Opentext Süni İntellekt və Maşın

Süni intellekt (AI) maşınlarla qarşılıqlı əlaqəmizi və maşınların bizimlə qarşılıqlı əlaqəsini dəyişdirir. Bu təlimat süni intellektin necə işlədiyini, müxtəlif maşın öyrənmə növlərinin güclü və məhdudiyyətlərini və daim dəyişən bu tədqiqat sahəsinin təkamülünü təsvir edir. O, həmçinin müəssisələri bugünkü mürəkkəb kibertəhlükəsizlik təhdidlərindən daha yaxşı qorumaq üçün süni intellektlə işləyən təhlükəsizlik analitikasının və ya istifadəçi və təşkilatın davranış analitikasının (UEBA) rolunu araşdırır.

Maşın və İnsan Öyrənməsi

Süni intellekt (AI) hər yerdə var – ən azı, belə görünür ki, OpenText™-də süni intellektin yüksəlişi həm həyəcanverici, həm də çətin olur. Süni intellekt anlayışı həmişə asan başa düşülmür. Bu AI və Machine Learning 101 bələdçisinə başlamaq üçün biz bir çox insanın verdiyi əsas suala cavab verərək süni intellekt tapmacasını açacağıq: “Həqiqətən, süni intellekt nədir?”

Süni intellekti başa düşməyin ən asan yolu onu artıq başa düşdüyümüz bir şeyə - öz intellektimizə uyğunlaşdırmaqdır. Süni olmayan insan zəkası necə işləyir? Ən əsas səviyyədə, intellektimiz sadə bir irəliləyiş izləyir: biz məlumatı qəbul edirik, emal edirik və nəticədə məlumat bizə fəaliyyət göstərməyə kömək edir.

Gəlin bunu sistem diaqramına ayıraq Aşağıdakı şəkildə insan intellektinin soldan sağa üç ümumi addımı: giriş, emal və çıxış İnsan beynində giriş şeyləri hiss etmək və qavramaq şəklində baş verir. burun, qulaqlar, və s., işıq fotonları və ya şam ağaclarının qoxusu kimi soldan xam girişi qəbul edin və sonra onu emal edin Sistemin sağ tərəfində çıxış edir Buraya nitq və hərəkətlər daxildir, hər ikisi necə beynimizin qəbul etdiyi xam girişi emal edirik Emal ortada baş verir, burada bilik və ya xatirələr formalaşır və geri alınır, qərarlar və nəticələr çıxarılır və öyrənmə baş verir.

Şəkil 1. İnsan intellekti

Süni olmayan, insan intellekti necə işləyir? Ən əsas səviyyədə, intellektimiz sadə bir irəliləyiş izləyir: biz məlumatı qəbul edirik, emal edirik və nəticədə məlumat bizə fəaliyyət göstərməyə kömək edir.

Yol kəsişməsində dayanan şəkil Gözləriniz qarşıdakı svetoforun təzəcə yaşıl rəngə çevrildiyini görür. Təcrübədən öyrəndiklərinizə (və sürücünün təhsilinə) əsasən bilirsiniz ki, yaşıl işıq sizin irəli sürməli olduğunuzu göstərir. qaz pedalına basın Yaşıl işıq xam girişdir, sürətlənməniz çıxışdır; aralarındakı hər şey emal olunur

Ətrafımızdakı dünyanı ağıllı şəkildə idarə etmək üçün - telefona cavab vermək, şokoladlı peçenye bişirmək və ya svetoforlara tabe olmaq - biz aldığımız məlumatı emal etməliyik. :

