Einsatz von Libraesva AI: technische Umsetzung, Governance, Datenschutz und regulatorische Compliance

Einleitung

Bei Libraesva verfolgen wir einen dezentralen Ansatz für AI und integrieren Datensicherheit von Anfang an in die Architektur unseres Systems. Dies stellt sicher, dass unsere Geschäftskontinuität durch unsere Unabhängigkeit von AI-Drittanbietern gestärkt wird.

Wir entwickeln und gestalten unsere eigenen AI-Systeme intern, was uns vollständige Kontrolle über unsere Technologie ermöglicht und die Abhängigkeit von externen Cloud-basierten Diensten oder Drittanbietern verhindert. Unsere AI-Modelle arbeiten direkt auf dem Gerät und schließen damit jegliches Risiko einer Datenexfiltration aus.

Durch die Entwicklung optimierter und spezialisierter AI-Lösungen speziell für verteilte Architekturen sind wir in der Lage, ein Höchstmaß an Sicherheit, Flexibilität und Resilienz in unseren Systemen zu gewährleisten.

Technische Umsetzung

Unsere Libraesva AI Engine, die in unsere Email Security-Lösungen integriert ist, nutzt ein mehrsprachiges, tensorbasiertes Modell, das auf grundlegender generativer AI-Technologie aufbaut. Speziell für Klassifizierungsaufgaben entwickelt, bietet sie maßgeschneiderte Intelligenz für verteilte Architekturen und liefert hohe Genauigkeit und Leistung.

Die Libraesva AI Engine ist darauf optimiert, die Semantik von E-Mail-Nachrichten effizient zu verarbeiten, ohne dass für den Einsatz spezielle Hardware erforderlich ist. Während das Training spezifische Hardware benötigt, kann unsere Engine auf Standard-Hardware eingesetzt werden, was Flexibilität und Zugänglichkeit bei der Echtzeit-Bedrohungserkennung gewährleistet.

Durch den direkten Einsatz der Libraesva AI Engine auf unserer Email Security-Appliance stellen wir sicher, dass keine Kundendaten exfiltriert werden, und eliminieren die Abhängigkeit von Drittanbietern. Dies gewährleistet maximale Sicherheit, Kontrolle und Resilienz für die E-Mail-Sicherheitsanforderungen unserer Kunden.

Vorteile unseres Ansatzes

Keine Abhängigkeit von Dritten: Gewährleistet vollständige Unabhängigkeit von externen Anbietern Gewährleistet vollständigen Datenschutz: Verhindert die Offenlegung von Daten durch Vermeidung von Abhängigkeiten von Drittanbietern Hohe Resilienz gegenüber geopolitischer Instabilität: Erhält die Systemstabilität trotz internationaler Spannungen und Handelskonflikte Unabhängigkeit von globalen Lieferketten: Reduziert Risiken durch den Verzicht auf international bezogene Komponenten Vorhersehbare Leistung über die Zeit: Vermeidet potenzielle Inkonsistenzen im Zusammenhang mit AI-Cloud-Diensten Ausschließliche Nutzung verteilter, spezialisierter Modelle: Setzt AI-Modelle ein, die ausschließlich für die jeweilige Aufgabe optimiert sind

Datenschutz und Compliance

Unser Libraesva-Modell ist speziell so konzipiert, dass es die Nutzung von Kundendaten in seinem Trainingsprozess vermeidet und sicherstellt, dass niemals sensible Informationen verwendet werden. Aufgrund seiner rein klassifizierenden Architektur kann das Modell nicht versehentlich auf Trainingsdaten zugreifen oder diese übertragen, was eine zusätzliche Sicherheits- und Compliance-Ebene bietet.

Das Modell wird in unseren EU-basierten Laboren mithilfe eines kuratierten Datensatzes realer bösartiger E-Mails unter genauer Aufsicht unserer Experten-Analysten trainiert. Dieser strenge Qualitätskontrollprozess stellt sicher, dass stets hochwertige Daten und präzise Kennzeichnung zur Entwicklung effizienter AI-Modelle verwendet werden.

Libraesva handelt schnell, um seine Appliances sicher und aktuell zu halten. Wir stellen Updates für alle Appliances weltweit innerhalb von nur fünf Minuten nach Veröffentlichung bereit und gewährleisten so, dass die E-Mail-Sicherheit unserer Kunden stets vor den neuesten Bedrohungen geschützt ist.

Zusätzlich zu häufigen Releases überwachen wir kontinuierlich neue Bedrohungsmuster und aktualisieren unser Modell nach Bedarf. In der Regel wird eine neue Version einmal pro Woche oder sogar zweimal täglich veröffentlicht, sodass wir der sich entwickelnden bösartigen Aktivität stets einen Schritt voraus sind.

