admin

Как и многие предприятия за последний год, Intuit MailChimp экспериментировал с атмосфера кодированияПолем

Intuit MailChimp предоставляет возможности маркетинга и автоматизации по электронной почте. Это часть более крупной интуитивной организации, которая в течение последних нескольких лет находилась в постоянном путешествии с Gen AI, развертывая свои собственные Генос и Агент ИИ Возможности в своих бизнес -подразделениях.

В то время как у компании есть свои возможности ИИ, MailChimp обнаружил необходимость в использовании инструментов кодирования Vibe. Все началось, как и многие вещи, пытаясь поразить очень жесткую графику.

MailChimp должен был немедленно продемонстрировать сложный рабочий процесс клиента для заинтересованных сторон. Традиционные инструменты дизайна, такие как Figma, не могли доставить рабочий прототип, который им был необходим. Некоторые инженеры MailChimp уже тихо экспериментировали с инструментами кодирования ИИ. Когда давление срока нарастает, они решили проверить эти инструменты на реальном бизнес -задаче.

«На самом деле у нас была очень интересная ситуация, когда нам нужно было создать прототип некоторых вещей для наших заинтересованных сторон, почти на немедленной основе, это был довольно сложный рабочий процесс, который нам нужен для прототипа», — сказал VentureBeat Шиванг Шах Шиванг Шах.

Инженеры MailChimp использовали инструменты кодирования Vibe и были удивлены результатами.

«Что -то подобное, вероятно, потребуется дни», — сказал Шах. «Мы смогли сделать это через пару часов, что было очень, очень интересно.

Этот прототип сессии вызвал более широкое принятие MailChimp инструментов кодирования ИИ. Теперь, используя эти инструменты, компания достигла скорости развития до 40% быстрее, в то время как изучение критических уроков о управлении, выборе инструментов и человеческом опыте, которые могут немедленно применить другие предприятия.

Эволюция от Q & A, чтобы «сделать это для меня»

Путешествие MailChimp отражает более широкий сдвиг в том, как разработчики взаимодействуют с ИИ. Первоначально инженеры использовали разговорные инструменты искусственного интеллекта для базовых руководств и предложений по алгоритму.

«Я думаю, что даже до того, как кодирование Vibe стало вещью, многие инженеры уже использовали существующие, разговорные инструменты искусственного интеллекта, чтобы сделать какую -то форму — эй, это правильный алгоритм того, что я пытаюсь решить?» Шах отметил.

Парадигма принципиально изменилась с современными инструментами кодирования AI. Вместо простых вопросов и ответов использование инструментов стало больше о том, чтобы фактически выполнять некоторые работы по кодированию.

Этот переход от консультации к делегированию представляет собой основное ценностное предложение о том, что предприятия сталкиваются с сегодняшним днем.

Стратегия с несколькими инструментами превышает подход с одним поставщиком

MailChimp намеренно принял несколько платформ кодирования ИИ вместо стандартизации на одном. Компания использует Cursor, Windsurf, Augment, Qodo и Github Copilot на основе ключевого понимания специализации.

«Мы поняли, что, в зависимости от жизненного цикла разработки вашего программного обеспечения, различные инструменты дают вам разные преимущества или различные знания, почти как инженер, работающий с вами», — сказал Шах.

Этот подход отражает то, как предприятия развертывают различные специализированные инструменты для различных этапов разработки. Компании избегают вынуждения универсального решения, которое может преуспеть в некоторых областях, одновременно снижая в других.

Стратегия появилась из практического тестирования, а не теоретического планирования. Mailchimp обнаружил, что с помощью использования, что разные инструменты преуспели в разных задачах в своем рабочем процессе разработки.

Рамки управления предотвращают хаос кодирования ИИ

Наиболее критический атмосферный урок MailChimp сосредоточена на управлении. Компания внедрила как политические, так и встроенные в процесс ограждения, которые могут адаптироваться другие предприятия.

Структура политики включает в себя ответственные обзоры ИИ для любого развертывания на основе искусственного интеллекта, которое касается данных клиентов. Управление, встроенные в процесс, гарантирует, что человеческий надзор остается центральным. ИИ может провести первоначальные обзоры кода, но одобрение человека все еще требуется до того, как какой -либо код будет развернут в производстве.

«В цикле всегда будет человек», — подчеркнул Шах. «Всегда будет человек, которому придется его усовершенствовать, нам придется установить это, убедиться, что это на самом деле решает правильную проблему».

Этот двухслойный подход рассматривает общую обеспокоенность среди предприятий. Компании хотят получить выгоду от производительности искусственного интеллекта при сохранении качества кода и стандартов безопасности.

Контекстные ограничения требуют стратегического подсказки

MailChimp обнаружил, что инструменты кодирования ИИ сталкиваются с значительным ограничением. Инструменты понимают общие модели программирования, но не имеют особых знаний о бизнес -области.

«ИИ узнал из отраслевых стандартов как можно больше, но в то же время он может не вписаться в существующие поездки пользователей, которые у нас есть в качестве продукта», — отметил Шах.

Это понимание привело к критической реализации. Успешное кодирование искусственного интеллекта требует, чтобы инженеры обеспечивали все более конкретный контекст посредством тщательно продуманных подсказок на основе их технических и бизнес -знаний.

«Вам все еще нужно понять технологии, бизнес, домен и архитектуру системы, аспекты вещей в конце дня, ИИ помогает усилить то, что вы знаете, и что вы можете сделать с ним», — объяснил Шах.

Практическое значение для предприятий: команды нуждаются в обучении как инструментам, так и о том, как эффективно передавать бизнес -контекст с системами искусственного интеллекта.

Прототип до производства остается значительным

Инструменты кодирования искусственного интеллекта преуспевают при быстром прототипировании, но MailChimp узнал, что прототипы не становятся автоматически готовыми к производству кода. Сложность интеграции, требования безопасности и соображения архитектуры системы по -прежнему требуют значительного человеческого опыта.

«Тот факт, что у нас есть прототип, мы не должны делать вывод, что это можно сделать за x количество времени», — предупредил Шах. «Прототип не приравнивается к тому, чтобы перенести прототип к производству».

Этот урок помогает предприятиям установить реалистичные ожидания относительно влияния инструментов кодирования ИИ на временные рамки разработки. Инструменты значительно помогают с прототипированием и начальной разработкой, но они не являются волшебным решением для всего жизненного цикла разработки программного обеспечения.

Стратегическое сдвиг в направлении более высокой стоимости

Наиболее трансформирующим воздействием были не только скорость. Инженеры позволили инженерам сосредоточиться на мероприятиях по более высокой стоимости. Инженеры MailChimp теперь тратят больше времени на проектирование системы, архитектуру и интеграцию рабочего процесса клиентов, а не на повторяющиеся задачи кодирования.

«Это помогает нам проводить больше времени на проектирование и архитектуру системы», — объяснил Шах. «Тогда действительно, как мы интегрируем все рабочие процессы вместе для наших клиентов и меньше по обыденным задачам».

Этот сдвиг предполагает, что предприятия должны измерить успех кодирования ИИ за пределами показателей производительности. Компании должны отслеживать стратегическую ценность работы, которую человеческие разработчики теперь могут расставить приоритеты.

Суть для предприятий

Для предприятий, стремящихся возглавить A-усиленную A-усиленную разработку, опыт MailChimp демонстрирует решающий принцип. Успех требует, чтобы рассматривать инструменты кодирования ИИ как сложных помощников, которые усиливают человеческий опыт, а не заменяют его.

Организации, которые освоит этот баланс, получат устойчивые конкурентные преимущества. Они достигнут правильного сочетания технических возможностей с человеческим надзором, скоростью с управлением и производительностью с качеством.

Для предприятий, стремящихся принять инструменты кодирования ИИ, позже в цикле, путешествие MailChimp от экспериментов с кризисом до систематического развертывания обеспечивает проверенный план. Ключевое понимание остается последовательным: ИИ дополняет человеческих разработчиков, но человеческий опыт и надзор остаются необходимыми для успеха в производстве.

Поставщик платформы данных Informatica расширяет свои возможности ИИ, поскольку потребности Gen AI продолжают увеличивать требования к предприятиям.

Informatica не новичок в мире ИИ; Фактически, компания дебютировала в своем первом инструменте Claire AI для данных в 2018 году. В современной генеративности AI ERA, Компания расширила свои технологии с улучшенными возможностями естественного языка в Claire GPT, как часть интеллектуального облака управления данными Informatica (IDMC), которое дебютировало в 2023 году. Это ценностное предложение, которое сделало компанию привлекательной целью приобретения, и Salesforce объявила в мае, что она намерена приобрести компанию за 8 миллиардов долларов.

В то время как это приобретение проходит через одобрения и регулирующие процессы, предприятия по -прежнему сталкиваются с проблемами данных, которые необходимо решить. Сегодня Informatica объявила о своем выпуске лета 2025 года, продемонстрировав, как в течение последних семи лет развилось путешествие по ИИ компании.

Обновление вводит интерфейсы естественного языка, которые могут создавать сложные трубопроводы данных из простых английских команд, управления на основе AI, которое автоматически отслеживает линию данных до моделей машинного обучения и возможностей автоматического картирования, которые сжимают недельные проекты картирования схемы в минуты.

