WEBVTT 00:00:00.000 --> 00:00:06.360 Założenie, że pracownicy będą dobrowolnie tagować każdy tworzony przez siebie element danych jest największym punktem awarii w modelu bezpieczeństwa. 00:00:06.520 --> 00:00:13.820 Poświęciliśmy lata na tworzenie złożonych ram zarządzania, które opierają się na jednym elemencie świadomym i właściwym podejmowaniu przez człowieka decyzji za każdym razem, gdy kliknie przycisk zapisz. 00:00:14.140 --> 00:00:24.140 Rzeczywistość jest jednak brutalna. Ręczne tagowanie ma wskaźnik adopcji na poziomie 30% w przeciętnym przedsiębiorstwie, co oznacza, że 70% własności intelektualnej jest praktycznie niewidoczne dla narzędzi bezpieczeństwa. 00:00:24.140 --> 00:00:31.300 Stworzyliśmy system, który wymaga od pracowników, aby byli bibliotekarzami, podczas gdy sami próbują być inżynierami lub sprzedawcami. To zawodzi, ponieważ powoduje tarcia. 00:00:31.500 --> 00:00:40.380 Obecnie przechodzimy od takowania sterowanego przez użytkowników do autonomicznego zarządzania. Przechodzimy na model, w którym klasyfikacja odbywa się z prędkością strumienia danych, a nie z prędkością użytkownika. 00:00:40.720 --> 00:00:50.340 Strukturalna wada ręcznego zarządzania. Obecna strategia etykietowania jest w rzeczywistości podatkiem od produktywności i, jak w przypadku większości podatków, ludzie znajdują kreatywne sposoby, aby go uniknąć. 00:00:50.340 --> 00:01:00.220 Przez dekadę polegaliśmy na starym modelu bezpieczeństwa danych, w którym ochrona jest zdarzeniem ubocznym. Użytkownik tworzy dokument, przegląda listę od 5 do 10 etykiet poufności i mamy nadzieję, że wybierze właściwą. 00:01:00.380 --> 00:01:06.840 Ale nadzieja nie jest kontrolą techniczną. Eksplozja danych w Teams, SharePoint i Slack oficjalnie przekroczyła ludzkie poznanie. 00:01:07.060 --> 00:01:14.120 Nie można po prostu poprosić kogoś o ręczną klasyfikację petabajta nieustrukturyzowanego szumu i oczekiwać dokładności, ponieważ jest to matematycznie niemożliwe. 00:01:14.120 --> 00:01:18.200 Kiedy zastanawiasz się, dlaczego to się nie udaje, musisz przyjrzeć się narzędziom, których używaliśmy, aby pomóc użytkownikowi. 00:01:18.340 --> 00:01:21.300 Tradycyjnie polegaliśmy na wzorcach wyrażeń regularnych opartych na słowach kluczowych. 00:01:21.480 --> 00:01:26.880 Teraz wyrażenia regularne są niesamowicie szybkie i są około 28 tysięcy razy szybsze niż duży model językowy w skanowaniu tekstu. 00:01:27.020 --> 00:01:29.460 Jednak wyrażenia regularne są niezależne od kontekstu. 00:01:29.620 --> 00:01:33.060 Potrafią znaleźć ciąg liczb, który wygląda jak numer ubezpieczenia społecznego, 00:01:33.220 --> 00:01:38.120 ale nie potrafią odróżnić poufnego identyfikatora klienta od losowego kodu projektu w publicznej instrukcji technicznej. 00:01:38.900 --> 00:01:41.320 Dostrzegają wzorzec, ale nie rozumieją intencji. 00:01:41.480 --> 00:01:45.560 To właśnie ta luka między dopasowaniem wzorca a rzeczywistym zrozumieniem stanowi zagrożenie. 00:01:45.820 --> 00:01:50.800 Według IBM średni koszt naruszenia bezpieczeństwa danych wzrósł do 4,88 miliona dolarów. 00:01:50.960 --> 00:01:54.420 Koszt ten zazwyczaj nie wynika z awarii szyfrowania ani naruszenia zapory sieciowej. 00:01:54.660 --> 00:01:58.060 Znajduje się on pomiędzy tym, co wrażliwe, a tym, co faktycznie zostało oznaczone. 00:01:58.240 --> 00:02:01.880 Jeśli plik nie jest oznaczony, zasady zapobiegania utracie danych go nie dostrzegają. 00:02:02.140 --> 00:02:04.500 Reguły dostępu warunkowego nie mają do niego zastosowania. 00:02:04.500 --> 00:02:09.960 A teraz, wraz z rozwojem genetycznej sztucznej inteligencji, Twoi piloci chętnie to podsumowują każdemu, kto o to poprosi. 00:02:10.100 --> 00:02:16.660 Stary model zakłada, że użytkownik jest najlepszym sędzią wartości, ale w świecie danych o dużej prędkości to właśnie użytkownik jest wąskim gardłem. 