1. Bilik və yaddaş. Biz faktları (yəni, Hastinq döyüşü 1066-cı ildə baş verib) və sosial normaları (yəni, “Xahiş edirəm” və “Təşəkkür edirəm” demək nəzakətli hesab olunur) qəbul etdikcə biliklərimizi artırırıq. keçmişdən indiki vəziyyətlər Məsələnample, Edvard xatırlayır ki, Ceyn ad günü hədiyyəsi üçün ona təşəkkür etməyib, ona görə də Milad hədiyyəsi verəndə onun təşəkkür edəcəyini gözləmir.
2. Qərar və nəticə çıxarma. Qərarlar və nəticələr bilik və/yaxud yaddaşla birləşdirilən xam daxiletmə əsasında qəbul edilir.ample, Edvard keçən il jalapeno bibəri yedi və onu bəyənmədi Conni Edvarda bibər təklif edəndə, onu yeməməyə qərar verdi.
3. Öyrənmək. İnsanlar keçmişdən öyrənə bilərample, müşahidə və ya alqoritm Öyrənmədə example, bizə deyirlər ki, bir heyvan it, digəri isə pişikdir. Müşahidə yolu ilə öyrənərkən biz özbaşına itlərin hürdüyünü və pişiklərin miyavladığını anlayırıq. bir sıra addımlar və ya xüsusi alqoritm (məsələn, uzun bölgü yerinə yetirmək)

İnsan intellektinin bu aspektləri süni intellektə paraleldir. Biz məlumatı qəbul etdiyimiz, emal etdiyimiz və məhsulu paylaşdığımız kimi, maşınlar da bunun necə xəritələndiyini görmək üçün aşağıdakı şəklə nəzər salaq.

Şəkil 2. Süni intellekt

Ətrafımızdakı dünyanı ağıllı şəkildə naviqasiya etmək üçün telefona cavab vermək, şokoladlı peçenye bişirmək və ya svetofora tabe olmaq üçün biz aldığımız məlumatı emal etməliyik.

Maşınlarda süni intellektin giriş hissəsi təbii dilin emalı, nitqin tanınması, vizual tanınması və s. ilə nümunədir. Siz bu cür texnologiyaları və alqoritmləri hər yerdə görürsünüz. o sizin nitqinizi tanıdıqda Aşağıdakı çıxış maşınların ətrafımızdakı dünya ilə qarşılıqlı əlaqəsi yollarıdır. arasında, biz yer tutur emal müxtəlif formaları var

Bizim bilik və xatirələrimizin yığılması kimi, maşınlar da dünya haqqında məlumatı saxlamağa kömək edən bilik təsvirlərini (məsələn, qrafik verilənlər bazası, ontologiyalar) yarada bilər Necə ki, insanlar qərarlar qəbul edir və ya nəticə çıxara bilirlər nəticə və konkret məqsədə çatmaq üçün ən yaxşı növbəti addımları və ya qərarları müəyyənləşdirin

Nəhayət, keçmişdən öyrəndiyimiz kimiample, müşahidə və ya alqoritm, maşınlar analoji metodlardan istifadə etməklə öyrədilə bilər.ample: kompüterə cavab kimi çıxış edən verilənlər toplusunda “etiketləri” olan verilənlər toplusu verilir və nəticədə müxtəlif etiketlər arasında fərqi ayırmağı öyrənir (məsələn, bu verilənlər bazası “it” və ya “pişik” kimi etiketlənmiş fotoşəkilləri ehtiva edir və kifayət qədər köhnə iləamples, kompüter itlərin ümumiyyətlə pişiklərdən daha uzun quyruqlara və daha az sivri qulaqlara sahib olduğunu görəcək)

Nəzarətsiz maşın öyrənməsi isə müşahidə yolu ilə öyrənməyə bənzəyir. Kompüter nümunələri müşahidə edir (itlər hürür və pişiklər miyavlayır) və bunun vasitəsilə qrupları və nümunələri özbaşına ayırmağı öyrənir (məsələn, iki heyvan qrupu var ki, onlar bir qrup hürən səslə ayrılmalıdır - itlər - digər qruplar - pişiklər) Nəzarətsiz öyrənmə etiket tələb etmir və buna görə də məlumat dəstləri məhdud olduqda və etiketləri olmayanda üstünlük verilir. Nəhayət, alqoritmlə öyrənmə bir proqramçı kompüterə proqram proqramında addım-addım nə etməli olduğunu tam olaraq təlimatlandırdıqda nə baş verir.

Əslində, ən dəqiq və qüsurlu süni intellekt nəticələri öyrənmə metodlarının birləşməsini tələb edir Həm nəzarət edilən, həm də nəzarətsiz maşın öyrənməsi faydalı metodlardır— hər şey düzgün istifadə vəziyyətinə düzgün yanaşma və ya yanaşmaları tətbiq etməkdən ibarətdir.

