opentext kunsmatige intelligensie en masjien
Kunsmatige intelligensie (KI) verander die manier waarop ons met masjiene omgaan en die manier waarop masjiene met ons omgaan. Hierdie gids gee 'n uiteensetting van hoe KI funksioneer, die sterk punte en beperkings van verskeie tipes masjienleer, en die evolusie van hierdie immer veranderende studieveld. Dit ondersoek ook die rol van KI-geaktiveerde sekuriteitsanalise of gebruiker- en entiteitgedragsanalise (UEBA) om ondernemings beter te beskerm teen vandag se komplekse kuberveiligheidsbedreigings.
Masjien vs Menslike Leer
Kunsmatige intelligensie (KI) is oral—ten minste, dit is hoe dit lyk. By OpenText™ is die opkoms van KI opwindend en uitdagend. Maar terwyl ons met ons eweknieë, kliënte en vennote in gesprek was, het ons besef dat die konsep van KI word nie altyd maklik verstaan om hierdie KI en Masjienleer 101-gids te begin, sal ons die KI-legkaart uitpak deur die hoofvraag wat baie mense vra, te beantwoord: "Wat is kunsmatige intelligensie, regtig?"
Die maklikste manier om kunsmatige intelligensie te verstaan, is om dit te karteer na iets wat ons reeds verstaan—ons eie intelligensie Hoe werk nie-kunsmatige, menslike intelligensie? Op die mees basiese vlak volg ons intelligensie 'n eenvoudige vordering: ons neem inligting in, ons verwerk dit, en uiteindelik help die inligting ons om op te tree
Kom ons breek dit af in 'n stelseldiagram In die figuur hieronder, die drie algemene stappe van menslike intelligensie van links na regs: inset, verwerking en uitset In die menslike brein vind insette plaas in die vorm van waarneming en waarneming van dinge Jou oë, neus, ore, ens., neem rou insette aan die linkerkant in, soos fotone van lig of die reuk van dennebome, en verwerk dit dan. Aan die stelsel se regterkant is uitset Dit sluit spraak en handelinge in, wat albei afhanklik is van hoe ons verwerk die rou insette wat ons brein ontvang Die verwerking vind in die middel plaas, waar kennis of herinneringe gevorm en herwin word, besluite en afleidings gemaak en gemaak word, en leer plaasvind.
Figuur 1. Menslike intelligensie
Hoe werk nie-kunsmatige, menslike intelligensie? Op die mees basiese vlak volg ons intelligensie 'n eenvoudige vordering: ons neem inligting in, ons verwerk dit, en uiteindelik help die inligting ons om op te tree.
Prentjie wat by 'n padkruising stop Jou oë sien dat die verkeerslig voor jou sopas groen geword het Op grond van wat jy uit ondervinding (en bestuurder se opleiding) geleer het, weet jy dat 'n groen lig aandui dat jy vorentoe moet ry. druk die petrolpedaal Die groen lig is die rou inset, jou versnelling is die uitset; alles tussenin is verwerking
Om die wêreld om ons intelligent te navigeer—om die telefoon te beantwoord, sjokoladekoekies te bak of verkeersligte te gehoorsaam—moet ons die insette wat ons ontvang verwerk. Dit is die kern van menslike intelligensieverwerking, en dit word uiteindelik in drie verskillende aspekte opgebreek. :
- Kennis en geheue. Ons bou kennis op soos ons feite inneem (dws die Slag van Hastings het in 1066 plaasgevind) en sosiale norme (dws om te sê "asseblief" en "dankie" word as beleefd beskou) Boonop stel geheue ons in staat om inligting te herroep en toe te pas die verlede tot huidige situasies BvampLe, Edward onthou dat Jane hom nie vir haar verjaardaggeskenk bedank het nie, so hy verwag nie dat sy hom sal bedank wanneer hy vir haar 'n Kersgeskenk gee nie
- Besluit en afleiding. Besluite en afleidings word gemaak op grond van rou insette gekombineer met kennis en/of geheue Bvample, Edward het verlede jaar 'n jalapeno-peper geëet en het nie daarvan gehou nie Wanneer Johnny 'n soetrissie vir Edward aanbied, besluit hy om dit nie te eet nie
- Leer. Mense kan leer deur bvample, waarneming of algoritme In leer deur bvampLe, ons word vertel dat een dier 'n hond is, die ander 'n kat. Wanneer ons leer deur waarneming, vind ons op ons eie uit dat honde blaf en dat katte miaau. Die derde leermetode—algoritme— stel ons in staat om 'n taak te voltooi deur te volg 'n reeks stappe of 'n spesifieke algoritme (bv. voer lang deling uit)
Hierdie aspekte van menslike intelligensie parallel kunsmatige intelligensie Net soos ons inligting inneem, dit verwerk en uitset deel, so kan masjiene Kom ons kyk na die figuur hieronder om te sien hoe dit uitbeeld.
