HiddenLayer தனது Series B நிதித் திரட்டலில் $100 மில்லியன் தொகையைத் திரட்டியுள்ளது. Delta-v Capital தலைமையிலான இந்தத் திரட்டலில் Microsoft-ன் M12, Morgan Stanley மற்றும் Ten Eleven Ventures ஆகிய நிறுவனங்களும் பங்கேற்றன. நிறுவனங்கள் Generative AI மற்றும் தன்னாட்சி முகவர்களை (autonomous agents) பயன்பாட்டிற்கு கொண்டு வரும் நிலையில், அதன் AI runtime security தளத்தை மேம்படுத்த இந்த நிதி பயன்படுத்தப்படும்.
AI மாதிரிகளைச் சுற்றியுள்ள தாக்குதல் பரப்பு (attack surface) வேகமாக விரிவடைந்து வருகிறது. ஒரு காலத்தில் வெறும் சோதனை முயற்சியாக (proof-of-concept) இருந்த நோட்புக்குகளைப் பயன்படுத்திய நிறுவனங்கள், இப்போது Large Language Models மற்றும் agentic workflows ஆகியவற்றை வாடிக்கையாளர் சேவை, உள் முடிவெடுக்கும் செயல்முறைகள் மற்றும் பாதுகாப்புத் தரத்திலான அமைப்புகளில் (defense-grade systems) இணைத்து வருகின்றன. ஒவ்வொரு புதிய முனைப்புப் புள்ளியும் (endpoint)—prompt interface, tool integration, model version—எதிரிகளுக்கான ஒரு வாய்ப்பை வழங்குகிறது. அந்த முனைகளைப் பாதுகாக்கும் கருவிகளுக்கான சந்தை, தொழில்நுட்பத்தின் வளர்ச்சியை விட வேகமாக முன்னேறி வருகிறது.
AI பாதுகாப்பு ஏன் வெறும் கோட்பாட்டிலிருந்து அவசியமாக மாறியது
மூன்று ஆண்டுகளுக்கு முன்பு, பெரும்பாலான பாதுகாப்பு ஆய்வாளர்கள் AI சார்ந்த அச்சுறுத்தல்களை ஒரு ஆராய்ச்சி ஆர்வமாகவே கருதினர். எதிரித் தாக்குதல்கள் (adversarial attacks) பெரிய அளவில் நிகழும் என்ற கருத்து விவாதிக்கப்பட்டதே தவிர, அதற்கான நடவடிக்கைகள் எடுக்கப்படவில்லை. Gartner நிறுவனத்தின் கணிப்புப்படி, AI பாதுகாப்பு கருவிகளுக்கான நிறுவனங்களின் செலவினம் இந்த ஆண்டு $2.83 பில்லியனை எட்டும், இது கடந்த ஆண்டை விட 83 சதவீதம் அதிகம். அடுத்த ஆண்டு இது $4.78 பில்லியனை நோக்கி உயரும். இந்த எண்கள், சோதனை முயற்சிகளிலிருந்து முக்கியமான செயல்பாடுகளுக்கு (mission-critical deployments) மாறியுள்ளதைக் காட்டுகின்றன. மேலும், ஒரு மாடல் பாதிக்கப்பட்டால், அதைத் தடுப்பதற்கான கருவிகளை விட அதிக இழப்பு ஏற்படும் என்பதை நிறுவனங்கள் உணர்ந்துள்ளன என்பதையும் இது உணர்த்துகிறது.
HiddenLayer-ன் வளர்ச்சியும் அந்தப் போக்கையே பிரதிபலிக்கிறது. நிறுவனத்தின் CEO Chris Sestito கூறுகையில், கடந்த பன்னிரண்டு மாதங்களில் நிறுவனத்தின் வருடாந்திரத் தொடர் வருவாய் (annual recurring revenue) பத்து மடங்குக்கும் அதிகமாக உயர்ந்து, தற்போது "பத்து மில்லியன் டாலர்கள்" (tens of millions) என்ற அளவில் உள்ளது என்றார். இந்த அதிகரிப்பில் 90 சதவீதத்திற்கும் மேலானவை புதிய வாடிக்கையாளர்களிடமிருந்து—நிதி நிறுவனங்கள், பெரிய தொழில்நுட்ப நிறுவனங்கள், அமெரிக்க பாதுகாப்புத் துறை மற்றும் உளவுத்துறை அமைப்புகள்—பெறப்பட்டுள்ளன. வாரத்திற்கு 70 கோடிக்கும் அதிகமான பயனர்களுக்கு ஒரு frontier model-ஐ வழங்கும் ஒரு ரகசிய வாடிக்கையாளரும் இணர்ந்துள்ளார், இது இந்தப் பிரச்சினையின் தீவிரத்தை உணர்த்துகிறது.
