Ido Livneh, CEO và Đồng sáng lập của Jazz – Loạt phỏng vấn

Ido Livneh, CEO và Đồng sáng lập của Jazz, là một nhà lãnh đạo sản phẩm giàu kinh nghiệm và doanh nhân với thành tích xây dựng và mở rộng các nền tảng công nghệ có tác động cao, bao gồm lãnh đạo sản phẩm tại Laminar thông qua việc mua lại của Rubrik và giúp thúc đẩy việc bán thành công Tapingo cho Grubhub với giá 150 triệu đô la; sự nghiệp của ông bao gồm các vai trò cấp cao tại Axonius và các doanh nghiệp trước đó như KnuPo, và được xây dựng trên nền tảng kỹ thuật sâu sắc được phát triển trong gần một thập kỷ trong Lực lượng Phòng vệ Israel nơi ông đã tiến bộ từ kỹ sư đến lãnh đạo nghiên cứu và phát triển phần mềm, kinh nghiệm này hiện đang định hình sự tập trung của ông vào xây dựng các giải pháp an ninh mạng bản địa AI.

Jazz là một công ty an ninh mạng bản địa AI đang suy nghĩ lại về Phòng ngừa Mất Dữ liệu bằng cách vượt ra ngoài các hệ thống dựa trên quy tắc cũ và giới thiệu một nền tảng nhận thức về ngữ cảnh hiểu cách dữ liệu chảy qua các tổ chức, phân tích hành vi của người dùng, hệ thống và quy trình làm việc để xác định các rủi ro thực sự thay vì tạo ra các cảnh báo quá mức; bằng cách sử dụng AI để điều tra các sự cố tại nguồn và cung cấp thông tin có hành động, nền tảng cho phép các nhóm an ninh tinh gọn quản lý các môi trường phức tạp và ngăn chặn việc lộ dữ liệu nhạy cảm trên các ứng dụng đám mây, điểm cuối và hệ thống nội bộ, định vị Jazz như một phần của thế hệ mới các công ty xây dựng lại an ninh doanh nghiệp cho kỷ nguyên AI.

Bạn đã lãnh đạo sản phẩm tại các công ty như Laminar thông qua việc mua lại và giữ các vai trò lãnh đạo tại Axonius và Grubhub, trong khi cũng thành lập nhiều công ty khởi nghiệp. Cái gì cụ thể từ những kinh nghiệm đó đã thúc đẩy bạn bắt đầu Jazz, và tại sao bây giờ là thời điểm đúng để tái phát minh Phòng ngừa Mất Dữ liệu (DLP)?

Tôi đã dành thập kỷ cuối cùng xây dựng sản phẩm an ninh và ngồi đối diện với các CISO. Ba vai trò Phó Chủ tịch Sản phẩm, hai lần thoát – bao gồm Laminar, mà chúng tôi bán cho Rubrik. Và nếu có một điều tôi đã học được qua tất cả, đó là điều này: tuyệt đối không ai yêu thích DLP của họ.

Tại Laminar, chúng tôi đã xây dựng những inning đầu tiên của danh mục DSPM – quản lý tư thế an ninh dữ liệu. Vấn đề tuyệt vời, nhưng chúng tôi đã dành ba năm giáo dục thị trường trước khi bắt đầu có khách hàng tiềm năng. Tôi rời đi với suy nghĩ: lần tới, tôi muốn một vấn đề cũ. Một vấn đề mà mọi hội đồng quản trị đã biết, mọi CISO đã có ngân sách cho, và không ai thực sự đã giải quyết.

DLP là vấn đề đó. Nó đã hai mươi năm tuổi. Mọi tổ chức an ninh biết về rủi ro. Và các giải pháp trên thị trường đều bị ghét – không phải vì các nhà cung cấp không có năng lực, mà vì toàn bộ khuôn khổ là sai. Chúng tôi đã yêu cầu máy móc khớp với mẫu và con người cung cấp ngữ cảnh. Mô hình đó luôn bị phá vỡ.

