WEBVTT

00:00:00.000 --> 00:00:03.760
De aanname dat uw medewerkers vrijwillig elk stuk data dat zij creëren van een label

00:00:03.760 --> 00:00:06.360
voorzien, is het grootste zwakke punt in uw beveiligingsmodel.

00:00:06.540 --> 00:00:09.720
We hebben jaren besteed aan het bouwen van complexe governance frameworks die afhankelijk

00:00:09.720 --> 00:00:12.840
zijn van één ding, een mens die elke keer als hij op de opslagknop drukt, een bewuste

00:00:12.840 --> 00:00:13.940
en juiste beslissing neemt.

00:00:14.040 --> 00:00:15.640
Maar de realiteit is ontnuchterend.

00:00:15.900 --> 00:00:19.920
Handmatig labelen heeft een adoptiegraad van 30% in de gemiddelde onderneming, wat betekent

00:00:19.920 --> 00:00:24.100
dat 70% van uw intellectueel eigendom in feite onzichtbaar is voor uw beveiligingsstools.

00:00:24.300 --> 00:00:27.820
We hebben een systeem gebouwd dat van mensen vraagt om bibliothecaris te zijn, terwijl ze

00:00:27.820 --> 00:00:31.400
proberen ingenieur of verkoper te zijn. Het faalt omdat het wrijving veroorzaakt.

00:00:31.600 --> 00:00:34.980
Vandaag stappen we over van door gebruikers gestuurde labeling naar autonoom beheer.

00:00:35.120 --> 00:00:38.860
We verschuiven naar een model waarbij klassificatie plaatsvindt op de snelheid van de datastroom,

00:00:39.080 --> 00:00:40.380
niet op de snelheid van de gebruiker.

00:00:40.540 --> 00:00:42.760
De structurele fout in handmatig beheer.

00:00:42.960 --> 00:00:47.000
Uw huidige labelstrategie is in feite een belasting op productiviteit en zoals bij de

00:00:47.000 --> 00:00:50.060
meeste belastingen vinden mensen creatieve manieren om deze te ontwijken.

00:00:50.240 --> 00:00:54.080
We hebben een decennium lang vertrouwd op het oude model van databeveiliging, waarbij bescherming

00:00:54.080 --> 00:00:54.960
een actie achteraf is.

00:00:54.960 --> 00:00:58.820
Een gebruiker maakt een document, kijkt naar een lijst met 5 tot 10 vertrouwelijkheidslabels

00:00:58.820 --> 00:01:00.260
en we hopen dat ze de juiste kiezen.

00:01:00.420 --> 00:01:02.020
Maar hoop is geen technische controle.

00:01:02.280 --> 00:01:06.100
De data-explosie binnen Teams, SharePoint en Slack heeft het menselijk bevattingsvermogen

00:01:06.100 --> 00:01:07.040
officieel ingehaald.

00:01:07.200 --> 00:01:10.640
Je kunt simpelweg niet van een persoon vragen om een petabyte aan ongestructureerde ruis

00:01:10.640 --> 00:01:14.300
handmatig te klassificeren en nauwkeurigheid verwachten, want dat is wiskundig onmogelijk.

00:01:14.460 --> 00:01:17.360
Als je kijkt waarom dit misgaat, moet je kijken naar de tools die we hebben gebruikt om

00:01:17.360 --> 00:01:18.160
de gebruiker te helpen.

00:01:18.500 --> 00:01:21.300
Traditioneel vertrouwden we op op trefwoorden gebaseerde regex-patronen.

00:01:21.300 --> 00:01:26.180
Nu is regex ongelooflijk snel, het is ongeveer 28.000 keer sneller dan een groot taalmodel

00:01:26.180 --> 00:01:27.240
bij het scannen van tekst.

00:01:27.360 --> 00:01:29.020
Maar regex is blind voor context.

00:01:29.320 --> 00:01:33.500
Het kan een reeks cijfers vinden die lijkt op een SOFI-nummer, maar het ziet het verschil

00:01:33.500 --> 00:01:37.420
niet tussen een gevoelig klant-idee en een willekeurige projectcode in een openbare

00:01:37.420 --> 00:01:38.580
technische handleiding.

00:01:39.000 --> 00:01:41.180
Het ziet het patroon, maar mist de intentie.

00:01:41.680 --> 00:01:45.460
Dit gat tussen patroonherkenning en werkelijk begrip is waar het gevaar schuilt.

00:01:45.460 --> 00:01:50.560
Volgens IBM zijn de gemiddelde kosten van een data-lack gestegen naar 4,88 miljoen dollar.

00:01:50.560 --> 00:01:54.300
Die kosten komen meestal niet voort uit falende encryptie of een doorbroken firewall.

00:01:54.560 --> 00:01:57.840
Ze zitten in de ruimte tussen wat gevoelig is en wat daadwerkelijk als zodanig gelabeld

00:01:57.840 --> 00:01:58.040
is.

00:01:58.220 --> 00:02:01.820
Als een bestand niet gelabeld is, zien uw beleidsregels voor data-lack-preventie het niet.

00:02:01.980 --> 00:02:04.640
Uw regels voor voorwaardelijke toegang zijn er niet op van toepassing.

