WEBVTT 00:00:00.000 --> 00:00:06.460 従業員が作成するすべてのデータに自発的にタグ付けを行うという想定こそが セキュリティモデルにおける最大の弱点です 00:00:06.460 --> 00:00:13.700 私たちは長年保存ボタンを押すたびに人間が意識的かつ正しく判断を下すことに依存した 複雑なガバナンスの枠組みを構築してきました 00:00:13.700 --> 00:00:19.580 しかし現実は厳しいものです 手動タグ付けの導入率は平均的な企業で30%に過ぎず 00:00:19.580 --> 00:00:27.020 これは知的財産の70%がセキュリティツールから実質的に見えていないことを意味します 私たちはエンジニアや営業として働く人々に 00:00:27.020 --> 00:00:31.620 司書のような役割を求めてしまっています それがうまくいかないのは摩擦を生んでいるからです 00:00:31.620 --> 00:00:40.160 今日私たちはユーザー主導のタグ付けから自律的なガバナンスへと移行しています ユーザーの速度ではなくデータストリームの速度で分類が行われるモデルへとシフトしているのです 00:00:40.160 --> 00:00:46.100 手動ガバナンスにおける構造的な欠陥です 現在のラベル付け戦略は生産性に対する税のようなものであり 00:00:46.100 --> 00:00:54.760 多くの税金と同様に人々はそれを避けるための独創的な方法を見つけ出します 私たちは10年間保護が後付けで行われる古いデータセキュリティモデルに依存してきました 00:00:54.760 --> 00:00:59.980 ユーザーがドキュメントを作成し5から10個の機密ラベルのリストを見て正しいものを選んで くれることを期待しているのです 00:00:59.980 --> 00:01:07.360 しかし期待は技術的な管理策にはなりません チームシェアポイントスラックにおけるデータの爆発的増加は公式に人間の認識能力を超えてしまいました 00:01:07.360 --> 00:01:14.120 ペタバイト規模の非構造化データに対して人間に手動で分類を求め 正確性を期待することは数学的に不可能です 00:01:14.120 --> 00:01:21.320 なぜこれが破綻するのかを考えるときユーザーを支援するために使ってきたツールに目を向ける必要があります これまで私たちはキーワードベースの正規表現パターンに頼ってきました 00:01:21.320 --> 00:01:29.500 確かに正規表現は非常に高速でテキストのスキャンにおいては大規模言語モデルの約2万8000倍の速度を誇ります しかし正規表現は文脈を理解できません 00:01:29.500 --> 00:01:38.420 社会保証番号のような数字の列は見つけられますが機密性の高い顧客 id と公開された技術マニュアル内のランダムなプロジェクトコードを区別できないのです 00:01:38.420 --> 00:01:45.800 パターンは認識できても糸を汲み取ることはできません パターンマッチングと実際の理解との間にあるこのギャップに危険が潜んでいます 00:01:45.800 --> 00:01:54.440 ibm によるとデータ漏洩の平均コストは488万ドルまで上昇しました そのコストは通常暗号化の失敗やファイアウォールの突破によって生じるものではありません 00:01:54.440 --> 00:02:01.800 それは機密であるものと実際にラベル付けされたものとの間の隙間に存在します ファイルにラベルがなければデータ損失防止ポリシーはそのファイルを認識できません 00:02:01.800 --> 00:02:09.100 条件付きアクセスルールもそのファイルには適用されないのです そして今生成 ai の対等によりあなたの副操縦士コパイロットは誰からの依頼であっても喜んで 00:02:09.100 --> 00:02:13.360 要約してくれるようになりました 従来のモデルではユーザーが価値を判断する最良の存在であるとされてきましたが 00:02:13.360 --> 00:02:22.180 データが高速で飛び交う現代においてユーザーはむしろボトルネックとなっています 私たちは非構造化データの膨大な量が管理されていないが故に不採となっているという地点にまで到達してしまいました 00:02:22.180 --> 00:02:30.580 