00:02:16.880 --> 00:02:22.100 Dotarliśmy do punktu, w którym ogromna ilość nieustrukturyzowanych danych stała się obciążeniem, ponieważ nie są one zarządzane. 00:02:22.340 --> 00:02:30.680 Możesz mieć najbardziej zaawansowaną konfigurację Microsoft Perview na świecie, ale jeśli wprowadzane do niej dane nie są dokładnie sklasyfikowane w punkcie źródłowym, cały silnik pracuje na biegu jałowym. 00:02:30.680 --> 00:02:35.580 W zasadzie próbujemy uruchomić samochód autonomiczny, prosząc pasażera o ręczne mapowanie każdego zakrętu. 00:02:35.740 --> 00:02:40.500 To nie działa. Wadą strukturalną nie jest osoba, ale raczej wymóg, aby osoba interweniowała. 00:02:40.700 --> 00:02:43.500 Dlatego obserwujemy tak wysoki wskaźnik braków w audytach. 00:02:43.640 --> 00:02:52.000 Organizacje uważają, że przestrzegają przepisów, ponieważ mają politykę na papierze, ale po uruchomieniu skanowania w celu odkrycia okazuje się, że w folderach publicznych znajdują się tysiące poufnych dokumentów. 00:02:52.220 --> 00:02:54.620 Dzieje się tak, ponieważ tarcie wyboru jest zbyt duże. 00:02:54.840 --> 00:02:59.380 Jeśli użytkownik ma wybór między szybkością a bezpieczeństwem, prawie zawsze wybierze szybkość. 00:02:59.380 --> 00:03:02.760 Aby to naprawić, musimy całkowicie pozbawić go możliwości wyboru. 00:03:02.920 --> 00:03:07.660 Musimy przenieść mózg operacji z rozproszonego użytkownika końcowego do samej infrastruktury. 00:03:07.820 --> 00:03:15.380 Potrzebujemy systemu, który rozumie dokument lepiej niż osoba, która go napisała i tylko wtedy będziemy mogli zniwelować lukę prowadzącą do wielomilionowych naruszeń. 00:03:15.600 --> 00:03:17.200 Budowa warstwy inteligencji. 00:03:17.420 --> 00:03:24.960 Aby rozwiązać kryzys związany z ręcznym tagowaniem, przenosimy mózg klasyfikacji z użytkownika końcowego do działającego w czasie rzeczywistym silnika wnioskowania LLM. 00:03:24.960 --> 00:03:28.860 To fundamentalna zmiana w naszym sposobie myślenia o architekturze Microsoft Perview. 00:03:29.060 --> 00:03:34.480 Większość ludzi postrzega sztuczną inteligencję jako wtyczkę, czyli coś, co można po prostu przykręcić do istniejącego procesu, aby go nieco przyspieszyć. 00:03:34.660 --> 00:03:37.660 Jednak w tym nowym modelu sztuczna inteligencja stanowi warstwę strukturalną. 00:03:37.900 --> 00:03:41.360 Znajduje się bezpośrednio między strumieniami danych surowych, a mapą danych Perview. 00:03:41.580 --> 00:03:44.840 Nie tylko obserwuje przepływ danych, ponieważ to ona podejmuje decyzje. 00:03:45.020 --> 00:03:49.540 Powodem, dla którego duże modele językowe wygrywają, jest to, że ostatecznie rozwiązują problem niuansów. 00:03:49.540 --> 00:03:55.560 Jak widzieliśmy, tradycyjne narzędzia doskonale radzą sobie ze skanowaniem konkretnych ciągów, ale są niekompetentne pod względem funkcjonalnym. 00:03:55.760 --> 00:03:58.160 Doktorant LLM rozumie intencje dokumentu. 00:03:58.340 --> 00:04:05.000 Potrafi przeczytać trzystronicową notatkę strategiczną i rozpoznać, że chociaż nie ma w niej numerów kart kredytowych ani cyfr numeru ubezpieczenia społecznego, 00:04:05.160 --> 00:04:07.780 cały tekst opisuje planowaną fuzję, którą należy chronić. 00:04:08.000 --> 00:04:15.960 Rozumie, że tajny przepis lub zastrzeżony proces produkcyjny stanowią własność intelektualną, nawet jeśli te konkretne słowa nigdy nie pojawiają się w tekście. 00:04:15.960 --> 00:04:21.600 Nie można jednak po prostu narzucić ogólnego, gotowego modelu na dane przedsiębiorstwa i oczekiwać, że zadziała. 00:04:21.880 --> 00:04:25.960 Modele ogólne są zbyt szerokie i, szczerze mówiąc, zbyt drogie jak na tak dużą skalę. 