00:02:04.840 --> 00:02:09.100
En nu, met de opkomst van generatieve AI, vatten je co-pilots het met plezier samen voor iedereen

00:02:09.100 --> 00:02:09.860
die erom vraagt.

00:02:10.020 --> 00:02:14.180
Het oude model gaat ervan uit dat de gebruiker het best de waarde kan inschatten, maar in een wereld

00:02:14.180 --> 00:02:16.720
met een hoge datastroom is de gebruiker juist de bottleneck.

00:02:16.780 --> 00:02:20.520
We hebben een punt bereikt waarop de enorme hoeveelheid ongestructureerde data een risico

00:02:20.520 --> 00:02:22.100
is geworden omdat deze niet wordt beheerd.

00:02:22.280 --> 00:02:26.920
Je kunt de meest geavanceerde Microsoft Purview-omgeving ter wereld hebben, maar als de data die erin komt

00:02:26.920 --> 00:02:30.580
niet accuraat bij de bron wordt geclassificeerd, staat de hele motor stationair te draaien.

00:02:30.700 --> 00:02:34.180
We proberen in feite een zelfrijdende auto te besturen door de passagier te vragen elke

00:02:34.180 --> 00:02:35.540
afslag handmatig in kaart te brengen.

00:02:35.700 --> 00:02:36.440
Dat werkt niet.

00:02:36.600 --> 00:02:40.400
De structurele fout is niet de persoon, maar de vereiste dat een persoon moet ingrijpen.

00:02:40.620 --> 00:02:43.860
Dit is de reden dat we zulke hoge cijfers zien voor alle tekortkomingen.

00:02:44.440 --> 00:02:47.820
Organisaties denken dat ze compliant zijn omdat ze een beleid op papier hebben, maar

00:02:47.820 --> 00:02:51.760
bij een discovery scan vind je duizenden vertrouwelijke documenten in openbare mappen.

00:02:51.980 --> 00:02:54.440
Dit gebeurt omdat de frictie van het kiezen te groot is.

00:02:54.620 --> 00:02:58.660
Als je een gebruiker laat kiezen tussen snel werken of veilig werken, zullen ze bijna altijd

00:02:58.660 --> 00:02:59.560
voor snelheid kiezen.

00:02:59.720 --> 00:03:02.360
Om dit op te lossen, moeten we de keuze volledig wegnemen.

00:03:02.580 --> 00:03:06.640
We moeten het brein van de operatie weghalen bij de afgeleide eindgebruiker en verplaatsen

00:03:06.640 --> 00:03:07.860
naar de infrastructuur zelf.

00:03:08.060 --> 00:03:11.800
We hebben een systeem nodig dat het document beter begrijpt dan de persoon die het schreef.

00:03:11.800 --> 00:03:15.180
Pas dan kunnen we het lekdichten dat leidt tot die miljoenenverliezen bij datalekken.

00:03:15.340 --> 00:03:17.160
Het bouwen van de intelligentie laag.

00:03:17.300 --> 00:03:20.540
Om de crisis van handmatige tagging op te lossen, verplaatsen we het brein van de

00:03:20.540 --> 00:03:22.140
klassificatie weg van de eindgebruiker.

00:03:22.300 --> 00:03:24.980
We verplaatsen dit naar een real-time LLM-inferentie-engine.

00:03:25.260 --> 00:03:29.260
Dit is een fundamentele verandering in hoe we naar de Microsoft Purview-architectuur kijken.

00:03:29.500 --> 00:03:33.220
De meeste mensen zien AI als een plug-in, iets wat je aan een bestaand proces toevoegt

00:03:33.220 --> 00:03:34.500
om het net iets sneller te maken.

00:03:34.500 --> 00:03:37.420
Maar in dit nieuwe model is de AI een structurele laag.

00:03:37.600 --> 00:03:41.140
Deze bevindt zich direct tussen je ruwe datastromen en je Purview-datakaart.

00:03:41.280 --> 00:03:45.100
Het kijkt niet alleen naar de datastroom, want het is degene die de beslissingen neemt.

00:03:45.220 --> 00:03:49.080
De reden dat grote taalmodellen hier winnen, is dat ze eindelijk het probleem van nuancen

00:03:49.080 --> 00:03:49.460
oplossen.

00:03:49.700 --> 00:03:54.120
Zoals we zagen, zijn traditionele tools uitstekend in het scannen op specifieke strings, maar

00:03:54.120 --> 00:03:55.600
ze zijn functioneel ongeletterd.

00:03:55.720 --> 00:03:57.980
Een LLM begrijpt de intentie van een document.

00:03:58.280 --> 00:04:02.980
Het kan een strategienota van drie pagina's lezen en herkennen dat, hoewel er geen creditcardnummers

00:04:02.980 --> 00:04:06.840
of burgerservice nummers in staan, de tekst als geheel een aanstaande fusie beschrijft

00:04:06.840 --> 00:04:07.740
die beschermd moet worden.

00:04:07.940 --> 00:04:12.640
Het begrijpt dat een geheim recept of een eigen productieproces intellectueel eigendom

00:04:12.640 --> 00:04:15.920
is, zelfs als die specifieke woorden nooit in de tekst voorkomen.