В релизе рассматривается настойчивая задача предприятия, которую генеративный ИИ сделал более неотложным.

«То, что не изменилось, так это то, что данные продолжают фрагментироваться на предприятии, и что фрагментация все еще в быстром масштабе, они не сходится», — сказал VentureBeat, Пратик Парех, SVP и GM интеграции облака в Informatica. «Так что это означает, что вы должны объединить все эти данные».

От машинного обучения до Gen AI для предприятий

Чтобы лучше понять, что сейчас делает Informatica, очень важно понять, как это дошло до этого момента.

Первоначальная реализация Informatica Claire в 2018 году была сосредоточена на задачах практического машинного обучения (ML), которые мучили команды предприятия. На платформе использовались накопленные метаданные от тысяч реализаций клиентов для предоставления рекомендаций по времени проектирования, оптимизации времени выполнения и операционной информации.

Фонд был построен на том, что Парех называет «системой интеллекта метаданных», содержащей 40 петабайт моделей предприятия. Это было не абстрактное исследование, а прикладное машинное обучение, которое касалось конкретных узких мест в рабочих процессах интеграции данных.

Эта система интеллекта метаданных продолжала улучшаться в течение многих лет, а летом 2025 года платформа включает в себя возможности автоматического картирования, которые решают постоянную проблему данных. Эта функция автоматически отображает поля между различными корпоративными системами с использованием алгоритмов машинного обучения, обученных миллионам существующих моделей интеграции данных.

«Если вы работали с управлением данными, вы знаете, что картирование-это довольно трудоемкая работа»,-сказал Парех.

Автопоставление — это все, что касается данных из исходной системы, таких как SAP, а затем использование этих данных с другими корпоративными данными для создания записи управления основными данными (MDM). MDM для специалистов в области предприятий-это так называемая «золотая запись», поскольку она предназначена для того, чтобы быть источником правды о определенной сущности. Функция автоматического отображения может понять схемы различных систем и создать правильное поле данных в MDM.

Результаты демонстрируют ценность долгосрочных инвестиций Informatica в ИИ. Задачи, которые ранее требовали глубоких технических знаний и значительных временных инвестиций, теперь происходят автоматически с высокими показателями точности.

«Наши профессиональные услуги сделали некоторое картирование работы, которое обычно занимает семь дней», — сказал Парех. «Сейчас это делается менее чем за пять минут», — сказал Парех.

Копилот получает обновление для лучшего использования метаданных

Основным элементом любой современной системы ИИ является интерфейс естественного языка, который обычно сопровождается какой -либо формой кописта, чтобы помочь пользователям в выполнении задач. В связи с этим Informatica ничем не отличается от любого другого поставщика программного обеспечения для предприятия. Там, где он отличается, тем не менее, все еще находится на метаданных и технологии машинного обучения.

Летом 2025 года выпуск улучшает Claire Copilot для интеграции данных, которая в целом стала доступной в мае 2025 года после девяти месяцев в раннем доступе и предварительном просмотре. Копилот позволяет пользователям печатать запросы, такие как «принести все данные Salesforce в снежинка», и система организует необходимые компоненты трубопровода.

Лето 2025-е выпуск добавляет новые интерактивные возможности для копирования, в том числе расширенные функции вопросов и ответов, которые помогают пользователям понять, как использовать продукт, с ответами, полученными непосредственно из документации и справочных статей.

Техническая реализация требовала разработки специализированных языковых моделей, настраиваемых для задач управления данными, используя то, что вызывает Parekh-Grammarmar.

«Естественный язык, переведенный в Grammar Informatica, — это то, где входит наш секретный соус», — объяснил Парех. «Вся наша платформа представляет собой платформу, управляемую метадатами. Итак, внизу у нас есть собственная грамматика относительно того, как это описывает отображение, что описывает правило качества данных, что описывает активы MDM».

Время рынка: Enterprise AI требует взорвания

Сроки ИИ Evolution Informatica согласуются с фундаментальными изменениями в том, как предприятия потребляют данные.

Бретт Роско, SVP & GM, Облачное управление данных и Cloud Ops в Informatica, отметил, что большая разница в ландшафте корпоративных данных за последние несколько лет была масштабами, и больше людей, чем когда -либо, нуждалось в большем доступе к данным. Ранее запросы на данные были получены в основном от централизованных аналитических групп с техническим опытом; В эпоху AI Gen эти запросы приходят повсюду.

«Внезапно, с миром Gen AI, вы получили свою маркетинговую команду и вашу финансовую команду, которые просят данные, чтобы управлять своими генеративными проектами искусственного интеллекта», — пояснил Роско.

Летний релиз по инвентаризации управления ИИ и возможностями рабочих процессов решает этот вызов напрямую. Платформа теперь автоматически каталогом моделей искусственного интеллекта, отслеживает их источники данных и поддерживает линию от исходных систем до приложений искусственного интеллекта. Это касается предприятий по поводу поддержания видимости и контроля, поскольку проекты искусственного интеллекта размножаются за пределами традиционных аналитических групп.

Выпуск также вводит правила качества данных в качестве API, что позволяет проверку данных в реальном времени в приложениях AI, а не в обработке пакетов после движения данных. Этот архитектурный сдвиг позволяет приложениям ИИ проверять качество данных в точке потребления, решая проблемы управления, которые возникают, когда нетехнические команды запускают проекты искусственного интеллекта.

Техническая эволюция: от автоматизации до оркестровки

Лето 2025 года демонстрирует, как развивались возможности ИИ Informatica от простой автоматизации до сложной оркестровки. Усовершенствованная система Copilot Copilot может разбить сложные запросы естественного языка на несколько скоординированных шагов, сохраняя при этом человеческий надзор на протяжении всего процесса.

Система также предоставляет возможности суммирования для существующих рабочих процессов данных, решающих проблемы передачи знаний, которые страдают от команд предприятий. Пользователи могут попросить Copilot объяснить сложные интеграционные потоки, созданные предыдущими разработчиками, снижая институциональные зависимости знаний.

Поддержка выпуска модельного протокола контекста (MCP) и новых генеративных разъемов ИИ для NVIDIA NIM, DataBricks Mosaic AI и Snowflake Cortex AI демонстрируют, как инфраструктура AI компании адаптируется к появлению новых технологий, одновременно поддерживая при этом стандарты корпоративного управления.

Стратегические последствия: зрелость выигрывает в ИИ предприятия для данных

Семилетнее путешествие по ИИ Informatica, кульминационное в усовершенствованиях для выпуска лета 2025 года, иллюстрирует фундаментальную истину об усыновлении ИИ предприятия: устойчивые вопросы опыта области.

Подход Компании подтверждает стратегию создания специализированных возможностей ИИ для конкретных предприятий, а не реализации решений общего назначения искусственного интеллекта. Рабочие процессы Discovery and Devicemance Summer Release и управление на основе AI, представляющие возможности, которые возникают только в результате понимания того, как предприятия фактически управляют данными в масштабе.

«Если у вас не было практики управления данными до появления Gen AI, вам больно», — отметил Роско. «И если у вас была практика управления данными, когда появился Gen AI, вы все равно пытаетесь бороться».

По мере того, как предприятия переходят от эксперимента по ИИ к развертыванию производства, подход Informatica подтверждает фундаментальную истину: в предприятиях ИИ, зрелость и специализация, больше, чем новизна. Предприятия не должны просто учитывать новые функции, способствующие искусственным технологиям, но и возможности ИИ, которые понимают и решают сложные реалии управления корпоративными данными.

Новое исследование, проведенное Антропным, показывает, что языковые модели могут изучать скрытые характеристики во время дистилляции, популярный метод для моделей с тонкой настройкой для специальных задач. Хотя эти скрытые черты, которые авторы называют «подсознательным обучением», могут быть доброкачественными, исследование показает, что они также могут привести к нежелательным результатам, таким как смещение и вредное поведение.

Что такое подсознательное обучение?

Дистилляция является общей техникой в разработке применения искусственного интеллекта. Он включает в себя обучение меньшей «студенческой» модели, чтобы имитировать результаты более крупной, более способной «учителя». Этот процесс часто используется для создания специализированных моделей, которые меньше, дешевле и быстрее для конкретных приложений. Тем не менее, антропное исследование выявляет удивительное свойство этого процесса.

Исследователи обнаружили, что модели учителей могут передавать поведенческие признаки учащимся, даже если сгенерированные данные совершенно не связаны с этими признаками.

Чтобы проверить это явление, которое они называют подсознательным обучением, исследователи следовали структурированному процессу. Они начали с первоначальной справочной модели и создали «учителя», побуждая или настраивать ее, чтобы показать определенную черту (например, любящие конкретные животные или деревья). Эта модель учителя затем использовалась для генерации данных в узком, не связанном домене, таких как последовательности чисел, фрагменты кода или рассуждения о цепочке мыслей (COT) для математических задач. Затем эти сгенерированные данные были тщательно отфильтрованы для удаления любых явных упоминаний о признаке. Наконец, «студенческая» модель, которая была точной копией первоначальной справочной модели, была точно настроена на эти фильтрованные данные и оценивалась.

Подсознательное обучение произошло, когда модель студента приобрела черту учителя, несмотря на то, что данные обучения были семантически не связаны с ней.