世界で最も高度なマイクロソフトパービュー環境を構築していたとしても そこに入ってくるデータが作成段階で正確に分類されていなければシステム全体が空回りしてしまいます 00:02:30.580 --> 00:02:40.740 それはまるで自動運転者の乗客に全ての進路を地図で手動指示するよう求めているようなものです それではうまくいきません構造的な欠陥は人にあるのではなく人が介入しなければならないという仕組みそのものにあります 00:02:40.740 --> 00:02:47.980 これが監査での不備率が非常に高い理由です 組織は紙の上でのポリシーがあればコンプライアンスが守られていると考えがちですが実際に探索 00:02:47.980 --> 00:02:54.800 スキャンを実行すると公開フォルダに何千もの機密文書が放置されているのが見つかります こうなるのは選択に伴う摩擦が大きすぎるからです 00:02:54.800 --> 00:03:02.740 ユーザーにスピードとセキュリティのどちらかを選ばせればほぼ毎回スピードが選ばれ ますこれを解決するには選択という行為そのものを排除しなければなりません 00:03:02.740 --> 00:03:10.760 操作の頭脳を注意散漫なエンドユーザーからインフラ自体へと移行させる必要があります 作成者以上に文章を理解できるシステムが必要です 00:03:10.760 --> 00:03:21.860 そうして初めて数百万ドル規模の漏洩につながる隙を埋めることができるのです インテリジェンス層の構築手動タグ付けの機器を解決するために分類の頭脳をエンドユーザーの手から切り離しています 00:03:24.800 --> 00:03:34.340 これはマイクロソフトパービューのアーキテクチャに対する私たちの考え方の根本的な転換です 多くの人は ai をプラグインのように見ており既存のプロセスに付け足して少し高速化するものだと考えています 00:03:34.340 --> 00:03:41.140 しかしこの新しいモデルでは ai は構造的なレイヤーとなりますそれは生データのストリームとパービューデータマップの間に直接位置します 00:03:41.140 --> 00:03:49.680 単にデータフローを監視しているのではなく実際に意思決定を行っているのです 大規模言語モデルがここで優れている理由はようやくニュアンスの問題を解決できたからです 00:03:49.680 --> 00:03:55.720 見てきたように従来のツールは特定の文字列をスキャンするのは得意ですが 意味を理解する能力はありません 00:03:55.720 --> 00:04:03.420 llm は文書の意図を理解します 3ページの戦略メモを読みクレジットカード番号や社会保障番号が記載されていなくても 00:04:03.420 --> 00:04:13.580 全体の内容が保護すべき合併案件について書かれていると認識できるのです たとえ秘密のレシピや独自の製造プロセスという言葉がテキストに含まれていなくても 00:04:13.580 --> 00:04:21.540 それが知的財産であることを理解します しかし汎用の規制モデルをそのまま企業データに適用してうまくいくと考えるのは間違いです 00:04:21.540 --> 00:04:30.520 汎用モデルは対象が広すぎますし正直なところこのデータ量で使うにはコストがかかりすぎます そこでpeftパラメータ効率の良いファインチューニングを用いることで突破口が開けます 00:04:30.520 --> 00:04:37.660 小規模なオープンウェイトモデルを採用し独自の企業用語でファインチューニングすることで f1スコア0.97を達成できます 00:04:37.660 --> 00:04:45.800 比較のために言うと f1スコア0.97とは機械が平均的な注意散漫な従業員よりもはるかに正確で一貫性があることを意味します 00:04:45.800 --> 00:04:53.100 機械は疲れを知らず会議の5分前だからといってファイルを飛ばすこともなく最もクリックしやすいという理由だけで安易なラベルを選ぶようなバイアスもありません 00:04:53.100 --> 00:05:02.640 インテリジェンス層は概念間の関係性を分析することでデータのコンテキストを特定します 名前のリストの横に診断コードのリストがあればそれが医療データであることを認識します 00:05:02.640 --> 