Sonra, süni intellektin bu hissəsinin girişi optimal çıxışa çevirmək üçün beynimizdəki neyronları necə əks etdirdiyini başa düşmək üçün mikroskop altında maşın öyrənməsini qoyacağıq.

İdeal olaraq, ən dəqiq və səmərəli süni intellekt nəticələri öyrənmə metodlarının birləşməsini tələb edir. Həm nəzarət edilən, həm də nəzarətsiz maşın öyrənməsi faydalı üsullardır - hər şey düzgün yanaşma və ya düzgün istifadə vəziyyətinə yanaşmalardan ibarətdir.

Neyron Şəbəkə və Dərin Öyrənmə

Maşın öyrənməsi süni intellektin yalnız bir hissəsidir, baxmayaraq ki, onun daxilində böyük bir alqoritm alt dəsti var. Bu gün tez-tez eşitdiyiniz üsullardan biri “dərin öyrənmə”dir. onun populyarlığı və uğuru ilə onun necə işlədiyini başa düşmək faydalıdır. Dərin öyrənmə 1980-ci illərdə məşhur olan maşın öyrənməsi alqoritminin təkamülüdür və siz tanıya bilərsiniz: neyron şəbəkələri.

Neyron şəbəkələri – bizim maşınları “öyrənmək” üçün öyrətdiyimiz proqramlaşdırma paradiqması – sinir sistemimizin əsasını təşkil edən neyronlardan və ya insan bədənindəki xüsusi hüceyrələrdən və xüsusən də beyinlərdən ilhamlanır. sistem reaksiyaları və prosesləri Neyronlar bizə görmək, eşitmək, iyləmək və s.

Şəkil 3. Neyronlar mesajları necə qəbul edir və göndərir

İnsan öyrənməsi kimi düşündüyümüz şeylərin çoxunu beynimizdəki iki neyron arasındakı əlaqənin və sinapslarımızın kənarlarının gücü ilə izah etmək olar.

Bu təlimatın birinci hissəsində biz insan intellektinin əsas prosesini müzakirə etdik: giriş solda və çıxış sağda Neyron (yuxarıdakı şəkildə) bunda mühüm rol oynayır Neyronun sol tərəfində hüceyrə bədəni toplayır. “Giriş” Kifayət qədər giriş və ya stimul aldıqdan sonra, akson fres edərək, məlumatı sağ tərəfə ötürür - sinapsa “Çıxış” daha sonra digər neyronlara göndərilir.

İstənilən anda neyronlarımız bir-biri ilə mesajlar ötürür Bu hüceyrələr ətrafımızı qavramaq qabiliyyətimizə cavabdehdirlər və öyrəndiyimiz zaman neyronlarımız çox aktivləşir Əslində, insan öyrənməsi kimi düşündüyümüz şeylərin çoxu belə təsvir edilə bilər. beynimizdəki iki neyron arasındakı əlaqənin sinapslarımızın kənarlarının gücü ilə birlikdə nə qədər güclüdür

Neyron şəbəkəsi neyron hüceyrələri toplusunun riyazi simulyasiyasıdır. Aşağıdakı şəkil 3 qat və 12 qovşaqdan ibarət əsas neyron şəbəkəsini təmsil edir.

Hər dairəvi düyün süni, bioloji olaraq ilhamlanmış “neyron”u təmsil edir. Xətlər soldakı bir süni neyronun çıxışından sağdakı digərinin girişinə olan əlaqəni təmsil edir. Bu neyronlar arasında siqnallar xətlər boyunca soldan sağa axır. , giriş - məsələn, piksel məlumatları - faktiki bioloji neyronlardakı elektrik fəaliyyətindən sərbəst şəkildə ilhamlanan riyazi tənliklərlə təsvir olunan şəkildə giriş qatından, orta "gizli" təbəqələrdən və nəticədə çıxış qatına axır.

Şəkil 4. Sadə neyron şəbəkəsi

Neyron şəbəkələri giriş qatına təqdim edilən məlumat dəstlərini çıxış qatında arzu olunan nəticələrə uyğunlaşdırmağa çalışaraq öyrənirlər. Riyazi tənliklər çıxışları hesablayır, təqlid edilmiş çıxışı istənilən nəticə ilə müqayisə edir və nəticədə yaranan fərqlər daha sonra əlaqələrin gücünə düzəlişlər yaradır.

