Opentext Штучны інтэлект і машына

Штучны інтэлект (AI) змяняе тое, як мы ўзаемадзейнічаем з машынамі, і тое, як машыны ўзаемадзейнічаюць з намі. У гэтым кіраўніцтве разбіраецца функцыянаванне штучнага інтэлекту, моцныя бакі і абмежаванні розных тыпаў машыннага навучання і эвалюцыя гэтай пастаянна зменлівай вобласці даследавання. Ён таксама даследуе ролю аналітыкі бяспекі з падтрымкай штучнага інтэлекту або паводніцкай аналітыкі карыстальнікаў і суб'ектаў (UEBA) для лепшай абароны прадпрыемстваў ад сучасных складаных пагроз кібербяспецы.

Машына супраць навучання чалавека

Штучны інтэлект (AI) паўсюль — прынамсі, так здаецца. У OpenText™ рост ШІ з'яўляецца адначасова захапляльным і складаным. Але, размаўляючы з нашымі калегамі, кліентамі і партнёрамі, мы зразумелі, што канцэпцыю штучнага інтэлекту не заўсёды лёгка зразумець. Каб пачаць гэты дапаможнік па штучным інтэлекту і машынным навучанні 101, мы распакуем галаваломку штучнага інтэлекту, адказаўшы на галоўнае пытанне, якое задаюць многія: «Што такое штучны інтэлект?»

Самы просты спосаб зразумець штучны інтэлект - гэта супаставіць яго з тым, што мы ўжо разумеем, - нашым уласным інтэлектам. Як працуе нештучны чалавечы інтэлект? На самым базавым узроўні наш інтэлект ідзе проста: мы прымаем інфармацыю, апрацоўваем яе, і ў канчатковым выніку інфармацыя дапамагае нам дзейнічаць

Давайце разбяром гэта на дыяграму сістэмы. На малюнку ніжэй пазначаны тры агульныя этапы чалавечага інтэлекту злева направа: увод, апрацоўка і вывад. У чалавечым мозгу ўвод адбываецца ў форме адчування і ўспрымання рэчаў Вашымі вачыма, нос, вушы і г.д., прымаць неапрацаваны ўвод злева, напрыклад, фатоны святла або пах соснаў, а затым апрацоўваць яго. Справа ад сістэмы выводзіцца гэта ўключае маўленне і дзеянні, абодва з якіх залежаць ад таго, як мы апрацоўваем неапрацаваную інфармацыю, якую атрымлівае наш мозг. Апрацоўка адбываецца ў сярэдзіне, дзе фарміруюцца і здабываюцца веды або ўспаміны, прымаюцца рашэнні і высновы, і адбываецца навучанне.

Малюнак 1. Інтэлект чалавека

Як працуе нештучны чалавечы інтэлект? На самым базавым узроўні наш інтэлект рухаецца проста: мы прымаем інфармацыю, апрацоўваем яе, і ў канчатковым выніку інфармацыя дапамагае нам дзейнічаць.

Выява прыпынку на скрыжаванні Вашы вочы бачаць, што святлафор перад вамі толькі што загарэўся зялёным. Зыходзячы з таго, што вы даведаліся з вопыту (і адукацыі кіроўцы), вы ведаеце, што зялёнае святло азначае, што вам трэба ехаць наперад Такім чынам, вы націсніце на педаль газу Зялёнае святло - гэта сыры ўваход, ваша паскарэнне - гэта выхад; усё паміж імі апрацоўваецца

Каб разумна арыентавацца ў навакольным свеце — адказваць на тэлефонныя званкі, пячы шакаладнае печыва або выконваць сігналы святлафора — нам неабходна апрацоўваць увод, які мы атрымліваем. Гэта аснова апрацоўкі чалавечага інтэлекту, і ў канчатковым выніку яна разбіваецца на тры розныя аспекты. :

1. Веды і памяць. Мы назапашваем веды, паглынаючы факты (напрыклад, бітва пры Гасцінгсе адбылася ў 1066 годзе) і сацыяльныя нормы (напрыклад, казаць «Калі ласка» і «Дзякуй» лічыцца ветлівым). Акрамя таго, памяць дазваляе нам успамінаць і прымяняць інфармацыю з сітуацыі з мінулага ў цяперашні час. НапрыкладampЭдвард памятае, што Джэйн не падзякавала яму за падарунак на дзень нараджэння, таму ён не чакае, што яна падзякуе яму, калі ён дасць ёй калядны падарунак
2. Рашэнне і вывад. Рашэнні і высновы прымаюцца на падставе неапрацаваных уводных дадзеных у спалучэнні з ведамі і/або памяццю, напрыкладampле, Эдвард еў перац халапеньё ў мінулым годзе і яму не спадабаўся. Калі Джоні прапануе Эдварду перац, той вырашае не есці яго
3. Навучанне. Людзі могуць вучыцца на былampле, назіранне або алгарытм Пры навучанні па прampле, нам кажуць, што адна жывёла - гэта сабака, а другая - кошка Пры навучанні шляхам назірання мы самастойна высвятляем, што сабакі брэшуць, а кошкі мяўкаюць. Трэці метад навучання - алгарытм - дазваляе нам выканаць заданне, выконваючы шэраг крокаў або пэўны алгарытм (напрыклад, выкананне доўгага дзялення)