00:04:26.120 --> 00:04:30.020 Przełom nastąpił dzięki zastosowaniu precyzyjnego dostrajania parametrów, czyli PFT. 00:04:30.280 --> 00:04:37.320 Przyjmując mniejszy otwarty model VAC i dostrajając go do specyficznego słownictwa korporacyjnego, możemy osiągnąć wyniki F1 na poziomie 0,97. 00:04:37.320 --> 00:04:45.940 Dla porównania wynik F1 na poziomie 0,97 oznacza, że maszyna jest znacznie dokładniejsza i bardziej konsekwentna niż przeciętny rozproszony pracownik. 00:04:46.160 --> 00:04:53.220 Nie męczy się, nie pomija plików, bo do spotkania zostało 5 minut i nie ma uprzedzeń do ogólnej etykiety tylko dlatego, że jest najłatwiejsza do kliknięcia. 00:04:53.460 --> 00:04:57.940 Warstwa inteligencji identyfikuje kontekst danych, analizując relacje między pojęciami. 00:04:58.180 --> 00:05:02.440 Jeśli widzi listę nazw obok listy kodów diagnostycznych, wie, że patrzy na dane dotyczące zdrowia. 00:05:02.440 --> 00:05:07.640 Jeśli widzi wzór chemiczny, po którym następuje zestaw ograniczeń temperaturowych, wie, że patrzy na tajemnicę handlową. 00:05:07.780 --> 00:05:11.440 To poziom świadomości semantycznej, którego wymaga zarządzanie w erze 2026 roku. 00:05:12.300 --> 00:05:16.500 Odchodzimy od mentalności, szukaj i znajduj, na rzecz możliwości odczytaj i zrozum. 00:05:16.680 --> 00:05:20.900 Ta warstwa działa jak filtr, który oczyszcza szum, zanim dotrze on do pamięci głównej. 00:05:21.120 --> 00:05:26.660 Gdy plik jest tworzony w czacie Teams lub przesyłany do biblioteki SharePoint, warstwa inteligencji przechwytuje metadane. 00:05:26.860 --> 00:05:29.440 Przeprowadza szybką inferencję w celu określenia DNA zawartości. 00:05:29.440 --> 00:05:33.200 Następnie mapuje to DNA na istniejące etykiety wrażliwości perwiu. 00:05:33.400 --> 00:05:36.580 Dzieje się to bez wyświetlania przez użytkownika wyskakującego okienka lub menu rozwijanego. 00:05:36.760 --> 00:05:40.300 Klasyfikacja staje się narzędziem w tle, takim jak zużycie energii elektrycznej czy chłodzenie. 00:05:40.540 --> 00:05:45.140 Centralizując tę logikę w dedykowanym silniku wnioskowania, zyskujesz również pojedynczy punkt prawdy. 00:05:45.320 --> 00:05:51.480 W starym modelu zarządzanie było zdecentralizowane wśród tysięcy użytkowników, z których każdy miał własną interpretację znaczenia słowa poufne. 00:05:51.640 --> 00:05:55.380 Teraz logika jest regulowana przez wagi modelu i zestaw danych dostrajających. 00:05:55.380 --> 00:06:00.560 Jeśli zmieni się polityka, nie musisz ponownie szkolić całej siły roboczej, ponieważ po prostu aktualizujesz model. 00:06:00.780 --> 00:06:02.020 W ten sposób się skaluje. 00:06:02.220 --> 00:06:07.820 Przestajesz próbować zmieniać ludzkie zachowania i zaczynasz budować systemy, które nie wymagają od ludzi określonych zachowań. 00:06:08.000 --> 00:06:13.460 Skutecznie automatyzujemy najbardziej nudną część pracy, aby pracownik mógł wrócić do pracy, do której został zatrudniony. 00:06:13.720 --> 00:06:16.040 Niedopasowanie opóźnień i sposoby ich przezwyciężenia. 00:06:16.200 --> 00:06:18.180 To właśnie tutaj architektura zazwyczaj zawodzi. 00:06:18.400 --> 00:06:22.700 Mamy fundamentalną lukę w szybkości, którą większość architektów ignoruje, dopóki system nie zostanie uruchomiony. 00:06:22.700 --> 00:06:26.740 Trzeba zrozumieć, że perwiu myśli w godzinach, podczas gdy sztuczna inteligencja myśli w milisekundach. 00:06:26.860 --> 00:06:30.200 To nie tylko drobne opóźnienie, ale ogromna rozbieżność strukturalna. 00:06:30.400 --> 00:06:38.360 Mówiąc o klasyfikacji w czasie rzeczywistym, dążymy do zapewnienia użytkownikowi doświadczenia, w którym kontrole bezpieczeństwa są niewidoczne, ponieważ działają szybciej niż ludzkie oko jest w stanie je śledzić. 00:06:38.540 --> 00:06:43.500 Jednak podstawowa infrastruktura interfejsu API Microsoft Graph nie została stworzona z myślą o takiej szybkości. 