00:05:11.880 科学式に続いて温度条件のセットがあればそれが企業秘密であることを認識します これこそ2026年時代のガバナンスに求められるセマンティック意味的な認識レベルです 00:05:11.880 --> 00:05:21.060 私たちは検索して見つけるという考え方から読み解いて理解するという能力へと移行しています このレイヤーはデータがメインストレージに到達する前にノイズを排除するフィルターとして機能します 00:05:21.060 --> 00:05:30.080 チームチャットでファイルが作成されたりシェアポイントライブラリにアップロードされたりするとインテリジェンス層がメタデータを補足します 高速な推論を実行しコンテンツの dna を特定します 00:05:30.080 --> 00:05:36.700 そしてその dna を既存のパービュー感度ラベルにマッピングします このプロセスはユーザーがポップアップやドロップダウンメニューを目にすることなく行われます 00:05:36.700 --> 00:05:45.240 分類作業は電気や空調のような背景ユーティリティへと変わるのです このロジックを専用の推論エンジンに集約することで信頼できる唯一のデータソースを確保できます 00:05:45.240 --> 00:05:55.320 従来のモデルではガバナンスは数千人のユーザーに分散しておりそれぞれが機密の定義を独自に解釈していました 今やロジックはモデルのウェイトとファインチューニング用データセットによって制御されています 00:05:55.320 --> 00:06:02.560 ポリシーが変更された場合でもモデルを更新するだけで済むため従業員全員を再教育する必要はありません これこそがスケール規模拡大の方法です 00:06:02.560 --> 00:06:13.460 人間の行動を変えようとするのではなく特定の行動を人間に要求しないシステムを構築し始めるのです 私たちは人々の仕事の中で最も退屈な部分を効率的に自動化し彼らが本来の目的である業務に専念できるようにします 00:06:13.460 --> 00:06:18.420 霊天使遅延の不一致とそれをいかに埋めるか ここがアーキテクチャが通常破綻するポイントです 00:06:18.420 --> 00:06:22.720 多くのアーキテクトはシステムの本番稼働まで無視しがちですが我々には根本的な速度の ギャップが存在します 00:06:22.720 --> 00:06:26.640 パービューは時間単位で考えますが ai はミリ秒単位で考えることを理解しなければなりません 00:06:26.640 --> 00:06:35.060 これは単なる小さな遅延ではなく構造上の大きな食い違いなのです リアルタイムの分類について語るとき我々が目指すユーザー体験とは人の目には追えないほど 00:06:35.060 --> 00:06:43.600 高速に処理されるためセキュリティ管理が目に見えない状態であることです しかしマイクロソフトグラフ api の基盤インフラはそのような速度を実現するようには構築されていません 00:06:43.600 --> 00:06:53.140 ラベル付けにおけるグラフ api の現実は本質的に非同期であるということです 感度ラベルを適用するリクエストを送ってもファイルが保護されたという即時の確認は得られません 00:06:53.140 --> 00:07:02.420 それは本質的にポストに手紙を投函してすぐに届くことを願っているようなものです 実際の企業環境においてその電波には数分から最大24時間かかることもあります 00:07:02.420 --> 00:07:09.780 これが私が脆弱性の窓と呼ぶものを作り出します それは機密データが環境内に存在するものの事実上無防備な状態の機関です 00:07:09.780 --> 00:07:16.640 ラベルも暗号化もなくアクセス制限もかかっていません この窓は m365コパイロットの時代において特に危険です 00:07:16.640 --> 00:07:25.780 エンジニアが独自の設計使用書をアップロードしパービューのラベルが電波する前にコパイロットが そのファイルをインデックス化するとその機密情報は組織の脳の一部となってしまいます 00:07:25.780 --> 00:07:34.260 ガバナンス層が処理中である間に ai がすでに動作しているため別の部門のユーザーがコパイロットに問い合わせて