00:04:16.440 --> 00:04:20.900
Maar je kunt niet zomaar een standaardmodel op je bedrijfsgegevens loslaten en verwachten

00:04:20.900 --> 00:04:21.620
dat het werkt.

00:04:21.980 --> 00:04:25.500
Algemene modellen zijn te breed en eerlijk gezegd te duur voor dit soort volumes.

00:04:25.840 --> 00:04:30.100
De doorbraak komt voort uit het gebruik van parameterefficiënte fine-tuning, oftewel PEFT.

00:04:30.100 --> 00:04:33.940
Door een kleiner model met open gewichten te nemen en dit te fine-tunen op je specifieke

00:04:33.940 --> 00:04:37.740
bedrijfsvocabulair, kunnen we F1-scores van 0,97 behalen.

00:04:37.940 --> 00:04:42.940
Om dat in perspectief te plaatsen, een F1-score van 0,97 betekent dat de machine aanzienlijk

00:04:42.940 --> 00:04:45.780
nauwkeuriger en consistenter is dan de gemiddelde afgeleide werknemer.

00:04:45.960 --> 00:04:49.260
Het wordt niet moe, het slaat geen bestanden over omdat het vijf minuten voor een vergadering

00:04:49.260 --> 00:04:52.520
is en het heeft geen voorkeur voor een algemeen label alleen omdat dat het makkelijkst aan

00:04:52.520 --> 00:04:53.100
te klikken is.

00:04:53.240 --> 00:04:57.600
De intelligentielaag identificeert de context van je gegevens door naar de relaties tussen concepten

00:04:57.600 --> 00:04:57.980
te kijken.

00:04:58.220 --> 00:05:01.340
Als het een lijst met name naast een lijst met diagnostische codes ziet, weet het dat het

00:05:01.340 --> 00:05:02.600
naar gezondheidsgegevens kijkt.

00:05:02.760 --> 00:05:06.340
Als het een chemische formule ziet gevolgd door een reeks temperatuurbeperkingen, weet het

00:05:06.340 --> 00:05:07.700
dat het naar een bedrijfsgeheim kijkt.

00:05:07.900 --> 00:05:11.820
Dit is een niveau van semantisch bewustzijn dat het beheer van 2026 vereist.

00:05:12.040 --> 00:05:16.400
We bewegen ons weg van de zoek- en vindmentaliteit naar een lees- en begrijpfunctionaliteit.

00:05:16.700 --> 00:05:20.480
Deze laag fungeert als een filter dat de ruis verwijdert voordat het de primaire opslag ooit

00:05:20.480 --> 00:05:20.860
bereikt.

00:05:20.860 --> 00:05:24.880
Wanneer een bestand wordt aangemaakt in een Teams-chat of geüpload naar een SharePoint-bibliotheek,

00:05:25.000 --> 00:05:26.540
onderschept de intelligentielaag de metadata.

00:05:26.860 --> 00:05:30.100
Het voert een high-speed inferentie uit om het DNA van de inhoud te bepalen.

00:05:30.300 --> 00:05:33.260
Vervolgens koppelt het dat DNA aan je bestaande Purview-gevoeligheidslabels.

00:05:33.500 --> 00:05:36.520
Dit gebeurt zonder dat de gebruiker ooit een pop-up of keuzemenu te zien krijgt.

00:05:36.700 --> 00:05:40.100
De klassificatie wordt een achtergrondvoorziening, net als elektriciteit of koeling.

00:05:40.340 --> 00:05:44.460
Door deze logica te centraliseren in een speciale inferentie-engine, krijg je ook één enkele

00:05:44.460 --> 00:05:45.180
bron van waarheid.

00:05:45.180 --> 00:05:49.380
In het oude model was beheer gedecentraliseerd over duizenden individuele gebruikers, elk met

00:05:49.380 --> 00:05:51.580
hun eigen interpretatie van wat vertrouwelijk betekende.

00:05:51.760 --> 00:05:55.380
Nu wordt de logica bepaald door de gewichten van je model en je fine-tuning-dataset.

00:05:55.520 --> 00:05:59.200
Als je beleid verandert, hoef je niet je hele personeelsbestand opnieuw te trainen, omdat

00:05:59.200 --> 00:06:00.660
je simpelweg het model bijwerkt.

00:06:00.860 --> 00:06:01.800
Dit is hoe je schaalt.

00:06:01.980 --> 00:06:05.460
Je stopt met proberen menselijk gedrag te veranderen en begint met het bouwen van systemen

00:06:05.460 --> 00:06:07.720
die niet vereisen dat mensen zich op een bepaalde manier gedragen.

00:06:07.940 --> 00:06:11.720
We automatiseren effectief het saaiste deel van iemands baan, zodat zij weer terug kunnen

00:06:11.720 --> 00:06:13.680
naar het werk waarvoor ze daadwerkelijk zijn aangenomen.

00:06:13.680 --> 00:06:16.140
Het latentieverschil en hoe je dit kunt overbruggen.

00:06:16.260 --> 00:06:18.120
Dit is waar de architectuur meestal faalt.

00:06:18.280 --> 00:06:21.740
We hebben een fundamenteel snelheidsverschil dat de meeste architecten negeren totdat het

00:06:21.740 --> 00:06:22.840
systeem al in productie is.