Эффект был последовательным по различным признакам, включая доброкачественные предпочтения животных и опасное смещение. Он также верил для различных типов данных, включая цифры, код и рассуждения COT, которые являются более реалистичными форматами данных для корпоративных приложений. Примечательно, что передача признаков сохранялась даже при строгой фильтрации, предназначенной для удаления каких -либо ее следов из учебных данных.

В одном эксперименте они побудили модель, которая «любит совы», чтобы генерировать набор данных, состоящий только из числовых последовательностей. Когда новая студенческая модель была обучена этим численным данным, она также разработала предпочтения для сов. Более того, исследователи обнаружили, что смещенные модели могут передавать свои вредные тенденции (такие как явные призывы к преступности и насилию) посредством, казалось бы, безобидными числами, даже после того, как данные были отфильтрованы для негативного содержания.

Исследователи исследовали, были ли скрытые семантические подсказки в данных ответственными за несоответствие. Тем не менее, они обнаружили, что другие модели ИИ побуждают действовать, поскольку классификаторы не смогли обнаружить передаваемые признаки в данных. «Эти данные свидетельствуют о том, что передача обусловлена моделями сгенерированных данных, которые не являются семантически связанными с скрытыми признаками», — говорится в документе.

Ключевым открытием было то, что подсознательное обучение терпит неудачу, когда модели учителя и ученика не основаны на той же базовой архитектуре. Например, черта от учителя, основанного на GPT-4.1 Nano, будет передаваться ученику GPT-4.1, но не ученику на основе QWEN2.5.

Это предполагает прямую стратегию смягчения, говорит Алекс Клауд, исследователь машинного обучения и соавтор исследования. Он подтвердил, что простой способ избежать подсознательного обучения — обеспечить, чтобы модели «учителя» и «ученика» были из разных семей.

«Одним из смягчений было бы использование моделей из разных семей или различных базовых моделей в одной и той же семье», — сказал Клауд VentureBeat.

Это говорит о том, что скрытые сигналы не являются универсальными, но вместо этого являются специфичными для модели статистические шаблоны, связанные с инициализацией и архитектурой модели. Исследователи предполагают, что подсознательное обучение является общим явлением в нейронных сетях. «Когда ученик обучен подражать учителю, который имеет почти эквивалентные параметры, параметры ученика тянутся к параметрам учителя», — пишут исследователи. Это выравнивание параметров означает, что ученик начинает имитировать поведение учителя, даже по задачам, удаленным от данных обучения.

Практические последствия для безопасности ИИ

Эти результаты имеют значительные последствия для безопасности ИИ в настройках предприятия. Исследование подчеркивает риск, аналогичный отравлению данными, когда злоумышленник манипулирует учебными данными, чтобы поставить под угрозу модель. Однако, в отличие от традиционного отравления данных, подсознательное обучение не предназначено и не требует, чтобы злоумышленник оптимизировал данные. Вместо этого это может произойти непреднамеренно как побочный продукт стандартной практики разработки.

Использование больших моделей для генерации синтетических данных для обучения является основной тенденцией к экономии затрат; Тем не менее, исследование предполагает, что эта практика может непреднамеренно отравить новые модели. Итак, какие советы для компаний, которые в значительной степени полагаются на наборы данных, созданных моделями? Одна идея состоит в том, чтобы использовать разнообразный комитет моделей генераторов, чтобы минимизировать риск, но Cloud отмечает, что это «может быть чрезмерно дорогим».

Вместо этого он указывает на более практичный подход, основанный на выводах исследования. «Вместо многих моделей, наши результаты показывают, что двух разных базовых моделей (одна для ученика и одной для учителя) может быть достаточным для предотвращения явления», — сказал он.

Для разработчика в настоящее время настраивает базовую модель, Cloud предлагает критическую и немедленную проверку. «Если разработчик использует версию той же базовой модели для генерации своих данных с точной настройкой, он должен рассмотреть вопрос о том, имеют ли эта версия другие свойства, которые они не хотят передавать»,-пояснил он. «Если это так, они должны использовать другую модель… если они не используют эту учебную установку, то им, возможно, не нужно вносить какие -либо изменения».

В документе делается вывод, что простых поведенческих проверок могут быть недостаточно. «Наши результаты предполагают необходимость в оценках безопасности, которые изучают более глубоко, чем поведение модели», — пишут исследователи.

Для компаний, развертывающих модели в областях с высокими ставками, такими как финансы или здравоохранение, это поднимает вопрос о том, какие новые виды тестирования или мониторинга требуются. Согласно Cloud, пока нет «решения нокдауна», и необходимы дополнительные исследования. Однако он предлагает практические первые шаги.

«Хорошим первым шагом было бы провести строгие оценки моделей в настройках, которые как можно более похожи на развертывание», — сказал Клауд. Он также отметил, что другой вариант — использовать другие модели для мониторинга поведения в развертывании, таких как конституционные классификаторы, хотя обеспечение масштабирования этих методов остается «открытой проблемой».

Shadow AI — это проблема в 670 000 долларов, которые большинство организаций даже не знают.

Стоимость IBM за 2025 год на отчет о нарушении данных, опубликованный сегодня в партнерстве с Институтом Ponemon, показывает, что нарушения, связанные с несанкционированным использованием сотрудников, в среднем 4,63 млн. Долл. США. Это почти на 16% больше, чем в среднем по мировому уровню в 4,44 миллиона долларов.

Исследование, основанное на 3470 интервью в 600 нарушенных организациях, отражает, насколько быстро внедрение искусственного интеллекта опережает надзор за безопасностью. В то время как только 13% организаций сообщили о инцидентах безопасности, связанных с ИИ, 97% нарушенных не имели надлежащих контролей доступа ИИ. Еще 8% даже не были уверены, были ли они скомпрометированы через системы ИИ.

«Данные показывают, что пробел между принятием ИИ и надзором уже существует, и актеры угроз начинают его использовать», — сказала Суя Вишван, вице -президент по безопасности и пребыванию средств в IBM. «В отчете выявлено отсутствие базового контроля доступа для систем ИИ, оставляя высокочувствительные данные, подвергнутые воздействию, и модели уязвимы для манипуляции».

Shadow AI, цепочки поставок — любимые векторы атаки

В отчете показано, что 60% связанных с ИИ инцидентов безопасности привели к скомпрометированным данным, в то время как 31% вызвали сбои в повседневной работе организации. Личная информация клиентов (PII) была скомпрометирована в 65% инцидентов теневого ИИ. Это значительно выше, чем в среднем 53% в мире. Одной из самых больших недостатков безопасности ИИ является управление: 63% нарушенных организаций либо отсутствуют политику управления ИИ, либо все еще развивают их.

«Shadow AI похожа на допинг в Tour De France; люди хотят преимущества, не осознавая долгосрочных последствий»,-сказал VentureBeat Итамар Голан, генеральный директор Homper Security. Его компания каталогизировала более 12 000 приложений для ИИ и ежедневно обнаруживает 50 новых.

VentureBeat продолжает видеть, что торговые виды защиты от противников опережают текущую защиту от программного обеспечения и моделей атак цепочки поставок. Неудивительно, что в отчете показано, что цепочки поставок являются основным вектором атаки для инцидентов безопасности искусственного интеллекта, при этом 30% включают скомпрометированные приложения, API или плагины. Как говорится в отчете: «Компромисс цепочки поставок был наиболее распространенной причиной инцидентов безопасности искусственного интеллекта. Инциденты безопасности, включающие модели ИИ и приложения, были различны, но один тип четко претендовал на высший рейтинг: компромисс цепочки поставок (30%), который включает в себя скомпрометированные приложения, API и плагины».

Оружие ИИ пролиферирует

Каждая форма вооруженного искусственного интеллекта, в том числе LLMS, предназначенные для улучшения TradeCraft, продолжает ускоряться. Шестнадцать процентов нарушений в настоящее время связаны с злоумышленниками, использующими ИИ, в первую очередь для фишинга, сгенерированного AI (37%) и глубоких атак (35%). Модели, в том числе мошенничество, GhostGPT и DarkGPT, розничные продажи всего за 75 долларов в месяц и специально построены для таких стратегий атаки, как фишинг, генерация эксплуатации, запутывание кода, сканирование уязвимости и проверка кредитных карт.

Чем более тонкий настройка данного LLM, тем больше вероятность того, что он может быть направлен на получение вредных результатов. Отчеты о состоянии безопасности Cisco сообщают о том, что мелко настроенные LLMS в 22 раза чаще производят вредные результаты, чем базовые модели.

«Бедротисты не просто используют ИИ для автоматизации атак, они используют его для смешивания в обычный сетевой трафик, что затрудняет их обнаружение», — сказал Etay Maor, главный стратег безопасности в Cato Networks, недавно. «Реальная задача заключается в том, что атаки с AI-это не единое событие; они непрерывный процесс разведки, уклонения и адаптации».

Как предупредил Шломо Крамер, генеральный директор Cato Networks, предупредил в недавнем интервью VentureBeat: «Существует короткое окно, где компании могут избежать того, чтобы их поймали с фрагментированными архитектурами. Злоумышленники движутся быстрее, чем команды интеграции».