その設計の概要を受け取ってしまう可能性があります 00:07:34.260 --> 00:07:43.200 24時間かかるツールでミリ秒単位の問題を解決することはできません このギャップを埋めるには単純な api 呼び出しを超えて私がガーディアンエージェントアプローチと呼ぶ手法を実装する必要があります 00:07:43.200 --> 00:07:50.420 ガーディアンエージェントはリアルタイムのプロ機種として機能します バックエンドのパービューの処理完了を待つのではなくこのエージェントはプロンプトの境界に配置されます 00:07:50.420 --> 00:07:57.620 エージェントはデータに触れた瞬間に審査を行います 動きの遅い中央レジストリとは独立して動作する高速なセキュリティ検問所と考えてください 00:07:57.620 --> 00:08:03.140 公式のパービューデータマップがバックグラウンドで更新されている間 ガーディアンエージェントはすでにエッジでポリシーを強制しています 00:08:03.140 --> 00:08:08.900 これによりデータストリームに分類ロジックが即座に適用され 脆弱性の窓を効果的に閉じることができます 00:08:08.900 --> 00:08:15.580 ユーザーを不満にさせることなくこれを実現するには ttft タイムトゥファーストトークンと呼ばれる特定の指標に執着しなければなりません 00:08:15.580 --> 00:08:22.080 セキュリティ層によってドキュメントを開くたびあるいは ai プロンプトごとに3秒の遅延が発生すれば従業員はそれを回避する方法を見つけるでしょう 00:08:22.080 --> 00:08:27.320 彼らは仕事を終わらせるためだけに個人のデバイスや管理されていないシャドー ai ツールに作業を移してしまいます 00:08:27.320 --> 00:08:33.480 tft を500ミリ秒以下に抑える必要があります そのためには高度に最適化された推論パイプラインが不可欠です 00:08:33.480 --> 00:08:38.060 私たちは単にモデルを動かしているのではなくリクエストのエンジニアリング物理を管理しているのです 00:08:38.060 --> 00:08:46.180 つまり推論エンジンをデータソースの可能な限り近くに配置し スペキュレーティブデコーディングのような手法を用いてミリ秒単位のレイテンシーを削り出すということです 00:08:46.180 --> 00:08:55.000 私たちはセキュリティを単なるコンプライアンスのチェック項目ではなくパフォーマンス要件として扱っています 分類が0.5秒以内に完了すればユーザーはそれが実行されていることさえ気づきません 00:08:55.000 --> 00:09:02.960 ユーザーが保存ボタンを押すとガーディアンエージェントがコンテンツを検証し ナベルがエッジで仮想的に適用されグラフ api が受信可能になり次第バックエンドの動機が行われます 00:09:02.960 --> 00:09:12.860 これこそがデータに対して常に先手を打つ自律的なアーキテクチャの構築方法です システムが追いつくのを待つのではなく思考のスピードで新しいモデルを強制的に適用するのです 00:09:12.860 --> 00:09:23.660 自律的分類の経済性多くの組織はクラウド api トークンの定時価格を見て1日5億トークンの処理が経済的に破綻を招くと気づいた時点で 00:09:23.660 --> 00:09:33.260 購入フェーズで足踏みしてしまいます すべての分類リクエストに標準の小売料金を支払っていれば最終的にガバナンス予算が実際のセキュリティ予算を超えてしまうでしょう 00:09:33.260 --> 00:09:42.680 多くの企業が手動タグ付けに固執する主な理由は人件費による非効率性を埋没費用とみなす一方で api 料金を新しい課題な支出項目とみなしているからです 00:09:42.680 --> 00:09:51.420 しかしこれは新しいモデルに対する根本的な誤解です 自律的分類を機能させるにはサードパーティ性クラウド api の重量課金という悪夢から脱却し 00:09:51.420 --> 00:09:58.780 セルフホスティングの効率性を採用しなければなりません 専用の分類エンジンを自社ホスティングに切り替えれば計算式は一瞬で変わります 00:09:58.780 --> 