MIND’den kurumsal veri güvenliği için beş yapay zekâ DLP aracısı

DLP, hassas verilerin yetkisiz biçimde paylaşılmasını veya kurum dışına çıkarılmasını önlemeye yönelik güvenlik süreçlerini ifade ediyor. MIND'in yeni yaklaşımı, bu süreçlerdeki tekrarlayan ve insan kaynağı gerektiren işleri yapay zekâ aracılarının üstlenmesini hedefliyor.

Beş uzmanlaşmış DLP aracısı ne yapıyor?

MIND'in platforma eklediği aracılar, veri güvenliği programının farklı aşamalarına odaklanıyor. Custom Classifier ve Issue Investigator aracılarının daha önce kullanıma sunulduğu, diğer üç aracının ise bu duyuruyla birlikte eklendiği belirtildi.

• Custom Classifier Agent: Kuruma özgü hassas veri türlerini tanımlamak için veri sınıflandırıcıları oluşturuyor ve ayarlıyor.
• Issue Investigator Agent: DLP uyarılarını ve olaylarını otomatik olarak inceliyor; güvenlik ekiplerinin ilk değerlendirme ve önceliklendirme yükünü azaltıyor.
• Policy Producer Agent: Güvenlik ekiplerinin belirlediği amacı politika sözdizimine dönüştürüyor ve gerçek veri hareketlerine göre politikaları geliştiriyor.
• Rapid Response Agent: Veri açığa çıktığında düzeltici ve sınırlandırıcı müdahaleleri otomatikleştiriyor.
• Reason Reviewer Agent: Daha önce birikerek manuel inceleme bekleyen istisna ve geçersiz kılma taleplerini değerlendiriyor.

Şirket, bu aracılardan her birinin DLP programının belirli bir bölümünü üstlendiğini ve birlikte çalışan tek bir ekip gibi hareket ettiğini belirtiyor.

MCP arayüzüyle doğal dil üzerinden komut

MIND'in yeni Model Context Protocol arayüzü, güvenlik ekiplerinin aracılara ayrı bir yönetim konsoluna geçmeden talimat vermesine olanak tanıyor. MCP, yapay zekâ uygulamalarının farklı araç ve hizmetlerle standart bir biçimde iletişim kurmasını sağlayan bir protokol olarak kullanılıyor.

MCP uyumlu bir yapay zekâ istemcisi üzerinden ekipler, örneğin “Dün geceki kişisel veri uyarılarını incele” veya “kredi kartı sınıflandırıcısını güncelle” gibi doğal dil komutları verebiliyor. Böylece sınıflandırma, olay inceleme, politika ayarlama ya da müdahale gibi işler, ekiplerin hâlihazırda kullandığı yapay zekâ araçlarının içinden başlatılabiliyor.

Müşterilerin bildirdiği zaman tasarrufu

MIND'in aktardığı müşteri göstergelerine göre, olay inceleme süresi olay başına 3-4 saatten birkaç dakikaya kadar geriledi. Noname Security Bilgi Güvenliği Direktörü (CISO) Mike Morrato, bunun olay başına günlük yüzde 25-50 zaman tasarrufuna karşılık geldiğini söyledi.

ThoughtSpot Güvenlik Mühendisliği Kıdemli Direktörü Al Faiella ise ekibinin elde ettiği değeri “iç rahatlığı” olarak tanımladı. Faiella'ya göre olaylar, inceleme büyük ölçüde tamamlanmış biçimde ekibin karşısına geliyor; politikalar da gerçek kullanım verilerine göre kendini geliştiriyor.

Bu rakamların şirketin paylaştığı müşteri geri bildirimlerine dayandığı ve tüm kurumlar için aynı sonucu garanti etmediği not edilmeli.

Kurumsal yapay zekâ kullanımı neden yeni bir güvenlik yükü yaratıyor?

MIND, duyuruyu üretken yapay zekâ uygulamalarının, Agentic AI sistemlerinin ve otonom iş akışlarının verileri güvenlik ekiplerinin manuel olarak yönetebileceğinden daha hızlı oluşturup taşıdığı görüşüyle çerçeveliyor.

Güvenlik ekipleri hâlâ sınıflandırıcı oluşturma, uyarıları inceleme, politikaları ayarlama ve istisna taleplerini sonuçlandırma gibi operasyonel işlere ciddi zaman ayırıyor. Bu da strateji, risk yönetimi ve kurum genelindeki güvenlik planlaması için ayrılabilecek zamanı daraltıyor.

MIND CEO'su Eran Barak bu gerilimi şöyle özetledi: “Yapay zekâ verinin nasıl oluşturulduğunu ve hareket ettiğini kökten değiştirdi; ancak çoğu kuruluşun veriyi nasıl güvence altına aldığı değişmedi.”

Yeni duyuru, Agentic AI için DLP yaklaşımını nasıl genişletiyor?

MIND, Ocak 2026'da DLP for Agentic AI yaklaşımını duyurmuştu. Veri merkezli bu yaklaşım; kurum genelinde hangi yapay zekâ aracılarının aktif olduğunu keşfetmeye, bu aracılarının hangi hassas verilere eriştiğini belirlemeye ve yapay zekâdan yapay zekâya gerçekleşen etkileşimlerde veri sızıntılarını önlemeye odaklanıyor.

Bu ilk katman, Agentic AI iş akışları için görünürlük ve kontrol sağlıyordu. Temmuz 2026'da tanıtılan aracılar ise bu temelin üzerine operasyonel otomasyon ekliyor: sınıflandırıcı oluşturma, olay inceleme, politika üretme, istisna değerlendirme ve veri açığa çıktığında düzeltici müdahalede bulunma gibi adımlar artık otonom biçimde yürütülebiliyor.

Özetle MIND'in yaklaşımı, “Yapay zekâ aracılarının ne yaptığını görme” aşamasından “DLP programının günlük işleyişini de yapay zekâ aracılarının yürütmesi” aşamasına geçiyor.