Thời gian là rõ ràng. AI đã cho chúng tôi khả năng làm điều gì đó mà trước đây là không thể – xây dựng một hệ thống hiểu dữ liệu theo cách một nhà phân tích cao cấp làm, nhưng tự động và theo quy mô. Khi chúng tôi thấy điều đó, bốn người đồng sáng lập chúng tôi – tất cả đều là cựu sinh viên của Unit 81 – biết rằng đây là thời điểm để quay lại các nguyên tắc cơ bản và xây dựng lại DLP từ đầu. Và lần này, hãy làm cho nó hoạt động, và dễ dàng như vậy.

Các hệ thống DLP truyền thống đã bị chỉ trích vì tạo ra quá nhiều cảnh báo. Cơ bản thì cái gì bị hỏng trong DLP dựa trên quy tắc, và tại sao ngành công nghiệp lại gặp khó khăn trong việc giải quyết vấn đề này?

Vấn đề không phải là DLP dựa trên quy tắc cần có quy tắc tốt hơn. Vấn đề là quy tắc đã là công cụ sai cho công việc này từ đầu.

Đây là cách nó hoạt động. Bạn triển khai một hệ thống hiểu mẫu – regex, loại tệp, từ khóa. Bạn viết quy tắc. Máy móc khớp dữ liệu với những quy tắc đó, và bất cứ khi nào có một trận đấu, nó nói với một nhà phân tích con người: “Hãy xem cái này.” Nhà phân tích sau đó phải đưa vào tất cả ngữ cảnh – ai là người này, họ đang làm gì, tại sao họ lại làm như vậy – và đưa ra một quyết định.

Phần thứ hai, cuộc điều tra của con người, không bao giờ có thể mở rộng quy mô. Vật lý của DLP chỉ quá ồn ào. Dữ liệu di chuyển liên tục trong bất kỳ doanh nghiệp lớn nào. Một số chín chữ số không phải lúc nào cũng là Số An sinh Xã hội. Một tệp tải lên không phải lúc nào cũng là exfiltration. Một chữ cái “A” kích hoạt các quy tắc FERPA. Một chuyển giao nội bộ giữa các bộ phận bị chặn. Hệ thống không thể phân biệt được liệu một tệp chia sẻ nhạy cảm có phải là sự hợp tác kinh doanh quan trọng hay là những viên ngọc quý giá của bạn đang rời đi.

Vậy các công ty làm gì? Họ thêm ngoại lệ. Mỗi ngoại lệ là một khoảnh khắc công cụ của bạn không hiểu được doanh nghiệp của bạn. Và mỗi ngoại lệ đều là một cánh cửa hậu được chấp thuận. Zoom out sau mười tám tháng và những gì bạn đang chạy không phải là một chương trình an ninh – mà là một bảng ghi chép các thỏa hiệp được ngụy trang trong một báo cáo tuân thủ.

Khoảng 30% thị trường có một chương trình DLP trưởng thành, và ngay cả họ cũng biết đó là nỗ lực tốt nhất – thỏa mãn các khuôn khổ tuân thủ và không hơn. Chúng tôi gọi họ là “những người bị mắc kẹt.” 70% còn lại chưa bao giờ thử, hoặc đã thử và thất bại. Những nỗ lực trước đó để sửa chữa điều này đã rắc một chút AI lên trên cùng khuôn khổ dựa trên quy tắc. Đó giống như việc sơn một lớp sơn mới lên một chiếc xe có động cơ mà mọi người đều biết không thể xử lý được tải trọng.

Jazz tự định vị mình là cung cấp câu trả lời thay vì cảnh báo. Bạn có thể giải thích cách hệ thống của bạn điều tra các sự cố và điều gì khiến nó khác biệt so với các quy trình phát hiện cũ?

DLP cũ cho bạn một báo động cháy và sau đó đưa cho bạn một kính lúp. “Có điều gì đó xảy ra trong tòa nhà đó. Chúc may mắn khi tìm ra tầng nào.”

Jazz không làm điều đó. Chúng tôi đã xây dựng một điều tra viên tự động, tên của cô ấy là Melody, thực hiện công việc mà một nhà phân tích con người sẽ làm, nhưng với quy mô siêu phàm.