Neyron şəbəkələr giriş qatına təqdim olunan məlumat dəstlərini çıxış qatında arzu olunan nəticələrə uyğunlaşdırmağa çalışaraq öyrənirlər. Riyazi tənliklər çıxışları hesablayır, simulyasiya edilmiş çıxışı istənilən nəticə ilə müqayisə edir və nəticədə yaranan fərqlər əlaqələrin gücünə uyğun dəyişikliklər yaradır. Hesablanmış nəticə istənilən nəticəyə kifayət qədər yaxın olana qədər bu tənzimləmələr iterativ olaraq dəyişdirilir və bu zaman biz neyron şəbəkənin “öyrəndiyini” deyirik.

Şəkil 5. Mürəkkəb neyron şəbəkəsi

Bu “daha ​​dərin” neyron şəbəkələri daha mürəkkəb proqnozlar verə bilər. Minlərlə qovşaq və yüzlərlə təbəqə ola bilər, bu da minlərlə müxtəlif hesablamalar deməkdir Dərin öyrənmə modelləri nitq və ya təsvirin tanınması kimi xüsusi problemlərdə çox yaxşı hala gəldi.

Bununla belə, qeyd etmək lazımdır ki, dərin öyrənmə maşın öyrənməsi üçün gümüş güllə deyil - xüsusən də kibertəhlükəsizlikdə, bəzən dərin öyrənmə metodları üçün ideal olan böyük həcmdə təmiz məlumatların olmadığı yerlərdə Düzgün alqoritmi seçmək vacibdir, iş üçün məlumatlar və prinsiplər Bu, maşınlar üçün sübut toplamaq, nöqtələri birləşdirmək və nəticə çıxarmaq üçün ən yaxşı yoldur.

Neyron şəbəkələri gələcəyin əşyaları kimi görünə bilər, lakin bir müddətdir ki, mövcuddur. Əslində, neyron şəbəkələri 1940-cı illərdə dövriyyəyə başlayan ideyalara əsaslanır. neyron şəbəkələri və maşın öyrənməsi müasir həyatın bir çox hissəsinə necə nüfuz edib.

Neyron şəbəkələri gələcəyin əşyaları kimi görünə bilər, lakin bir müddətdir ki, mövcuddur. Əslində, neyron şəbəkələri 1940-cı illərdə dövriyyəyə başlayan ideyalara əsaslanır.

Süni İntellektin Qısa Tarixi

Bəzi insanlar üçün süni intellekt (AI) termini uçan avtomobillər və məişət robotları olan futuristik şəhərlərin görüntülərini oyada bilər, lakin süni intellekt futuristik bir konsepsiya deyil, ən azı artıq deyil. antik dövrə gedib çıxır (yəni, yunan tanrısı Hefestin danışan mexaniki qulluqçuları) ¹ 1930-cu illərdən bəri həm elm adamları, həm də riyaziyyatçılar insanlardan ayrı olaraq həqiqi zəka yaratmağa can atırdılar.

20-ci əsrin ortalarında süni intellektin müəyyənedici anı Norbert Viner, Klod Şennon və Alan Turinq kimi tədqiqatçıların 1943-cü ilə qədər elektrik siqnalları və hesablamaların kəsişməsindən uzaqlaşması ilə riyaziyyat və biologiyanın xoşbəxt bir qovuşması idi, Warren McCulloch və Walter Pitts neyron şəbəkələri üçün bir model yaratmışdı Neyron şəbəkələri daha böyük at gücünə malik cəsarətli yeni hesablama dünyasına yol açdı və 1956-cı ildə süni intellekt tədqiqatı sahəsi rəsmi olaraq akademik intizam kimi təsis edildi.

Əsrin ikinci yarısı süni intellektlə bağlı tədqiqat və tərəqqi üçün maraqlı bir dövr idi, 70-ci illərin ortalarında və 80-ci illərin sonunda süni intellektin ictimai gözləntiləri qarşılaya bilmədiyi və sahəyə investisiyanın azaldığı “AI qışları” ilə arabir kəsildi, lakin uğursuzluqlara baxmayaraq, Süni intellekt və maşın öyrənməsi üçün müxtəlif tətbiqlər solda və sağda görünürdü. Belə bir tətbiqin xüsusi bir lətifəsi elmi ictimaiyyətdə məşhur bir məsəl halına gəldi və AI tədqiqatı və tətbiqi sınaqları və çətinlikləri haqqında kifayət qədər təsirli danışdı.