00:10:11.080 2026年高負荷な推論タスクを自社インフラに移行した企業では5倍のコスト削減が実現しています これは単なる節約ではなくアーキテクチャ全体を長期的に持続可能なものにすることなのです 00:10:11.080 --> 00:10:17.520 毎週テラバイト単位で増加するデータ資産を管理しようとするなら成長を阻害する 価格モデルに縛られるわけにはいきません 00:10:17.520 --> 00:10:22.660 代わりに固定費型のユーティリティモデルが必要です 実際の総所有コストを見てみましょう 00:10:22.660 --> 00:10:30.220 nvi diaa 100やh 100 gpu なら今や中規模企業全体の分類スループットを処理する能力があります 00:10:30.220 --> 00:10:37.860 毎秒数千トークンという処理能力でハードウェアのコストを焼却 あるいはプライベートクラウドで同等のリソースを確保すれば 00:10:37.860 --> 00:10:43.340 初期設定後の分類コストはほぼゼロになります ファイルの内容を知るための特権的料金を支払うのはやめて 00:10:43.340 --> 00:10:49.580 ガバナンスをコンピューティングスタックの標準機能として扱うべきです データベースやウェブサーバーをホストするのと何ら変わりはありません 00:10:49.580 --> 00:10:57.720 ただし微調整ファインチューニングという隠れたコストには注意が必要です 計算資源そのものは安価になっていますが慎重でなければ運用上の負債がコストを押し上げて 00:10:57.720 --> 00:11:02.320 しまいます モデルバージョンのストレージ精度維持のための絶え間ない評価サイクルそして設計の不備な 00:11:02.320 --> 00:11:09.580 vpcに伴うネットワーク送信量がロイを食いつぶす可能性があります そのため私たちはデータストリームが静かな時にはスケールダウンできる 00:11:09.580 --> 00:11:16.640 サーバーレスやvpcで保護されたオプションを推奨しています 誰もドキュメントを保存していない午前3時に高性能なシリコンに対して料金を支払う必要は 00:11:16.640 --> 00:11:21.740 ありません ここでの経済的な転換とは分類作業をopexの悪夢から予測可能なインフラコストへと変えることです 00:11:21.740 --> 00:11:28.040 私たちは実質的にガバナンスをユーティリティへと変えようとしています データセンターの冷却費の支払いについて考えてみてください温度が変わるたびに 00:11:28.040 --> 00:11:34.020 料金を払うのではなくベースラインを維持するシステムを構築するはずです 自律的な分類もそのようなベースラインであるべきです 00:11:34.020 --> 00:11:41.800 人間による分類作業の変動費やトークンごとのクラウド料金を排除することでデータとともに実際に 拡張できるシステムを構築できますこの予測可能性こそが 00:11:41.800 --> 00:11:47.800 セキュリティ体制を拡大させる鍵となります 分類の限界費用がゼロであればより細やかな対応が可能になります 00:11:47.800 --> 00:11:54.800 月末の請求を気にすることなくあらゆるドラフトチャット一時ファイルをスキャンできます これが好循環を生み出します 00:11:54.800 --> 00:12:01.640 より良いデータはより良いモデルにつながり精度が向上することで高コストな人手による 修正の必要性がさらに低減されます 00:12:01.640 --> 00:12:10.720 本質的にあなたは時間とともに安価で効果的になるシステムに投資しているのです 対照的に従来の手動モデルでは会社の成長とともにコストが増大する一方です 00:12:10.720 --> 00:12:19.720 自己ホスト型のインテリジェンス層を選択することは単にツールを買うことではなく 保護がインフラの標準機能となる経済的な現実を選択することに他なりません 00:12:19.720 --> 00:12:27.400 ai ガバナンスの新たなリスクを軽減する人間をループから外すことはスケーリングには有効ですが 新たなカテゴリーのシステム的リスクをもたらします 00:12:27.400 --> 