Khi một giao dịch dữ liệu xảy ra, Melody không chỉ đánh dấu nó. Cô thực hiện một cuộc điều tra đầy đủ trên bốn chiều. Đầu tiên, dữ liệu chính nó – không với regex và mẫu, mà hiểu sâu về dữ liệu là gì, ai sở hữu nó, rủi ro mất nó thực sự có nghĩa là gì cho công ty cụ thể này. Thứ hai, hệ thống – dữ liệu đến từ đâu, đi đến đâu, và quan trọng nhất, nào là người thuê. Có một sự khác biệt lớn giữa việc tải tệp lên Google Drive doanh nghiệp và một Google Drive cá nhân, và Melody hiểu sự khác biệt đó.

Thứ ba, con người – chúng tôi học cách các cá nhân hoạt động, cách họ sử dụng dữ liệu theo thời gian, điều gì là bình thường cho vai trò của họ. Và thứ tư, quy trình kinh doanh – tại sao giao dịch này lại xảy ra? Có phải nó là một phần của quy trình làm việc được biết đến, hay là điều gì đó chúng tôi không thể giải thích?

Những tác nhân này cùng nhau và xây dựng lại toàn bộ câu chuyện: điều gì đã xảy ra, tại sao nó xảy ra, và ý định của tác nhân. Khi một con người nhìn thấy nó, nó không phải là một cảnh báo – mà là một câu chuyện đã được điều tra trước với bằng chứng, ngữ cảnh và một phán quyết. Trong một triển khai điển hình, Jazz xử lý khoảng 2 triệu tín hiệu mỗi tháng cho mỗi nghìn nhân viên, điều tra hàng trăm nghìn sự kiện tiềm năng và đưa ra khoảng 80 sự cố thực sự cần sự chú ý của con người. Đó là tỷ lệ tín hiệu trên tiếng ồn 20.000 đến 1. Đó là cách chúng tôi chấm dứt các cảnh báo không thể thực hiện được và mệt mỏi cảnh báo.

Nền tảng của bạn phân tích ngữ cảnh trên dữ liệu, hệ thống, con người và quy trình kinh doanh. Bạn có thể giải thích cách kỹ thuật các chiều này được thống nhất, và vai trò của các tác nhân AI hoặc hệ thống suy luận trong quá trình này?

Kiến trúc được xây dựng xung quanh nhiều tác nhân AI chuyên dụng, mỗi tác nhân phân tích một giao dịch dữ liệu đơn từ một góc độ khác nhau.

Một tác nhân tập trung vào việc hiểu sâu về dữ liệu – nội dung, độ nhạy, quyền sở hữu và liên quan đến kinh doanh. Một tác nhân khác xem xét cảnh quan hệ thống – không chỉ tên của các ứng dụng, mà còn các người thuê cụ thể, mức độ tin cậy, liệu nó có phải là doanh nghiệp hay cá nhân. Một tác nhân thứ ba xây dựng và cập nhật liên tục các hồ sơ về cách các cá nhân hoạt động và sử dụng dữ liệu, để nó có thể đánh giá liệu một hành động nhất định có nhất quán với vai trò của người đó hay không.

Những tác nhân này sau đó hội tụ và tổng hợp các phát hiện của chúng vào một cuộc điều tra thống nhất – một câu chuyện đầy đủ về điều gì đã xảy ra, tại sao, và liệu đó có phải là một rủi ro thực sự.

Tất cả đều dựa trên hai đổi mới cơ bản. Đầu tiên, những gì chúng tôi gọi là các kho ngữ cảnh điểm cuối – một loại tín hiệu mới mà chúng tôi đã cấp bằng sáng chế đặc biệt cho DLP. Những tín hiệu này không chỉ捕获 giao dịch dữ liệu chính nó mà còn toàn bộ câu chuyện xung quanh nó: điều gì đã xảy ra trước, điều gì đã xảy ra sau, những ứng dụng nào đã tham gia, chuỗi hoạt động người dùng hoàn chỉnh. Những tín hiệu này là ngữ cảnh rất phong phú, và cho phép chúng tôi cung cấp không chỉ điều gì đã xảy ra mà còn tại sao nó xảy ra, và ý định của tác nhân, những điều mà trước đây máy móc không thể hiểu được ở quy mô.

