WEBVTT 00:00:00.000 --> 00:00:03.580 Asumsi bahwa karyawan Anda akan secara sukarela melabeli setiap data yang mereka buat 00:00:03.580 --> 00:00:06.080 adalah titik kegagalan terbesar dalam model keamanan Anda. 00:00:06.520 --> 00:00:09.580 Kita telah menghabiskan bertahun-tahun membangun kerangka kerja tata kelola yang rumit 00:00:09.580 --> 00:00:12.300 yang mengandalkan satu hal, yaitu manusia membuat keputusan yang sadar 00:00:12.300 --> 00:00:14.100 dan tepat setiap kali mereka menekan tombol sibuk. 00:00:14.180 --> 00:00:15.280 Namun kenyataannya sangat kontras. 00:00:15.680 --> 00:00:18.980 Pelabelan manual memiliki tingkat adopsi 30% di perusahaan rata-rata 00:00:18.980 --> 00:00:23.700 dan itu berarti 70% kekayaan intelektual Anda pada dasarnya tidak terlihat oleh perangkat keamanan Anda. 00:00:24.500 --> 00:00:27.020 Kita telah membangun sistem yang meminta orang untuk menjadi pustakawan 00:00:27.020 --> 00:00:29.220 saat mereka mencoba menjadi insinyur atau tenaga penjual. 00:00:29.640 --> 00:00:31.160 Sistem itu gagal karena menciptakan hambatan. 00:00:31.620 --> 00:00:34.500 Hari ini kita beralih dari pelabelan berbasis pengguna ke tata kelola otonom. 00:00:35.100 --> 00:00:37.900 Kita beralih ke model di mana klasifikasi terjadi secepat aliran data 00:00:37.900 --> 00:00:42.080 bukan secepat kecepatan pengguna, cacah struktural, dan tata kelola manual. 00:00:43.100 --> 00:00:46.660 Strategi pelabelan Anda saat ini secara efektif merupakan pajak atas produktivitas. 00:00:46.880 --> 00:00:49.880 Dan seperti kebanyakan pajak, orang mencari cara kreatif untuk menghindarinya. 00:00:50.420 --> 00:00:53.180 Kita telah menghabiskan satu dekade mengandalkan model lama keamanan data 00:00:53.180 --> 00:00:54.680 di mana perlindungan adalah teristiwa hilir. 00:00:54.680 --> 00:00:58.780 Seorang pengguna membuat dokumen, mereka melihat daftar 5 hingga 10 label sensitivitas 00:00:58.780 --> 00:01:00.140 dan kita berharap mereka memilih yang tepat. 00:01:00.400 --> 00:01:01.680 Namun harapan bukanlah kendali teknis. 00:01:02.480 --> 00:01:04.940 Ledakan data di seluruh Teams, SharePoint, dan Slack secara resmi 00:01:04.940 --> 00:01:06.300 telah melampaui kognisi manusia. 00:01:07.160 --> 00:01:09.720 Anda tidak bisa begitu saja meminta seseorang untuk mengklasifikasikan 00:01:09.720 --> 00:01:12.380 petebaik data tidak terstruktur secara manual dan mengharapkan akurasi 00:01:12.380 --> 00:01:14.100 karena itu adalah kemustahilan matematis. 00:01:14.800 --> 00:01:18.040 Saat Anda melihat mengapa ini rusak, Anda harus melihat alat yang telah kita gunakan untuk kembangan. 00:01:18.360 --> 00:01:20.820 Secara tradisional, kita telah mengandalkan pola regex berbasis kata. 00:01:20.820 --> 00:01:25.040 Kini, regex luar biasa untuk kecepatan dan kira-kira 28 ribu kali lebih cepat 00:01:25.040 --> 00:01:26.840 daripada model bahasa besar dalam media teks. 00:01:27.280 --> 00:01:28.400 Regex buta terhadap konteks. 00:01:29.000 --> 00:01:32.940 Regex dapat menemukan deretan angka yang terlihat seperti nomor jaminan sosial 00:01:32.940 --> 00:01:35.580 tetapi tidak dapat membedakan antara ID pelanggan yang sensitif 00:01:35.580 --> 00:01:37.640 dan kode proyek acak dalam panduan teknis publik. 00:01:38.020 --> 00:01:38.160 Dal. 00:01:38.960 --> 00:01:40.800 Regex melihat polanya tetapi melewatkan maksud. 00:01:41.640 --> 00:01:45.340 Kesenjangan antara pencocokan pola dan pemahaman aktual adalah tempat bahaya itu berada. 00:01:45.340 --> 00:01:49.940 Menurut IBM, biaya rata-rata pelanggaran data telah meningkat menjadi 48 juta. 00:01:51.000 --> 00:01:54.100 Biaya itu biasanya tidak berasal dari kegagalan enkripsi atau pelanggaran firewall. 00:01:54.760 --> 00:01:57.620 Biaya itu berada di ruang antara apa yang sensitif dan apa yang sebenarnya diberi. 00:01:57.920 --> 00:02:01.560 Jika sebuah file tidak diberi label, kebijakan pencegahan kehilangan data Anda tidak akan melihat. 00:02:02.100 --> 00:02:03.940 Aturan akses kondisional Anda tidak perlu lakukan file terus. 