Ido Livneh, Jazz’in CEO ve Kurucu Ortağı – Röportaj Serisi

Ido Livneh, Jazz’in CEO ve Kurucu Ortağı, deneyimli bir ürün lideri ve girişimcidir. Yüksek etkili teknoloji platformlarını oluşturma ve ölçeklendirme konusunda güçlü bir geçmişe sahiptir. Laminar’da ürün liderliği yaparak Rubrik tarafından satın alınmasına liderlik etmiş ve Tapingo’yu Grubhub’a 150 milyon dolar karşılığında satılmasına yardımcı olmuştur. Kariyeri Axonius ve önceki girişimler gibi şirketlerde üst düzey rollerde bulunmuştur. Ayrıca, almost on yıl boyunca İsrail Savunma Kuvvetleri’nde mühendislikten yazılım araştırma ve geliştirme liderliğine kadar çeşitli rollerde bulunmuştur. Bu deneyim, şimdi AI-tabanlı siber güvenlik çözümleri oluşturma konusundaki odaklanmasına yön vermiştir.

Jazz, bir AI-tabanlı siber güvenlik şirketidir. Veri Kaybı Önleme (Data Loss Prevention – DLP) konusunda yenilikçi bir yaklaşım sunarak, geleneksel kural tabanlı sistemlerin ötesine geçmektedir. Jazz, verileri anlamak ve riskleri belirlemek için bağlam anlayışını kullanır. Bu sayede, güvenlik ekipleri karmaşık ortamları yönetebilir ve hassas verilerin açığa çıkmasını önleyebilir. Bu, Jazz’i yeni nesil şirketler arasında öne çıkaran bir özelliktir.

Laminar ve Axonius gibi şirketlerde ürün liderliği yaptınız ve birden fazla startup kurucususunuz. Bu deneyimlerden elde ettiğiniz belirli bir açıklık veya anlayış, sizi Jazz’i kurmaya itti mi? DLP’yi şimdi yeniden düşünmenin doğru zamanı neden?

Son on yılda güvenlik ürünleri geliştirdim ve CISO’lar ile karşı karşıya geldim. Üç VP Ürün rolü, iki çıkış – Laminar’ı Rubrik’e sattık. Ve tüm bunlardan çıkardığım bir şey var: kimse DLP’sini sevmiyor.

Laminar’da, veri güvenlik duruşu yönetimi kategorisinin ilk adımlarını attık. Büyük bir sorun, ancak pazarı üç yıl eğitmeden önce gelen talepleri bekledik. Şunu düşündüm: bir sonraki sefer, eski bir sorun istiyorum. Her yönetim kurulunun zaten bildiği, her CISO’nun zaten bütçesi olan ve kimsenin gerçekten çözemediği bir sorun.

DLP bu sorun. Yirmi yılı aşkın bir süredir var. Her güvenlik organizasyonu riski biliyor. Ve piyasada bulunan çözümler evrenseldir – değil因为 satıcılar yeteneksiz değil, çünkü tüm çerçeve yanlış. Makinelerden desenleri eşleştirmelerini ve insanlardan bağlam sağlamalarını istedik. Bu model her zaman bozulmaya mahkumdu.

Zamanlama açıkçası belliydi. AI, daha önce literal olarak imkansız olan bir şeyi yapma yeteneğimizi verdi – bir sistem oluşturmak, veri hakkında bir senior analist gibi derinlemesine anlama yeteneğine sahip, ancak otomatik ve ölçeklenebilir. Bunu gördüğümüzde, dört kurucu – tüm Unit 81 mezunları – bu ilkeleri yeniden düşünme ve DLP’yi sıfırdan yeniden inşa etme zamanının geldiğini anladık. Ve bu kez, çalışmasını sağlamak istedik.

Geleneksel DLP sistemleri, aşırı uyarılar üretmekle uzun süredir eleştiriliyor. Kural tabanlı DLP’de temelde ne bozulur ve endüstri bu sorunu çözmekte neden zorlanıyor?