Гэтыя аспекты чалавечага інтэлекту ідуць паралельна штучнаму інтэлекту Падобна таму, як мы прымаем інфармацыю, апрацоўваем яе і абменьваемся вынікамі, машыны таксама могуць. Давайце паглядзім на малюнак ніжэй, каб убачыць, як гэта адлюстроўваецца.

Малюнак 2. Штучны інтэлект

Каб разумна арыентавацца ў навакольным свеце — адказваць на тэлефонныя званкі, пячы шакаладнае печыва або выконваць сігналы святлафора — нам неабходна апрацоўваць увод, які мы атрымліваем.

У машынах прыкладам уваходнай часткі штучнага інтэлекту з'яўляецца апрацоўка натуральнай мовы, распазнаванне маўлення, візуальнае распазнаванне і многае іншае. Вы бачыце такія тэхналогіі і алгарытмы ўсюды, ад беспілотных аўтамабіляў, якія павінны адчуваць праезную частку і перашкоды, да Alexa або Siri калі ён распазнае вашу гаворку. Вынік, які ідзе далей, паказвае спосабы ўзаемадзеяння машын з навакольным светам. Гэта можа быць у форме робататэхнікі, навігацыйных сістэм (для кіраўніцтва беспілотнымі аўтамабілямі), генерацыі маўлення (напрыклад, Siri) і г.д. паміж, у нас ёсць розныя формы апрацоўкі, якая мае месца

Падобна нашаму назапашванню ведаў і памяці, машыны могуць ствараць прадстаўленні ведаў (напрыклад, базы дадзеных графаў, анталогіі), якія дапамагаюць ім захоўваць інфармацыю пра свет Падобна таму, як людзі прымаюць рашэнні або робяць высновы, машыны могуць рабіць прагнозы, аптымізаваць для мэты або вынік і вызначыць лепшыя наступныя крокі або рашэнні для дасягнення канкрэтнай мэты

Нарэшце, гэтак жа, як мы даведаліся з example, назіранне або алгарытм, машыны можна навучыць з выкарыстаннем аналагічных метадаў Машыннае навучанне пад кантролем падобна на навучанне з дапамогайample: камп'ютар атрымлівае набор даных з «этыкеткамі» ў наборы даных, якія дзейнічаюць як адказы, і ў рэшце рэшт ён вучыцца адрозніваць розныя цэтлікі (напрыклад, гэты набор даных змяшчае фатаграфіі, пазначаныя як «сабака» або «кошка», і з дастатковай колькасцю эксampкампутар заўважыць, што сабакі звычайна маюць больш доўгія хвасты і менш завостраныя вушы, чым кошкі)

З іншага боку, машыннае навучанне без нагляду падобна на навучанне шляхам назірання. Камп'ютар назірае за заканамернасцямі (сабакі брэшуць і каты мяўкаюць) і дзякуючы гэтаму вучыцца самастойна адрозніваць групы і заканамернасці (напрыклад, ёсць дзве групы жывёл, якія могуць быць падзеленыя па гуку, які яны выдаюць; адна група брэша — сабакі, а другая — мяўканне — кошкі) Некантраляванае навучанне не патрабуе метак і таму можа быць пераважней, калі наборы даных абмежаваныя і не маюць метак. Нарэшце, навучанне па алгарытме што адбываецца, калі праграміст інструктуе кампутар, што менавіта рабіць, крок за крокам, у праграме.

Увогуле, найбольш дакладныя і недастатковыя вынікі штучнага інтэлекту патрабуюць спалучэння метадаў навучання Як кантраляванае, так і некантралюемае машыннае навучанне з'яўляюцца карыснымі метадамі - уся справа ў прымяненні правільнага падыходу або падыходаў да правільнага выпадку выкарыстання

Далей мы разгледзім машыннае навучанне пад мікраскопам, каб зразумець, як гэтая частка штучнага інтэлекту адлюстроўвае нейроны ў нашым мозгу, каб ператварыць увод у аптымальны вынік.

У ідэале найбольш дакладныя і эфектыўныя вынікі штучнага інтэлекту патрабуюць спалучэння метадаў навучання. Як кантраляванае, так і некантраляванае машыннае навучанне з'яўляюцца карыснымі метадамі - уся справа ў прымяненні правільнага падыходу або падыходаў да правільнага выпадку выкарыстання.