00:02:04.500 --> 00:02:09.300 Dan kini, dengan bangkitnya AI generatif copilot Anda akan dengan senang hati meringkasnya bagi siapa saja yang bertanya. 00:02:09.300 --> 00:02:13.160 Model lama menganggap pengguna sebagai penilai terbaik, namun di dunia. 00:02:13.480 --> 00:02:15.980 Dengan data berkecepatan tinggi, pengguna justru menjadi hambatan. 00:02:17.000 --> 00:02:21.620 Kita telah mencapai titik di mana volume data tidak terstruktur yang sangat besar menjadi kewajiban karena tidak dikelola. 00:02:22.120 --> 00:02:24.880 Anda mungkin memiliki pengaturan Microsoft Proview tercanggih di dunia. 00:02:25.080 --> 00:02:30.580 Namun, jika data yang masuk tidak diklasifikasikan secara akurat sejak awal, seluruh sistem akan sia-sia, sedetul. 00:02:30.580 --> 00:02:35.100 Kita pada dasarnya mencoba menjalankan mobil otonom dengan meminta penumpangnya memetakkan setiap belokan secara manual. 00:02:35.400 --> 00:02:36.080 Itu tidak berhasil. 00:02:36.080 --> 00:02:40.300 Taitat strukturalnya bukan pada manusianya, melainkan pada karusan bagi manusia untuk melakukan intervensi. 00:02:40.840 --> 00:02:43.100 Inilah sebabnya kita melihat tingkat kekurangan audit yang begitu tinggi. 00:02:43.680 --> 00:02:47.000 Organisasi mengira mereka patuh karena memiliki kebijakan di atas kertas, 00:02:47.200 --> 00:02:51.380 tetapi saat Anda melakukan pemindahan penemuan, Anda menemukan ribuan dokumen rahasia di folder publik. 00:02:52.120 --> 00:02:54.340 Hal ini terjadi karena hambatan dalam memilih terlalu tinggi. 00:02:54.740 --> 00:02:59.160 Jika Anda memberi pengguna pilihan antara menjadi cepat atau aman, mereka hampir selalu memilih kecepatan. 00:02:59.780 --> 00:03:01.920 Untuk memperbaikinya, kita harus menghapus pilihan tersebut sebenarnya. 00:03:01.920 --> 00:03:07.340 Kita harus memindahkan pusat kendali operasi dari pengguna akhir yang teralihkan perhatiannya ke infrastruktur itu sendiri. 00:03:07.780 --> 00:03:10.940 Kita memerlukan sistem yang memahami dokumen lebih baik daripada penulisnya. 00:03:11.280 --> 00:03:14.940 Dan hanya dengan begitu, kita bisa menutup celah yang menyebabkan kebocoran jutaan dolar tersebut. 00:03:15.920 --> 00:03:16.980 Membangun lapisan kecerdasan. 00:03:17.420 --> 00:03:21.680 Untuk mengatasi krisis pelabelan manual, kita mengalihkan pusat klasifikasi dari pengguna akhir. 00:03:22.300 --> 00:03:24.720 Kita memindahkannya ke dalam mesin inferensi LLM waktu nyata. 00:03:24.720 --> 00:03:28.540 Ini adalah perubahan mendasar dalam cara kita memandang arsitektur Microsoft Purview. 00:03:29.320 --> 00:03:34.280 Kebanyakan orang memandang AI sebagai pengayah yang hanya sesuatu untuk ditambahkan ke proses yang ada agar sedikit lebih cepat. 00:03:34.800 --> 00:03:37.160 Namun dalam model baru ini, AI adalah lapisan struktural. 00:03:37.760 --> 00:03:40.640 Ia berada langsung di antara aliran data menta anda dan peta data purviewan. 00:03:41.180 --> 00:03:44.700 Ia tidak hanya mengawasi aliran data karena sebenarnya ia membuat keputusan. 00:03:45.460 --> 00:03:48.840 Alasan model bahasa besar unggul di sini adalah karena mereka akhirnya memecahkan masalah nuansa. 00:03:48.840 --> 00:03:52.620 Seperti yang kita lihat, alat tradisional sangat baik dalam memindai string tertentu. 00:03:52.760 --> 00:03:54.660 Tetapi alat tersebut secara fungsional buta huruf. 00:03:54.920 --> 00:03:55.220 Huruf. 00:03:55.660 --> 00:03:57.840 Sebuah LLM memahami maksud dari sebuah dokumen. 00:03:58.340 --> 00:04:03.920 Ia dapat membaca memo strategi tiga halaman dan mengenali bahwa meskipun tidak ada nomor kartu kredit atau digit jaminan sosial, 00:04:04.040 --> 00:04:06.840 keseluruhan teks menjelaskan penggabungan yang tertunda yang tertunda yang harus dilindungi. 00:04:07.920 --> 00:04:12.620 Sistem ini mengerti bahwa resep rahasia atau proses manufaktur eksklusif adalah kekayaan intelektual. 00:04:12.780 --> 00:04:15.560 Meskipun kata-kata tersebut tidak muncul dalam teks. 00:04:15.560 --> 00:04:21.620 Namun, Anda tidak bisa sekadar menggunakan model generik yang tersedia di pasaran untuk data perusahaan Anda dan berharap itu akan berhasil. 