Sorun, kural tabanlı DLP’nin daha iyi kurallara ihtiyacı olması değil. Sorun, kuralların bu iş için yanlış araç olması.

Şöyle çalışır. Bir sistem dağıtırsınız, desenleri anlar – regex, dosya türleri, anahtar kelimeler. Kurallar yazarsınız. Makine verilerini bu kurallara karşı eşleştirdiğinde, her eşleşme için bir insan analistine “Bunu inceleyin” der. Analist sonra tüm bağlamı getirir – bu kişinin kim olduğu, ne yaptığı, neden yaptığını – ve bir yargı kararı verir.

İkinci kısım, insan investigaciónı, asla ölçeklenmez. DLP’nin fiziği çok gürültülü. Büyük bir kuruluşun içinde veri sürekli hareket halindedir. Dokuz basamaklı bir sayı her zaman bir Sosyal Güvenlik numarası değildir. Bir dosya yüklenmesi her zaman veri kaçırma değildir. Bir internal transfer departmanlar arasında engellenir. Sistem, hassas bir dosya paylaşımının vital iş birliği olup olmadığını veya taç mücevherlerin kapıdan çıkıp çıkmadığını söyleyemez.

Şirketler ne yapar? İstisnalar ekler. Her istisna, aracın işinizi anlamakta başarısız olduğu bir andır. Ve her biri etkili olarak onaylanmış bir arka kapıdır. On sekiz ay sonra zoom out yapın ve çalıştırdığınız şey bir güvenlik programı değil, bir uzlaşmalar defteri – uyumluluk çerçevelerini karşılamak için ve daha fazlası değil.

Piyasaların yaklaşık %30’u olgun bir DLP programına sahiptir ve hatta onlar da en iyisinin “en iyi çaba” olduğunu bilir. Onları “tutuklu” olarak adlandırıyoruz. Diğer %70’i ya asla denemedi ya da denedi ve başarısız oldu. Önceki attempts, aynı kural tabanlı çerçevenin üzerine biraz AI serpmişti. Bu, yükü kaldıramayan bir motoru olan bir arabanın üzerine taze bir boya katmanın gibidir. Değişmesi gereken çerçevenin kendisidir.

Jazz, uyarılar yerine cevaplar sunar. Bir olayı nasıl soruşturur ve bu, miras algılama iş akışlarından nasıl farklıdır?

Mirastaki DLP size bir yangın alarmı verir ve sonra size bir büyüteç verir. “Bir şey o binada oldu. İyi şanslar, hangi katın olduğunu bulmaya çalışın.”

Jazz bunu yapmaz. Adı Melody olan bir otonom soruşturmacı geliştirdik, bu, bir insan analistin yapacağı işi yapar, ancak süper insan ölçeklenebilirliğiyle.

Veri işlemi gerçekleştiğinde, Melody sadece bayrak açmaz. Dört boyutta tam bir soruşturma yürütür. İlk olarak, veri kendisi – desen ve kurallarla değil, bu verinin ne olduğu, kime ait olduğu, kaybetme riskinin bu şirket için ne anlama geldiğini derinlemesine anlar. İkincisi, sistemler – veri nereden geliyor, nereye gidiyor ve kritik olarak, hangi kiracı. Bir şirketin Google Drive’ına bir dosya yüklemek ile kişisel bir Google Drive’a yüklemek arasında büyük bir fark vardır ve Melody bu ayrımı anlar.

Üçüncüsü, insanlar – bireylerin nasıl çalıştığını, veriyi nasıl kullandıklarını, rollerine göre neyin normal olduğunu öğreniriz. Ve dördüncüsü, iş süreci – bu işlem neden gerçekleşiyor? Bilinen bir iş akışının bir parçası mı, yoksa açıklanamayan bir şey mi?