00:06:23.020 --> 00:06:26.460
Je moet begrijpen dat Purview in uren denkt, maar AI denkt in milliseconden.

00:06:26.600 --> 00:06:30.260
Dit is niet zomaar een kleine vertraging, maar een enorme structurele discrepantie.

00:06:30.480 --> 00:06:34.680
Wanneer we praten over real-time klassificatie, streven we naar een gebruikerservaring waarbij

00:06:34.680 --> 00:06:38.340
de beveiliging onzichtbaar is omdat deze sneller verloopt dan het menselijk oog kan volgen.

00:06:38.340 --> 00:06:43.000
Maar de onderliggende infrastructuur van de Microsoft Graph API is niet gebouwd voor dat soort

00:06:43.000 --> 00:06:43.520
snelheid.

00:06:43.740 --> 00:06:47.780
De realiteit van de Graph API voor labeling is dat deze inherent asynchroon is.

00:06:48.020 --> 00:06:52.420
Wanneer je een verzoek stuurt om een vertrouwelijkheidslabel toe te passen, krijg je niet direct de bevestiging

00:06:52.420 --> 00:06:53.740
dat het bestand is beveiligd.

00:06:53.860 --> 00:06:57.300
Je doet in feite een brief op de bus en hoopt dat deze snel wordt bezorgd.

00:06:57.640 --> 00:07:02.720
In echte bedrijfsomgevingen kan die verwerking variëren van een paar minuten tot wel 24 uur.

00:07:02.940 --> 00:07:05.100
Dit creëert wat ik het kwetsbaarheidsvenster noem.

00:07:05.100 --> 00:07:09.600
Het is een periode waarin gevoelige gegevens in je omgeving staan, maar in feite onbeschermd zijn.

00:07:09.600 --> 00:07:12.580
Er is geen label, geen versleuteling en geen toegangsbeperking.

00:07:12.780 --> 00:07:16.720
Dit venster is bijzonder gevaarlijk in het tijdperk van M365 Copilot.

00:07:16.920 --> 00:07:21.440
Als een engineer een bedrijfs-eigen ontwerpspecificatie uploadt en Copilot dat bestand indexeert voordat

00:07:21.440 --> 00:07:25.440
het Purview-label is toegepast, maakt die gevoelige informatie nu deel uit van het organisatorische

00:07:25.440 --> 00:07:25.720
brein.

00:07:25.880 --> 00:07:29.720
Een andere gebruiker op een andere afdeling zou Copilot kunnen bevragen en een samenvatting

00:07:29.720 --> 00:07:33.100
van dat ontwerp kunnen ontvangen, omdat de governance laag nog aan het nadenken was terwijl

00:07:33.100 --> 00:07:34.240
de AI al actie ondernam.

00:07:34.420 --> 00:07:37.880
Je kunt een probleem van milliseconden niet oplossen met een tool die 24 uur nodig heeft.

00:07:37.880 --> 00:07:41.460
Om dit gat te dichten, moeten we verder gaan dan eenvoudige API aanroepen en wat ik de

00:07:41.460 --> 00:07:43.320
Guardian-agent aanpak noem implementeren.

00:07:43.460 --> 00:07:45.740
De Guardian-agent fungeert als een real-time proxy.

00:07:45.960 --> 00:07:49.760
In plaats van te wachten op de back-end verwerking van Purview, bevindt deze agent zich bij de

00:07:49.760 --> 00:07:50.380
promptgrens.

00:07:50.540 --> 00:07:53.020
Hij controleert gegevens op het moment dat ze worden aangeraakt.

00:07:53.220 --> 00:07:56.760
Zie het als een hoge snelheidscontrolepost die onafhankelijk opereert van het traag werkende

00:07:56.760 --> 00:07:57.540
centrale register.

00:07:57.760 --> 00:08:02.020
Terwijl de officiële Purview-datakaart op de achtergrond wordt bijgewerkt, bringt de Guardian-agent

00:08:02.020 --> 00:08:03.080
het beleid al af aan de rand.

00:08:03.080 --> 00:08:07.100
Hij zorgt ervoor dat de klassificatielogica direct wordt toegepast op de datastroom, wat

00:08:07.100 --> 00:08:08.900
dat kwetsbaarheidsvenster effectief sluit.

00:08:09.040 --> 00:08:12.420
Om dit werkend te krijgen zonder je gebruikers te frustreren, moeten we geobsedeerd zijn door

00:08:12.420 --> 00:08:15.460
een specifieke metriek genaamd Time to First Token of TTFT.

00:08:15.700 --> 00:08:19.200
Als je beveiligingslaag 3 seconden vertraging toevoegt aan elk document dat wordt geopend

00:08:19.200 --> 00:08:22.160
of elke AI-prompt, zullen je medewerkers manieren vinden om dit te omzeilen.

00:08:22.340 --> 00:08:26.580
Ze zullen hun werk verplaatsen naar persoonlijke apparaten of onbeheerde schaduw AI-tools om hun werk

00:08:26.580 --> 00:08:27.240
gedaan te krijgen.

00:08:27.480 --> 00:08:30.400
We moeten de TTFT onder de 500 milliseconden houden.