00:06:43.820 --> 00:06:47.960 Rzeczywistość interfejsu API Graph do etykietowania jest taka, że jest on z natury asynchroniczny. 00:06:47.960 --> 00:06:53.440 Wysyłając żądanie o nałożenie etykiety poufności nie otrzymujesz natychmiastowego potwierdzenia, że plik jest chroniony. 00:06:53.680 --> 00:06:57.520 W zasadzie wrzucasz list do skrzynki pocztowej z nadzieją, że wkrótce zostanie dostarczony. 00:06:57.740 --> 00:07:02.820 W rzeczywistych środowiskach korporacyjnych ta propagacja może trwać od kilku minut do pełnych 24 godzin. 00:07:03.020 --> 00:07:05.140 Tworzy to to, co nazywam oknem podatności. 00:07:05.440 --> 00:07:09.660 Jest to okres, w którym wrażliwe dane istnieją w środowisku, ale są praktycznie niewidoczne. 00:07:09.880 --> 00:07:12.780 Nie mają żadnej etykiety, szyfrowania ani ograniczeń dostępu. 00:07:12.780 --> 00:07:16.640 To okno jest szczególnie niebezpieczne w dobie M365 Copilot. 00:07:16.840 --> 00:07:22.680 Jeśli inżynier prześle zastrzeżoną specyfikację projektu, a Copilot zaindeksuje ten plik przed propagacją etykiety Perview, 00:07:22.760 --> 00:07:25.660 te wrażliwe informacje staną się częścią mózgu organizacji. 00:07:25.900 --> 00:07:30.500 Inny użytkownik z innego działu mógłby potencjalnie zapytać Copilot i otrzymać podsumowanie tego projektu, 00:07:30.540 --> 00:07:34.180 ponieważ warstwa zarządzania wciąż myślała, podczas gdy sztuczna inteligencja już działała. 00:07:34.320 --> 00:07:38.080 Nie da się rozwiązać problemu trwającego milisekundę za pomocą narzędzia działającego 24 godziny na dobę. 00:07:38.080 --> 00:07:43.260 Aby wypełnić tę lukę, musimy wyjść poza proste wywołania API i wdrożyć to, co nazywam podejściem agenta strażnika. 00:07:43.460 --> 00:07:45.800 Agent strażnika działa jako proxy w czasie rzeczywistym. 00:07:46.020 --> 00:07:50.680 Zamiast czekać na zakończenie procesu Perview w zapleczu, agent ten znajduje się na granicy natychmiastowej weryfikacji. 00:07:50.940 --> 00:07:52.660 Weryfikuje dane w momencie ich użycia. 00:07:52.900 --> 00:07:57.720 Wyobraź to sobie jako szybki punkt kontrolny bezpieczeństwa, który działa niezależnie od powolnego centralnego rejestru. 00:07:57.920 --> 00:08:03.020 Podczas gdy oficjalna mapa danych zakresu aktualizuje się w tle, agent strażnika już egzekwuje politykę na krawędzi. 00:08:03.020 --> 00:08:08.900 Zapewnia to natychmiastowe zastosowanie logiki klasyfikacji do strumienia danych, co skutecznie zamyka okno podatności. 00:08:09.120 --> 00:08:15.320 Aby to działało bez frustrowania użytkowników, musimy obsesyjnie dbać o konkretną metrykę zwaną czasem do pierwszego tokena TTFT. 00:08:15.600 --> 00:08:20.100 Jeśli warstwa bezpieczeństwa dodaje 3 sekundy opóźnienia do każdego otwartego dokumentu lub każdego monitu AI, 00:08:20.240 --> 00:08:22.220 Twoi pracownicy znajdą sposób na jego ominięcie. 00:08:22.380 --> 00:08:27.360 Przeniosą swoją pracę na urządzenia osobiste lub niezarządzane narzędzia shadow AI, aby tylko wykonać swoje zadania. 00:08:27.600 --> 00:08:30.420 Musimy utrzymać TTFT poniżej 500 milisekund. 00:08:30.420 --> 00:08:33.460 Wymaga to wysoce zoptymalizowanego potoku wnioskowania. 00:08:33.660 --> 00:08:37.760 Nie uruchamiamy tylko modelu, ponieważ zarządzamy fizyką inżynierską żądania. 00:08:37.980 --> 00:08:43.760 Oznacza to umieszczenie silnika wnioskowania jak najbliżej źródła danych i wykorzystanie technik takich jak dekodowanie spekulatywne, 00:08:43.880 --> 00:08:46.240 aby skrócić każdą możliwą milisekundę opóźnienia. 00:08:46.420 --> 00:08:50.540 Traktujemy bezpieczeństwo jako wymóg wydajnościowy, a nie tylko jako pole wyboru zgodności. 00:08:50.800 --> 00:08:55.020 Gdy klasyfikacja następuje w mniej niż pół sekundy, użytkownik nawet nie zdaje sobie z tego sprawy. 