Управление одним из слабостей противников эксплуатирует

Среди 37% организаций, претендующих на политику управления искусственным интеллектом, только 34% проводят регулярные проверки для несанкционированного ИИ. Всего 22% проводят состязательные испытания на своих моделях ИИ. Devsecops стали лучшим фактором, снижая затраты на нарушение, что в среднем экономит организации 227 192 долл. США.

Результаты отчета отражают то, как понижение управления в качестве более низкого приоритета влияет на долгосрочную безопасность. «Большинство нарушенных организаций (63%) либо не имеют политики управления ИИ, либо все еще разрабатывают их. Даже когда у них есть политика, менее половины имеют процесс одобрения для развертывания ИИ, а 62% не имеют надлежащих контролей доступа в системах ИИ».

Большинству организаций не хватает существенного управления для снижения рисков, связанных с ИИ, при этом 87% признают отсутствие политики или процессов. Почти две трети нарушенных компаний не могут регулярно проверять свои модели ИИ, и более трех четвертей не проводят состязательные испытания, оставляя критические уязвимости.

Эта схема отсроченного ответа на известные уязвимости выходит за рамки управления ИИ до фундаментальной практики безопасности. Крис Геттл, управление продуктом вице -президента для безопасности конечных точек в Ivanti, подчеркивает сдвиг в перспективе: «То, что мы в настоящее время называем« управлением патчами », следует более точно назвать управление воздействием — или как долго ваша организация будет подвергаться конкретной уязвимости?»

Дивиденд AI за 1,9 млн. Долл. США: почему Smart Security окупается

Несмотря на распространенный характер вооруженного ИИ, в отчете дает надежду на растущую торговлю противников. Организации, которые идут в целом с использованием ИИ и автоматизации, экономиют 1,9 миллиона долларов за нарушение и разрешают инциденты на 80 дней быстрее. Согласно отчету: «Команды безопасности, использующие ИИ и автоматизацию, сильно сокращали свое время нарушения на 80 дней и снизили их средние расходы на нарушение на 1,9 миллиона долларов США по сравнению с организациями, которые не использовали эти решения».

Поразительно, насколько широкий контраст. Организации, основанные на ИИ, тратят 3,62 млн. Долл. США на нарушения, по сравнению с 5,52 млн. Долл. США для тех, у кого нет ИИ, в результате чего 52% разница в затратах. Эти команды выявляют нарушения за 153 дня, по сравнению с 212 днями для традиционных подходов, а затем содержат их через 51 день против 72 дней.

«Инструменты искусственного интеллекта преуспевают при быстрое анализ массовых данных в журналах, конечных точках и сетевом трафике, рано определяя тонкие закономерности», — отметил Vineet Arora, технический директор Winwire. Эта возможность трансформирует экономику безопасности: в то время как средняя стоимость нарушения мировой среды составляет 4,44 млн. Долл. США, обширные пользователи искусственного интеллекта работают на 18% ниже этого эталона.

И все же усыновление продолжает бороться. Только 32% широко используют безопасность искусственного интеллекта, 40% развертывают ее ограниченным образом, а 28% используют ее в мощности. Зрелые организации распределяют ИИ равномерно по всему жизненному циклу безопасности, чаще всего после следующего распределения: профилактика 30%, обнаружение 29%, 26% расследование и 27% ответа.

Daren Goson, управление продуктами SVP в Ivanti, подтверждает это: «Инструменты безопасности конечной точки, способствующие AI, могут анализировать огромные объемы данных для обнаружения аномалий и прогнозировать потенциальные угрозы быстрее и точнее, чем любой человек-аналитик».

Команды безопасности не отстают; Тем не менее, 77% соответствуют или превышают общее принятие ИИ их компании. Среди тех, кто инвестирует после взлома, 45%выбирают решения, основанные на искусственном интеллекте, с акцентом на обнаружение угроз (36%), планирование реагирования на инциденты (35%) и инструменты безопасности данных (31%).

Фактор DevSecops еще больше усиливает выгоды, экономя дополнительные 227 192 долл. США, что делает его высшей практикой снижения затрат. В сочетании с воздействием ИИ организации могут сократить расходы на нарушение более чем на 2 миллиона долларов, превращая безопасность из центра затрат в конкурентный дифференциатор.

Почему затраты на кибербезопасность США достигли рекордных максимумов, в то время как остальной мир спасает миллионы

В 2024 году ландшафт кибербезопасности выявил поразительный парадокс: поскольку глобальные расходы на нарушение упали до 4,44 млн. Долл. США, их первое снижение за пять лет. Американские организации наблюдали, как их экспозиция взлетела до беспрецедентных 10,22 миллиона долларов за инцидент. Это расхождение сигнализирует о фундаментальном сдвиге в том, как кибер -риски реализуются по географическим границам. Организации здравоохранения продолжают нести самое тяжелое бремя, со средней стоимостью 7,42 млн. Долл. США за нарушение, а сроки разрешения, растянувшиеся до 279 дней — на пять недель дольше, чем у их сверстников в других отраслях.

Оперативное число оказывается одинаково серьезным: 86% нарушенных организаций сообщают о значительных нарушениях бизнеса, при этом три четверти требуют более 100 дней для восстановления нормальных операций. Возможно, наиболее связанным с лидерами безопасности — это появление инвестиционной усталости. Обязательства по странам по обеспечению безопасности после взлома резко упали с 63% до всего лишь 49% по сравнению с прошлым годом, предполагая, что организации ставят под сомнение рентабельность инвестиций в реактивную безопасность. Среди тех, кто достигает полного восстановления, только 2% удалось восстановить свой операционный статус в течение 50 дней, в то время как 26% потребовалось более 150 дней для восстановления операционных фундаментов. Эти метрики подчеркивают суровую реальность: хотя глобальные организации улучшают свою способность содержать расходы на нарушение, американские предприятия сталкиваются с эскалационным кризисом, который традиционные расходы на безопасность не могут разрешить. Расширение разрыва требует фундаментального переосмысления стратегий кибер -устойчивости, особенно для поставщиков медицинских услуг, работающих на пересечении максимального риска и расширенных сроков восстановления.

Отчет IBM подчеркивает, почему управление таким критическим

«Gen AI снизил барьер для входа для киберпреступников.… Даже злоумышленники с низким содержаниемсофистиками могут использовать Genai для написания фишинговых сценариев, анализа уязвимостей и приступить к запуску с минимальными усилиями», — отмечает генеральный директор и основатель Crowdstrike Джордж Курц.

Майк Ример, Field Ciso в Ivanti, предлагает надежду: «В течение многих лет злоумышленники используют ИИ в своих интересах. Однако 2025 год отметит поворотный момент, поскольку защитники начнут использовать весь потенциал ИИ в целях кибербезопасности».

Отчет IBM предоставляет информацию, которые организации могут использовать, чтобы действовать немедленно:

1. Реализуйте управление ИИ сейчас — только 45% имеют процессы одобрения для развертывания ИИ
2. Получить видимость в теневой ИИ — Регулярные аудиты необходимы, когда 20% страдают от нарушения от несанкционированного ИИ
3. Ускорить внедрение AI Security — сбережения в размере 1,9 млн. Долл. США оправдывают агрессивное развертывание

Как заключает в докладе: «Организации должны обеспечить главных сотрудников информационной безопасности (CISO), главных сотрудников по доходам (CRO) и главных сотрудников соответствия (CCO), а их команды регулярно сотрудничают. Инвестиции в интегрированное программное обеспечение для безопасности и управление и процессы, чтобы объединить эти межфункциональные заинтересованные стороны, могут помочь организациям автоматически обнаружить и управлять теневыми AI».

Поскольку злоумышленники вооружают ИИ и сотрудники создают теневые инструменты для производительности, организации, которые выживают, будут принять выгоды ИИ, строго управляя его рисками. В этом новом ландшафте, где машины боевые машины на скорости не могут соответствовать, управление — это не только соответствие; Это о выживании.

Google DeepMind объявил сегодня о прорывной системе искусственного интеллекта, которая трансформирует то, как организации анализируют поверхность Земли, потенциально революционизируя экологический мониторинг и управление ресурсами для правительств, охраны природы и предприятий по всему миру.

Система, называемая основы Alphaearth, решает критическую проблему, которая мучила наблюдение за землей на протяжении десятилетий: осмысление подавляющего наводнения спутниковых данных, передавающихся из космоса. Каждый день спутники захватывают терабайты изображений и измерений, но соединение этих разрозненных наборов данных с действующим интеллектом оставалось разочаровывающим.

«Фонды Alphaearth функционируют как виртуальный спутник», — пишет исследовательская группа в своей статье. «Он точно и эффективно характеризует всю наземную и прибрежную воду планеты, интегрируя огромные объемы данных наблюдения Земли в единое цифровое представление».

Система ИИ снижает частоту ошибок примерно на 23,9% по сравнению с существующими подходами, в то же время требуя в 16 раз меньше места для хранения, чем другие системы ИИ. Эта комбинация точности и эффективности может значительно снизить стоимость экологического анализа планетарного масштаба.

Как ИИ сжимает петабайты спутниковых данных в управляемый интеллект

Основным инновацией является то, как альфа -энтузиажная фонда обрабатывает информацию. Вместо того, чтобы рассматривать каждое спутниковое изображение как отдельную часть данных, система создает то, что исследователи называют «полями встраивания»-высоко сжатые цифровые резюме, которые отражают основные характеристики поверхности Земли на 10-метровых квадратах.