மாடல் வலுப்படுத்துதலில் இருந்து தன்னாட்சி முகவர்களைப் பாதுகாப்பது வரை
பாரம்பரிய இயந்திரக் கற்றல் (machine-learning) பாதுகாப்பு, பயிற்சி முறையைப் (training pipeline) பாதுகாப்பதிலும், கணிப்புகளைச் சற்றே மாற்றியமைக்கும் எதிரி உள்ளீடுகளைக் (adversarial inputs) கண்டறிவதிலும் கவனம் செலுத்தியது. HiddenLayer இன்னும் அந்த அடிப்படை அம்சங்களான—discovery, runtime protection, attack simulation மற்றும் supply-chain checks—ஆகியவற்றை வழங்குகிறது, ஆனால் இப்போது இது Generative AI-ன் தனித்துவமான அபாயங்களையும் கையாள்கிறது.
- Prompt injection – ஒரு மாடலைத் திட்டமிடாத கட்டளைகளைச் செயல்படுத்தவோ அல்லது ரகசியத் தரவுகளை வெளிப்படுத்தவோ தூண்டும் தீய உள்ளீடுகள். இந்தத் தளம், prompts மாடலைச் சென்றடைவதற்கு முன்பே அவற்றைச் சுத்திகரிக்கிறது மற்றும் கொள்கை மீறல்களுக்காக வெளியீட்டைக் கண்காணிக்கிறது.
- Agent manipulation – கருவிகள், APIs மற்றும் தரவு ஆதாரங்களை இணைத்துச் செயல்படும் தன்னாட்சி முகவர்கள் (autonomous agents), செயல்பாட்டின் நடுவே கடத்தப்பட்டு, தீங்கு விளைவிக்கும் செயல்கள் அல்லது தரவு கசிவுகளை ஏற்படுத்தக்கூடும். HiddenLayer ஒவ்வொரு பணிப்பாய்வு நிலையிலும் (workflow step) கொள்கை சோதனைகளைச் சேர்த்து, வரையறுக்கப்பட்ட விதிகளை மீறும் செயல்களைத் தடுத்து நிறுத்துகிறது.
- Malicious tool use – AI முகவர்கள் பெருகிய முறையில் வெளிப்புற பிளகின்கள் (plugins), code interpreters அல்லது retrieval modules ஆகியவற்றின் மீது நம்பியிருக்கின்றன. இந்த ஒருங்கிணைப்புகளில் அசாதாரணமான நடத்தைகளைக் கண்காணிக்க இந்தத் தீர்வு உதவுகிறது.
Open-source மற்றும் open-weight மாதிரிகள் ஒரு குறிப்பிட்ட சவாலை ஏற்படுத்துகின்றன. மாடல் கோப்புகள் இலவசமாகப் பகிரப்படக் கூடியவை என்பதால், தீய சக்திகள் மறைமுகக் குறியீடுகளை அல்லது மாடல் ஏற்றப்படும்போது செயல்படும் தீய எடைகளை (malicious weights) அதில் இணைக்க முடியும். HiddenLayer சுமார் 50 AI கோப்பு வடிவங்களை ஆய்வு செய்து, "மாடல்களுக்குள் மறைந்திருக்கும் மாடல்களை" (hidden models inside of models) தேடுகிறது, இவை பின்வாசல் (backdoors) போலச் செயல்படக்கூடும். இந்த விநியோகச் சங்கிலிப் பாதுகாப்பு (supply-chain defence), பாதிப்படைந்த கோப்புகள் பயன்பாட்டிற்கு வரும் முன்பே அவற்றை நிறுத்திவிடுகிறது.
புதிய மூலதனம் எவ்வாறு செலவிடப்படும்
HiddenLayer இந்த $100 மில்லியன் தொகையை மூன்று முக்கியத் துறைகளில் ஒதுக்கத் திட்டமிட்டுள்ளது:
- விற்பனை மற்றும் விநியோகம் (Sales and distribution) – ஒரு குறிப்பிட்ட சந்தைக்கான முயற்சியை (niche go-to-market effort) விரிவான நிறுவன விற்பனை இயந்திரமாக மாற்றி, AI-ஐப் பெருமளவில் பயன்படுத்தத் தொடங்கியுள்ள துறைகளைச் சென்றடைதல்.