00:08:30.400 --> 00:08:33.500
Dit vereist een sterk geoptimaliseerde inference-pipeline.

00:08:33.680 --> 00:08:37.700
We draaien niet zomaar een model, we beheren de technische fysica van het verzoek.

00:08:37.820 --> 00:08:41.660
Dit betekent dat de inferentie-engine zo dicht mogelijk bij de gegevensbron moet staan en

00:08:41.660 --> 00:08:45.760
we technieken als speculatieve decodering gebruiken om elke mogelijke milliseconden-latentie te

00:08:45.760 --> 00:08:46.320
elimineren.

00:08:46.480 --> 00:08:50.600
We behandelen beveiliging als een prestatievereiste, niet slechts als een vinkje voor naleving.

00:08:50.840 --> 00:08:54.660
Wanneer de klassificatie in minder dan een halve seconde gebeurt, merkt de gebruiker er niets

00:08:54.660 --> 00:08:54.860
van.

00:08:55.100 --> 00:08:59.640
Zodra ze op opslaan klikken, valideert de Guardian-agent de inhoud, wordt het label virtueel aan de

00:08:59.640 --> 00:09:03.200
edge toegepast en vindt de backend-synchronisatie plaats zodra de Graph API klaar is.

00:09:03.400 --> 00:09:07.340
Dit is hoe je een zelfsturende architectuur bouwt die de data daadwerkelijk voorblijft.

00:09:07.480 --> 00:09:11.560
Je stopt met wachten tot het systeem bijbindt en dwingt het nieuwe model af op de snelheid

00:09:11.560 --> 00:09:12.140
van het denken.

00:09:13.100 --> 00:09:15.400
De economie van autonome klassificatie.

00:09:15.620 --> 00:09:19.980
De meeste organisaties lopen vast tijdens de inkoopfasen omdat ze naar de catalogusprijs

00:09:19.980 --> 00:09:24.540
van Cloud API tokens kijken en beseffen dat het verwerken van 500 miljoen tokens per dag

00:09:24.540 --> 00:09:25.920
financieel desastreus is.

00:09:25.920 --> 00:09:30.180
Als je voor elk klassificatieverzoek tegen standaardtarieven betaalt, zal je governance

00:09:30.180 --> 00:09:33.220
budget uiteindelijk je eigenlijke beveiligingsbudget overstijgen.

00:09:33.360 --> 00:09:36.880
Dit is de voornaamste reden waarom veel bedrijven vasthouden aan handmatige tagging.

00:09:37.040 --> 00:09:41.280
Ze zien de inefficiëntie van menselijke arbeid als verzonken kosten, terwijl ze API-rekeningen

00:09:41.280 --> 00:09:42.900
zien als een nieuwe, agressieve post.

00:09:43.080 --> 00:09:45.800
Dit is echter een fundamenteel misverstand van het nieuwe model.

00:09:46.020 --> 00:09:50.900
Om autonome klassificatie te laten werken, moet je afstappen van de nachtmerrie van verbruiksgebaseerde

00:09:50.900 --> 00:09:53.860
APIs van derden en de efficiëntie van self-hosting omarmen.

00:09:53.860 --> 00:09:57.940
Wanneer je overstapt op het zelfhosten van een speciale klassificatie, engine, verandert

00:09:57.940 --> 00:09:58.860
de rekensom direct.

00:09:59.020 --> 00:10:03.920
In 2026 zien we een vijfvoudige besparing bij ondernemingen die hun high-volume inferentietaken

00:10:03.920 --> 00:10:05.660
verplaatsen naar hun eigen infrastructuur.

00:10:05.820 --> 00:10:09.920
Het gaat hierbij niet alleen om kleingodbesparen, maar vooral om het duurzaam maken van de gehele

00:10:09.920 --> 00:10:11.200
architectuur op lange termijn.

00:10:11.380 --> 00:10:15.480
Als je een dataomgeving beheert die elke week met terabytes groeit, kun je niet vastzitten

00:10:15.480 --> 00:10:17.240
aan een prijsmodel dat je groei straft.

00:10:17.420 --> 00:10:20.260
Je hebt in plaats daarvan een utiliteitsmodel met vaste kosten nodig.

00:10:20.260 --> 00:10:22.920
Laten we kijken naar de werkelijke totale eigendomskosten.

00:10:23.120 --> 00:10:28.280
Een enkele Nvidia A100 of H100 GPU is nu in staat om de klassificatie throughput van een

00:10:28.280 --> 00:10:29.960
middelgrote onderneming aan te kunnen.

00:10:30.240 --> 00:10:32.480
We hebben het over duizende tokens per seconde.

00:10:32.620 --> 00:10:36.820
Wanneer je de kosten van die hardware, of het equivalent in je private cloud, afschrijft,

00:10:37.080 --> 00:10:40.440
dalen de kosten per klassificatie na de initiële setup tot bijna nul.

00:10:40.600 --> 00:10:44.000
Je stopt met betalen voor het voorrecht om te weten wat er in je bestanden staat en gaat

00:10:44.000 --> 00:10:46.680
governance behandelen als een standaard onderdeel van je compute stack.

