak yeni hesaplar, tablolar, yeni blob’lar, dosyalar, mesajlar vb. bulmak için çevrimiçi olarak taramaktayız. Bulunduğumuz her yerde, neredeyse gerçek zamanlı olarak verileri buluyoruz.

AI güvenliği ve yönetiminde, eğitim veri kümeleri, modeller, promt’lar ve çıkışlar arasındaki izi nasıl takip edersiniz ve denetimi için nasıl güvence sağlarsınız?

AI güvenliği ve yönetimini desteklemek için üç temel yolumuz vardır. İlk olarak, veri hareket halindeyken API’lerimiz aracılığıyla sınıflandırma ve düzeltme teknolojisini uygulayarak destekleriz. Şirketler kendi modellerini eğitmek için veri kümeleri oluştururken veya hazırlarken, bu verilerin PII veya diğer hassas verilerden arınmış olduğundan emin olmak için bir yol cầnlarından. Veri işlem hatlarına doğrudan bağlanarak, modellerin hiçbir zaman hassas verileri çıkarmamasını garantileyerek, eğitim veri kümelerini kopyalandıkça veya taşındıkça temizleyebiliriz.

Özel yaşam ve uyum: sürekli izleme ve çerçevelere/düzenlemelere otomatik eşleme iddiasındasınız. Yasaların evrimi ile eşleşen eşleştirmeleri nasıl güncel tutarsınız ve farklı bölgeler veya iş birimleri için kontroller nasıl özelleştirilebilir?

Samimi olarak, odak noktamız gerçekten kutuları işaretlemekten, müşterilerimizin neye önem verdiğini derinlemesine anlamaya kaymıştır. Bazı durumlarda, en yeni düzenlemelere %100 oranında uymak isteyebilirler ve bu değişiklikleri sürekli olarak izleyerek ürünümüze entegre ediyoruz. Ancak, çoğu şirket bu yasalara tam olarak uymaktan çok uzakta ve biz onları A noktasından B noktasına, oradan C noktasına götürmek için ürünümüzü şekillendirmeliyiz. Bunu, her şirketin risk profillerini ve ihtiyaçlarını anlamak ve ürünümüzü bu ihtiyaçlara göre uyarlamak için yapıyoruz.

GenAI benimseme: müşterileriniz Teleskope’u nasıl “güvenli girişler” ve “güvenli çıkışlar” oluşturmak için kullanıyor ve geliştirici hızını düşürmüyorlar? Tavsiye ettiğiniz kalıplar var mı?

Müşteriler, eğitim ve çıkarım işlem hatlarına Teleskope’un Redact API’sini entegre ederek, hassas verilerin hiçbir zaman üretken AI modellerine akmasını engellemektedir. Redaksiyon işlemi, geliştiricilerden soyutlanır ve çıkarımdan önce redaksiyon yaparak ve sonrasında veri yeniden hidrasyonu yaparak, geliştirme hızını korur.

İleriye bakıldığında, uçtan uca “ajans” veri güvenliği platformu ve otomatik düzeltme hakkında konuştuğunuz şeyler nelerdir? Endüstrinin tam olarak otomatik veri korumasına hazır olduğunun işaretleri nelerdir?

Biliyoruz ki endüstri buna hazır. Diğer siber alanlarda, SOC gibi, ajans AI’sinin güvenlik ekiplerinin kapasitesini ölçeklendirmek için bir yol olarak zaten bir kayma oldu. Bu çalışmada tasarım ortakları olarak talepte bulunan bir müşteri sırasına sahibiz, bu nedenle birçok şirketin aynı acıyı hissettiğini biliyoruz – hala manuel olarak triyaj, soruşturma, karar verme ve tek bir bileti çözmek için yürütme yapıyorlar. Endüstrinin buraya gittiğine dair mutlak bir inancımız var ve bu değişimi liderlik etmek için kararlıyız.

Harika bir röportaj için teşekkür ederiz, okuyucular daha fazla bilgi edinmek için Teleskope‘u ziyaret edebilir.