- பொறியியல் ஆராய்ச்சி (Engineering research) – multi-modal prompt injection மற்றும் cross-agent coordination attacks போன்ற வளர்ந்து வரும் தாக்குதல் முறைகளைக் கண்டறியும் தர்க்கங்களை (detection logic) வலுப்படுத்துதல்.
- புவியியல் விரிவாக்கம் (Geographic expansion) – AI வெளிப்படைத்தன்மை மற்றும் பாதுகாப்பு குறித்த ஒழுங்குமுறை அழுத்தங்கள் அதிகரித்து வரும் ஐரோப்பா, மத்திய கிழக்கு மற்றும் ஆப்பிரிக்கா (EMEA) ஆகிய பகுதிகளில் தனது இருப்பை உருவாக்குதல்.
Sestito, HiddenLayer-ன் சேவையை "AI-க்கான Endpoint Detection and Response (EDR)" என்று ஒப்பிடுகிறார். EDR முகவர்கள் இயங்குதளச் செயல்பாடுகளை (operating-system processes) தீய நடவடிக்கைகளுக்காகக் கண்காணிப்பது போலவே, HiddenLayer-ன் runtime guard, மாடல் inference அழைப்புகள், கருவி அழைப்புகள் (tool invocations) மற்றும் தரவு ஓட்டங்களை (data flows) கொள்கை மீறல்களுக்காகக் கண்காணிக்கிறது.
மாற்றுக்கருத்து: கிளவுட் நிறுவனங்கள் இந்தச் சந்தையை விழுங்கிவிடுமா?
பெரிய கிளவுட் வழங்குநர்களான AWS, Azure, Google Cloud ஆகியவை தங்களது மேலாண்மை செய்யப்பட்ட AI சேவைகளில் (managed AI services) இதே போன்ற ரன்டைம் பாதுகாப்புகளை (runtime protections) இணைக்கக்கூடும் என்பதை நிறுவனம் ஒப்புக்கொள்கிறது. ஒரு கிளவுட் விற்பனையாளர் உள்ளமைக்கப்பட்ட ப்ராம்ப்ட்-இன்ஜெக்ஷன் ஃபில்டர்கள் (prompt-injection filters) அல்லது ஏஜென்ட்-கொள்கை அமலாக்கத்தை (agent-policy enforcement) வழங்கினால், நிறுவனங்கள் மூன்றாம் தரப்பு கூடுதல் மென்பொருட்களில் (third-party add-on) குறைந்த மதிப்பைக் காணக்கூடும்.
நிர்வாகம் (governance), அடையாளம் (identity) மற்றும் கொள்கை கட்டுப்பாடுகள் (policy controls) ஆகியவை சிறப்புத் தீர்வுகளை நியாயப்படுத்தும் அளவுக்குத் தொடர்ந்து சிக்கலானதாகவே இருக்கும் என்று Sestito வாதிடுகிறார். “நிறுவன எல்லைகளைக் கடந்து செல்லும் மல்டி-டெனன்ட் (multi-tenant), அதிக மதிப்புள்ள பணிச்சுமைகளைக் (high-value workloads) கையாளும் போது, ஒரு பொதுவான கிளவுட் சேவை அனைத்து இணக்க நுணுக்கங்களையும் (compliance nuance) பூர்த்தி செய்ய முடியாது,” என்று அவர் கூறுகிறார். ஹைப்பர்ஸ்கேலர்களின் (hyperscalers) பிரம்மாண்டமான தயாரிப்பு சுழற்சியை விட, ஒரு பிரத்யேக பாதுகாப்பு அடுக்கு (dedicated security layer) வேகமாகச் செயல்பட முடியும் என்றும், தற்போதுள்ள SIEM கருவிகளுடன் ஆழமான ஒருங்கிணைப்பு இந்தத் தளத்தைத் தொடர்ந்து பொருத்தமானதாக வைத்திருக்கும் என்றும் அவர் நம்புகிறார்.