00:04:22.160 --> 00:04:25.760 Model umum terlalu luas dan sejujurnya terlalu mahal untuk volume data sebesar ini. 00:04:26.100 --> 00:04:29.680 Terobosan ini muncul dari penggunaan fine tuning yang efisien secara parameter atau P. 00:04:30.260 --> 00:04:34.580 Dengan mengambil model open wedge yang lebih kecil dan melakukan fine tuning pada kosa kata perusahaan Anda, 00:04:34.800 --> 00:04:37.000 kita bisa mencapai skor F1 sebesar 0,7. 00:04:37.460 --> 00:04:45.420 Sebagai gambaran, skor F1 0,97 berarti mesin jauh lebih akurat dan konsisten daripada rata-rata karyawan yang kurang fokus. 00:04:46.520 --> 00:04:52.220 Ia tidak merasa lelah, tidak melewatkan file, karena terburu-buru rapat dan tidak bias memilih label umum hanya karena itu yang paling mudah diklik. 00:04:53.560 --> 00:04:57.680 Lapisan kecerdasan ini mengidentifikasi konteks data Anda dengan melihat hubungan antar konsep. 00:04:58.400 --> 00:05:02.080 Jika ia melihat daftar nama di samping daftar kode diagnostik, ia tahu bahwa itu adalah data kesehatan. 00:05:02.340 --> 00:05:07.220 Jika ia melihat perumus kimia yang diikuti oleh batasan suhu, ia tahu bahwa itu adalah rahasia dagang. 00:05:07.840 --> 00:05:11.280 Ini adalah tingkat kesadaran semantik yang dituntut oleh tata kelola era 2026. 00:05:11.280 --> 00:05:16.140 Kita beralih dari mentalitas mencari dan menemukan menuju kemampuan membaca dan memahami. 00:05:16.900 --> 00:05:20.660 Lapisan ini bertindak sebagai filter yang membersihkan kebisingan sebelum data menyentuh penyimpanan utama. 00:05:21.300 --> 00:05:26.240 Saat file dibuat di obrolan Teams atau diunggah ke pustaka SharePoint, lapisan kecerdasan ini akan mencegat metadatanya. 00:05:27.060 --> 00:05:29.700 Ia melakukan inferensi berkecepatan tinggi untuk menentukan dan tersebut. 00:05:30.380 --> 00:05:32.960 Kemudian, ia membutuhkan DNA itu ke label sensitivitas profil Anda yang sudah. 00:05:33.380 --> 00:05:36.140 Ini terjadi tanpa pengguna perlu melihat pop-up atau menu drop-down. 00:05:36.620 --> 00:05:39.540 Klasifikasi ini menjadi utilitas latar belakang seperti listrik atau pendingin. 00:05:40.380 --> 00:05:44.440 Dengan memusatkan logika ini, pada mesin inferensi khusus Anda juga mendapatkan satu sumber kebenaran. 00:05:45.440 --> 00:05:51.060 Pada mode lama, tata kelola terdesentralisasi diripuan pengguna individu masing-masing dengan interpretasi sendiri tentang apa itu rahasia. 00:05:51.620 --> 00:05:54.880 Sekarang, logika tersebut diatur oleh bobot model Anda dan set data fine tuningan. 00:05:54.880 --> 00:06:00.220 Jika kebijakan Anda berubah, Anda tidak perlu melatih ulang seluruh staff karena Anda cukup memperbarui modelnya saja. 00:06:00.760 --> 00:06:01.520 Inilah cara Anda melakukan. 00:06:01.700 --> 00:06:07.420 Anda berhenti mencoba mengubah perilaku manusia dan mulai membangun sistem yang tidak mengharuskan manusia berperilaku dengan cara tertentu. 00:06:07.940 --> 00:06:13.280 Kita sedang efektif mengotomatiskan bagian paling membosankan dari pekerjaan seseorang agar mereka bisa kembali melakukan pekerjaan utama mereka. 00:06:14.220 --> 00:06:15.780 Ketidaksesuan latensi dan cara menjembatani. 00:06:16.260 --> 00:06:17.740 Di sini, arsitektur biasanya mengalami kendala. 00:06:18.180 --> 00:06:22.460 Kita memiliki kesenjangan kecepatan mendasar yang sering diabaikan arsitek hingga sistem masuk ke tahap produksi. 00:06:22.460 --> 00:06:26.280 Anda harus memahami bahwa preview berpikir dalam hitungan jam, sedangkan AI berpikir dalam mili detik. 00:06:26.680 --> 00:06:29.660 Ini bukan sekadar perbedaan kecil, melainkan ketidakselarasan struktural yang masif. 00:06:30.260 --> 00:06:33.720 Saat kita bicara tentang klasifikasi waktu nyata, kita mengincar pengalaman pengguna, 00:06:34.000 --> 00:06:37.500 di mana kontrol keamanan tak terlihat karena terjadi lebih cepat dari mata manusia. 00:06:38.900 --> 00:06:43.000 Namun, infrastruktur dasar Microsoft Graph API tidak dibangun untuk kecepatan seperti itu. 00:06:43.740 --> 00:06:47.480 Kenyataan dari Graph API untuk pelabelan adalah sifatnya yang secara inherent asinkron. 