Figuur 2. Kunsmatige intelligensie
Om die wêreld rondom ons intelligent te navigeer—om die telefoon te antwoord, sjokoladekoekies te bak, of verkeersligte te gehoorsaam—moet ons die insette wat ons ontvang verwerk.
In masjiene word die insetdeel van kunsmatige intelligensie geïllustreer deur natuurlike taalverwerking, spraakherkenning, visuele herkenning, en meer. Jy sien sulke tegnologieë en algoritmes oral, van selfrymotors wat die paaie en hindernisse moet aanvoel, tot Alexa of Siri wanneer dit jou spraak herken Die uitset wat volg is maniere waarop masjiene interaksie het met die wêreld om ons. Dit kan die vorm aanneem van robotika, navigasiestelsels (om daardie selfrymotors te lei), spraakgenerering (bv. Siri), ens. tussen, het ons verskeie vorme van verwerking wat plaasvind
Soortgelyk aan ons aanwas van kennis en herinneringe, kan masjiene kennisvoorstellings skep (bv. grafiekdatabasisse, ontologieë) wat hulle help om inligting oor die wêreld te stoor Net soos mense besluite neem of afleidings maak, kan masjiene 'n voorspelling maak, optimeer vir 'n teiken of uitkoms, en bepaal die beste volgende stappe of besluite om 'n spesifieke doel te bereik
Ten slotte, net soos ons leer deur example, waarneming of algoritme, masjiene kan onderrig word deur gebruik te maak van analoog metodes Onder toesig masjienleer is baie soos leer deur eks.ample: die rekenaar kry 'n datastel met "etikette" binne die datastel wat as antwoorde optree, en leer uiteindelik om die verskil tussen verskillende etikette te onderskei (bv. hierdie datastel bevat foto's gemerk as "hond" of "kat", en met genoeg examples, sal die rekenaar agterkom dat honde oor die algemeen langer sterte en minder puntige ore as katte het)
Masjienleer sonder toesig, aan die ander kant, is soos leer deur waarneming Die rekenaar neem patrone waar (honde blaf en katte miaau) en leer hierdeur om groepe en patrone op sy eie te onderskei (bv., daar is twee groepe diere wat kan geskei word deur die geluid wat hulle maak, een groep blaf—honde—en die ander groep miaau—katte) Leer sonder toesig vereis nie etikette nie en kan dus verkieslik wees wanneer datastelle beperk is en nie byskrifte het nie. wat gebeur wanneer 'n programmeerder 'n rekenaar presies opdrag gee wat om te doen, stap-vir-stap, in 'n sagtewareprogram.
die mees akkurate en gebrekkige kunsmatige intelligensie-resultate vereis 'n kombinasie van leermetodes Beide onder toesig en sonder toesig masjienleer is nuttige metodes - dit gaan alles oor die toepassing van die regte benadering of benaderings tot die regte gebruiksgeval
Vervolgens sal ons masjienleer onder die loep plaas om te verstaan hoe hierdie deel van KI die neurone in ons brein weerspieël om insette na optimale uitset te verander.
Ideaal gesproke vereis die mees akkurate en doeltreffendste kunsmatige intelligensie-resultate 'n kombinasie van leermetodes. Sowel masjienleer onder toesig as sonder toesig is nuttige metodes—dit gaan alles oor die toepassing van die regte benadering of benaderings tot die regte gebruiksgeval.
Die neurale netwerk en diep leer
Masjienleer is net een deel van KI, alhoewel dit 'n massiewe subset van algoritmes daarin het. Een metode wat jy vandag gereeld hoor is "diep leer", 'n algoritme wat die afgelope jare 'n redelike deel van die aandag in die nuus gekry het. sy gewildheid en sukses, is dit nuttig om te verstaan hoe dit werk Diep leer is 'n evolusie van 'n masjienleeralgoritme wat gewild was in die 1980's wat jy dalk herken: neurale netwerke.