Bu çoklu ajanlar bir araya gelir ve tam hikayeyi yeniden oluşturur: ne oldu, neden oldu ve aktörün niyeti. İnsan tarafından görüldüğünde, bir uyarı değil, önceden soruşturulmuş bir anlatıyla kanıt, bağlam ve bir karar verir. Tipik bir dağıtımda, Jazz ayda yaklaşık 2 milyon sinyali işler, 100.000’den fazla potansiyel olayı soruşturur ve gerçekten insan dikkatine ihtiyaç duyan yaklaşık 80 olayı ortaya çıkarır. Bu, 20.000’e 1 sinyal-gürültü oranına sahiptir. İşte böylece inactionable uyarıları ve uyarı yorgunluğunu sonlandırıyoruz.

Platformunuz, veri, sistemler, insanlar ve iş过程leri across analiz eder. Bu boyutları teknik olarak nasıl birleştirirsiniz ve bu süreçte AI ajanları veya akıl yürütme sistemleri hangi rolü oynar?

Mimari, her biri tek bir veri işlemini farklı bir perspektiften analiz eden çoklu uzmanlaşmış AI ajanları etrafında inşa edilmiştir.

Bir ajan, verinin içeriği, duyarlılığı, mülkiyeti ve iş için ilgili olduğu konusunda derinlemesine anlama konusunda uzmanlaşır. Bir diğeri, sistem manzarasına bakar – sadece uygulamaların adlarını değil, belirli kiracıları, güven seviyesini, kurumsal mı yoksa kişisel mi olduğunu da dikkate alır. Üçüncüsü, bireylerin nasıl çalıştığını ve veriyi nasıl kullandıklarını inşa eder ve günceller, böylece belirli bir eylemin rollerine göre tutarlı olup olmadığını değerlendirebilir. Ve dördüncüsü, iş süreçlerini haritalar – veri işlemlerini bilinen iş akışlarına bağlar ve açıklanamayanları tanımlar.

Bu ajanlar daha sonra bulgularını birleştirir ve birleşik bir soruşturma oluşturur – ne olduğu, neden olduğu ve gerçek bir risk olup olmadığı konusunda tam bir hikaye.

Tüm bunlar, iki temel yenilik üzerine kuruludur. İlk olarak, DLP için özel olarak patentlediğimiz yeni bir sinyal türü olan endpoint bağlam kasaları. Bunlar, sadece veri işlemini değil, etrafındaki tam hikayeyi de yakalar: önce ne oldu, sonra ne oldu, hangi uygulamalar dahil edildi, tam kullanıcı etkinliği zinciri. Bu sinyaller çok zengin bir bağlam sağlar ve sadece ne olduğu değil, neden olduğu ve aktörün niyeti hakkında da bilgi verir – bunlar makinelerin ölçeklenebilir olarak anlaması her zaman zor olmuştur.

İkincisi, geleneksel esnek kural kümelerinin yerini alan bir doğal dil politikası motoru. Teknik kuralları regex ve eşiklerle yazmak yerine, güvenlik ekipleri insan gibi kabul edilebilir ve olmayan şeyi tanımlar – düz dilde. Melody, bu politikaları kullanır ve açıkça belirtilen bir politika yoksa, durumlar hakkında nüanslı yargı çağrıları yapar. Çünkü bir organizasyonun günlük iş uygulamaları genellikle vanilla bir politika belgesinde yazılanlardan büyük ölçüde farklıdır. Bu boşluğu kapatıyoruz ve uzun süredir DLP programları ile deneyimi olanlara göre bu, sihir gibi geliyor.

Çok sayıda şirket, hassas verilere etkileşen otonom AI ajanlarını dağıtmaktadır. Bu, tehdit manzarasını nasıl değiştirir ve neden DLP’ye yeni bir yaklaşım gerektirir?

Bu, bir tikleyici bomba.

SaaS patlaması zaten güvenlik ekiplerini boğuyordu – her hafta, beş yeni araç ortamda görünüyor, çoğu IT onayı olmadan çalışanlar tarafından benimseniyor. Müşterilerimizin, kimsenin bilmediği 400’den fazla GenAI aracının şirket çapında çalıştığını keşfettiğini gördük. Şimdi bunu otonom AI ajanlarına ekleyin.