00:06:47.480 --> 00:06:53.260 Saat Anda mengirim permintaan untuk menerapkan label sensitivitas, Anda tidak mendapat konfirmasi instan bahwa berkas telah terlindungi. 00:06:53.640 --> 00:06:56.980 Anda pada dasarnya memasukkan surat ke kotak pos dan berharap surat itu segera terkirim. 00:06:57.720 --> 00:07:02.540 Di lingkungan perusahaan nyata, propagasi tersebut bisa memakan waktu dari beberapa menit hingga 24 jam penuh. 00:07:03.080 --> 00:07:05.020 Hal ini menciptakan apa yang saya sebut sebagai jendela keringat. 00:07:05.340 --> 00:07:09.380 Ini adalah periode di mana data sensitif ada di lingkungan Anda, namun benar-benar terbuka tanpa perlindungan. 00:07:09.860 --> 00:07:12.240 Data tersebut tidak memiliki label, enkripsi maupun batasan akses. 00:07:12.560 --> 00:07:15.780 Jendela ini sangat berbahaya di era M365 Copilot. 00:07:15.780 --> 00:07:21.880 Jika seorang insinyur mengunggah spesifikasi desain rahasia dan copilot mengindeks berkas itu sebelum label per view tersebar, 00:07:22.000 --> 00:07:24.900 informasi sensitif itu kini menjadi bagian dari kecerdasan organisasi. 00:07:25.940 --> 00:07:30.360 Pengguna lain di departemen berbeda bisa saja menanyakan copilot dan menerima ringkasan desain itu 00:07:30.360 --> 00:07:34.180 karena lapisan tata kelola masih berpikir sementara AI sudah bertindak. 00:07:34.720 --> 00:07:37.460 Anda tidak bisa menyelesaikan masalah mini detik dengan alat berdua sidur. 00:07:37.580 --> 00:07:43.020 Untuk menjembatani kesenjangan ini, kita harus melampaui panggilan apa istirahana dan menerapkan apa yang saya sebut pendekatan agen wali. 00:07:43.520 --> 00:07:45.260 Agen wali bertindak sebagai proksi waktu nyata. 00:07:45.780 --> 00:07:50.260 Alih-alih menunggu proses per view di latar belakang selesai, agen ini berada di batas permintaan PROM. 00:07:50.740 --> 00:07:52.260 Agen ini meneriksa data begitu data tersebut disini. 00:07:52.760 --> 00:07:57.320 Bayangkan ini sebagai pos pemeriksaan keamanan berkecepatan tinggi yang beroperasi secara independen dari registri pusat yang lambat. 00:07:57.760 --> 00:08:02.760 Saat peta data per view resmi memperbarui di latar belakang, agen wali sudah menerapkan kebijakan di sisi tepi 8. 00:08:02.760 --> 00:08:08.460 Ini memastikan logika klasifikasi diterapkan secara instan kealiran data yang secara efektif menutup jendela kerentanan tersebut. 00:08:09.180 --> 00:08:15.040 Agar ini berhasil tanpa membuat pengguna frustrasi, kita harus terobsesi dengan metrik spesifik yang disebut waktu ketokan pertama atau TTFT. 00:08:15.680 --> 00:08:21.800 Jika lapisan keamanan Anda menambah jedia 3 detik pada setiap pembukaan dokumen atau perintah AI, karyawan Anda akan mencari cara untuk melewatinya. 00:08:21.800 --> 00:08:27.180 Mereka akan memindahkan pekerjaan ke perangkat pribadi atau alat AI bayangan yang tidak terkelola hanya agar pekerjaan mereka selesai. 00:08:27.720 --> 00:08:29.920 Kita harus menjaga TTFT di bawah 500 milidetik. 00:08:30.500 --> 00:08:32.820 Ini memerlukan alur inferensi yang sangat dioptimalkan. 00:08:33.500 --> 00:08:37.260 Kami tidak sekadar menjalankan model karena kami mengelola teknik fisika dari permintaan tersebut. 00:08:37.980 --> 00:08:45.880 Artinya menempatkan mesin inferensi Anda sedekat mungkin dengan sumber data dan menggunakan teknik seperti spekulatif decoding untuk memangkes latensi hingga milidetik terkecil. 00:08:46.720 --> 00:08:50.100 Kami melakukan keamanan sebagai persyaratan performa, bukan sekadar pemenuhan aturan. 00:08:50.100 --> 00:08:54.440 Saat klasifikasi terjadi dalam waktu kurang dari setengah detik, pengguna bahkan tidak menyadarinya. 00:08:55.140 --> 00:09:02.300 Mereka menekan simpan, agen pelindung memvalidasi konten, label diterapkan secara virtual di Edge, dan sinkronisasi backend terjadi saat graf API siap menerimanya. 00:09:03.240 --> 00:09:06.940 Inilah cara Anda membangun arsitektur yang mengatur diri sendiri yang pada benar selangkah lebih maju dari data. 00:09:07.460 --> 00:09:11.800 Anda berhenti menunggu sistem mengejar ketertinggalan dan mulai memaksakan modal baru secepat kilat. 