We build AI infrastructure. Our platform processes customer ML workloads, training datasets, and model artifacts. Knowing where sensitive data ends up across our environment is not optional for us. It is a business requirement. Matters.AI gave us that answer fast. I check the dashboard weekly and the posture score tells me immediately if anything needs attention. The scans pick up new data stores on their own, classify what is in them, and flag anything sensitive. I do not need to remind anyone to audit anything. It just runs. The classification is sharp. It correctly distinguishes between a model configuration file and a file that contains actual customer data. That distinction matters when you are processing thousands of files across cloud storage. The accuracy has been consistent since day one. The interface is clean. My team did not need a walkthrough to start using it. Findings come with a clear priority and a recommended next step. I hand it off, it gets fixed.Support has been responsive. Setup was done in a day. No disruption to our production workloads.

Andromeda utilise ses capacités DSPM pour analyser les différents magasins de données utilisés dans notre produit. Les informations sur les données et l'expérience utilisateur globale ont été claires et intuitives. Sa classification et découverte alimentées par l'IA semblent être un différenciateur clair sur le marché. L'outil nous aide à identifier et classifier les données, et il recommande également des remédiations d'une manière qui semble vraiment innovante. Dans l'ensemble, il fonctionne comme une solution complémentaire aux côtés de nos autres outils et pratiques de sécurité.

Je gère à la fois la fonction DevOps et la livraison de projets chez Dice, donc j'examine tout nouvel outil sous deux angles : s'intègre-t-il dans nos flux de travail d'infrastructure sans créer de travail inutile, et puis-je prédire ses délais de livraison et ses résultats de manière fiable. Matters.AI obtient de bons résultats sur les deux plans. Du côté DevOps, l'intégration s'est faite sans accroc. Nous avons connecté notre compte AWS, la plateforme a automatiquement détecté nos buckets S3 et instances RDS, et les analyses ont commencé à fonctionner sans que nous ayons à écrire des scripts personnalisés ou à déployer des agents sidecar. Cela compte lorsque vous gérez une équipe d'infrastructure réduite. Les analyses ne concurrencent pas les ressources de calcul en production, ce qui était une préoccupation que j'avais au départ. Elles fonctionnent de manière indépendante et la surcharge de performance est pratiquement nulle. Les résultats de classification sont là où j'ai cessé de comparer cet outil à d'autres. Nous avions précédemment essayé de créer des scripts internes pour étiqueter les données sensibles à travers notre couche de stockage. La couverture était peut-être de 60 % les bons jours, et maintenir ces scripts était un projet en soi. Matters.AI a remplacé tout cela. La plateforme détecte les PII des utilisateurs, les identifiants de paiement, les données des appareils et les jetons de session à la fois dans les tables de bases de données structurées et les magasins de fichiers non structurés. Elle le fait sans que nous ayons à lui fournir des règles personnalisées pour chaque type de données. La précision a été suffisamment élevée pour que notre équipe de sécurité cesse de vérifier les résultats après le premier mois. La deuxième chose qui s'est démarquée d'un point de vue gestion de projet est la remédiation guidée. Chaque constatation est accompagnée d'un score de risque et d'une action spécifique à entreprendre. Cela signifie que je peux attribuer des tâches de remédiation aux membres de l'équipe directement depuis la vue des constatations avec une priorité et une portée claires. Pas d'ambiguïté, pas de va-et-vient sur ce qui doit être fait. Pour quelqu'un qui suit les livrables de sprint, cette clarté est précieuse. Le tableau de bord de notation de l'exposition est également devenu une partie de notre cadence de reporting mensuel. La direction obtient un seul chiffre qui reflète notre posture de sécurité des données, et elle peut le voir évoluer au fil du temps. Je n'ai pas eu besoin de créer un tableau de bord personnalisé ou d'extraire des données dans un outil BI. C'était là dès le départ.