Neurale netwerke - 'n programmeringsparadigma waarin ons masjiene oplei om te "leer" - word geïnspireer deur neurone, of gespesialiseerde selle in die menslike liggaam wat die fondament van ons senuweestelsel vorm, en veral breine. Hierdie selle stuur seine deur ons liggame oor. sisteemreaksies en -prosesse Neurone is wat ons in staat stel om te sien, hoor, ruik, ens.
Figuur 3. Hoe neurone boodskappe ontvang en stuur
Baie van wat ons as menslike leer beskou, kan beskryf word deur hoe sterk die verband tussen twee neurone in ons brein is, tesame met die sterkte van die rand van ons sinapse.
In deel een van hierdie gids het ons die basiese proses van menslike intelligensie bespreek: insette aan die linkerkant, en uitset aan die regterkant. Die neuron (foto hierbo) speel 'n kritieke rol in hierdie Aan die linkerkant van die neuron versamel die selliggaam “invoer” Sodra dit genoeg insette of stimulasie ontvang, word die akson fres, wat die inligting na die regterkant oordra—die sinaps Die “uitset” word dan na ander neurone gestuur
Op enige gegewe oomblik stuur ons neurone boodskappe tussen mekaar deur. Hierdie selle is verantwoordelik vir ons vermoë om ons omgewing waar te neem. En wanneer ons leer, word ons neurone baie aktief. Trouens, baie van wat ons dink as menslike leer kan beskryf word deur hoe sterk die verband tussen twee neurone in ons brein is, tesame met die sterkte van die rand van ons sinapse
'n Neurale netwerk is 'n wiskundige simulasie van 'n versameling neuronselle. Die prent hieronder verteenwoordig 'n basiese neurale netwerk met 3 lae en 12 nodusse
Elke sirkelvormige nodus verteenwoordig 'n kunsmatige, biologies geïnspireerde "neuron" Die lyne verteenwoordig 'n verbinding vanaf die uitset van een kunsmatige neuron aan die linkerkant na die insette van 'n ander aan die regterkant. Seine tussen hierdie neurone vloei langs die lyne van links na regs In hierdie netwerke , insette—soos pixeldata—vloei vanaf die invoerlaag, deur die middelste “versteekte” lae, en uiteindelik na die uitsetlaag op 'n wyse wat beskryf word deur wiskundige vergelykings wat losweg geïnspireer is deur die elektriese aktiwiteit in werklike biologiese neurone.
Figuur 4. Eenvoudige neurale netwerk
Neurale netwerke leer deur datastelle wat aan die invoerlaag aangebied word, te probeer pas by gewenste uitkomste in die uitsetlaag. Die wiskundige vergelykings bereken die uitsette, vergelyk die gesimuleerde uitset met die verlangde uitkoms, en die gevolglike verskille produseer dan aanpassings aan die sterkte van die verbindings.
Neurale netwerke leer deur datastelle wat aan die invoerlaag aangebied word te probeer pas by gewenste uitkomste in die uitsetlaag Die wiskundige vergelykings bereken die uitsette, vergelyk die gesimuleerde uitset met die verlangde uitkoms, en die gevolglike verskille produseer dan aanpassings aan die sterkte van die verbindings Hierdie tweaks word iteratief aangepas totdat die berekende uitset naby genoeg is aan die gewenste uitkoms, op watter punt ons sê die neurale netwerk het "geleer"
Figuur 5. Komplekse neurale netwerk
Hierdie "dieper" neurale netwerke kan baie meer komplekse voorspellings doen. Daar kan duisende nodusse en honderde lae wees, wat beteken duisende verskillende berekeninge Diep leermodelle het baie goed geword met spesifieke probleme, soos spraak- of beeldherkenning.
Dit is egter opmerklik dat diep leer nie 'n silwer kol vir masjienleer is nie - veral nie in kuberveiligheid nie, waar daar soms nie die groot volume skoon data is wat ideaal is vir diepleermetodes nie. Dit is belangrik om die regte algoritme te kies, data en beginsels vir die werk Dit is die beste manier vir masjiene om bewyse te versamel, die kolletjies te verbind en 'n gevolgtrekking te maak
Neurale netwerke lyk dalk soos die dinge van die toekoms, maar dit bestaan al 'n rukkie. Trouens, neurale netwerke is gebaseer op idees wat in die 1940's begin sirkuleer het. In die volgende afdeling sal ons 'n kort reis terug in tyd neem om te verstaan hoe neurale netwerke en masjienleer baie dele van die moderne lewe deurdring het.