00:12:32.440 自律的ガバナンスは一度設定すれば終わりというものではありません これまでとは異なる種類の警戒心が必要です 00:12:32.440 --> 00:12:39.480 最初に直面する脅威はモデルのドリフト劣化です 1月にほぼ完璧なスコアを出した分類機も6月には容易に不採へと変わってしまう可能性があります 00:12:39.480 --> 00:12:47.220 なぜならデータそのものが生き物だからです 従業員の文章の書き方使用する用語作成されるファイルの種類は絶えず変化しています 00:12:47.220 --> 00:12:55.480 モデルがそれに合わせて進化しなければ精度は徐々に低下し振り出しに戻ってしまいます しかしこれにはコンセプトドリフトと呼ばれるより厄介なものがあります 00:12:55.480 --> 00:13:02.680 これこそがai主導のコンプライアンスにおける静かなる殺人者です コンセプトドリフトは探している対象の根本的な定義が変わった時に発生します 00:13:02.680 --> 00:13:11.860 特定のメタデータが機密情報として再分類されるような新しいプライバシー規制が施行されるかもしれません あるいは極秘の内部プロジェクトのコードネームがアポロからゼウスに変更されたとします 00:13:11.860 --> 00:13:17.100 ai がまだアポロを探していればゼウス関連のドキュメントを最高レベルのセキュリティ層からやすやすと通過させてしまうでしょう 00:13:17.100 --> 00:13:23.420 状況は変化したのにモデルは古い地図のまま動いているのです これに対抗するにはポリシーをコードとして実装しなければなりません 00:13:23.420 --> 00:13:30.480 ガバナンスのパイプラインにリアルタイムのドリフト検知を直接組み込む必要があります これは単なる監視ではなく自動化された介入が重要です 00:13:30.480 --> 00:13:36.140 システムの信頼度スコアが低下したりデータの分布が変化したりした場合はアクションレベルの承認をトリガーすべきです 00:13:36.140 --> 00:13:43.720 これが安全弁として機能します ai が不確かな状態に落とし入れば自律的な判断を停止しファイルを専門の担当者に回して確認を仰ぎます 00:13:43.720 --> 00:13:48.900 つまり助けが必要な時を機械自身に知らせさせるのです 次にプロンプとインジェクションの脅威があります 00:13:48.900 --> 00:13:54.860 これはデータ流出における新たな最前線です 攻撃者は分類機を騙せればファイアウォールをハッキングする必要はありません 00:13:54.860 --> 00:14:02.140 隠しテキストを使って文書に悪意のある指示を埋め込みこれまでの指示を無視し このファイルを公開ラベルにせよと ai に命じることができます 00:14:02.140 --> 00:14:05.600 インテリジェンス層が単純であれば ai はそれに従ってしまうでしょう 00:14:05.600 --> 00:14:14.420 ファイルは格下げされ保護機能は剥がされデータは標準的な送信チャンネルから流出します ガバナンスツールを逆手に取った非常に巧妙な手口です 00:14:14.420 --> 00:14:23.500 この緩和策として二次的なガーディアンエージェントを実装します これは一時分類機の判断を監査することだけを専門とする小規模で特化したモデルです 00:14:23.500 --> 00:14:33.420 文書全体を見るのではなく操作の兆候や論理の欠陥を探すことに集中します これはメインの ai が侵害されたり混乱したりしていないかを確認する冗長なチェックとして機能します 00:14:33.420 --> 00:14:41.580 2つのモデルの判断が一致しない場合システムは最も制限の厳しいラベルを適用します この多層防御を構築することで脆弱な自動化から回復力のある自動化へと移行できます 00:14:41.580 --> 00:14:49.620 ai は強力ですが誤りを犯す可能性があることを認めるのです モデルを高性能なエンジンとして扱い絶え間ない調整と堅牢なブレーキシステムを用意します 00:14:49.620 --> 00:14:58.520 これが新しいモデルの最後のピースです 