Thứ hai, một động cơ chính sách ngôn ngữ tự nhiên thay thế các bộ quy tắc cứng nhắc truyền thống. Thay vì viết các quy tắc kỹ thuật với regex và ngưỡng, các nhóm an ninh mô tả những gì được chấp nhận và những gì không theo cách một con người sẽ – bằng ngôn ngữ đơn giản. Melody sử dụng điều đó để đưa ra các quyết định tinh vi về các tình huống có thể không được đề cập rõ ràng trong bất kỳ chính sách nào. Bởi vì thực tế của các hoạt động kinh doanh hàng ngày trong một tổ chức thường khác rất nhiều so với những gì thực sự được viết trong một tài liệu chính sách vanilla. Chúng tôi bắc cầu đó, và đối với những người có kinh nghiệm lâu dài với các chương trình DLP, điều này cảm thấy như ma thuật.

Nhiều doanh nghiệp hiện đang triển khai các tác nhân AI tự động tương tác với dữ liệu nhạy cảm. Sự thay đổi này thay đổi thế giới nguy hiểm như thế nào, và tại sao nó yêu cầu một cách tiếp cận mới đến DLP?

Đây là một quả bom hẹn giờ.

Vụ nổ SaaS đã khiến các nhóm an ninh quá tải – mỗi tuần, năm công cụ mới xuất hiện trong môi trường, nhiều công cụ được nhân viên áp dụng mà không có sự chấp thuận của IT. Chúng tôi đã có khách hàng phát hiện hơn 400 công cụ GenAI chạy trên toàn tổ chức mà không ai biết về nó. Bây giờ hãy thêm các tác nhân AI tự động trên đó.

Các tác nhân AI không chỉ xử lý dữ liệu một cách thụ động – chúng chủ động kéo dữ liệu, chuyển đổi dữ liệu, gửi dữ liệu đến các dịch vụ khác, đưa ra quyết định về nơi dữ liệu đi. Một nhân viên kết nối một trợ lý mã hóa AI với cơ sở mã của công ty, sử dụng một tài khoản cá nhân, và sau đó đẩy đầu ra đến một kho lưu trữ cá nhân – chúng tôi đã thấy chính xác điều đó trong lĩnh vực này. Hoặc ai đó dán các tài liệu chiến lược độc quyền vào một phiên ChatGPT cá nhân vì công ty chưa cung cấp một tài khoản doanh nghiệp. Thậm chí một điều đơn giản như một plugin Grammarly cá nhân xem xét mọi thứ bạn nhập, bao gồm cả chi tiết chuyển khoản ngân hàng và dữ liệu khách hàng.

DLP dựa trên quy tắc được xây dựng cho một thế giới nơi dữ liệu di chuyển qua một số kênh đã biết – tệp đính kèm email, USB, có thể một tải lên web. Kỷ nguyên AI đã phá vỡ mô hình đó. Dữ liệu hiện di chuyển qua hàng chục vector mà các hệ thống cũ không thể nhìn thấy, không thể hiểu. Bạn cần một hệ thống có thể hiểu ngữ cảnh – không chỉ dữ liệu di chuyển, mà còn tại sao, thông qua gì, và liệu điểm đến có được chấp thuận hay không.

Đó là lý do cơ bản tại sao khuôn khổ cũ không thể được vá. Bạn cần một cách tiếp cận hiểu ngữ cảnh kinh doanh một cách bản địa, bởi vì bề mặt tấn công không còn là một danh sách các kênh nữa, mà là mọi tương tác giữa con người, công cụ AI và dữ liệu nhạy cảm.

Khả năng giải thích vẫn là một rào cản chính trong việc áp dụng AI trong an ninh. Bạn đảm bảo rằng các quyết định của hệ thống của bạn có thể hiểu được và đáng tin cậy cho các nhóm an ninh hoạt động trong các môi trường có rủi ro cao?

Đây là điều chúng tôi nghĩ về từ ngày đầu tiên, bởi vì điều cuối cùng mà một CISO cần là một hộp đen khác.