Semantische Analyse

Unser Modell ist in der Lage, nicht nur die wörtliche Bedeutung von Nachrichten zu erfassen, sondern auch deren zugrunde liegende Absicht, wobei Faktoren wie sprachliche Nuancen, Rechtschreibfehler und sogar die verwendete Sprache berücksichtigt werden. Dieses fortgeschrittene Verständnis ermöglicht es dem Modell, Bedeutung aus Text zu abstrahieren, wodurch es Muster erkennen und ähnliche Angriffsarten in über 100 von uns unterstützten Sprachen identifizieren kann.

Große zentralisierte Modelle im Vergleich zu kleinen verteilten Modellen

Kleine Modelle zeichnen sich im Vergleich zu größeren durch Effizienz und Genauigkeit innerhalb ihrer spezialisierten Kontexte aus. Allerdings erfordern sie eine sorgfältige Optimierung und Expertise, um ihre Fähigkeiten mit minimalen Ressourcen zu maximieren. Die Libraesva Adaptive Trust Engine verarbeitet E-Mail-Nachrichten, indem sie nur die für die Analyse relevanten Informationen extrahiert. Diese Daten werden dann in ein neuronales Netzwerk eingespeist, das eine Klassifizierung zurückgibt (z. B. Phishing, Business Email Compromise, Transaktions-E-Mail, Newsletter usw.) zusammen mit einem Konfidenzniveau (im Bereich von 0 % bis 100 %).

Diese semantische Analyse ist mit weiteren Informationsquellen integriert, darunter:

• Lokale Machine-Learning-Modelle.
• Reputationsprüfungen.
• Authentifizierungsverifizierung.
• Regelbasierte Bewertungen.
• Anhang-Überprüfung.
• URL-Analyse.

Das Ergebnis ist eine ganzheitliche und effiziente Sicherheitslösung, die semantisches Verständnis mit robuster Bedrohungserkennung kombiniert.

Das neue AI-Modell benötigt keinerlei Konfiguration, wodurch sein Beitrag über zwei wesentliche Kanäle leicht nachvollziehbar ist:

1. Nachrichtenmerkmale, die extrahiert und als „Message Indicators“ in der ESG-Benutzeroberfläche (UI) angezeigt werden.
2. Ein detaillierter technischer Bericht, der jede analysierte Nachricht begleitet und weitere Einblicke in die Leistung des Modells bietet.

Zweck und Verhältnismäßigkeit

Das primäre Ziel der semantischen Analyse besteht darin, die Genauigkeit der Klassifizierung von Nachrichteninhalten zu verfeinern.

Der Einsatz eines AI-Modells zu diesem Zweck ist vollkommen gerechtfertigt und risikofrei, da er modernste Technologie nutzt, um Nachrichten mit höchster Zuverlässigkeit zu erkennen und zu klassifizieren.

Datenschutz

Unsere Email Security-Appliance stellt sicher, dass Kundendaten isoliert und sicher bleiben, da sie Nachrichten vollständig vor Ort (on-premises) verarbeitet und analysiert, ohne sensible Informationen außerhalb der Appliance zu übertragen.

Um höchste Vertraulichkeit zu gewährleisten, verwenden wir keine Kundendaten, um unser AI-Modell zu trainieren oder zu aktualisieren. Dieser Ansatz schließt jegliches Risiko einer Datenexfiltration oder -ausnutzung aus.

Unsere Organisation hält sich an einen strengen AI-Governance-Rahmen, der Risikomanagement und regulatorische Compliance umfasst. Das Libraesva AI Governance Committee überwacht den Einsatz und die Nutzung von AI-Lösungen innerhalb des Unternehmens.

Ungeachtet unseres Einsatzes generativer AI-Technologie sind unsere Modelle als Klassifikatoren und nicht als Extraktoren konzipiert. Dieser spezifische Ansatz stellt sicher, dass sensible Informationen für das Modell unzugänglich bleiben, wodurch potenzielle Datenschutzverletzungen oder unbefugte Offenlegungen verhindert werden.

Durch die Anwendung dieser strukturierten Methodik bleiben wir im Einklang mit internationalen regulatorischen Standards für AI, einschließlich derer, die im EU-Gesetz über künstliche Intelligenz (Artificial Intelligence Act) festgelegt sind.

Die AI-Lösung unserer Organisation wird gemäß dem EU-Gesetz über künstliche Intelligenz als „AI mit minimalem Risiko“ eingestuft, was bedeutet, dass sie nicht in den Anwendungsbereich der spezifischen Anforderungen und Vorschriften des Gesetzes fällt.

Somit löst unser AI-Ansatz keine der im EU AI Act festgelegten verpflichtenden Vorgaben oder Meldepflichten aus.