வரும் மாதங்களில் கவனிக்க வேண்டியவை
- தத்தெடுப்பு வேகம் (Adoption velocity) – மறைக்கப்பட்ட அடுக்கு (hidden-layer) பாதுகாப்பு கருவிகள் AI கொள்முதல் ஒப்பந்தங்களுக்கான முன்நிபந்தனையாக மாறினால், குறிப்பாக ஒழுங்குமுறைப்படுத்தப்பட்ட துறைகளில் (regulated sectors), நிறுவன உரிமங்கள் (enterprise licences) அதிகரிக்கக்கூடும்.
- போட்டி நகர்வுகள் (Competitive moves) – முக்கிய கிளவுட் வழங்குநர்களிடமிருந்து வரும் நேட்டிவ் AI ரன்டைம் ஹார்டனிங் (native AI runtime hardening) குறித்த அறிவிப்புகளைக் கவனியுங்கள். ஒரு தொகுப்புச் சேவையாக (bundled offering) இது வழங்கப்பட்டால், HiddenLayer நிறுவனம் ஹைப்ரிட்-கிளவுட் (hybrid-cloud) அல்லது ஆன்-பிரமிஸ் (on-premises) பயன்பாடுகளை நோக்கித் திரும்ப வேண்டிய கட்டாயம் ஏற்படலாம்.
- ஒழுங்குமுறை அழுத்தம் (Regulatory pressure) – அரசாங்கங்கள் AI-தனித்துவமான பாதுகாப்புத் தரங்களை உருவாக்கும்போது, இணக்கத் தேவைகள் (compliance requirements) ரன்டைம் பாதுகாப்பைக் குறிப்பாகக் குறிப்பிடலாம். இது HiddenLayer போன்ற விற்பனையாளர்களுக்கு ஒரு சாதகமான சூழலை (regulatory tailwind) உருவாக்கும்.
- அச்சுறுத்தல் பரிணாமம் (Threat evolution) – பல ஏஜெண்டுகளுக்கு இடையே ஒருங்கிணைக்கப்பட்ட ப்ராம்ப்ட் இன்ஜெக்ஷன் அல்லது மாடல் எடைகளை (model weights) பெரிய அளவில் பாதிக்கும் சப்ளை-செயின் தாக்குதல்கள் போன்ற புதிய தாக்குதல் நுட்பங்கள், எந்தவொரு கண்டறியும் இயந்திரத்தையும் (detection engine) சோதிக்கும். HiddenLayer தனது கண்டறியும் மாதிரிகளை (detection models) எவ்வளவு வேகமாக மாற்றியமைக்கிறது என்பதே ஒரு முக்கிய வேறுபாடாக இருக்கும்.
சுருக்கம்
HiddenLayer-ன் $100 மில்லியன் நிதி திரட்டல், AI-தனித்துவமான ரன்டைம் பாதுகாப்பிற்கான சந்தை, வெறும் கல்விசார் விவாதத்திலிருந்து வணிக ரீதியான அவசியமாக மாறியுள்ளதைக் காட்டுகிறது. நிறுவன AI தனிமைப்படுத்தப்பட்ட மாதிரிகளிலிருந்து சிக்கலான, கருவிகள் நிறைந்த ஏஜெண்டுகளாக விரிவடையும் போது, தொடர்ச்சியான, கொள்கை சார்ந்த பாதுகாப்பு (policy-driven protection) என்பது பாரம்பரிய எண்ட்-பாயிண்ட் பாதுகாப்பைப் (endpoint security) போலவே அவசியமாகிறது. இந்த ஸ்டார்ட்அப் அதிநவீன எதிரிகளையும், கிளவுட் ஜாம்பவான்களுக்கிடையிலான பாதுகாப்புப் போட்டிகளையும் (security arms race) முந்திக்கொண்டு செயல்படுகிறதா என்பது, அது "AI-க்கான EDR" ஆகத் தொடருமா அல்லது ஒரு பெரிய தளத்தில் இணைக்கப்பட்ட மற்றொரு அம்சமாக மாறிவிடுமா என்பதைத் தீர்மானிக்கும். தனது எல்லைகளைத் தானே வரையறுத்துக் கொண்டிருக்கும் ஒரு சூழலில், பிரத்யேக AI பாதுகாப்பு விற்பனையாளர்களால் ஒரு நிலையான இடத்தைப் பிடிக்க முடியுமா என்பதை அடுத்த காலாண்டு வெளிப்படுத்தும்.