00:09:13.240 --> 00:09:14.920 Ekonomi dari klasifikasi otonom 00:09:14.920 --> 00:09:24.860 Kebanyakan organisasi terhenti pada fase pembelian karena melihat harga token API Cloud yang mahal dan menyadari bahwa memproses 500 juta token sehari sangat merugikan secara finansial. 00:09:25.520 --> 00:09:32.800 Dah, jika Anda membayar setiap permintaan klasifikasi dengan harga retail standar, anggaran tetap kelola Anda pada akhirnya akan melampaui anggaran keamanan Anda. 00:09:32.800 --> 00:09:42.500 Inilah alasan utama banyak perusahaan tetap menggunakan penandaan manual, karena mereka menganggap ketidakkevisianan tenaga kerja manusia sebagai biaya yang terlanjur keluar, sementara mereka menganggap tagihan api sebagai pengeluaran bari yang krisif. 00:09:43.160 --> 00:09:45.400 Namun ini adalah kesalahpaman mendasar tentang model baru ini. 00:09:46.140 --> 00:09:53.620 Agar klasifikasi otonom berfungsi, Anda harus beralih dari mimpi buruk berbasis konsumsi API Cloud pihak ketiga dan merangkul efisiensi self-hosting. 00:09:53.620 --> 00:09:58.240 Saat Anda beralih ke self-hosting untuk mesin klasifikasi khusus, perhitungannya berubah seketika. 00:09:59.040 --> 00:10:05.040 Di tahun 2026, kami melihat penghematan lima kali lipat bagi perusahaan yang memindahkan tugas inferensi volume tinggi ke infrastruktur mereka sendiri. 00:10:05.920 --> 00:10:10.820 Ini bukan sekadar tentang menghemat uang receh, melainkan tentang membuat keseluruhan arsitektur berkelanjutan untuk jangka panjang. 00:10:10.960 --> 00:10:17.300 Jika Anda mencoba mengatur kumpulan data yang bertambah terabait setiap minggu, Anda tidak boleh terikat pada model harga yang menghukum pertumbuhan Anda. 00:10:17.840 --> 00:10:19.980 Anda memerlukan model utilitas dengan biaya tetap sebagai ganti. 00:10:20.240 --> 00:10:22.240 Mari kita lihat total biaya kepemilikan yang sebenarnya. 00:10:22.240 --> 00:10:28.960 Satu GPU NVIDIA A100 atau H100 kini mampu menangani throughput klasifikasi untuk seluruh perusahaan skala menengah, WAN. 00:10:29.920 --> 00:10:36.320 Kita berbicara tentang ribuan token per detik saat Anda mengamortisasi biaya perangkat keras tersebut atau yang setara di cloud pribadi, 00:10:36.500 --> 00:10:40.540 biaya perklasifikasi turun mendekati nol setelah pengaturan awal, setelah pengaturan awal. 00:10:40.920 --> 00:10:46.120 Anda berhenti membayar untuk mengetahui isi file Anda dan mulai memperlakukan tata kelola seperti bagian standar dari tumpukan komputasi Anda. 00:10:46.880 --> 00:10:49.300 Tidak ada bedanya dengan mengelola database atau server web. 00:10:49.300 --> 00:10:52.720 Namun, Anda harus waspada terhadap pajak tersembunyi dari penyempurna pintu. 00:10:53.320 --> 00:10:57.480 Meskipun komputasi dasar menjadi semakin murah, utang operasional dapat membengkak jika Anda tidak berhati-hati. 00:10:58.020 --> 00:11:01.280 Penyimpanan versi model, siklus evaluasi konstan untuk memastikan akurasi, 00:11:01.640 --> 00:11:05.480 dan biaya egress jaringan akibat VPC yang dirancang buruk dapat menguras ROI Anda. 00:11:05.480 --> 00:11:12.220 Inilah sebabnya kami menyarankan opsi tanpa server atau opsi aman VPC yang memungkinkan Anda menurunkan skala saat aliran data sedang sepi. 00:11:12.740 --> 00:11:16.660 Anda tentu tidak ingin membayar untuk silikon berkinerja tinggi pada pukul 3 pagi saat tidak ada yang menyimpan dokumen. 00:11:17.020 --> 00:11:21.660 Pergeseran ekonomi di sini adalah mengubah klasifikasi dari mimpi buruk OPEX menjadi biaya infrastruktur yang dapat diprediksi. 00:11:22.200 --> 00:11:24.340 Kita secara efektif mengubah tata kelola menjadi sebuah utilitas. 00:11:24.680 --> 00:11:26.620 Pikirkan tentang bagaimana Anda membayar pendingin di pusat data. 00:11:26.620 --> 00:11:31.040 Anda tidak membayar per derajat perubahan suhu, tetapi Anda membangun sistem yang menjaga batas dasar. 00:11:31.440 --> 00:11:33.080 Klasifikasi otonom harus menjadi batas dasar. 