Neurale netwerke lyk dalk soos die dinge van die toekoms, maar dit bestaan al 'n rukkie. Trouens, neurale netwerke is gebaseer op idees wat in die 1940's begin sirkuleer het.
'N Kort geskiedenis van kunsmatige intelligensie
Vir sommige mense kan die term kunsmatige intelligensie (KI) beelde van futuristiese stede met vlieënde motors en huishoudelike robotte oproep. Maar KI is nie 'n futuristiese konsep nie, ten minste nie meer nie. Alhoewel dit nie as sodanig na verwys word nie, kan die idee van kunsmatige intelligensie teruggevoer na die oudheid (dws, die Griekse god Hephaestus se pratende meganiese diensmeisies) ¹ Sedert die 1930's was wetenskaplikes en wiskundiges gretig om die skep van ware intelligensie apart van mense te ondersoek
KI se bepalende oomblik in die middel van die 20ste eeu was 'n gelukkige samevloeiing van wiskunde en biologie, met navorsers soos Norbert Wiener, Claude Shannon en Alan Turing wat reeds weggekap het by die kruising van elektriese seine en berekening Teen 1943, Warren McCulloch en Walter Pitts het 'n model vir neurale netwerke geskep Neurale netwerke het die weg gebaan vir 'n dapper nuwe wêreld van rekenaars met groter perdekrag, en in 1956 is die veld van KI-navorsing amptelik gevestig as 'n akademiese dissipline
Die laaste helfte van die eeu was 'n opwindende era vir KI-navorsing en -vordering, af en toe onderbreek deur "KI-winters" in die middel-70's en laat 80's waar KI nie aan die publiek se verwagtinge voldoen het nie, en belegging in die veld verminder is. Maar ten spyte van terugslae, verskillende toepassings vir KI en masjienleer het links en regs verskyn. Een spesifieke staaltjie van so 'n toepassing het 'n gewilde gelykenis in die wetenskaplike gemeenskap geword, wat redelik effektief praat oor die proewe en beproewings van KI-navorsing en implementering
Die storie gaan iets soos volg:
In die 1980's het die Pentagop besluit om 'n neurale netwerk te gebruik om gekamoefleerde tenks te identifiseer. Werk met net een hoofraamwerk (van die 1980's, hou in gedagte), is die neurale net opgelei met 200 foto's—100 tenks en 100 bome Ten spyte van die relatief klein neurale netwerk (as gevolg van 1980's) beperkings op berekening en geheue), het die laboratoriumopleiding tot 100% akkuraatheid gelei. Met soveel sukses besluit die span om dit in die veld te gee. Die resultate was nie wonderlik nie.
Figuur 6. Lab vs veldfoto's (Bron: Neural Network Follies, Neil Fraser, September 1998)
Met die beskikbaarheid van groot rekenaarhulpbronne wat in die 1980's nog nie gedroom het nie, het diep neurale netwerke vinnig 'n gewilde area vir navorsing geword. Diep leer gee 'n stelsel die vermoë om outomaties te "leer" deur miljarde kombinasies en waarnemings, wat die afhanklikheid van menslike hulpbronne verminder.
Hoekom het die neurale netwerk so fantasties gevaar op die foto's in die laboratorium, maar so heeltemal misluk in die veld? Dit het geblyk dat die nie-tenkfoto's almal geneem is op dae waar die lug bewolk was; al die foto's van bome is geneem op dae waar die son skyn. Die neurale net is opgelei om sonnigheid te herken, nie tenks nie
Uiteindelik egter, visuele herkenning via diep leer - gefasiliteer deur neurale netwerke wat baie meer kompleks is as die Pentagdie hoofraam van die 1980's sou kon hanteer—het 'n werklikheid geword In 2012 het Stanford-professor Andrew Ng en Google-genoot Jef Dean een van die eerste diep neurale netwerke geskep deur 1000 rekenaars met 16 kerne elk te gebruik. Die taak: ontleed 10 miljoen YouTube-video's Die resultaat : dit het katte gevind ² Danksy sy "diep leer"-algoritme kon die netwerk katte mettertyd herken, en met baie goeie akkuraatheid
Met die beskikbaarheid van groot rekenaarhulpbronne waaroor in die 1980's nie gedroom was nie, het diep neurale netwerke vinnig 'n gewilde gebied vir navorsing geword Diep leer gee 'n stelsel die vermoë om outomaties deur biljoene kombinasies en waarnemings te "leer", wat die afhanklikheid van menslike hulpbronne Binne die kuberveiligheidsdomein het die metode besonder belowend geword vir die opsporing van wanware—scenario's waarin ons groot datastelle het met baie eks.ampwanware waaruit die netwerk kan leer
Ongelukkig is diepleermetodes tans minder effektief wanneer dit kom by sekere gebruiksgevalle, soos bedreiging van binnekant, omdat ons eenvoudig nie die regte soort data oor hierdie tipe aanvalle het nie, in die volumes wat benodig word Meestal is die inligting wat ons het op insider-bedreigings is anekdoties, wat nie doeltreffend deur hierdie tipe neurale netwerke gebruik kan word nie.