Hekayə belə gedir:

1980-ci illərdə QələmtagKamuflyaj edilmiş tankları müəyyən etmək üçün neyron şəbəkədən istifadə etmək qərarına gəldi. Yalnız bir meynfreymlə işləyən (1980-ci illərdən bəri, unutmayın) neyron şəbəkəsi 200 şəkillə öyrədildi - 100 tank və 100 ağac Nisbətən kiçik neyron şəbəkəsinə baxmayaraq (1980-ci illərə görə) hesablama və yaddaşla bağlı məhdudiyyətlər), laboratoriya məşqi 100% dəqiqliklə nəticələndi. Belə bir müvəffəqiyyətlə komanda onu sınaqdan keçirməyə qərar verdi Nəticələr yaxşı olmadı.

Şəkil 6. Laboratoriyaya qarşı sahə şəkilləri (Mənbə: Neural Network Follies, Neil Fraser, sentyabr 1998)

1980-ci illərdə heç ağlına gəlməyən böyük hesablama resurslarının mövcudluğu ilə dərin neyron şəbəkələri tez bir zamanda tədqiqat üçün məşhur sahəyə çevrildi. Dərin öyrənmə sistemə insan resurslarından asılılığı azaltmaqla milyardlarla birləşmə və müşahidələr vasitəsilə avtomatik olaraq “öyrənmək” imkanı verir.

Niyə neyron şəbəkə laboratoriyadakı fotoşəkilləri bu qədər fantastik etdi, amma sahədə tamamilə uğursuz oldu? Məlum oldu ki, tanksız fotoların hamısı səmanın buludlu olduğu günlərdə çəkilib; ağacların bütün şəkilləri günəşin parladığı günlərdə çəkilib. Sinir şəbəkəsi tankları deyil, günəşliliyi tanımaq üçün öyrədilib.

Nəhayət, dərin öyrənmə vasitəsilə vizual tanınma - Qələmdən daha mürəkkəb olan neyron şəbəkələri tərəfindən asanlaşdırılır.tag1980-ci illərin meynfreyminin öhdəsindən gələ bilərdi—həqiqət oldu : o, pişikləri tapdı ² “dərin öyrənmə” alqoritmi sayəsində şəbəkə zamanla və çox yaxşı dəqiqliklə pişikləri tanıya bildi

1980-ci illərdə xəyal olunmayan böyük hesablama resurslarının mövcudluğu ilə dərin neyron şəbəkələri tez bir zamanda tədqiqat üçün məşhur sahəyə çevrildi Dərin öyrənmə sistemə milyardlarla kombinasiya və müşahidələr vasitəsilə avtomatik “öyrənmək” imkanı verir, bu da ondan asılılığı azaldır. insan resursları Kibertəhlükəsizlik sahəsində bu üsul zərərli proqram təminatının aşkarlanması üçün xüsusilə perspektivli olmuşdur – bizim çoxlu keçmiş məlumat dəstlərimizin olduğu ssenarilərampşəbəkənin öyrənə biləcəyi zərərli proqramlar

Təəssüf ki, insayder təhdid kimi bəzi istifadə hallarına gəldikdə dərin öyrənmə metodları hazırda daha az effektivdir, çünki bu tip hücumlar haqqında tələb olunan həcmdə, sadəcə olaraq, lazımi növ məlumatımız yoxdur. Bu tip neyron şəbəkələri tərəfindən səmərəli istifadə edilə bilməyən daxili təhdidlər anekdotdur.

Biz daha effektiv verilənlər bazası toplayana qədər (və dərin öyrənmə sistemlərinin dəyərini və mürəkkəbliyini azaldaraq), dərin öyrənmə bütün istifadə halları üçün düzgün seçim deyil. sanki daha dəyərli deyil - hər şey əlindəki işdən asılıdır

Biz süni intellekt texnologiyalarının rəsmi “doğulmasından” sonra altı onillikdə nəhəng potensialını gördük və biz yalnız səthi cızdıq, xüsusən də təhlükəsizlik sahəsində. təhlükəsizlik təhdidlərini müəyyən etmək və onlara cavab vermək üsulumuzdur.