00:11:33.500 --> 00:11:36.940 Dengan menghilangkan biaya variable pustakawan manusia dan biaya cloud per token, 00:11:37.220 --> 00:11:40.080 Anda menciptakan sistem yang benar-benar dapat berskala bersama data Anda. 00:11:41.080 --> 00:11:43.640 Predictabilitas inilah yang memungkinkan Anda memperluas postur keaman Anda. 00:11:44.200 --> 00:11:47.260 Ketika klasifikasi gratis pada margin, Anda mampu untuk menjadi lebih terperinci. 00:11:47.660 --> 00:11:52.320 Anda dapat memindahkan setiap draft setiap obrolan dan setiap file sementara tanpa khawatir tentang tagihan di akhir bulan. 00:11:53.160 --> 00:11:54.180 Ini menciptakan siklus yang baik. 00:11:54.180 --> 00:11:57.960 Data yang lebih baik menghasilkan model yang lebih baik yang mengarah pada akurasi lebih tinggi. 00:11:58.200 --> 00:12:00.920 Dan itu selanjutnya mengurangi kebutuhan akan remediasi manusia yang mahal. 00:12:01.880 --> 00:12:05.600 Anda pada dasarnya berinvestasi dalam sistem yang menjadi lebih murah dan lebih efektif seiring berjalanan. 00:12:06.180 --> 00:12:09.680 Sebaliknya, model manual lama hanya menjadi lebih mahal seiring pertumbuhan perusahaan Anda. 00:12:10.660 --> 00:12:14.260 Dengan memilih lapisan kecerdasan yang di-host sendiri, Anda tidak hanya membeli alat. 00:12:14.540 --> 00:12:18.860 Anda memilih realitas ekonomi berbeda di mana perlindungan adalah fitur standar infrastruktur Anda. 00:12:20.820 --> 00:12:22.580 Memitigasi risiko baru tata kelola air. 00:12:22.580 --> 00:12:27.540 Menghilangkan keterlibatan manusia memecahkan masalah skala, tetapi memperkenalkan kategori baru risiko sistemik. 00:12:27.920 --> 00:12:29.960 Tata kelola otonom bukanlah solusi pasang dan lupakan. 00:12:30.620 --> 00:12:31.760 Ini membutuhkan kuas pedang jenis lain. 00:12:32.420 --> 00:12:34.120 Ancapan pertama yang akan Anda hadapi adalah berkisaran. 00:12:34.120 --> 00:12:38.660 Pemblasifikasi yang mencapai skor nyaris sempurna pada Januari dapat dengan mudah menjadi beban pada Juni. 00:12:39.080 --> 00:12:41.800 Ini terjadi karena data itu sendiri adalah organisme hidup. 00:12:42.260 --> 00:12:46.900 Cara karyawan Anda menulis, terminologi yang mereka gunakan, dan jenis file yang mereka buat terus berkembang. 00:12:47.360 --> 00:12:51.640 Jika model Anda tidak berkembang bersama mereka, akurasinya akan pelahan terkikis hingga Anda kembali ke titik awam. 00:12:51.640 --> 00:12:55.220 Namun, ada versi yang lebih berbahaya dari ini yang disebut pergeseran konsep. 00:12:55.720 --> 00:12:57.860 Ini adalah pembunuh senyap kepatuhan berbasis AI. 00:12:58.600 --> 00:13:02.100 Pergeseran konsep terjadi ketika definisi mendasar dari apa yang Anda cari berubah. 00:13:02.840 --> 00:13:07.440 Mungkin regulasi privasi baru disahkannya mengklasifikasikan ulang jenis metadata tertentu sebagai sensitif. 00:13:07.880 --> 00:13:11.240 Atau mungkin sebuah proyek internal rahasia mengubah nama kode dari Apollo menjadi Zeus. 00:13:11.240 --> 00:13:13.280 Jika AI Anda masih mencari Apollo, 00:13:13.540 --> 00:13:16.700 ia akan dengan senang hati membiarkan dokumen Zeus melewati tingkat keamanan tertinggi Anda. 00:13:17.300 --> 00:13:20.360 Conteknya telah bergeser, namun modernnya masih berjalan dengan peta yang sudah ketinggalan. 00:13:20.480 --> 00:13:23.060 Untuk melawannya, kita harus menerapkan kebijakan sebagai kegiatan. 00:13:23.440 --> 00:13:26.500 Kita perlu mengintegrasikan deteksi penyimpangan waktunya atau langsung ke dalam dialog tetak lola. 00:13:27.080 --> 00:13:29.800 Ini bukan sekadar pemantauan, ini tentang intervensi otomatis. 00:13:30.600 --> 00:13:33.840 Ketika sistem mendeteksi penurunan skor kepercayaan atau pergeseran distribusi data, 00:13:33.840 --> 00:13:35.900 sistem harus memicu persetujuan tingkat tindakan. 00:13:36.420 --> 00:13:37.360 Ini menciptakan kata pengamat. 00:13:38.040 --> 00:13:39.200 Jika AI menjadi tidak yakin, 00:13:39.200 --> 00:13:43.660 ia berhenti membuat keputusan otonom dan mengarahkan file tersebut kepada spesialis manusia untuk pemeriksaan cepat. 00:13:44.080 --> 00:13:46.780 Anda pada dasarnya menggunakan mesin untuk memberitahu Anda kapan ia membutuhkan. 00:13:47.080 --> 00:13:48.640 Lalu ada ancaman injeksi perintah from injection. 