00:08:55.020 --> 00:08:59.360 Klika Zapisz agent strażnika weryfikuje zawartość etykieta jest wirtualnie nadawana na brzegu sieci, 00:08:59.480 --> 00:09:03.180 a synchronizacja z zapleczem następuje, gdy interfejs API grafu jest gotowy na jej odbiór. 00:09:03.380 --> 00:09:07.140 W ten sposób buduje się autonomiczną architekturę, która faktycznie wyprzedza dane. 00:09:07.380 --> 00:09:12.580 Przestaje się czekać, aż system nadrobi zaległości i zaczyna się forsować nowy model z prędkością myśli. 00:09:12.580 --> 00:09:15.340 Ekonomia autonomicznej klasyfikacji 00:09:15.340 --> 00:09:20.640 Większość organizacji zatrzymuje się na etapie zakupu, ponieważ patrzy na cenę tokenów API w chmurze 00:09:20.640 --> 00:09:25.780 i zdaje sobie sprawę, że przetwarzanie 500 milionów tokenów dziennie jest finansowo rujnujące. 00:09:25.980 --> 00:09:29.720 Jeśli płacisz za każde żądanie klasyfikacji według standardowych stawek detalicznych, 00:09:29.880 --> 00:09:33.360 Twój budżet na zarządzanie ostatecznie przekroczy rzeczywisty budżet na bezpieczeństwo. 00:09:33.360 --> 00:09:36.620 To główny powód, dla którego wiele firm trzyma się ręcznego takowania, 00:09:36.760 --> 00:09:39.780 postrzegając nieefektywność pracy ludzkiej jako koszt utracony, 00:09:39.880 --> 00:09:42.940 a rachunki za API jako nową i agresywną pozycję w budżecie. 00:09:43.100 --> 00:09:45.720 Ale to fundamentalne nieporozumienie nowego modelu. 00:09:45.860 --> 00:09:49.660 Aby autonomiczna klasyfikacja działała, musisz odejść od koszmaru opartego na zużyciu 00:09:49.660 --> 00:09:54.060 związanego z zewnętrznymi interfejsami API w chmurze i przyjąć efektywność samodzielnego hostingu. 00:09:54.280 --> 00:09:58.680 Przejście na samodzielny hosting dedykowanego silnika klasyfikacyjnego zmienia matematykę natychmiast. 00:09:58.680 --> 00:10:02.480 W 2026 roku obserwujemy pięciokrotne oszczędności dla przedsiębiorstw, 00:10:02.480 --> 00:10:05.880 które przenoszą swoje zadania wnioskowania o dużej objętości do własnej infrastruktury. 00:10:06.040 --> 00:10:10.980 Nie chodzi tu tylko o oszczędności, ale raczej o zapewnienie długoterminowej stabilności całej architektury. 00:10:11.200 --> 00:10:14.400 Jeśli próbujesz zarządzać zasobem danych, który rośnie o terabajty tygodniowo, 00:10:14.500 --> 00:10:17.420 nie możesz być przywiązany do modelu cenowego, który każe Twój rozwój. 00:10:17.620 --> 00:10:20.260 Zamiast tego potrzebujesz modelu użyteczności o stałych kosztach. 00:10:20.380 --> 00:10:22.780 Przyjrzyjmy się rzeczywistemu całkowitemu kosztowi posiadania. 00:10:22.780 --> 00:10:27.780 Pojedyncza karta graficzna NVID i AA100 lub H100 jest obecnie w stanie obsłużyć przepustowość klasyfikacji 00:10:28.360 --> 00:10:30.300 dla całego przedsiębiorstwa średniej wielkości. 00:10:30.300 --> 00:10:32.560 Mówimy o tysiącach tokenów na sekundę. 00:10:32.680 --> 00:10:36.480 Po zamortyzowaniu kosztu sprzętu lub jego ekwiwalentu w chmurze prywatnej 00:10:36.480 --> 00:10:40.220 koszt klasyfikacji spada niemal do zera po początkowej konfiguracji. 00:10:40.460 --> 00:10:43.020 Przestajesz płacić za przywilej wiedzy o zawartości swoich plików 00:10:43.020 --> 00:10:46.560 i zaczynasz traktować zarządzanie jak standardową część swojego stosu obliczeniowego. 00:10:46.800 --> 00:10:49.640 Nie różni się to niczym od hostingu bazy danych czy serwera www. 00:10:49.640 --> 00:10:52.980 Należy jednak uważać na ukryty podatek związany z dostrajaniem. 00:10:53.120 --> 00:10:55.200 Podczas gdy surowe zasoby obliczeniowe stają się tańsze, 00:10:55.300 --> 00:10:58.060 zadłużenie operacyjne może zawyżać rachunki, jeśli nie będziesz ostrożny. 