«Ключевым инновацией системы является ее способность создавать очень компактную резюме для каждого квадрата», — объясняет исследовательская группа. «Эти резюме требуют в 16 раз меньше места для хранения, чем те, которые производились другими системами искусственного интеллекта, которые мы протестировали, и значительно снижает стоимость анализа планетарного масштаба».

Это сжатие не жертвует деталями. Система поддерживает то, что исследователи описывают как «четкую точность 10 × 10 метров» при отслеживании изменений с течением времени. Для контекста это разрешение позволяет организациям контролировать отдельные городские блоки, небольшие сельскохозяйственные площадки или участки леса — критически важные для применений, начиная от городского планирования до сохранения.

Бразильские исследователи используют систему для отслеживания обезлесения Amazon вблизи в режиме реального времени

В течение прошлого года более 50 организаций тестировали систему, причем ранние результаты предполагают преобразующий потенциал в разных секторах.

В Бразилии MapBiomas использует технологию для понимания сельскохозяйственных и экологических изменений по всей стране, в том числе в тропическом лесу Amazon. «Спутниковой набор данных может преобразовать то, как работает наша команда», — заявил Тассо Азеведо, основатель MapBiomas, Тассо Азеведо. «Теперь у нас есть новые варианты для создания карт, которые являются более точными, точными и быстрыми для производства — то, что мы бы никогда не могли делать раньше».

В Global Ecosystems Atlas Initiative использует систему для создания того, что она называет первым комплексным ресурсом для картирования экосистем мира. Проект помогает странам классифицировать неизменные регионы по таким категориям, как прибрежные кустарники и гипер-природные пустыни-важная информация для планирования сохранения.

«Набор данных по встроению спутников революционизирует нашу работу, помогая странам карту не нанесенные экосистемы — это важно для определения того, где сосредоточить свои усилия по сохранению», — сказал Ник Мюррей, директор Глобальной лаборатории экологии Университета Джеймса Кука и глобальных научных наук о глобальных экосистемах.

Система решает самую большую проблему спутниковых изображений: облака и отсутствующие данные

Исследовательская работа раскрывает сложную инженерию этих возможностей. Основные основы Alphaearth обрабатывают данные из нескольких источников — оптические спутниковые изображения, радар, 3D -лазерное картирование, моделирование климата и многое другое — сплетать их вместе в когерентную картину поверхности Земли.

Технически выделяет систему, так это ее обработка времени. «Насколько нам известно, AEF является первым подходом EO для поддержки непрерывного времени», — отмечают исследователи. Это означает, что система может создавать точные карты для любого конкретного диапазона дат, даже интерполируя между наблюдениями или экстраполяцию в периоды без прямого охвата спутника.

Архитектура модели, получившая название «Точность пространственного времени» или STP, одновременно поддерживает высоко локализованные представления при моделировании отношений на большие расстояния во времени и пространстве. Это позволяет преодолевать общие проблемы, такие как облачный покров, который часто скрывает спутниковые образы в тропических регионах.

Почему предприятия теперь могут отображать обширные зоны без дорогих наземных опросов

Для технических лиц, принимающих решения в предприятиях и правительстве, фонды альфа-карты могут принципиально изменить то, как организации подходят к геопространственному интеллекту.

Система особенно превосходит в «редких режимах данных»-ситуациях, когда информация о земле истине ограничена. Это решает фундаментальную проблему в наблюдении за Землей: в то время как спутники обеспечивают глобальное покрытие, проверка на земле остается дорогой и логистически сложной.

«Высококачественные карты зависят от высококачественных маркированных данных, но при работе в глобальных масштабах необходимо соблюдать баланс между точностью измерения и пространственным охватом»,-отмечает исследовательская статья. Способность Alphaearth Foundations точное экстраполяцию из ограниченных наблюдений за землей может значительно снизить стоимость создания подробных карт для больших площадей.

Исследование демонстрирует сильную производительность в разных приложениях, от классификации типа сельскохозяйственных культур до оценки скорости испарения. В одном особенно сложном тесте, включающем эвапотранспирацию — процесс, посредством которого вода переносится из земли в атмосферу — основы альфа -эраата достиг значения R² 0,58, в то время как все другие протестированные методы дали отрицательные значения, что указывает на то, что они выполняли хуже, чем просто угадывают среднее значение.

Google позиционирует ИИ Землю, а также системы погоды и лесной пожары

Объявление ставит Google на передний план того, что компания называет «Google Earth Ai» — коллекцией геопространственных моделей, предназначенных для решения планетарных задач. Это включает в себя прогнозы погоды, прогнозирование наводнений и системы обнаружения лесных пожаров, которые уже питаются, используемые миллионами в поиске и картах Google.

«Мы потратили годы на создание мощных моделей ИИ для решения реальных проблем»,-пишут Yossi Matias, вице-президент и GM Google Research, и Крис Филлипс, вице-президент и GM Geo, в сопровождающем посте в блоге, опубликованном сегодня утром. «Эти модели уже функции мощности, используемые миллионами, такие как оповещения о наводнениях и лесных пожарах в поисках и картах; они также предоставляют действенные идеи через Google Earth, Google Maps Platform и Google Cloud Platform».

Выпуск включает в себя набор данных встроенного спутника, описанный как «один из крупнейших в своем роде с более чем 1,4 трлн -встраиваемыми следами в год», доступным через двигатель Google Earth. Этот набор данных охватывает ежегодные снимки с 2017 по 2024 год, обеспечивая исторический контекст для отслеживания изменений окружающей среды.

10-метровое разрешение защищает конфиденциальность, обеспечивая мониторинг окружающей среды

Google подчеркивает, что система работает в разрешении, предназначенном для мониторинга окружающей среды, а не для индивидуального отслеживания. «Набор данных не может захватывать отдельные объекты, люди или лица, и является представлением общедоступных источников данных, таких как метеорологические спутники», — поясняет компания.

10-метровое разрешение, хотя и достаточно точное для большинства применений окружающей среды, намеренно ограничивает способность идентифицировать отдельные структуры или действия-выбор дизайна, который уравновешивает полезность с защитой конфиденциальности.

Новая эра планетарного интеллекта прибывает через двигатель Google Earth

Доступность фондов альфа -карты через двигатель Google Earth может демократизировать доступ к сложным возможностям наблюдения за землей. Ранее создание подробных карт крупных областей требовало значительных вычислительных ресурсов и опыта. Теперь организации могут использовать предварительно вычисляемые встраивания для быстрого создания пользовательских карт.

«Этот прорыв позволяет ученым делать что-то невозможное до сих пор: создать подробные, последовательные карты нашего мира по требованию»,-пишет исследовательская группа. «Независимо от того, контролируют ли они здоровье урожая, отслеживают обезлесение или наблюдение за новой конструкцией, им больше не нужно полагаться на один спутник, проходящий над головой».

Для предприятий, участвующих в мониторинге цепочки поставок, сельскохозяйственном производстве, городском планировании или соблюдении окружающей среды, технология предлагает новые возможности для принятия решений, управляемых данными. Способность отслеживать изменения в 10-метровом разрешении по всему миру, с годовыми обновлениями, предоставляет основу для приложений, начиная от проверки устойчивых претензий по источникам до оптимизации урожайности сельского хозяйства.

Набор данных по встраиванию спутников теперь доступен через двигатель Google Earth, а основания Alphaearth продолжают разработку в рамках более широкой инициативы Google по Землям. Как отметил один из исследователей во время брифинга для прессы, вопрос, стоящий перед организациями, не заключается в том, нуждается ли они в планетарном масштабе интеллект-это то, могут ли они позволить себе работать без него.

В среду Nightfall AI запустил первую в отрасли платформу по предотвращению потери данных, внедряя агента по искусственному искусству, который автоматически исследует инциденты безопасности и политики мелодий без вмешательства человека — прорыв, который мог бы изменить то, как предприятия защищают конфиденциальную информацию в эпоху расширяющихся киберугродов.

Новая платформа стартапа в Сан-Франциско под названием Nampall NYX представляет собой фундаментальный сдвиг от традиционных инструментов предотвращения потери данных, которые основаны на ручном установлении правил и генерируют большие объемы ложных оповещений. Вместо этого система использует агент искусственного интеллекта для отражения работы аналитиков по безопасности, автоматически расстанавливая приоритеты угроз и различение законных деловых действий и подлинных рисков безопасности.

«Команды безопасности тонут в оповещениях, в то время как сложные инсайдерские угрозы проскользнули через устаревшие системы DLP»,-сказал Рохан Сате, генеральный директор и соучредитель Nampall, в эксклюзивном интервью VentureBeat. «Когда аналитики тратят часы, исследуя ложные срабатывания только, чтобы обнаружить, что реальные угрозы остались незамеченными, потому что они не соответствовали предопределенной модели, организации не просто теряют время — они теряют контроль над своими наиболее конфиденциальными данными».

Объявление происходит в том случае, когда предприятия сталкиваются с взрывом проблем безопасности данных, обусловленных удаленной работой, внедрением облаков и быстрого распространения инструментов ИИ на рабочем месте. Ожидается, что мировой рынок кибербезопасности, оцененный в 2026 году примерно в 173 миллиарда долларов, достигнет 270 миллиардов долларов к 2026 году, а защита данных представляет собой значительную часть этого роста.