00:13:49.000 --> 00:13:50.680 Ini adalah garis depan baru eksfiltrasi data. 00:13:51.060 --> 00:13:54.160 Penyerang tidak perlu meretas firewall Anda jika mereka bisa menipu penglasifikasi Anda. 00:13:54.500 --> 00:13:56.780 Mereka dapat menyematkan instruksi berbahaya di dalam dokumen, 00:13:57.040 --> 00:14:00.480 menggunakan teks tersembunyi yang memerintahkan AI untuk mengabaikan semua instruksi sebelumnya 00:14:00.480 --> 00:14:01.880 dan melabeli file ini sebagai publik. 00:14:02.980 --> 00:14:04.740 Jika lapisan kecerdasan Anda naif, ia akan melutinya. 00:14:04.740 --> 00:14:08.260 File tersebut diturunkan levelnya, perlindungan ruang lingkupnya dilepas, 00:14:08.600 --> 00:14:10.400 dan data bocor melalui saluran keluar standar. 00:14:10.940 --> 00:14:14.040 Ini adalah cara canggih untuk membalikan alat-alat kelola Anda sendiri untuk melawan Anda. 00:14:14.520 --> 00:14:17.880 Strategi mitigasi di sini adalah implementasi agen pelindung sekundar. 00:14:18.400 --> 00:14:20.540 Ini adalah model yang lebih kecil dan sangat terspesialisasi 00:14:20.540 --> 00:14:23.160 yang satu-satunya tugasnya adalah mengaudit keputusan pengklasifikasi otak. 00:14:23.680 --> 00:14:25.180 Ia tidak melihat keseluruhan dokumen, 00:14:25.320 --> 00:14:28.100 melainkan hanya mencari tanda-tanda manipulasi dan celah logika. 00:14:28.780 --> 00:14:29.980 Ini bertindak sebagai pemeriksaan, 00:14:30.200 --> 00:14:33.060 redundant yang memastikan otak utama belum dikompromikan atau dibingungkan. 00:14:33.060 --> 00:14:35.040 Jika kedua model tidak setuju, 00:14:35.260 --> 00:14:36.900 sistem akan kembali ke label yang paling batasi. 00:14:37.620 --> 00:14:39.060 Dengan membangun pertahanan berlapis ini, 00:14:39.260 --> 00:14:41.480 Anda beralih dari otomatisasi yang rapuh menjadi yang tangguh. 00:14:42.020 --> 00:14:44.040 Anda mengakui bahwa AI itu kuat namun bisa salah. 00:14:44.860 --> 00:14:47.040 Anda memperlakukan model seperti mesin berkinerja tinggi 00:14:47.040 --> 00:14:49.420 yang membutuhkan penyetelan konstan dan sistem pengaraman yang kuat. 00:14:49.800 --> 00:14:51.220 Ini adalah bagian terakhir dari model tersebut. 00:14:51.820 --> 00:14:53.960 Anda tidak hanya mengganti kesalahan manusia dengan mesin, 00:14:54.360 --> 00:14:55.800 Anda membangun kerangka struktural 00:14:55.800 --> 00:14:58.080 yang memperhitungkan kegagalan unik dari mesin itu sendiri. 00:14:59.040 --> 00:15:01.320 Beginilah cara Anda mencapai postur aman secara default 00:15:01.320 --> 00:15:03.720 yang benar-benar bertahan menghadapi kompleksitas dunia nyata. 00:15:04.560 --> 00:15:05.980 Tata kelola menjadi siklus yang dinamis 00:15:05.980 --> 00:15:07.140 dan dapat mengoreksi diri sendiri. 00:15:07.560 --> 00:15:09.220 Kita beralih dari dunia di mana kita berharap 00:15:09.220 --> 00:15:11.200 pada kepatuhan ke dunia di mana kita merancangnya. 00:15:11.740 --> 00:15:13.040 Pergeseran ini memastikan bahwa 00:15:13.040 --> 00:15:14.080 seiring pertumbuhan data Anda, 00:15:14.200 --> 00:15:15.400 keamanan Anda tidak hanya mengimbangi, 00:15:15.520 --> 00:15:16.700 tetapi benar-benar menjadi lebih cerdas. 00:15:16.960 --> 00:15:18.460 Anda akhirnya membangun untuk masa depan. 00:15:18.460 --> 00:15:22.180 Implementasi peta jalan 90 hari 00:15:22.180 --> 00:15:23.940 Membangun arsitektur swak lola 00:15:23.940 --> 00:15:25.420 tidak seperti menyalakan sekelar lampu 00:15:25.420 --> 00:15:27.880 dan Anda harus menganggapnya sebagai transisi 90 hari. 00:15:28.920 --> 00:15:30.020 Hari nol dimulai dengan membangun 00:15:30.020 --> 00:15:31.480 apa yang saya sebut lapisan kebenaran Anda. 00:15:31.780 --> 00:15:33.760 Anda perlu menjalankan preview dalam mode audit saja 00:15:33.760 --> 00:15:35.720 untuk menetapkan garis dasar peparan Anda saat ini 00:15:35.720 --> 00:15:36.760 tanpa melokir satu file pun. 00:15:37.160 --> 00:15:38.280 Apa yang Anda lakukan di sini adalah 00:15:38.280 --> 00:15:40.240 mengungkuk kesenjangan antara apa yang seharusnya diperlabel 00:15:40.240 --> 00:15:41.080 dan apa yang sebenarnya terjadi. 