AI ajanları, sadece pasif olarak veri işlemez – aktif olarak çeker, dönüştürür, diğer hizmetlere gönderir, nereye gideceğine karar verir. Bir çalışan, bir şirket kod tabanına bir AI kod asistanı bağlar, kişisel bir hesap kullanır ve sonra çıktıları bir kişisel depoya gönderir – sahada tam olarak bunu gördük. Ya da biri, şirketin bir企业 hesabını ayırmadığı için kişisel bir ChatGPT oturumuna propriyetary strateji belgelerini yapıştırıyor. Hatta basit bir kişisel Grammarly eklentisi, banka transferi ayrıntıları ve müşteri verileri dahil her şeyi gözden geçiriyor.

Kural tabanlı DLP, verilerin birkaç bilinen kanal aracılığıyla hareket ettiği bir dünya için inşa edildi – e-posta ekleri, USB sürücüler, belki bir web yükleme. AI çağı bu modeli paramparça etti. Veri şimdi, miras sistemlerin göremediği veya anlamadığı düzinelerce vektör aracılığıyla akar. Bağlamı anlayan bir sistem gerektirir – sadece veri hareket ettiğini değil, neden, ne aracılığıyla ve varış noktasının onaylanmış olup olmadığını da anlamak gerekir.

Bu, neden eski çerçeveyi yamayla düzeltmenin yeterli olmayacağının temel nedeni. İş bağlamını yerli olarak anlayan bir yaklaşıma ihtiyacınız vardır, çünkü saldırı yüzeyi artık bir kanal listesi değil, her etkileşimdir – insanlar, AI araçları ve hassas veriler arasında.

Açıklanabilirlik, güvenlikte AI’ı benimsemeye büyük bir engel olarak kalıyor. Sisteminizin kararlarının güvenlik ekipleri için anlaşılır ve güvenilir olmasını nasıl sağlarsınız?

Bu, bizi ilk günden beri düşündürdü, çünkü son şeyin bir başka kara kutu olması istemeyiz.

Melody tarafından üretilen her soruşturma, bir anlatıdır – bir puan değil, bir renk kodu değil, bir risk numarası değil. Bir senior analistin brifingi gibi okunur. Ne oldu. Kim dahil oldu. Neden yaptıklarını düşünüyoruz. Kanıt. Politika hangi haritalama. Değerlendirmemiz.

Doğal dil politikası motoru, bunun için çok önemlidir. Çünkü politikalar düz dilde yazıldığından, güvenlik ekipleri bir kararın hangi politika ile eşleştiğini ve nedenini görebilir. Melody bir şeyi bayrak açarsa, ekip, ham sinyallerin politikaya eşleşme zincirini izleyebilir. Ve eğer anlaşmazlarsa, politikayı düz dilde rafine edebilirler – bir kural kümesini hatalı şekilde yazmak yerine.

Ayrıca kanıtları doğrudan gösteriyoruz, tam faaliyet zincirini. “AI’a güvenin” değil, “AI ne gördüğünü, ne sonuç çıkardığını ve ham verilerinizi doğrulayabilmeniz için burada” diyoruz. Müşterilerimize göre, bu, AI çıktısını gözden geçirmekten çok, çok titiz bir meslektaşın brifingi almak gibi geliyor.

Bu, barajdır. Güvenlik ekipleri, yanlış bir kararın regülatif sonuçlar, yasal sorumluluk veya bir çalışanın kariyeri anlamına gelebileceği ortamlarda çalışır. Sistem, nasıl ulaştığına dair güven kazanmak için kararlarına ulaşma şeklini şeffaf bir şekilde açıklamak zorundadır.

Jazz, sistemini bir insan soruşturmacı gibi davranan bir sistem olarak tanımlar. Bu, uygulamada ne anlama gelir ve gerçekten otonom güvenlik operasyonlarına ne kadar yakınız?

Melody’nin bir insan soruşturmacı gibi davrandığını söylediğimde, bunu literal olarak kastediyorum.