00:10:58.060 --> 00:11:01.320 Przechowywanie wersji modeli, ciągłe cykle ewaluacji w celu zapewnienia dokładności 00:11:01.320 --> 00:11:04.320 oraz opłaty za wyjście sieciowe związane ze źle zaprojektowaną siecią VPC 00:11:04.320 --> 00:11:06.240 mogą pochłonąć Twój zwrot z inwestycji ROI. 00:11:06.440 --> 00:11:09.780 Dlatego opowiadamy się za rozwiązaniami bezserwerowymi lub zabezpieczonymi siecią VPC, 00:11:09.980 --> 00:11:12.660 które pozwalają na redukcję obciążenia, gdy strumień danych jest cichy. 00:11:12.800 --> 00:11:16.840 Nie chcesz płacić za wydajny układ scalony o 3 nad ranem, gdy nikt nie zapisuje dokumentów. 00:11:17.020 --> 00:11:20.080 Zmiana gospodarcza sprawia, że klasyfikacja przestaje być koszmarem OPEX 00:11:20.080 --> 00:11:22.080 i staje się przewidywalnym kosztem infrastruktury. 00:11:22.080 --> 00:11:24.360 W efekcie przekształcamy zarządzanie w narzędzie. 00:11:24.600 --> 00:11:26.920 Zastanów się, jak płacisz za chłodzenie w centrum danych. 00:11:27.120 --> 00:11:31.140 Nie płacisz za każdy stopień zmiany temperatury, ale budujesz system, który utrzymuje punkt odniesienia. 00:11:31.360 --> 00:11:33.960 Autonomiczna klasyfikacja powinna być tym punktem odniesienia. 00:11:34.200 --> 00:11:37.760 Eliminując zmienny koszt zatrudnienia bibliotekarza i opłatę za token w chmurze, 00:11:37.880 --> 00:11:40.740 tworzysz system, który może skalować się wraz z Twoimi danymi. 00:11:40.900 --> 00:11:43.720 Ta przewidywalność pozwala Ci zwiększyć bezpieczeństwo. 00:11:43.960 --> 00:11:47.680 Gdy klasyfikacja jest bezpłatna, możesz pozwolić sobie na większą szczegółowość. 00:11:47.680 --> 00:11:53.200 Możesz skanować każdy szkic, każdy czat i każdy plik tymczasowy, nie martwiąc się o rachunek na koniec miesiąca. 00:11:53.340 --> 00:11:54.560 To tworzy błędne koło. 00:11:54.800 --> 00:11:58.660 Lepsze dane prowadzą do lepszych modeli, co z kolei przekłada się na większą dokładność 00:11:58.660 --> 00:12:01.680 i dodatkowo zmniejsza potrzebę kosztownej naprawy przez człowieka. 00:12:01.920 --> 00:12:05.880 W zasadzie inwestujesz w system, który z czasem staje się tańszy i bardziej efektywny. 00:12:06.140 --> 00:12:10.340 W przeciwieństwie do tego, stary, ręczny model staje się droższy wraz z rozwojem firmy. 00:12:10.600 --> 00:12:14.420 Wybierając samodzielnie hostowaną warstwę inteligencji, nie kupujesz po prostu narzędzia, 00:12:14.420 --> 00:12:19.740 ale decydujesz się na inną rzeczywistość ekonomiczną, w której ochrona jest standardową cechą Twojej infrastruktury. 00:12:19.920 --> 00:12:22.420 Łagodzenie nowych zagrożeń związanych z zarządzaniem sztuczną inteligencją. 00:12:23.140 --> 00:12:27.480 Usunięcie czynnika ludzkiego z pętli rozwiązuje problem skali, ale wprowadza nową kategorię ryzyka systemowego. 00:12:27.700 --> 00:12:30.480 Autonomiczne zarządzanie nie jest rozwiązaniem typu ustaw i zapomnij. 00:12:30.660 --> 00:12:32.160 Wymaga innego rodzaju czujności. 00:12:32.400 --> 00:12:34.960 Pierwszym zagrożeniem, z którym się zetkniesz, jest drift modelu. 00:12:35.140 --> 00:12:39.360 Klasyfikator, który osiągnie wynik bliski ideału w styczniu, może łatwo stać się obciążeniem w czerwcu. 00:12:39.360 --> 00:12:42.140 Dzieje się tak, ponieważ same dane są żywym organizmem. 00:12:42.340 --> 00:12:47.120 Sposób pisania Twoich pracowników, używana przez nich terminologia i typy tworzonych przez nich plików, stale ewoluują. 00:12:47.360 --> 00:12:51.860 Jeśli Twój model nie ewoluuje wraz z nimi, jego dokładność będzie powoli spadać, aż wrócisz do punktu wyjścia. 00:12:52.080 --> 00:12:55.560 Istnieje jednak bardziej podstępna wersja tego zjawiska, zwana driftem koncepcji. 00:12:55.720 --> 00:12:58.500 To cichy zabójca zgodności opartej na sztucznej inteligencji. 00:12:58.740 --> 00:13:02.620 Drift koncepcji występuje, gdy zmienia się podstawowa definicja tego, czego szukasz. 00:13:02.820 --> 00:13:07.820 Być może uchwalono nowe przepisy dotyczące prywatności, które reklasyfikują określony typ metadanych jako poufne. 