Proqnozlaşdırılan analitika bizə təhlükəsizlik qrupları üçün daha faydalı fikir verə biləcək daha böyük tapmacanın yalnız bir parçasıdır.

Biz süni intellekt texnologiyalarının rəsmi “doğulmasından” sonra altı onillikdə nəhəng potensialını gördük və biz, xüsusən də təhlükəsizlik sahəsində yalnız səthi cızdıq.

Təhlükəsizlik Analitikası üçün Yeni Baxış

İndiyə qədər bu bələdçi maşın öyrənməsinə yaxından nəzər salıb, onun məhdudiyyətlərini və güclü tərəflərini dərk edib. Süni intellektni asanlaşdırmaq üçün maşın öyrənməsi üçün böyük potensial var, lakin qeyd etmək lazımdır ki, təhlükənin aşkarlanmasına dair daha geniş oyun təkcə dərin öyrənmə və ya maşın öyrənməsi ilə bağlı deyil. Bu gün bildiyimiz kimi, yeni məlumat növləri ilə birləşən yeni analitik üsullar bizə təhlükəsizlik təhdidlərini təhlil etmək və onlara qarşı fəaliyyət göstərmək üçün tamamilə yeni çərçivələr verə bilər.

Yeni Metodlar	Adaptiv Analiz Qeyri-müəyyənlik şəraitində Davamlı Analiz Optimizasiyası	Kontekstə cavab vermək Yerli dəyişikliyə/geri əlaqəyə cavab vermək Riskin kəmiyyətinin müəyyən edilməsi və ya azaldılması
Ənənəvi	Optimallaşdırma Proqnozlu Modelləşdirmə Simulyasiya Proqnozlaşdırma Xəbərdarlıqları Sorğu/Düşünmə Xüsusi Hesabat Standart Hesabat	Qərarların mürəkkəbliyi, həll sürəti Təsadüfi, ehtimal, güvən səviyyələri Yüksək dəqiqlik, oyunlar, məlumat təsərrüfatçılığı Daha böyük məlumat dəstləri, qeyri-xətti reqressiya Qaydalar/tetikleyicilər, kontekstdə həssas, mürəkkəb hadisələr Yaddaş məlumatlarında, qeyri-səlis axtarış, coğrafi məkan sorğusuample, istifadəçi müdafiə hesabat Real vaxt, vizual, istifadəçi qarşılıqlı
Yeni Data	Müəssisə Rezolyusiya Əlaqəsi, Xüsusiyyət Çıxarış Annotasiyası və Tokenləşdirmə	İnsanlar, rollar, yerlər, əşyalar Qaydalar, semantik nəticə, uyğunlaşma Avtomatlaşdırılmış, izdiham mənbəyi

Biz analitikanın digər sənayelər üçün nə edə biləcəyini gördük və analitikanın kibertəhlükəsizliyə dərin təsir göstərməsi potensialı da var. Biz bunun təhlükəsizlik analitikası adlandırdığımız yeni sahədə formalaşdığını görürük. müzakirə etdiyimiz (və daha çox) və tətbiq etdiyimiz alqoritmlər və metodologiyalar təhlükəsizlik sahəsində həqiqətən çətin problemlərin həllinə kömək edir.

Bu gün təhlükəsizlik sahəsində gördüyümüz ən geniş yayılmış analitika, böyük həcmdə məlumat daxilində risklərin harada ola biləcəyini müəyyən etməyə imkan verən proqnozlaşdırıcı modelləri əhatə edir (burada anomaliyaların aşkarlanması ft-dir) Bir sözlə, proqnozlaşdırıcı modelləşdirmə tarixi məlumatları real vaxt davranışı ilə birləşdirir. gələcək davranışı anlamaq və ya proqnozlaşdırmaq üçün Bununla biz “Sonra nə olacaq?” sualına cavab verə bilərik.