Bir DLP analisti, sadece bir dosya yüklendiğini görmez. Dosyayı kimin yüklediğini, içinde ne olduğunu, nereye gittiğini, bu kişinin normalde bu tür verileri işleyip işlemediğini, işin nedenini ve önce ve sonra ne olduğunu inceler. Bağlamsal yargı kullanır – sadece kurallar değil – ve bu, işlerini derinlemesine anlamak için gereklidir. Melody de tam olarak bunu yapar, ancak bir girişimdeki her veri işlemi için sürekli ve ölçeklenebilir bir şekilde.

Uygulamada, müşterilerimiz Melody’yi takımın bir başka üyesi olarak tanımlar. Onlara politika dışı durumları gösterir, tam bir soruşturma ile kanıtlar sunar ve gerçekten insan girdisi gereken durumlarda yargı için sorar. İşletmeyi zaman içinde öğrenir – iş süreçlerini, istisnaları, teknik olarak bir ihlal ancak operasyonel olarak normal olan şeyleri.

Gerçekten otonom güvenlik operasyonlarına gelince – düşündüğümüzden daha yakınız. Melody zaten soruşturma aşamasında otonom olarak çalışır. Ham sinyalleri alır ve insan müdahalesi olmadan tam bir soruşturma ve bağlamsal sonuçlar üretir. Yüksek güven, yüksek riskli senaryolarda da otonom olarak önleme eylemleri gerçekleştirebilir – exfiltrasyonu tamamlanmadan önce engeller.

İnsan, yargı çağrıları için ve insan-çevrimiçi öğrenme süreci için döngüde kalır. Ve bu, tasarlandığı gibidir. Hedef, insanları güvenlikten çıkarmak değil, insanları yoracak tekrarlı işleri çıkarmak ve gerçekten insan yargısı gerektiren kararlara odaklanmalarını sağlamaktır. İşte buradayız ve müşterilerimizin programlarını çalıştırma şeklini zaten dönüştürüyor.

Üründen ve mühendislik açısından, bir AI-tabanlı DLP platformunu sıfırdan inşa etmenin en zor teknik zorlukları nelerdi?

En zor kısım, kısayolları reddetmekti.

Sıfırdan başladığınızda, her zaman, kanıtlanmış ve hızlı oldukları için eski mimarinin parçalarını ödünç alma baskısı vardır ve bu, mevcut müşteri beklentileri ile daha uyumludur. Ancak her zaman bunu yaptığınızda, eski modelin sınırlarını miras alırsınız. İlkelerden başlamak ve düşünmek için bilinçli bir karar verdik – problemın temel fiziklerini düşünün ve yeniden inşa edin.

Endpoint ajanı, en büyük zorluklardan biriydi. Sinyal toplama zorluğunu yeniden düşünmek ve yeterli bağlamı vurmamız gerekiyordu ve aynı zamanda sistem performansına düşük etkiye sahip olmalıydı. Bu, tüm işletim sistemleri boyunca büyük bir mühendislik çabası gerektiriyordu. Sonunda, bize hiçbir kimsenin sahip olmadığı görünürlük sağlayan patentli bir yaklaşım elde ettik.

Çoklu AI ajanı sistemi, başka bir büyük zorluktu. Birden fazla uzmanlaşmış AI ajanının aynı işlemi farklı perspektiflerden analiz etmesi ve sonra tutarlı ve doğru bir anlatıya ulaşması gerekiyordu – bu, önemli bir mimari düşünce gerektiriyordu. Sadece bir LLM’yi bir veri akışına atmak değil. Orkestrasyon katmanı, ajanların bağlamı nasıl paylaştığı, nasıl çelişkili sinyalleri çözdüğü – burada zorlukların çoğu yaşanıyor.

Ve sonra doğal dil politikası motoru. İnsanların kabul edilebilir ve olmayan şeyi tanımladıkları şekilde, insan dili tanımlarını, AI’nın güvenilir bir şekilde binlerce kenar durumu uygulayabileceği bir şeye çevirme – bu, temelde zor bir problem. Günlük iş uygulamaları genellikle yazılı politikadan büyük ölçüde farklılık gösterir. Sistem, bu boşluğu kapatmak zorundadır ve bunu doğru yapmalıdır, çünkü DLP’de yanlış yapmanın sonuçları ciddidir.