00:13:07.820 --> 00:13:11.600 Albo może tajny wewnętrzny projekt zmienia swoją nazwę kodową z Apollo na Zeus. 00:13:11.800 --> 00:13:17.320 Jeśli Twoja sztuczna inteligencja nadal szuka Apollo, z radością pozwoli dokumentom Zeusa ominąć najwyższe poziomy zabezpieczeń. 00:13:17.440 --> 00:13:20.480 Kontekst się zmienił, ale model nadal działa na przestarzałej mapie. 00:13:20.700 --> 00:13:23.200 Aby temu zaradzić, musimy wdrożyć politykę jako kod. 00:13:23.380 --> 00:13:27.100 Musimy zintegrować wykrywanie dryfu w czasie rzeczywistym bezpośrednio z procesem zarządzania. 00:13:27.300 --> 00:13:29.820 Nie chodzi tu tylko o monitorowanie, ale o automatyczną interwencję. 00:13:30.620 --> 00:13:36.160 Gdy system wykryje spadek wskaźników ufności lub zmianę w dystrybucji danych, powinien uruchomić zatwierdzenia na poziomie działania. 00:13:36.160 --> 00:13:37.800 To tworzy zawór bezpieczeństwa. 00:13:38.000 --> 00:13:43.620 Jeśli sztuczna inteligencja straci pewność, przestaje podejmować autonomiczne decyzje i kieruje plik do specjalisty w celu szybkiego sprawdzenia. 00:13:43.860 --> 00:13:46.700 Zasadniczo używasz maszyny, aby poinformować Cię, kiedy potrzebuje pomocy. 00:13:46.920 --> 00:13:49.080 Do tego dochodzi zagrożenie natychmiastowego wstrzyknięcia. 00:13:49.240 --> 00:13:51.000 To nowa granica eksfiltracji danych. 00:13:51.220 --> 00:13:54.620 Atakujący nie musi hakować zapory sieciowej, jeśli może oszukać Twój klasyfikator. 00:13:54.820 --> 00:13:57.800 Może osadzić złośliwe instrukcje w dokumencie za pomocą ukrytego tekstu, 00:13:57.900 --> 00:14:02.400 który nakazuje sztucznej inteligencji zignorować wszystkie poprzednie instrukcje i oznaczyć ten plik jako publiczny. 00:14:02.400 --> 00:14:05.360 Jeśli Twoja warstwa inteligencji jest naiwna, posłucha. 00:14:05.540 --> 00:14:10.800 Plik zostaje zdegradowany, ochrona zakresu zostaje usunięta, a dane wyciekają standardowym kanałem wychodzącym. 00:14:10.920 --> 00:14:14.420 To wyrafinowany sposób na obrócenie przeciwko sobie własnych narzędzi zarządzania. 00:14:14.680 --> 00:14:18.200 Strategią łagodzenia tego problemu jest wdrożenie dodatkowego agenta strażnika. 00:14:18.460 --> 00:14:23.580 Jest to mniejszy, wysoce wyspecjalizowany model, którego jedynym zadaniem jest audyt decyzji głównego klasyfikatora. 00:14:23.740 --> 00:14:28.620 Nie analizuje on całego dokumentu, ale zamiast tego szuka jedynie oznak manipulacji i luk logicznych. 00:14:28.620 --> 00:14:33.340 Działa jako redundentna kontrola zapewniająca, że główny mózg nie został naruszony ani pomylony. 00:14:33.540 --> 00:14:37.560 Jeśli oba modele się nie zgadzają, system domyślnie wybiera najbardziej restrykcyjną etykietę. 00:14:37.760 --> 00:14:41.540 Budując tę wielowarstwową obronę przechodzisz od kruchej automatyzacji do odpornej. 00:14:41.720 --> 00:14:44.680 Uznajesz, że sztuczna inteligencja jest potężna, ale omylna. 00:14:44.840 --> 00:14:49.820 Traktujesz model jak silnik o wysokiej wydajności, który wymaga ciągłego dostrajania i solidnego układu hamulcowego. 00:14:50.040 --> 00:14:51.840 To ostatni element nowego modelu. 00:14:51.840 --> 00:14:58.520 Nie zastępujesz po prostu błędu ludzkiego maszyną, ale budujesz strukturalne ramy, które uwzględniają unikalne awarie samej maszyny. 00:14:58.720 --> 00:15:04.180 W ten sposób osiąga się postawę bezpieczeństwa domyślnego, która faktycznie przetrwa złożoność realnego świata. 00:15:04.460 --> 00:15:07.360 Zarządzanie staje się dynamiczną, samokorygującą się pętlą. 00:15:07.560 --> 00:15:11.660 Przechodzimy od świata, w którym liczymy na zgodność do świata, w którym sami ją projektujemy. 00:15:11.860 --> 00:15:17.200 Ta zmiana gwarantuje, że wraz ze wzrostem danych zabezpieczenia nie tylko nadążają, ale wręcz stają się mądrzejsze. 00:15:17.360 --> 00:15:18.820 W końcu budujesz przyszłość. 