Mỗi cuộc điều tra mà Melody sản xuất là một câu chuyện – không phải là một điểm số, không phải là một mã màu, không phải là một số rủi ro bí ẩn. Nó đọc như một bản tóm tắt từ một nhà phân tích cao cấp. Đây là điều đã xảy ra. Đây là những người liên quan. Đây là lý do tại sao chúng tôi nghĩ họ đã làm như vậy. Đây là bằng chứng. Đây là chính sách mà nó áp dụng. Đây là đánh giá của chúng tôi.

Động cơ chính sách ngôn ngữ tự nhiên là rất quan trọng đối với điều này. Bởi vì các chính sách bản thân được viết bằng ngôn ngữ đơn giản, các nhóm an ninh có thể thấy chính xác chính sách nào mà một quyết định áp dụng và tại sao. Nếu Melody đánh dấu một điều gì đó, nhóm có thể theo dõi chuỗi suy luận từ tín hiệu thô qua phân tích ngữ cảnh đến trận đấu chính sách. Và nếu họ không đồng ý, họ có thể tinh chỉnh chính sách bằng ngôn ngữ đơn giản – không phải bằng cách gỡ lỗi một bộ quy tắc.

Chúng tôi cũng hiển thị bằng chứng trực tiếp, chuỗi hoạt động đầy đủ. Nó không phải là “tin tưởng AI”, mà là “đây là những gì AI nhìn thấy, đây là những gì nó kết luận, và đây là dữ liệu thô để bạn có thể xác minh.” Khách hàng của chúng tôi nói với chúng tôi rằng nó cảm thấy ít hơn như xem xét đầu ra AI và nhiều hơn như nhận được một bản tóm tắt từ một đồng nghiệp rất tận tâm.

Đó là tiêu chuẩn. Các nhóm an ninh hoạt động trong các môi trường nơi một quyết định sai lầm có thể có nghĩa là hậu quả pháp lý, phơi nhiễm pháp lý, hoặc sự nghiệp của một nhân viên. Hệ thống phải kiếm được sự tin tưởng bằng cách minh bạch về cách nó đạt được kết luận của mình.

Jazz mô tả hệ thống của mình như hành xử giống như một điều tra viên con người hơn là một động cơ quy tắc. Điều đó có nghĩa là gì trong thực tế, và chúng ta đang ở gần với các hoạt động an ninh tự động thực sự đến mức nào?

Khi tôi nói Melody hành xử giống như một điều tra viên con người, tôi có nghĩa là điều đó theo nghĩa đen.

Một nhà phân tích DLP tuyệt vời không chỉ nhìn thấy rằng một tệp đã được tải lên. Họ nhìn vào ai đã tải nó lên, những gì trong đó, nó đi đến đâu, liệu người đó thường xử lý loại dữ liệu này, liệu có lý do kinh doanh cho nó, và những gì đã xảy ra trước và sau. Họ sử dụng phán quyết trong ngữ cảnh – không chỉ quy tắc – và điều đó đòi hỏi sự hiểu biết về ngữ cảnh kinh doanh của họ. Đó chính xác là những gì Melody làm, nhưng trên mọi giao dịch dữ liệu trong một doanh nghiệp, liên tục và theo quy mô.

Trong thực tế, khách hàng của chúng tôi mô tả Melody như một thành viên khác trong nhóm của họ. Cô ấy hiển thị cho họ những tình huống nằm ngoài chính sách, cung cấp cuộc điều tra đầy đủ với bằng chứng, và yêu cầu phán quyết của họ về các trường hợp thực sự cần đầu vào của con người. Cô ấy học tổ chức theo thời gian – các quy trình kinh doanh, các ngoại lệ, những điều mà về mặt kỹ thuật là vi phạm nhưng hoạt động bình thường.

Về các hoạt động an ninh tự động thực sự – chúng tôi đang gần hơn những gì hầu hết mọi người nghĩ, nhưng tôi muốn chính xác về điều đó có nghĩa là gì. Melody đã hoạt động tự động trong giai đoạn điều tra. Cô ấy lấy tín hiệu thô và tạo ra các phán quyết đã được điều tra đầy đủ, được ngữ cảnh hóa mà không cần sự can thiệp của con người. Đối với các kịch bản rủi ro cao, tự tin cao, cô ấy cũng có thể thực hiện các hành động ngăn chặn tự động – chặn một vụ exfiltration trước khi nó hoàn thành.