Totdat ons meer effektiewe datastelle kan versamel (en die koste en kompleksiteit van diepleerstelsels kan verminder), is diepleer nie die regte keuse vir alle gebruiksgevalle nie. En dit is goed. Diep leer is net een van baie masjienleeralgoritmes, en hierdie benaderings kan net asof dit nie meer waardevol is nie—dit hang alles af van die werk op hande
Ons het in die ses dekades sedert die amptelike "geboorte" daarvan 'n geweldige potensiaal van KI-tegnologieë gesien en ons het nou eers die oppervlak gekrap, veral in sekuriteit. Vervolgens gaan ons 'n dieper duik neem in die potensiële toepassings vir KI en analise om die manier waarop ons sekuriteitsbedreigings identifiseer en daarop reageer.
Voorspellende analise is net een stuk van 'n veel groter legkaart wat ons baie meer bruikbare insig vir sekuriteitspanne kan gee.
Ons het in die ses dekades sedert sy amptelike "geboorte" 'n geweldige potensiaal van KI-tegnologieë gesien en ons het nou eers die oppervlak gekrap, veral in sekuriteit.
'n Nuwe visie vir sekuriteitsanalise
Tot dusver het hierdie gids masjienleer noukeurig gekyk en die beperkings en sterk punte daarvan verstaan. Daar is enorme potensiaal vir masjienleer om AI te fasiliteer, maar dit is opmerklik dat die breër spel van bedreigingsopsporing nie net oor diep leer of masjienleer gaan nie. soos ons dit vandag ken Nuwe analitiese metodes gekombineer met nuwe datatipes kan ons heeltemal nuwe raamwerke gee waarin ons sekuriteitsbedreigings kan ontleed en optree.
| Nuwe metodes | Aanpasbare Analise Deurlopende Analise Optimalisering onder Onsekerheid | Reageer op konteks Reageer op plaaslike verandering/terugvoer Kwantifiseer of versagtende risiko |
| Tradisioneel | Optimering Voorspellende modellering Simulasie Vooruitskatting Waarskuwings Navraag/Drill Down Ad hoc Verslagdoening Standaard Verslagdoening | Besluitkompleksiteit, oplossingspoed Toevallig, waarskynlikheid, vertrouensvlakke Hoë getrouheid, speletjies, databoerdery Groter datastelle, nie-lineêre regressie Reëls/snellers, kontekssensitief, komplekse gebeurtenisse In geheue data, vaag soektog, geo ruimtelike Navraag deur eks.ample, gebruiker verdedig verslae Intydse, visualiserings, gebruikersinteraksie |
| Nuwe data | Entiteitsresolusieverhouding, kenmerk-onttrekkingsaantekening en tokenisering | Mense, rolle, liggings, dinge Reëls, semantiese afleidings, bypassende Outomatiese, skare verkry |
Ons het gesien wat analise vir ander bedrywe kan doen, en daar is potensiaal vir analise om ook 'n diepgaande impak op kuberveiligheid te hê. Ons sien dat dit vorm aanneem in 'n nuwe veld waarna ons verwys as sekuriteitsanalise, wat in wese die stryd getoets neem algoritmes en metodologieë wat ons bespreek het (en meer) en dit toepas, help om die werklik moeilike probleme in sekuriteit op te los
Die mees algemene analise wat ons vandag in sekuriteit sien, behels voorspellende modelle, wat ons in staat stel om te identifiseer waar risiko's binne groot hoeveelhede data kan wees (dit is waar anomalie-opsporing intree). In 'n neutedop, voorspellende modellering kombineer historiese data met intydse gedrag om toekomstige gedrag te verstaan of te voorspel Hiermee kan ons die vraag beantwoord: "Wat gebeur volgende?"