Как обнаружение с AI сокращает ложные оповещения с 80% до 5%

По данным SATHE, традиционные системы предотвращения потери данных имеют давно разочарованные группы безопасности с точностью до 10-20%. Эти устаревшие платформы в значительной степени полагаются на сопоставление схем и регулярные выражения для выявления конфиденциальных данных, создавая постоянный поток ложных оповещений, которые требуют ручного исследования.

«В итоге происходит то, что вы в конечном итоге сотрудники, как аналитик SOC, чтобы просмотреть все ложные позитивы», — объяснил Сате. «С помощью нативного подхода ИИ к фактически выполнять классификацию контента, вы можете получить такую точность 90, 95%».

Подход Nightfall сочетает в себе три компонента с AI: расширенная классификация контента с использованием больших языковых моделей и компьютерного зрения, отслеживания линии данных, которое понимает, где происходит и путешествует информация, а также автономная оптимизация политики, которая со временем учится у поведения пользователей.

Агент ИИ платформы, получивший название «Никс», находится на этой инфраструктуре обнаружения и «в основном отражает то, что будет делать аналитик DLP SOC», сказал Сате. «Взгляните на все инциденты, которые наносят номочные поверхности на приборной панели, а затем дают рекомендации о том, что больше всего срочно расследовать, а затем какую политику настраивают, чтобы различить реальные бизнес -процессы по сравнению с вещами, которые на самом деле опасны».

Почему инструменты теневого искусственного интеллекта, такие как CHATGPT, представляют новые риски данных для предприятий

Платформа прибывает, когда предприятия сталкиваются с новой категорией риска данных: «Shadow AI», где сотрудники используют несанкционированные инструменты искусственного интеллекта, такие как CHATGPT, Claude или Copilot для рабочих задач, часто непреднамеренно разоблачая чувствительную корпоративную информацию.

В отличие от традиционных решений DLP, которые полагаются на статические приложения, разрешающие списки или базовый сканирование контента, Nightfall отражает фактический контент, вставленный, напечатанный или загруженный в инструменты AI, наряду с линией данных, показывающей, где возникла информация. Система может отслеживать взаимодействие на уровне быстрого уровня на крупных платформах искусственного интеллекта, включая CHATGPT, Microsoft Copilot, Claude, Gemini и Nemplexity.

«Это небольшая мета, потому что это похоже на то, что ИИ определяет риск использования ИИ», — отметил Сате. Платформа анализирует контент, разделяемый с приложениями искусственного интеллекта, отслеживает, где возникал этот контент, и определяет, представляют ли модели использования нормальную деловую деятельность или потенциальные нарушения безопасности.

Усыновление клиентов, так как показатели точности достигают 95% в развертываниях предприятия

Подход Nampall приобрел поддержку среди корпоративных клиентов, ищущих альтернативы Legacy Solutions от Microsoft, Google и традиционных поставщиков кибербезопасности. В настоящее время компания обслуживает «много сотен» клиентов и процессов «сотни терабайт в день» данных в развертываниях, поддерживающих более 50 000 сотрудников, сообщает SATHE.

Aaron’s, магазин мебели, иллюстрирует предложение по цене клиента. Ранее компания боролась с устаревшим решением DLP, которое вызвало чрезмерные ложные позитивы при мониторинге Slack Communications. После развертывания наступления ночи: «Они были похожи на, вау, мы действительно можем сократить время, которое нам нужно, чтобы расследовать все эти вещи, потому что большая часть всего, что вы накапливаете для нас, на самом деле является законным, и вещи, которые мы ищем», — сказал Сате.

Быстрое усыновление отражает более широкое разочарование на рынке традиционными подходами. В течение шести месяцев с момента запуска своих возможностей DLP конечной точки, Nightfall достиг 20% проникновения среди существующей клиентской базы-метрический SATHE, выделенный в качестве доказательства сильного рыночного рынка продукта.

Наследие поставщики DLP сталкиваются с нарушениями с автономных платформ безопасности

Nightfall конкурирует с известными игроками, включая Microsoft Purview, который поставляется в комплекте с лицензиями Enterprise Office 365, а также специальными поставщиками DLP, такими как Forcepoint, Symantec и новые участники. Тем не менее, Сэт утверждает, что комплексные решения несут скрытые затраты в виде человеческого труда, необходимых для управления ложными положительными.

«Конечно, они бросили его бесплатно, цитируют неворот, но тогда вам пришлось укомплектовать аналитика SOC, чтобы пойти и просмотреть все это», — сказал он. «Найм людей, обучение их и проводя время на DLP, когда они могут делать что -то еще, с точки зрения альтернативных затрат также — это доллары в конце дня».

Легкая архитектура компании, которая использует интеграции на основе API, а не сетевые прокси, обеспечивает более быстрое развертывание по сравнению с традиционными решениями, которые могут потребовать от трех до шести месяцев для реализации. По словам Сэт, клиенты, которые обычно видят ценность в течение нескольких недель, а не месяцев.

Легкая архитектура обеспечивает недельные развертывания по сравнению с месяцами развертываний

Центральным в дифференциации Namesfall является его аи-аи-аизирующая архитектура. В то время как устаревшие системы требуют обширной ручной настройки для снижения ложных срабатываний, в Natchfall используются модели машинного обучения, которые автоматически улучшаются благодаря тому, что компания называет «контролируемым обучением».

Платформа поддерживает возможности «персонализированного обнаружения», аналогичные алгоритмам рекомендаций, используемых Tiktok или Instagram, создавая индивидуальные модели для каждой организации на основе их конкретных шаблонов данных и поведения пользователей. Этот подход позволяет системе различать обычную деловую деятельность и подлинные угрозы безопасности без обширной ручной конфигурации.

Модель развертывания подчеркивает реализацию без трения с помощью легких агентов конечной точки и интеграции API с популярными приложениями SAAS. Это резко контрастирует с традиционными решениями DLP, которые часто требуют сложных изменений сетевой инфраструктуры и длительных периодов настройки.

65 млн. Долл. США в виде финансирования. Регулируемые отрасли промышленности, голодные для защиты ИС

Nightfall привлекла примерно 65 миллионов долларов США в качестве финансирования и сообщает о сильном финансовом позиционировании, поскольку оно предназначено для регулируемых отраслей, включая здравоохранение, финансовые услуги, технологии, юридические и производственные сектора. Компания видит особую возможность среди организаций, занимающихся защитой интеллектуальной собственности, где традиционные решения DLP борются за выявление и защиту запатентованной информации.

Более широкая рыночная возможность отражает пересечение нескольких технологических тенденций: продолжающееся миграция в облачные рабочие процессы, взрыв принятия инструмента ИИ на предприятиях и увеличение контроля над защитой данных. Недавние громкие нарушения данных и инсайдерскую угрозу имеют повышение предотвращения потери данных в качестве заботы на уровне совета по многим организациям.

Будущее кибербезопасности: автономные агенты заменяют ручные операции безопасности

Поскольку организации продолжают внедрять инструменты искусственного интеллекта, борясь с развивающимися требованиями к защите данных, решения, которые могут автоматически адаптироваться к новым угрозам, в то же время минимизируя операционные накладные расходы, представляют следующую эволюцию в области безопасности предприятия. Ранний успех Nightfall предполагает, что рынок готов к более интеллектуальным, автономным подходам к безопасности данных, которые выходят за рамки ограничений традиционных систем, основанных на правилах.

Способность платформы предоставлять контекстуальные резюме инцидентов, такие как «сотрудник загрузил файл, содержащий 200 записей PII клиента от Salesforce до личного Google Drive при удаленной работе», представляет собой тип действенного интеллекта, который команды безопасности должны эффективно реагировать на угрозы.

Основное внимание компании на устранении бремени настройки ручной настройки, которое давно преследует развертывание DLP, касается фундаментальной болевой точки, которая имеет ограниченное использование технологий защиты данных. В случае успеха этот подход может ускорить принятие предприятий программ по предотвращению потери данных и повысить общую позицию в области безопасности в промышленности, обрабатывая конфиденциальную информацию.

Сдвиг в сторону автономных операций безопасности отражает более широкое преобразование в предпринимательском программном обеспечении, где агенты искусственного интеллекта все чаще обрабатывают задачи, которые когда -то требовали человеческого опыта. Для отрасли, которая боролась с усталостью и ограничениями ресурсов, обещание по-настоящему автономной защиты данных может, наконец, обеспечить давнюю цель безопасности, которая работает так же быстро, как и бизнес.

В качестве спроса на крупномасштабные скирокиты по развертыванию ИИ, менее известные, Private Chip Startup Positron позиционирует себя как прямой претендент на лидера рынка Nvidia Предлагая выделенные, энергоэффективные, оптимизированные память микросхемы с выводом, направленные на освобождение затрат на монтаж отрасли, мощность и узкие места доступности.

«Ключевым отличием является наша способность управлять моделями Frontier AI с лучшей эффективностью-превышение производительности от 2 раза до 5x за ватт и доллар по сравнению с Nvidia»,-сказал Томас Сохмер, соучредитель позитрона и технический директор В недавнем интервью видео по вызову с VentureBeat.