00:15:18.820 --> 00:15:22.480 Implementacja. 90-dniowy plan działania. 00:15:22.700 --> 00:15:28.300 Budowanie autonomicznej architektury nie jest jak włączenie światła i należy traktować ją jako 90-dniową transformację. 00:15:28.540 --> 00:15:31.640 Dzień zerowy zaczyna się od ustalenia tego, co nazywam warstwą prawdy. 00:15:31.860 --> 00:15:37.060 Należy uruchomić program Perview w trybie tylko audytu, aby określić punkt odniesienia dla bieżącego narażenia bez blokowania ani jednego pliku. 00:15:37.240 --> 00:15:41.540 To, co tutaj robisz, to pomiar różnicy między tym, co powinno być oznaczone, a tym, co faktycznie jest. 00:15:41.540 --> 00:15:47.220 Kiedy większość organizacji to robi, odkrywa, że ponad połowa ich wrażliwych danych jest obecnie niewidoczna dla systemu. 00:15:47.220 --> 00:15:51.400 Ten punkt odniesienia staje się mapą, ponieważ pokazuje dokładnie, gdzie stary model zawiódł. 00:15:51.540 --> 00:15:57.080 Potrzebujesz tych twardych danych, aby uzasadnić zmianę infrastruktury przed interesariuszami, ponieważ bez nich jesteś jedynie zgadywaczem. 00:15:57.220 --> 00:16:01.600 Po uzyskaniu tej mapy możesz wdrożyć model hybrydowy, aby zrównoważyć wydajność z inteligencją. 00:16:01.820 --> 00:16:05.840 Nie potrzebujesz ogromnego, drogiego silnika wnioskowania, aby znaleźć prosty numer karty kredytowej. 00:16:05.840 --> 00:16:12.280 Moja rada to używanie szybkich odrzutów do najłatwiejszych zadań, które obejmują ustrukturyzowane i przewidywalne wzorce, które nie zmieniły się od 20 lat. 00:16:12.420 --> 00:16:18.280 Powinieneś zarezerwować warstwę inteligencji dla złożonej i nieustrukturyzowanej własności intelektualnej, która wymaga rzeczywistego rozumowania. 00:16:18.460 --> 00:16:22.840 To wielopoziomowe podejście utrzymuje niskie koszty obliczeniowe, jednocześnie maksymalizując poziom bezpieczeństwa. 00:16:23.640 --> 00:16:28.500 Chodzi o chirurgiczne gospodarowanie zasobami i zapewnienie, że mózg jest używany tylko wtedy, gdy oczy nie wystarczają. 00:16:28.500 --> 00:16:33.680 Następnie musisz zawęzić zakres używając zakresów adaptacyjnych, zamiast próbować gotować ocean 30 dnia. 00:16:33.880 --> 00:16:38.220 Powinieneś najpierw skupić się na działach wysokiego ryzyka, takich jak finanse, badania i rozwój oraz dział prawny. 00:16:38.320 --> 00:16:42.420 To są konkretne obszary, w których naruszenie najprawdopodobniej będzie Cię kosztować najwięcej pieniędzy. 00:16:42.660 --> 00:16:48.260 Udowadniając wartość tych mikrośrodowisk, budujesz wewnętrzny pęd potrzebny do późniejszego wdrożenia na pełną skalę. 00:16:48.460 --> 00:16:53.000 Zamieniasz ogromny, przerażający projekt zgodności w zbiór małych i mierzalnych sukcesów. 00:16:53.000 --> 00:16:59.640 Jest to wdrożenie taktyczne, a nie ogólny nakaz, a rozwiązanie najtrudniejszych problemów w pierwszej kolejności dowodzi, że system działa w świecie rzeczywistym. 00:16:59.800 --> 00:17:04.640 Ostatnim elementem układanki jest pętla sprzężenia zwrotnego, w której integrujesz ponowne szkolenie z udziałem człowieka. 00:17:04.820 --> 00:17:10.080 Gdy agent Guardian oznaczy plik o niskim poziomie ufności, pracownik ochrony przeprowadza szybką kontrolę w celu weryfikacji wyniku. 00:17:10.260 --> 00:17:16.220 To pojedyncze kliknięcie nie tylko naprawia jeden plik, ale faktycznie ponownie szkoli model, dzięki czemu system uczy się na każdym popełnionym błędzie. 00:17:16.480 --> 00:17:19.560 Budujesz platformę, która faktycznie ulepsza się z czasem, a nie zanika. 00:17:19.560 --> 00:17:24.480 Do 90 dnia przestajesz być wąskim gardłem bezpieczeństwa, a stajesz się jego czynnikiem wspomagającym. 00:17:24.600 --> 00:17:30.600 Ochrona staje się natychmiastowa i niewidoczna, a tarcie wynikające z ludzkiego wyboru w końcu zastępujesz pewnością automatyzacji.