00:10:46.820 --> 00:10:49.660
Het is niet anders dan het hosten van een database of een webserver.

00:10:49.660 --> 00:10:52.860
Je moet echter wel oppassen voor de verborgen belasting van fine tuning.

00:10:53.100 --> 00:10:57.260
Hoewel ruwe rekenkracht goedkoper wordt, kan operationele schuld uw facturen flink verhogen

00:10:57.260 --> 00:10:58.060
als u niet oppast.

00:10:58.220 --> 00:11:03.200
Opslag voor modelversies, constante evaluatiecycli voor nauwkeurigheid en netwerk uitgaande kosten

00:11:03.200 --> 00:11:06.160
bij een slecht ontworpen VPC kunnen uw rendement opvreten.

00:11:06.420 --> 00:11:11.340
Daarom pleiten wij voor serverloze of VPC-beveiligde opties waarmee u kunt afschalen wanneer de

00:11:11.340 --> 00:11:12.460
datastroom rustig is.

00:11:12.620 --> 00:11:16.240
U wilt niet betalen voor krachtige hardware om drie uur s'nachts wanneer niemand documenten

00:11:16.240 --> 00:11:16.660
opslaat.

00:11:16.660 --> 00:11:20.100
De economische verschuiving hier is het veranderen van klassificatie van een operationele

00:11:20.100 --> 00:11:22.080
nachtmerrie naar een voorspelbare infrastructuurkost.

00:11:22.240 --> 00:11:24.480
We maken van governance effectieve nutsvoorziening.

00:11:24.680 --> 00:11:26.860
Denk eens aan hoe u betaalt voor koeling in een datacenter.

00:11:27.040 --> 00:11:30.400
U betaalt niet per graad temperatuurverandering, maar bouwt in plaats daarvan een systeem dat

00:11:30.400 --> 00:11:31.340
een basislijn onderhoudt.

00:11:31.500 --> 00:11:33.800
Autonome klassificatie zou die basislijn moeten zijn.

00:11:34.040 --> 00:11:38.040
Door de variabele kosten van de menselijke bibliothecaris en de cloudkosten per token weg te nemen,

00:11:38.220 --> 00:11:40.360
creëert u een systeem dat echt kan meeschalen met uw data.

00:11:40.660 --> 00:11:43.820
Deze voorspelbaarheid is wat u in staat stelt uw beveiligingsniveau uit te breiden.

00:11:43.820 --> 00:11:47.260
Wanneer klassificatie marginaal gezien gratis is, kunt u het zich veroorloven om fijnmaziger

00:11:47.260 --> 00:11:47.760
te werk te gaan.

00:11:47.900 --> 00:11:51.320
U kunt elk concept, elke chat en elk tijdelijk bestand scannen zonder zich zorgen te maken

00:11:51.320 --> 00:11:52.740
over de rekening aan het eind van de maand.

00:11:52.900 --> 00:11:55.140
Dit creëert een vicieuze cirkel in de positieve zin.

00:11:55.360 --> 00:11:59.660
Betere data leidt tot betere modellen, wat leidt tot hogere nauwkeurigheid en dat vermindert

00:11:59.660 --> 00:12:01.740
de behoefte aan dure menselijke correcties verder.

00:12:01.980 --> 00:12:05.940
U investeert in feite in een systeem dat na verloop van tijd goedkoper en effectiever wordt.

00:12:06.340 --> 00:12:10.400
Daarentegen wordt het oude handmatige model alleen maar duurder naarmate uw bedrijf groeit.

00:12:10.400 --> 00:12:14.800
Door te kiezen voor de zelfgeroste intelligentielaag koopt u niet zomaar een tool, maar kiest u

00:12:14.800 --> 00:12:18.580
voor een andere economische realiteit waarin bescherming een standaard functie van uw

00:12:18.580 --> 00:12:19.600
infrastructuur is.

00:12:20.120 --> 00:12:22.760
Het beperken van de nieuwe risico's van AI governance.

00:12:23.000 --> 00:12:26.060
Het verwijderen van de mens uit de lus lost het schaalprobleem op, maar introduceert een

00:12:26.060 --> 00:12:27.460
nieuwe categorie systemisch risico.

00:12:27.660 --> 00:12:30.280
Autonome governance is geen instellen en vergeten oplossing.

00:12:30.500 --> 00:12:32.360
Het vereist een andere vorm van waakzaamheid.

00:12:32.540 --> 00:12:34.800
De eerste dreiging waar u mee te maken krijgt is modeldrift.

00:12:34.960 --> 00:12:38.760
Een klassificatiemodel dat in januari een bijna perfecte score behaalt, kan in juni gemakkelijk

00:12:38.760 --> 00:12:42.060
een risico vormen. Dit gebeurt omdat de data zelf een levend organisme is.

00:12:42.220 --> 00:12:45.320
De manier waarop uw werknemers schrijven, de terminologie die ze gebruiken en de soorten

00:12:45.320 --> 00:12:47.400
bestanden die ze aanmaken, evolueren voortdurend.

00:12:47.540 --> 00:12:51.340
Als uw model niet met hem mee evolueert, zal de nauwkeurigheid langzaam afnemen totdat

00:12:51.340 --> 00:12:52.140
u weer bij af bent.