Очевидно, что это хорошая новость для больших поставщиков моделей ИИ, но руководство Позитрона утверждает, что это полезно для многих других предприятий, включая тех, кто использует модели ИИ в своих рабочих процессах, а не как предложения услуг для клиентов.

«Мы строим чипы, которые можно развернуть в сотнях существующих центров обработки данных, потому что они не требуют жидкого охлаждения или экстремальной плотности мощности», — указал Митеш Агравал, генеральный директор Позитрона и бывший главный операционный директор поставщика выводов AI Cloud Lambdaтакже в одном и том же интервью видеозвонков с VentureBeat.

Венчурные капиталисты и ранние пользователи, кажется, согласны.

Позитрон вчера объявил о переподписанном раунде финансирования в размере 51,6 млн. Долл. США Во главе с Valor Equity Partners, Atreides Management и DFJ Growth, при поддержке Flume Ventures, Reservience Reserve, Fund 1517 и если.

Что касается ранней клиентской базы Позитрона, это включает в себя как предприятия по имени, так и компании, работающие в секторах, работающих на выводе. Подтвержденные развертывания включают в себя крупный поставщик сети по обеспечению безопасности и облачного контента Cloudflareкоторый использует аппаратное обеспечение Positron’s Atlas в своих глобально распределенных центрах обработки данных, и Парасейлчерез AI-инфраструктурную платформу с AI-инфраструктурой.

Помимо этого, Позитрон сообщает о принятии в нескольких ключевых вертикалях, где эффективный вывод имеет решающее значение, например, как Сеть, игры, модерация контента, сети доставки контента (CDN) и поставщики токена как услугиПолем

Эти ранние пользователи, как сообщается, привлекают способность Атласа обеспечивать высокую пропускную способность и снижение энергопотребления, не требуя специализированного охлаждения или переработанной инфраструктуры, что делает его привлекательным вариантом для работы с искусственным интеллектом в области корпоративных сред.

Вывод сложного рынка, который уменьшает размер модели ИИ и повышает эффективность

Но Позитрон также выходит на сложный рынок. Информация только что сообщил, что rIval Buzzy Ai Soinceper Startup Startup Groq — где Sohmers ранее работал директором по технологической стратегии — сократил свой прогноз доходов на 2025 год с 2 миллиардов долларов+ до 500 миллионов долларов, подчеркнув, насколько изменчивым может быть аппаратное пространство AI.

Даже хорошо финансируемые фирмы сталкиваются с опорным ветром, поскольку они конкурируют за способность центра обработки данных и предприятия MindShare против укоренившихся поставщиков графических процессоров, таких как Nvidia, не говоря уже о слоне в комнате: рост более эффективных, более мелких крупных языковых моделей (LLM) и специализированных малых языковых моделей (SLM), которые могут работать даже на маленьких и низкопроизводных моделях, как смартфоны.

Тем не менее, руководство Позитрона сейчас охватывает эту тенденцию и отбросит возможное влияние на ее траекторию роста.

«Всегда существовало эта двойственность — легкие приложения на местных устройствах и тяжелая обработка в централизованной инфраструктуре», — сказал Агравал. «Мы считаем, что оба будут расти».

Сохмер согласился, заявив: «Мы видим будущее, где у каждого человека может быть способная модель на своем телефоне, но они все равно будут полагаться на большие модели в центрах обработки данных, чтобы генерировать более глубокое понимание».

Атлас-это фиш

В то время как графические процессоры Nvidia помогли катализировать глубокий учебный бум, ускоряя тренировку модели, Позитрон утверждает, что вывод — этап, на которой модели генерируют производство в производстве — теперь является истинным узкимл.

Его основатели называют его наиболее недоопти ароматизированной частью «стека ИИ», особенно для генеративных рабочих нагрузок ИИ, которые зависят от быстрой и эффективной модельной службы.

Решение Позитрона Atlas, его ускоритель вывода первого поколения, построенный специально для обработки больших моделей трансформаторов.

В отличие от графических процессоров общего назначения, Atlas оптимизирован для уникальной памяти и потребностей в пропускной способности современных задач вывода.

Компания утверждает, что Atlas обеспечивает 3,5x лучшую производительность за доллар и до 66% более низкого использования мощности, чем H100 NVIDIA, а также достигает 93% использования пропускной способности памяти — на превышении типичного диапазона 10–30%, наблюдаемого в графических процессорах.

От атласа до Титана, поддержка моделей с несколькими триллионами параметров

Запущенный всего через 15 месяцев после основания — и всего 12,5 млн. Долл. США в семье — Atlas уже отправляется и находится в производстве.

Система поддерживает модели до 0,5 триллионов параметра на одном 2-километровом сервере и совместима с моделями обнимающих трансформаторов лица через совместимую конечную точку API OpenAI.

В настоящее время Positron готовится запустить свою платформу следующего поколения Titan, в 2026 году.

Построен на индивидуальном кремнии «Асимова», Титан будет иметь до двух терабайт высокоскоростной памяти на ускоритель и модели поддержки до 16 триллионов параметровПолем

Сегодняшние пограничные модели находятся в сотнях миллиардов и однозначных триллионов параметров, но, как считается, новые модели, такие как GPT-5 Openai, находятся в много триллионов, и в настоящее время считается, что более крупные модели требуются для достижения искусственного общего интеллекта (AGI), AI, который превосходит человеческие люди на наиболее экономически ценных работах и суперинтигенции, которые расширяют способность к людям, которые понимают, что они могут понять, что они понимают, что они понимают, что они понимают.

Важно отметить, что Titan предназначен для работы со стандартным воздушным охлаждением в обычных средах центра обработки данных, избегая конфигураций с жидко-охлаждением, которые все чаще требуют графических процессоров следующего поколения.

Техника для эффективности и совместимости

С самого начала Positron разработал свою систему для замены падения, позволяя клиентам использовать существующие модельные двоичные файлы без перезаписывания кода.

«Если клиент должен был изменить свое поведение или свои действия каким -либо образом, формы или формы, это был барьер», — сказал Сохмерс.

Sohmers объяснил, что вместо создания сложного стека компиляторов или разрабатывания программных экосистем, сфокусированы на сфокусировании на вывод, проектируя аппаратное обеспечение, которое напрямую проглатывает модели, обученные NVIDIA.

«Режим CUDA — это не то, чем сражаться», — сказал Агравал. «Это экосистема для участия».

Этот прагматический подход помог компании быстро отправить свой первый продукт, проверить производительность с реальными предприятиями и обеспечить значительные последующие инвестиции. Кроме того, его сосредоточение на воздушном охлаждении по сравнению с жидким охлаждением делает свои чипсы атласа единственным вариантом для некоторых развертываний.

«Мы сосредоточены исключительно на чисто развертываниях с воздушным охлаждением… все эти решения Nvidia Bopper и Blackwell в будущем требуются… Единственное место, где вы можете поместить эти стойки, находится в центрах обработки данных, которые недавно построены сейчас в глуши », — сказал Сохмерс.

В общем, способность Позитрона быстро и эффективно выполнять капитал помогла различить его на многолюдном рынке аппаратных средств искусственного интеллекта.

Память — это то, что вам нужно

Sohmers и Agrawal указывают на фундаментальный сдвиг в рабочих нагрузках искусственного интеллекта: от разбирающихся сверточных нейронных сетей к архитектурам трансформаторов, связанных с памятью.

Принимая во внимание, что более старые модели требовали высоких провалов (операции с плавающей точкой), современным трансформаторам требуется массивная способность памяти и пропускную способность для эффективной работы.

В то время как NVIDIA и другие продолжают сосредотачиваться на вычислительном масштабировании, Позитрон делает ставки на дизайн первой памяти.

Sohmers отметил, что с выводом трансформатора соотношение вычислительных операций к памяти переводится к почти 1: 1, что означает, что повышение использования памяти оказывает прямое и драматическое влияние на производительность и эффективность питания.

Поскольку Атлас уже превосходит современные графические процессоры по ключевым показателям эффективности, Титан стремится сделать это дальше, предлагая максимальную способность памяти на чип в отрасли.

При запуске, как ожидается, Titan предложит увеличение порядка матчей по сравнению с типичными конфигурациями памяти графических процессоров-без требования специализированного охлаждения или настройки бутик-сети.

Построенные в США чипсы

Производство Positron с гордостью является домашним. Чипы первого поколения компании были изготовлены в США с использованием средств Intel, с окончательной сборкой и интеграцией сервера также основаны на внутреннем месте.

Для чипа AsiMov изготовление перейдет на TSMC, хотя команда стремится сохранить как можно большую часть остальной части производственной цепочки в США, в зависимости от пропускной способности литейного завода.

Геополитическая устойчивость и стабильность цепочки поставок становятся ключевыми критериями закупок для многих клиентов-другая причина, по которой Позитрон считает, что его оборудование, созданное в США, предлагает убедительную альтернативу.

Что дальше?

Агравал отметил, что кремниевые нацеливания Позитрона не только широкая совместимость, но и максимальная полезность как для предприятий, облаков и исследовательских лабораторий.

В то время как компания еще не назвала никаких поставщиков пограничных моделей в качестве клиентов, он подтвердил, что проживание и разговоры продолжаются.