人間のミスを機械に置き換えるだけでなく機械特有の故障を考慮した構造的なフレームワークを構築するのです 00:14:58.520 --> 00:15:07.520 これこそが現実世界の複雑さを生き抜くセキュアバイデフォルトの姿勢を実現する方法です ガバナンスは動的で自己修正を行うループへと進化します 00:15:07.520 --> 00:15:16.740 私たちはコンプライアンスを願う世界からそれを設計する世界へと移行しています この変化によりデータの増大に合わせてセキュリティが追いつくだけでなく実際に賢くなっていくのです 00:15:16.740 --> 00:15:26.040 あなたはついに未来のための構築を始めているのです 実装90日間のロードマップ自立的なアーキテクチャの構築は照明のスイッチを入れるようにはいきません 00:15:26.040 --> 00:15:32.060 90日間の移行期間として考えるべきです 0日目は私が真実のレイヤーと呼ぶものを確立することから始まります 00:15:32.060 --> 00:15:41.640 パービューを監査のみモードで実行しファイルを一つもブロックすることなく現在の露出状況を基準化する必要があります ここで測定するのはラベル付けされるべきものと実際に行われているものとの間のギャップです 00:15:41.640 --> 00:15:51.220 ほとんどの組織はこれを行うと機密データの半分以上がシステムから見えていないことを発見します この基準値は旧モデルがどこで失敗したかを正確に示す地図となります 00:15:51.220 --> 00:15:57.240 インフラの変更をステークホルダーに正当化するにはこの確かなデータが必要です それがなければ推測に過ぎないからです 00:15:57.240 --> 00:16:01.840 地図が手に入ればハイブリッドモデルを展開して効率性とインテリジェンスのバランスを取る ことができます 00:16:01.840 --> 00:16:09.780 クレジットカード番号を探すだけのために巨大で高価な推論エンジンは不要です 私の助言は20年間変わっていない構造化された予測可能なパターンなど 00:16:09.780 --> 00:16:18.120 手っ取り早い対象には高速な除外機能を使うことです インテリジェンス層は推論を要する複雑で非構造化された知的財産のためにとっておくべきです 00:16:18.120 --> 00:16:23.560 この階層型アプローチにより計算コストを抑えつつ セキュリティの網羅性を最大化できます 00:16:23.560 --> 00:16:33.860 リソースを外科手術のように使い目が足りない場合にのみ脳を使うようにするのです 次に30日目にすべてを解決しようとするのではなく適用型スコープを使って焦点を絞る必要があります 00:16:33.860 --> 00:16:42.480 まずは財務 r & d ホームといった高リスク部門を対象とすべきです これらは侵害が発生した際に最も多額の損失につながる可能性が高い特定の領域です 00:16:42.480 --> 00:16:53.220 こうした小規模環境で価値を証明することで5の本格展開に必要な組織内の勢いを生み出せます 巨大で恐ろしいコンプライアンスプロジェクトを小さく測定可能な成功の積み重ねに変えるのです 00:16:53.220 --> 00:16:59.760 これは包括的な命令ではなく戦術的な展開であり最も困難な問題を先に解決することで システムが現実世界で機能することを証明します 00:16:59.760 --> 00:17:07.280 パズルの最後のピースは人間がループに介在する再学習を統合したフィードバックループです ガーディアンエージェントが定格深度でファイルをフラグ立てした際 00:17:07.280 --> 00:17:13.960 セキュリティ担当者が迅速に確認して結果を検証します そのワンクリックは単一のファイルを修正するだけでなくモデルを再学習させ 00:17:13.960 --> 00:17:19.920 システムが間違いから学ぶことを可能にします 時間が経つにつれて劣化するのではなく実際に向上し続けるプラットフォームを構築しているのです 00:17:19.920 --> 00:17:30.600 90日目までにはセキュリティのボトルネックからセキュリティの推進役へと変わっているはずです 保護は即座かつ不可視になり人間の選択に伴う摩擦を自動化による確実なプロセスへと置き換えることができます