Con người vẫn ở trong vòng lặp cho các quyết định phán xét, và cho quá trình học hỏi có con người trong vòng lặp. Và đó là theo thiết kế. Mục tiêu không phải là loại bỏ con người khỏi an ninh, mà là loại bỏ công việc nhàm chán, lặp đi lặp lại khiến họ kiệt sức và để họ tập trung vào những quyết định thực sự đòi hỏi sự phán xét của con người. Đó là nơi chúng tôi đang ở ngày hôm nay, và nó đã biến đổi cách khách hàng của chúng tôi chạy chương trình của họ.

Từ góc độ sản phẩm và kỹ thuật, những thách thức kỹ thuật nào là khó khăn nhất khi xây dựng một nền tảng DLP bản địa AI từ đầu thay vì lặp lại các kiến trúc hiện có?

Phần khó nhất là chống lại sự cám dỗ để đưa ra các giải pháp thay thế.

Khi bạn bắt đầu từ đầu, luôn có áp lực để mượn các phần của kiến trúc cũ vì chúng đã được chứng minh và nhanh chóng, và phù hợp hơn với kỳ vọng của khách hàng hiện có. Nhưng mỗi khi bạn làm điều đó, bạn sẽ thừa hưởng các hạn chế của mô hình cũ. Chúng tôi đã đưa ra quyết định có chủ ý để quay lại các nguyên tắc cơ bản – suy nghĩ về vật lý cơ bản của vấn đề và xây dựng lại.

Trình điều khiển điểm cuối là một trong những thách thức lớn nhất. Chúng tôi cần phải suy nghĩ lại thách thức thu thập tín hiệu và đạt được ngữ cảnh đủ cao, và không đi theo con đường đã được kiểm tra của các tín hiệu cũ – đồng thời duy trì tác động thấp đến hiệu suất hệ thống. Xây dựng điều đó trên tất cả các hệ điều hành là một nỗ lực kỹ thuật nghiêm túc. Chúng tôi đã kết thúc với một cách tiếp cận được cấp bằng sáng chế mang lại cho chúng tôi khả năng hiển thị mà không ai khác có.

Hệ thống AI đa tác nhân là một thách thức lớn khác. Việc nhận được nhiều tác nhân AI chuyên dụng phân tích cùng một giao dịch từ các góc độ khác nhau và sau đó hội tụ vào một câu chuyện nhất quán, chính xác – điều đó đòi hỏi rất nhiều suy nghĩ về kiến trúc. Nó không chỉ là ném một LLM vào một luồng dữ liệu. Lớp điều phối, cách các tác nhân chia sẻ ngữ cảnh, cách chúng giải quyết các tín hiệu mâu thuẫn – đó là nơi mà thách thức sống.

Và sau đó là động cơ chính sách ngôn ngữ tự nhiên. Dịch các mô tả ngôn ngữ tự nhiên về những gì được chấp nhận và những gì không thành điều mà AI có thể áp dụng một cách đáng tin cậy cho hàng nghìn trường hợp biên – đó là một vấn đề cơ bản khó khăn. Các hoạt động kinh doanh hàng ngày thường khác rất nhiều so với những gì được viết trong một tài liệu chính sách vanilla. Hệ thống phải bắc cầu đó, và nó phải đúng, bởi vì hậu quả của việc sai lầm trong DLP là nghiêm trọng.

Chúng tôi đã chọn mỗi một trong những vấn đề khó khăn đó một cách có chủ ý, bởi vì chúng là những điều tạo nên sự khác biệt giữa DLP tốt hơn một chút và điều gì đó cơ bản mới.

Trong mỗi một trong những thách thức đó và nhiều hơn nữa, vẫn còn những chướng ngại vật mở để vượt qua, và những tập hợp vấn đề độc đáo cho các tài năng phù hợp để giải quyết. Giải quyết DLP một cách tốt là một hành trình thực sự đầy thách thức và hấp dẫn.