00:15:41.460 --> 00:15:43.460 Ketika sebagian besar organisasi melakukan ini, 00:15:43.460 --> 00:15:45.540 mereka menemukan bahwa lebih dari separuh data sensitif 00:15:45.540 --> 00:15:47.080 mereka saat ini tidak terlihat oleh sistem. 00:15:47.080 --> 00:15:48.860 Garis dasar ini menjadi peta Anda 00:15:48.860 --> 00:15:51.100 karena menunjukkan dengan tepat di mana model lama gagal. 00:15:51.580 --> 00:15:52.900 Anda memerlukan data konkret ini 00:15:52.900 --> 00:15:54.360 untuk membenarkan perubahan infrastruktur 00:15:54.360 --> 00:15:55.460 kepada pemangku kepentingan Anda 00:15:55.460 --> 00:15:56.620 karena tanpanya Anda nebak-nebak. 00:15:57.080 --> 00:15:58.200 Setelah memiliki peta itu, 00:15:58.500 --> 00:15:59.960 Anda dapat menerapkan model hibrida 00:15:59.960 --> 00:16:01.700 untuk menyeimbangkan efisensi dengan kecerdasan. 00:16:01.920 --> 00:16:03.560 Anda tidak memerlukan mesin inferensi yang besar 00:16:03.560 --> 00:16:05.580 dan mahal hanya untuk menemukan nomor kartu kredit yang sedar. 00:16:05.920 --> 00:16:08.100 Saran saya adalah menggunakan penolak berkecepatan tinggi 00:16:08.100 --> 00:16:08.960 untuk hal-hal yang mudah, 00:16:08.960 --> 00:16:10.660 termasuk pola terstruktur dan mudah di tempat 00:16:10.660 --> 00:16:12.040 yang tidak berubah selama 20 tahun. 00:16:12.360 --> 00:16:13.940 Anda harus mencadangkan lapisan kecerdasan Anda 00:16:17.080 --> 00:16:20.780 pendekatan bertingkat ini menjaga biaya komputasi Anda 00:16:20.780 --> 00:16:23.180 tetap rendah sekaligus memaksimalkan cakupan keamanan Anda. 00:16:23.600 --> 00:16:25.520 Ini tentang bersikap cermat dengan sumber daya Anda 00:16:25.520 --> 00:16:28.080 dan memastikan otak hanya digunakan saat mata tidak cukup. 00:16:28.660 --> 00:16:30.260 Selanjutnya, Anda harus mempersempit fokus 00:16:30.260 --> 00:16:31.460 menggunakan ruang lingkup adaptif 00:16:31.460 --> 00:16:33.520 daripada mencoba melakukan segalanya sekaligus pada hari ketiga. 00:16:33.660 --> 00:16:35.860 Anda harus menargetkan departemen berisi ketinggi 00:16:35.860 --> 00:16:37.780 seperti keuangan, lidbank, dan hukum terlebih dahulu. 00:16:38.140 --> 00:16:40.580 Ini adalah area spesifik di mana pelanggaran kemungkinan besar 00:16:40.580 --> 00:16:41.780 akan merugikan Anda paling banyak. 00:16:42.440 --> 00:16:44.180 Dengan membuktikan nilai di lingkungan mikro ini, 00:16:44.320 --> 00:16:46.160 Anda membangun momentum internal yang diperlukan 00:16:46.160 --> 00:16:47.660 untuk peluncuran skala penuh nantinya. 00:16:48.460 --> 00:16:49.700 Anda mengubah proyek kepatuhan 00:16:49.700 --> 00:16:51.540 yang menakutkan menjadi kemenangan kecil 00:16:51.540 --> 00:16:52.680 yang terukur. 00:16:53.540 --> 00:16:55.700 Ini adalah penerapan taktis daripada mandat umum 00:16:55.700 --> 00:16:57.840 dan menyelesaikan masalah tersulit terlebih dahulu 00:16:57.840 --> 00:16:59.300 membuktikan sistem berfungsi di dunia nyata. 00:16:59.760 --> 00:17:01.720 Bagian terakhir dari teka-teki ini adalah loop umpan balik 00:17:01.720 --> 00:17:03.400 di mana Anda mengintegrasikan pelatihan ulang 00:17:03.400 --> 00:17:04.260 dengan keterlibatan musik. 00:17:04.780 --> 00:17:06.980 Ketika agen Guardian menandai file dengan keyakinan rendah, 00:17:07.160 --> 00:17:08.720 petugas keamanan melakukan pemeriksaan cepat 00:17:08.720 --> 00:17:09.880 untuk memverifikasi hasilnya. 00:17:10.220 --> 00:17:12.100 Satu klik itu tidak hanya memperbaiki satu file, 00:17:12.280 --> 00:17:13.720 tetapi benar-benar melatih ulang model 00:17:13.720 --> 00:17:15.880 sehingga sistem belajar dari setiap kesalahan yang dibuatnya. 00:17:16.520 --> 00:17:18.340 Anda sedang membangun platform yang benar-benar meningkat 00:17:18.340 --> 00:17:19.440 seiring waktu alih-alih menurut. 00:17:19.800 --> 00:17:21.640 Menjelang hari ke-90, Anda telah berpindah 00:17:21.640 --> 00:17:23.780 dari hambatan keamanan menjadi pendukung keamanan. 00:17:24.520 --> 00:17:26.320 Perlindungan menjadi instan dan tidak terlihat, 00:17:26.620 --> 00:17:28.840 dan Anda akhirnya menggantikan hambatan pilihan manusia 00:17:28.840 --> 00:17:30.100 dengan kepastian otomatisasi.