00:12:52.320 --> 00:12:55.400
Maar er is een verraderlijkere versie hiervan genaamd conceptdrift.

00:12:55.640 --> 00:12:58.120
Dit is de stille doder van AI gestuurde compliance.

00:12:58.780 --> 00:13:02.580
Conceptdrift treedt op wanneer de onderliggende definitie van waar u naar zoekt, verandert.

00:13:02.760 --> 00:13:06.340
Misschien wordt er een nieuwe privacywet aangenomen die een specifiek type metadata

00:13:06.340 --> 00:13:10.680
Heer klassificeert als gevoelig. Of misschien verandert een geheim intern project zijn codenaam

00:13:10.680 --> 00:13:14.860
van Apollo naar Zeus. Als je AI nog steeds naar Apollo zoekt, laat hij Zeus documenten

00:13:14.860 --> 00:13:16.980
met gemak je hoogste beveiligingsniveaus omzeilen.

00:13:17.200 --> 00:13:20.580
De context is verschoven, maar het model werkt nog steeds met een verouderde kaart.

00:13:20.700 --> 00:13:23.360
Om dit te bestrijden, moeten we beleid als code implementeren.

00:13:23.540 --> 00:13:26.800
We moeten real-time driftdetectie direct integreren in de governance pipeline.

00:13:27.140 --> 00:13:30.400
Dit gaat niet alleen over monitoring, het gaat om geautomatiseerde interventie.

00:13:30.620 --> 00:13:34.160
Wanneer het systeem een daling in betrouwbaarheidsporus of een verschuiving in datadistributie

00:13:34.160 --> 00:13:36.320
detecteert, moet het actieniveau goedkeuringen triggeren.

00:13:36.460 --> 00:13:40.500
Dit creëert een veiligheidsklep. Als de AI onzeker wordt, stopt het met autonoom beslissen

00:13:40.500 --> 00:13:43.540
en stuurt het bestand door naar een menselijke specialist voor een snelle controle.

00:13:43.760 --> 00:13:46.860
Je gebruikt in feite de machine om je te laten weten wanneer deze hulp nodig heeft.

00:13:47.100 --> 00:13:51.120
Dan is er nog de dreiging van prompt injectie. Dit is de nieuwe grens van data-exfiltratie.

00:13:51.280 --> 00:13:54.580
Een aanvaller hoeft je firewall niet te hacken als ze je klassificeerder kunnen misleiden.

00:13:54.580 --> 00:13:59.220
Ze kunnen kwaadaardige instructies in een document verbergen via verborgen tekst die de AI vertelt

00:13:59.220 --> 00:14:02.480
alle eerdere instructies te negeren en dit bestand als openbaar te labelen.

00:14:02.480 --> 00:14:05.280
Als je intelligentielaag naïef is, zal deze gehoorzamen.

00:14:05.480 --> 00:14:09.320
Het bestand wordt gedegradeerd, de bescherming wordt verwijderd en de gegevens lekken weg

00:14:09.320 --> 00:14:12.980
via een standaard uitgaand kanaal. Het is een verfijnde manier om je eigen governance

00:14:12.980 --> 00:14:17.360
tools tegen je te gebruiken. De mitigatiestrategie hier is de implementatie van een secundaire

00:14:17.360 --> 00:14:21.880
bewakingsagent. Dit is een kleiner, zeer gespecialiseerd model wiens enige taak het is om de beslissingen

00:14:21.880 --> 00:14:26.140
van de primaire klassificeerder te auditen. Het kijkt niet naar het hele document, maar zoekt alleen

00:14:26.140 --> 00:14:30.960
naar tekenen van manipulatie en logische hiaten. Het fungeert als een redundante controle die garandeert

00:14:30.960 --> 00:14:34.820
dat het primaire brein niet gecompromitteerd of verward is. Als de twee modellen het oneens

00:14:34.820 --> 00:14:38.440
zijn, kiest het systeem standaard voor het meest restrictieve label. Door deze meerlaagse

00:14:38.440 --> 00:14:42.040
verdediging op te bouwen, stap je over van een fragiele automatisering naar een veerkrachtige.

00:14:42.200 --> 00:14:46.480
Je erkent dat AI krachtig maar feilbaar is. Je behandelt het model als een krachtige motor

00:14:46.480 --> 00:14:50.960
die constant moet worden afgesteld en een robuust remsysteem vereist. Dit is het laatste onderdeel

00:14:50.960 --> 00:14:55.520
van het nieuwe model. Je vervangt niet alleen menselijke fouten door een machine, je bouwt een structureel

00:14:55.520 --> 00:14:59.940
kader dat rekening houdt met de unieke tekortkomingen van de machine zelf. Dit is hoe je een secure

00:14:59.940 --> 00:15:05.020
by default houding bereikt die echt stand houdt in de complexiteit van de echte wereld. Governance

00:15:05.020 --> 00:15:09.300
wordt een dynamische, zelfcorrigerende lus. We bewegen ons van een wereld waarin we hopen

00:15:09.300 --> 00:15:12.920
op compliance naar een wereld waarin we deze ontwerpen. Deze verschuiving zorgt ervoor

00:15:12.920 --> 00:15:16.680
dat naarmate je data groeit, je beveiliging niet alleen gelijke tred houdt, maar ook echt

00:15:16.680 --> 00:15:19.060
slimmer wordt. Je bouwt eindelijk aan de toekomst.