Lakin təhlükəsizlik analitikasına baxışımız burada dayanmır. Proqnozlaşdırılmış analitika bizə təhlükəsizlik qrupları üçün daha faydalı fikir verə biləcək daha böyük tapmacanın yalnız bir parçasıdır. , bulud, sosial şəbəkələr, açıq məlumatlar və s. — Davranış və təhdidlərin təhlilinə çoxsaylı qabaqcıl analitik yanaşmalar, o cümlədən məhkəmə-tibbi analiz, risk modelləşdirmə, anomaliyaların aşkarlanması, davranış və reaksiyaların optimallaşdırılması və s.

Bu o deməkdir ki, biz təhlükəni proqnozlaşdırmaqdan və ya müəyyən etməkdən daha çox şey edə bilərik. Bu, bizə daha da irəli getməyə imkan verir ki, nəinki qabaqcıl aşkarlama, həm də ən effektiv şəkildə necə cavab veriləcəyi barədə fikirlər təqdim edək. çoxlu təhdidlər var?” və "Mümkün olan ən yaxşı reaksiya nədir?"

Biz hələ kibertəhlükəsizliyə tətbiq edilən optimallaşdırma metodları kimi digər analitika siniflərini görməmişik, lakin onların böyük potensialı var. Bu üsullar təhlükəsizlik riskinə qarşı bütün mümkün reaksiyaları nəzərdən keçirir və ən yaxşı cavabı müəyyənləşdirir Bəli, bunu riyaziyyatla etməyin yolları var.

məsələnample, problemlə bağlı mobil telefon xidmət provayderinizə zəng etdiyiniz zaman optimallaşdırma metodlarından istifadə olunur. onlar fonda zəng qeydlərinizə, buraxılmış zənglərin sayına, tarixinizin digər istifadəçilərin tarixi ilə müqayisəsinə və s. baxan bir sıra riyaziyyata güvənir. O, hətta başqa xidmət təminatçısına keçə biləcəyiniz ehtimalını hesablayır. bütün mümkün növbəti addımlardan, müştərinin saxlanmasını maksimum dərəcədə artırmaq üçün ən yaxşı növbəti addımı hesablayır

Eyni riyaziyyat riski müəyyən etmək, reaksiya vermək üçün bir sıra yolları təmin etmək və bu xüsusi riskin qarşısını almaq üçün ən yaxşı cavabı riyazi olaraq müəyyən etmək üçün təhlükəsizlik komandasına tətbiq oluna bilər.

Təhlükəsizlik təhdidlərinin sürətli yüksəlişi və təkamülü bu cür cavab tədbirlərinin effektivliyini kritik edir. Şükürlər olsun ki, bu gün bizim əvvəlkindən daha çox məlumatımız var. riyaziyyat vasitəsilə Bütün hesablara görə, biz təhlükəsizlik analitikasının yeni başladığına inanırıq.

Bu gün əvvəlkindən daha çox məlumatımız var. Şükürlər olsun ki, bizdə daha çox hesablama gücü, daha yaxşı alqoritmlər və riyaziyyat vasitəsilə bu məlumatları anlamağa kömək etmək üçün tədqiqat və texnologiyalara daha geniş sərmayəmiz var. Bütün hesablara görə, biz təhlükəsizlik analitikasının yeni başladığına inanırıq.

Müştəri dəstəyi

Bizimlə əlaqə saxlayın
www.opentext.com
OpenText Cybersecurity bütün ölçülü şirkətlər və tərəfdaşlar üçün hərtərəfli təhlükəsizlik həlləri təqdim edir qarşısının alınması, aşkarlanması və cavabından bərpa, təhqiqat və uyğunluğa qədər, vahid uçdan-uca platformamız müştərilərə vahid təhlükəsizlik portfeli vasitəsilə kiber davamlılıq yaratmağa kömək edir. real vaxt və kontekstual təhlükə kəşfiyyatı, OpenText Cybersecurity müştəriləri biznes riskini idarə etməyə kömək etmək üçün yüksək effektivlik məhsulları, uyğun təcrübə və sadələşdirilmiş təhlükəsizlikdən faydalanırlar.
762-000016-003 | O | 01/24 | © 2024 Açıq Mətn

Sənədlər / Resurslar

Opentext Süni İntellekt və Maşın Öyrənməsi [pdf] Təlimatlar Süni intellekt və maşın öyrənməsi, kəşfiyyat və maşın öyrənməsi, maşın öyrənməsi

İstinadlar

• İstifadəçi təlimatı