Agrawal подчеркнул, что продажа физической инфраструктуры, основанной на экономике и производительности, а не объединяет ее с проприетарными API или бизнес -моделями — является частью того, что дает позитрон доверие на скептическом рынке.

«Если вы не можете убедить клиента развернуть ваше оборудование в зависимости от его экономики, вы не будете прибыльными», — сказал он.

Больше разработчиков, чем когда -либо прежде, используют инструменты искусственного интеллекта для помощи и генерации кода.

В то время как внедрение AI Enterprise ускоряется, новые данные из опроса разработчиков Stack Oupflow 2025 года выявляют критическую слепую точку: растущий технический долг, созданный инструментами искусственного интеллекта, которые генерируют «почти правильные» решения, потенциально подрывая повышение производительности, которую они обещают обеспечить.

Ежегодный опрос разработчиков Stack Ouplow является одним из крупнейших таких отчетов в любом данном году. В 2024 году в докладе показано, что разработчики не волновались, что ИИ все еще будет их работой. По иронии судьбы, на переполнение стека первоначально негативно повлияло рост Gen AI с снижением трафика и полученными в 2023 году.

Исследование 2025 года более 49 000 разработчиков в 177 странах выявляет тревожный парадокс при принятии ИИ предприятия. Использование ИИ продолжает подниматься — 84% разработчиков в настоящее время используют или планируют использовать инструменты ИИ, по сравнению с 76% в 2024 году. Тем не менее, доверие к этим инструментам оказалось.

«Одним из наиболее удивительных результатов стал значительный сдвиг в предпочтениях разработчика для ИИ по сравнению с предыдущими годами, в то время как большинство разработчиков используют ИИ, им это меньше нравится, и в этом году он не доверяет им», — сказала Вентурбит, Эрин Йепис, старший аналитик по исследованиям рынка и понимание в Stack Overflow. «Этот ответ удивителен, потому что, поскольку все инвестиции и сосредоточены на ИИ в технических новостях, я ожидаю, что доверие будет расти по мере того, как технология станет лучше».

Числа рассказывают историю. Только 33% разработчиков доверяют точности ИИ в 2025 году, по сравнению с 43% в 2024 году и 42% в 2023 году. Благоприятность ИИ снизилась с 77% в 2023 году до 72% в 2024 году до 60% в этом году.

Но данные опроса выявляют более неотложную обеспокоенность по поводу технических лиц, принимающих решения. Разработчики цитируют «решения ИИ, которые практически правы, но не совсем», так как их главное разочарование — 66% сообщают об этой проблеме. Между тем, 45% говорят, что отладка кода, сгенерированного AI, занимает больше времени, чем ожидалось. Инструменты искусственного интеллекта обещают повышение производительности, но могут на самом деле создать новые категории технических долгов.

Феномен «почти правильного» нарушает рабочие процессы разработчика

Инструменты искусственного интеллекта не просто производят явно разбитый код. Они генерируют правдоподобные решения, которые требуют значительного вмешательства разработчика, чтобы стать готовым к производству. Это создает особенно коварную проблему производительности.

«Инструменты искусственного интеллекта, по -видимому, имеют универсальное обещание экономить время и повышение производительности, но разработчики тратят время на обращение за непреднамеренными сбоями в рабочем процессе, вызванном ИИ», — объяснил Йепис. «Большинство разработчиков говорят, что инструменты искусственного интеллекта не рассматривают сложность, только 29% полагали, что инструменты искусственного интеллекта могут решить сложные проблемы в этом году, по сравнению с 35% в прошлом году».

В отличие от явно разбитого кода, который разработчики быстро идентифицируют и отказываются, «почти правильные» решения требуют тщательного анализа. Разработчики должны понимать, что случилось и как это исправить. Многие сообщают, что было бы быстрее писать код с нуля, чем отладки и исправить сгенерированные AI решения.

Разрушение рабочего процесса выходит за рамки отдельных задач кодирования. Опрос показал, что 54% разработчиков используют шесть или более инструментов для выполнения своей работы. Это добавляет накладные расходы на переключение контекста к уже сложному процессу разработки.

Спекционы управления предприятием следуют за усыновлением

Быстрое принятие ИИ опередило возможности управления предприятием. Организации теперь сталкиваются с потенциальными рисками безопасности и технического долга, которые они не полностью рассмотрели.

«Кодирование Vibe требует более высокого уровня доверия к выходу искусственного интеллекта, и жертвует доверием и потенциальными проблемами безопасности в коде для более быстрого поворота», — сказал VentureBeat Бен Мэтьюз, старший директор по технике инженерии в Stack Overflow.

Разработчики в значительной степени отвергают кодирование Vibe для профессиональной работы, и 77% отмечают, что это не является частью их процесса профессионального развития. Тем не менее, опрос показывает пробелы в том, как предприятия управляют качеством кода, сгенерированного AI.

Мэтьюз предупреждает, что инструменты кодирования ИИ, приведенные в действие LLMS, могут производить ошибки. Он отметил, что, хотя знающие разработчики могут сами идентифицировать и проверить уязвимый код, LLM иногда просто не могут даже зарегистрировать любые ошибки, которые они могут произвести.

Риски безопасности усугубляют эти проблемы качества. Данные опроса показывают, что, когда разработчики все равно будут обращаться к людям для кодирования помощи, 61,7% называет «этические проблемы или проблемы безопасности в отношении кода» в качестве ключевой причины. Это говорит о том, что инструменты искусственного интеллекта вводят проблемы интеграции, связанные с доступом, производительности и безопасностью данных, которыми организации все еще учатся управлять.

Разработчики по -прежнему используют переполнение стека и другие человеческие источники опыта

Несмотря на снижение доверия, разработчики не отказываются от инструментов ИИ. Они разрабатывают более сложные стратегии для их интеграции в рабочие процессы. Опрос показывает, что 69% разработчиков потратили время на изучение новых методов кодирования или языков программирования в прошлом году. Из них 44% использовали с поддержкой AI-поддержки для обучения, по сравнению с 37% в 2024 году.

Даже с ростом кодирования и ИИ, данные опроса показывают, что разработчики сохраняют тесные связи с человеческим опытом и ресурсами сообщества. Stack Overflow остается главной платформой сообщества с использованием 84%. GitHub следует на 67%, а YouTube — 61%. Наиболее известно, что 89% разработчиков посещают переполнение стека несколько раз в месяц. Среди них 35% обращаются на платформу специально после возникновения проблем с ответами искусственного интеллекта.

«Несмотря на то, что мы видели снижение трафика, никоим образом не так драматично, как указывают бы некоторые», — сказала VentureBeat Джоди Бейли, директор по продуктам и технологиям.

Тем не менее, Бейли признал, что времена меняются, и повседневные потребности пользователей не такие, как они были 16 лет назад, когда начался переполнение стека. Он отметил, что нет ни одного сайта или компании, не видящего смены, откуда приходят пользователи или как они сейчас взаимодействуют с инструментами Gen AI. Этот сдвиг вызывает переполнение стека, чтобы критически переоценить, как он измеряет успех в современном цифровом эпохе.

«Будущая жизнеспособность Интернета и более широкой технической экосистемы больше не будет определяться исключительно показателями успеха, изложенными в 90 -х или начале 00 -х годов», — сказал Бейли. «Вместо этого акцент все чаще делается на уровне данных, надежности информации и невероятно важной роли экспертных сообществ и отдельных лиц в тщательно создании, обмене и курировании знаний».

Стратегические рекомендации для технических лиц, принимающих решения

Данные переполнения стека предлагают несколько ключевых соображений для предприятий, оценивающих инструменты разработки ИИ.

Инвестировать в возможности отладки и проверки кода: С 45% разработчиков, сообщающих об увеличении времени отладки для кода ИИ, организациям нуждаются в более сильных процессах проверки кода. Им нужны инструменты отладки, специально предназначенные для решений, сгенерированных AI.

Поддерживать трубопроводы человеческой экспертизы: Продолжающая зависимость от общественных платформ и человеческих консультаций показывает, что инструменты искусственного интеллекта усиливают, а не заменяют необходимость опытных разработчиков. Эти эксперты могут идентифицировать и исправлять проблемы с кодом, сгенерированные AI.

Внедрить поставленное принятие ИИ: Успешное принятие искусственного интеллекта требует тщательной интеграции с существующими инструментами и процессами, а не оптом замены рабочих процессов разработки. Это позволяет разработчикам использовать сильные стороны искусственного интеллекта, смягчая риски «практически правильного» решения.

Сосредоточьтесь на грамотности инструментов ИИ: Разработчики, использующие EI Tools Daily Daily, показывают 88% благоприятную выгоду по сравнению с 64% для еженедельных пользователей. Это предполагает надлежащие стратегии обучения и интеграции значительно влиять на результаты.

Для предприятий, стремящихся возглавить AI, управляемую разработкой, эти данные указывают на конкурентное преимущество не со скоростью внедрения искусственного интеллекта, а из-за развития превосходных возможностей в интеграции рабочих процессов AI-Human и управления качеством качества кода AI.

Организации, которые решают «почти правильную» проблему, превращая инструменты ИИ в надежные множители производительности, а не источники технического долга, получит значительные преимущества в скорости развития и качества кода.