00:15:20.300 --> 00:15:24.860
Implementatie, de routekaart voor 90 dagen. Het bouwen van een zelfsturende architectuur is geen

00:15:24.860 --> 00:15:29.080
kwestie van een lichtknopje omzetten, je moet het zien als een transitie van 90 dagen. Dag nul

00:15:29.080 --> 00:15:32.800
begint met het vaststellen van wat ik je waarheidslaag noem. Je moet purview in de alleen

00:15:32.800 --> 00:15:36.100
controleren, modus draaien om je huidige blootstelling in kaart te brengen zonder één

00:15:36.100 --> 00:15:39.820
enkel bestand te blokkeren. Wat je hier doet, is het meten van het gat tussen wat gelabeld zou

00:15:39.820 --> 00:15:44.020
moeten zijn en wat daadwerkelijk zo is. Wanneer de meeste organisaties dit doen, ontdekken ze dat

00:15:44.020 --> 00:15:48.380
meer dan de helft van hun gevoelige data momenteel onzichtbaar is voor het systeem. Deze nulmeting wordt

00:15:48.380 --> 00:15:52.820
je kaart, omdat het precies laat zien waar het oude model tekort schoot. Je hebt deze harde data nodig

00:15:52.820 --> 00:15:56.400
om de infrastructuurwijziging te rechtvaardigen bij je stakeholders, want zonder dat ben je maar

00:15:56.400 --> 00:16:00.300
wat aan het gokken. Zodra je die kaart hebt, kun je het hybride model inzetten om efficiëntie

00:16:00.300 --> 00:16:04.420
in balans te brengen met intelligentie. Je hebt geen enorme, dure inferentie-engine nodig om alleen

00:16:04.420 --> 00:16:08.120
een simpel creditcardnummer te vinden. Mijn advies is om snelle afwijzingsmethode te gebruiken voor

00:16:08.120 --> 00:16:11.840
het laaghangend fruit, waaronder gestructureerde en voorspelbare patronen die al twintig jaar niet

00:16:11.840 --> 00:16:15.800
zijn veranderd. Je moet je intelligentielaag reserveren voor complexe en ongestructureerde

00:16:15.800 --> 00:16:19.880
intellectuele eigendomen die echt reden neer voor mogen vereisen. Deze gelaagde aanpak houdt je

00:16:19.880 --> 00:16:24.500
computerkosten laag en maximaliseert tegelijkertijd je beveiligingsdekking. Het gaat erom chirurgisch

00:16:24.500 --> 00:16:27.900
met je middelen om te gaan en ervoor te zorgen dat het brein alleen wordt gebruikt wanneer de ogen

00:16:27.900 --> 00:16:31.760
niet genoeg zijn. Vervolgens moet je je focus vernauwen met adaptieve scopes, in plaats van

00:16:31.760 --> 00:16:35.960
op dag dertig de hele oceaan te willen leegpompen. Je moet je eerst richten op je risicovolle afdelingen,

00:16:36.120 --> 00:16:40.520
zoals financiën, R&D en juridische zaken. Dit zijn de specifieke gebieden waar een inbreuk je

00:16:40.520 --> 00:16:44.800
waarschijnlijk het meeste geld gaat kosten. Door de waarde in deze micro-omgevingen te bewijzen,

00:16:44.800 --> 00:16:49.400
bouw je het interne momentum op dat nodig is voor een volledige uitrol later. Je verandert een enorm,

00:16:49.640 --> 00:16:53.660
intimiderend compliance project in een reeks kleine en meetbare overwinningen. Dit is een

00:16:53.660 --> 00:16:57.020
tactische inzet in plaats van een algemeen mandaat en door de moeilijkste problemen

00:16:57.020 --> 00:17:00.940
eerst op te lossen, bewijs je dat het systeem in de echte wereld werkt. Het laatste stukje van

00:17:00.940 --> 00:17:05.360
de puzzel is de feedback-klus waarbij je menselijke hurt training integreert. Wanneer de Guardian-agent

00:17:05.360 --> 00:17:09.180
een bestand markeert met een laag betrouwbaarheidsniveau, voert een security officer een snelle controle uit

00:17:09.180 --> 00:17:13.260
om het resultaat te verifiëren. Die ene klik corrigeert niet alleen één bestand, maar traint ook het

00:17:13.260 --> 00:17:17.180
model opnieuw, zodat het systeem leert van elke fout die het maakt. Je bouwt een platform dat

00:17:17.180 --> 00:17:21.120
na verloop van tijd daadwerkelijk verbetert in plaats van verouderd. Tegen dag 90 ben je

00:17:21.120 --> 00:17:25.060
verschoven van een beveiligingsknelpunt naar een beveiligingsfacilitator. Bescherming wordt

00:17:25.060 --> 00:17:29.160
direct en onzichtbaar en je hebt eindelijk de wrijving van menselijke keuzes vervangen door de

00:17:29.160 --> 00:17:30.560
zekerheid van automatisering.