Maar ons visie vir sekuriteitsanalise stop nie hier Voorspellende analise is net een stuk van 'n veel groter legkaart wat ons baie meer bruikbare insig vir sekuriteitspanne kan gee. Die ideale ontledingsparadigma kombineer intelligente sensor en alomteenwoordige databronne—rekenaars en bedieners, selfone , wolk, sosiale netwerke, oop data, ens —met veelvuldige gevorderde analitiese benaderings tot gedrags- en bedreigingsanalise, insluitend forensiese analise, risikomodellering, anomalie-opsporing, gedrags- en reaksieoptimalisering, en meer
Dit beteken dat ons veel meer kan doen as om 'n bedreiging te voorspel of te identifiseer. Dit stel ons in staat om selfs verder te gaan om nie net gevorderde opsporing te bied nie, maar insig in hoe om die doeltreffendste te reageer Sekuriteitsanalise gee ons die krag om ander sleutelvrae te beantwoord, soos "Hoe is daar baie bedreigings?” en "Wat is die beste moontlike reaksie?"
Ons het nog nie gesien dat ander klasse analise soos optimaliseringsmetodes op kuberveiligheid toegepas word nie, maar hulle het geweldige potensiaal. Hierdie tegnieke kyk na al die moontlike reaksies op 'n sekuriteitsrisiko en bepaal die beste reaksie Ja, daar is maniere om dit met wiskunde te doen
Byvoorbeeldample, optimeringsmetodes word gebruik wanneer jy 'n oproep na jou selfoondiensverskaffer maak met 'n probleem Hulle maak nie lukraak 'n aanbeveling oor of jy jou diensplan teen 'n afslag moet opgradeer of nie; hulle maak staat op 'n stel wiskunde in die agtergrond wat kyk na jou oproeplogboeke, die aantal oproepe wat laat val is, hoe jou geskiedenis vergelyk met dié van ander gebruikers, ens. Dit bereken selfs die waarskynlikheid dat jy na 'n ander diensverskaffer kan oorskakel. van al die moontlike volgende stappe, bereken dit die beste volgende stap om kliëntebehoud te maksimeer
Dieselfde wiskunde kan op 'n sekuriteitspan toegepas word om 'n risiko te identifiseer, 'n aantal maniere te verskaf om te reageer en wiskundig te bepaal wat die beste reaksie is om hierdie spesifieke risiko te maksimeer.
Die vinnige opkoms en evolusie van sekuriteitsbedreigings maak hierdie tipe reaksiedoeltreffendheid krities. Ons het vandag meer data as ooit tevore Gelukkig het ons ook meer rekenaarkrag, beter algoritmes en breër belegging in navorsing en tegnologieë om ons te help om sin te maak van hierdie data deur middel van wiskunde Volgens alle rekeninge glo ons dat sekuriteitsanalise net begin het.
Ons het vandag meer data as ooit tevore. Gelukkig het ons ook meer rekenaarkrag, beter algoritmes en breër belegging in navorsing en tegnologieë om ons te help om sin te maak van hierdie data deur middel van wiskunde. Volgens alle rekeninge glo ons dat sekuriteitsanalise net begin het.
Kliënte ondersteuning
Maak kontak met ons
www.opentext.com
OpenText Cybersecurity bied omvattende sekuriteitsoplossings vir maatskappye en vennote van alle groottes Van voorkoming, opsporing en reaksie tot herstel, ondersoek en voldoening, ons verenigde end-tot-end-platform help kliënte om kuberveerkragtigheid te bou via 'n holistiese sekuriteitsportefeulje aangedryf deur uitvoerbare insigte van ons intydse en kontekstuele bedreigingsintelligensie, OpenText Cybersecurity-kliënte trek voordeel uit produkte met hoë doeltreffendheid, 'n ervaring wat aan voldoen en vereenvoudigde sekuriteit om besigheidsrisiko's te help bestuur
762-000016-003 | O | 01/24 | © 2024 Oop teks
Dokumente / Hulpbronne
 |
opentext Kunsmatige Intelligensie en Masjienleer [pdf] Instruksies Kunsmatige intelligensie en masjienleer, intelligensie en masjienleer, masjienleer |