Jazz được chọn là người chiến thắng của Chương trình tăng tốc khởi nghiệp An ninh mạng 2026 được hỗ trợ bởi CrowdStrike (CRWD ), AWS và NVIDIA. Điều gì trong kinh nghiệm đó đã xác nhận cách tiếp cận của bạn, và nó đã ảnh hưởng đến lộ trình của bạn như thế nào?

Một nghìn công ty khởi nghiệp đã nộp đơn. Sáu công ty đã vào chung kết. Chúng tôi đã giành chiến thắng.

Tôi sẽ thành thật, khoảnh khắc trước khi bạn bước lên sân khấu, bộ não của bạn nhắc bạn về mọi thứ có thể sai. Và sau đó bạn bắt đầu nói về vấn đề chúng tôi đã làm việc trên, và mọi thứ trở nên im lặng. Mỗi đêm muộn khi tranh luận về cách Melody nên hoạt động, mỗi quyết định kiến trúc khó khăn, mỗi cuộc trò chuyện với khách hàng đã định hình sản phẩm, tất cả đều được nén vào những phút đó.

Các giám khảo, George Kurtz, CJ Moses, Bartley Richardson, và cá mập huyền thoại, Robert Herjavec, họ đã nhìn thấy nó. Họ đã chỉ ra mô hình điều tra tác nhân cụ thể, cũng như việc áp dụng nhanh chóng của khách hàng. Đối với chúng tôi, sự xác nhận của các nhà lãnh đạo ngành công nghiệp quan trọng hơn so với giải thưởng. Những người này đã xây dựng và điều hành các chương trình an ninh ở cấp độ cao nhất, và họ đã nhận ra rằng những gì chúng tôi đang làm là khác biệt so với những gì đã được thử trước đây – và rằng động lực của chúng tôi nói lên điều đó.

Về lộ trình, chương trình tăng tốc đã củng cố những gì khách hàng của chúng tôi đã nói với chúng tôi – thị trường đã sẵn sàng cho điều này, và họ muốn chúng tôi di chuyển nhanh. Chúng tôi đang tăng gấp đôi khả năng của điều tra viên và đưa sản phẩm đến càng nhiều nhóm an ninh càng tốt.

Nhìn về phía trước, bạn có tin rằng DLP sẽ phát triển thành một hệ thống tự động, được điều khiển bởi tác nhân, và tương lai lâu dài của an ninh dữ liệu sẽ như thế nào trong một doanh nghiệp bản địa AI?

Tôi tin rằng DLP sẽ trở thành tự động trong các giai đoạn. Lớp điều tra đã ở đó – Melody làm điều đó ngày hôm nay. Ngăn chặn đối với các kịch bản tự tin cao đang xảy ra ngay bây giờ. Theo thời gian, hệ thống trở nên thông minh hơn về tổ chức, học hỏi các quy trình làm việc của nó, hiểu con người của nó, và bề mặt mà thực sự cần sự phán xét của con người sẽ giảm dần.

Nhưng tôi muốn rõ ràng – “tự động” không có nghĩa là “không được giám sát.” Nó có nghĩa là hệ thống xử lý công việc mà con người không nên làm, để họ có thể tập trung vào những quyết định thực sự quan trọng. CISO trong tương lai không bị nhấn chìm trong các cảnh báo. Họ đang xem xét các đánh giá rủi ro chiến lược từ một AI hiểu kinh doanh của họ sâu sắc như một nhà phân tích tốt nhất của họ. Họ thực hiện các hành động phẫu thuật có liên quan đến tổ chức của họ, dựa trên thông tin chi tiết tổng hợp về phong cảnh mất dữ liệu hoạt động của họ, và không phải là những ước đoán. Điều này cho phép họ giảm rủi ro dữ liệu mà không làm chậm doanh nghiệp của họ.

Tổng thể lớn hơn là: trong một doanh nghiệp bản địa AI, dữ liệu di chuyển nhanh hơn, qua nhiều kênh, theo nhiều cách phức tạp hơn bất kỳ đội ngũ con người nào có thể theo dõi. Những tổ chức thắng sẽ là những tổ chức mà hệ thống an ninh của họ có thể hiểu ngữ cảnh với tốc độ của AI, không phải là những tổ chức vẫn đang viết các quy tắc regex và hy vọng điều tốt nhất.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Jazz.