Her birini bu zor problemleri kasıtlı olarak seçtik, çünkü bunlar, sadece biraz daha iyi DLP değil, gerçekten yeni bir şey arasındaki farkı yaratırlar.

Bu ve daha birçok zorlukta, doğru yeteneğin üzerine alabileceği benzersiz problem setleri vẫn vardır. DLP’yi iyi çözme, gerçekten düşündürücü ve cezbedici bir yolculuktur.

Jazz, 2026 Siber Güvenlik Startup Hızlandırıcı’nın kazananı olarak seçildi. CrowdStrike (CRWD ), AWS ve NVIDIA tarafından desteklenmektedir. Bu deneyim, yaklaşımınız hakkında neyi doğruladı ve yol haritanızı nasıl etkiledi?

Binlerce startup başvurdu. Altı finalist oldu. Kazandık.

Sahneye çıkmadan önce, beyniniz her şeyin yanlış gidebileceği konusunda sizi uyarır. Sonra DLP’ye çalıştığımız sorunu anlatmaya başlarsınız ve her şey sessizleşir. Geç saatlerde Melody’nin nasıl çalışması gerektiği hakkında tartışmalar, her müşteri konuşması, ürünün şekillenmesi – tüm bunlar o anlarda yoğunlaşıyor.

Hakemler, George Kurtz, CJ Moses, Bartley Richardson ve efsanevi köpekbalığı Robert Herjavec, bunu gördü. Ajanca soruşturma modelini ve hızlı müşteri benimsememizi özellikle vurguladılar. Bizim için, endüstri liderlerinin onaylaması, kupadan daha önemliydi. Bunlar, en üst düzeyde güvenlik programları oluşturan ve yöneten insanlardır ve gerçekten yeni bir şey yaptığımızı anladılar – ve我们的 traction konuşuyor.

Yol haritası açısından, hızlandırıcı, müşterilerimizin zaten söylediği şeyi doğruladı – pazar buna hazır ve hızlı hareket etmek istiyor. Melody’nin soruşturma yeteneklerini genişletmeye ve ürünü mümkün olduğunca nhiều güvenlik ekibine ulaştırmaya odaklanıyoruz.

İleriye bakıldığında, DLP’nin tam otonom, ajan-tabanlı bir sistem haline geleceğine inanıyorum ve AI-tabanlı bir girişimdeki veri güvenliğinin uzun vadeli geleceği nedir?

DLP’nin tam otonom olacağına inanıyorum, ancak aşamalar halinde. Soruşturma katmanı zaten orada – Melody bunu bugün yapıyor. Yüksek güvenli senaryolarda önleme zaten gerçekleşiyor. Sistem, organizasyonu, iş akışlarını, insanları ve gerçekten insan yargısı gerektiren yüzeyi öğreniyor.

Ancak “otonom”un “gözetimsiz” anlamına gelmediğini istiyorum. Sistem, insanların yapmaması gereken işi ele alır, böylece önemli kararlar alabilirler. Geleceğin CISO’su, uyarılarla boğulmuyor. Stratejik risk değerlendirmelerini, işini derinlemesine anlayan bir AI’dan alıyor. Etkin, ilgili eylemler gerçekleştiriyor – agregat edilmiş içgörülere dayalı aktif veri kaybı manzarası hakkında ve tahminler değil. Bu, veri riskini azaltmasını sağlar, ancak işini yavaşlatmaz.

Büyük resim şudur: AI-tabanlı bir girişimde, veri daha hızlı hareket ediyor, daha birçok kanal aracılığıyla, daha karmaşık şekillerde – insan ekibinin takip edebileceğinden daha fazla. Kazanacak olan şirketler, güvenlik sistemlerinin AI hızında bağlamı anladığı şirketler olacaktır, değil regex kuralları yazmaya devam edenler veya en iyisini umanlardır.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Jazz‘i ziyaret edebilir.