Нейронная сетка і глыбокае навучанне

Машыннае навучанне - гэта толькі частка штучнага інтэлекту, хаця ў ім ёсць велізарная падгрупа алгарытмаў Адзін з метадаў, які вы часта чуеце сёння, - гэта «глыбокае навучанне», алгарытм, які атрымаў немалую долю ўвагі ў навінах у апошнія гады Каб зразумець папулярнасці і поспеху, карысна зразумець, як гэта працуе Глыбокае навучанне - гэта эвалюцыя алгарытму машыннага навучання, папулярнага ў 1980-я гады, які вы можаце пазнаць: нейронныя сеткі.

Нейронныя сеткі — парадыгма праграмавання, у якой мы навучаем машыны «навучыцца» — натхнёныя нейронамі або спецыялізаванымі клеткамі чалавечага цела, якія складаюць аснову нашай нервовай сістэмы і, у прыватнасці, мозгу. Гэтыя клеткі перадаюць сігналы па ўсім нашым целе, выклікаюць нервовы рэакцыі сістэмы і працэсы Нейроны - гэта тое, што дазваляе нам бачыць, чуць, адчуваць пах і г.д.

Малюнак 3. Як нейроны атрымліваюць і адпраўляюць паведамленні

Многае з таго, што мы лічым чалавечым навучаннем, можна апісаць тым, наколькі моцная сувязь паміж двума нейронамі ў нашым мозгу, а таксама сілай краю нашых сінапсаў.

У першай частцы гэтага кіраўніцтва мы абмяркоўвалі асноўны працэс чалавечага інтэлекту: увод злева і вывад справа. Нейрон (малюнак вышэй) адыгрывае важную ролю ў гэтым. З левага боку нейрона цела клеткі збірае «Уваход» Як толькі ён атрымлівае дастатковую колькасць уваходных дадзеных або стымуляцыі, аксон адрываецца, перадаючы інфармацыю ў правы бок - сінапс. «Выхад» затым адпраўляецца ў іншыя нейроны

У любы момант нашы нейроны перадаюць паведамленні адзін аднаму. Гэтыя клеткі адказваюць за нашу здольнасць успрымаць наваколле. Калі мы вучымся, нашы нейроны становяцца вельмі актыўнымі. наколькі моцная сувязь паміж двума нейронамі ў нашым мозгу, разам з сілай краю нашых сінапсаў

Нейронная сетка - гэта матэматычнае мадэляванне калекцыі нейронавых клетак. На малюнку ніжэй прадстаўлена базавая нейронавая сетка з 3 слаёў і 12 вузлоў.

Кожны круглы вузел уяўляе сабой штучны, біялагічна натхнёны «нейрон». Лініі ўяўляюць злучэнне ад выхаду аднаго штучнага нейрона злева да ўваходу іншага справа. Сігналы паміж гэтымі нейронамі ідуць па лініях злева направа ў гэтых сетках. , увод, напрыклад піксельныя даныя, паступае з уваходнага пласта праз сярэднія «схаваныя» пласты і ў канчатковым выніку да выхаднога пласта ў парадку, які апісваецца матэматычнымі ўраўненнямі, умоўна натхнёнымі электрычнай актыўнасцю сапраўдных біялагічных нейронаў.

Малюнак 4. Простая нейронная сетка

Нейронавыя сеткі вучацца, спрабуючы супаставіць наборы даных, прадстаўленыя на ўваходным узроўні, з жаданымі вынікамі на выходным узроўні. Матэматычныя ўраўненні вылічваюць выхады, параўноўваюць змадэляваны вынік з жаданым вынікам, і атрыманыя адрозненні затым вырабляюць карэкціроўку трываласці злучэнняў.

Нейронавыя сеткі вучацца, спрабуючы супаставіць наборы даных, прадстаўленых на ўваходным узроўні, з жаданымі вынікамі на выходным узроўні. Матэматычныя ўраўненні вылічваюць вынікі, параўноўваюць змадэляваны выхад з жаданым вынікам, і атрыманыя адрозненні затым вырабляюць карэкціроўку трываласці злучэнняў. Гэтыя налады перыядычна мадыфікуюцца, пакуль вылічаны вынік не стане дастаткова блізкім да жаданага выніку, у гэты момант мы гаворым, што нейронавая сетка "навучылася"

Малюнак 5. Складаная нейронавая сетка

Гэтыя «больш глыбокія» нейронныя сеткі могуць рабіць значна больш складаныя прагнозы. Могуць быць тысячы вузлоў і сотні слаёў, што азначае тысячы розных вылічэнняў. Мадэлі глыбокага навучання сталі вельмі добрымі ў канкрэтных праблемах, такіх як распазнаванне маўлення або выявы.

Варта адзначыць, аднак, што глыбокае навучанне не з'яўляецца срэбнай куляй для машыннага навучання, асабліва не ў галіне кібербяспекі, дзе часам не існуе вялікага аб'ёму чыстых даных, які ідэальна падыходзіць для метадаў глыбокага навучання. Важна выбраць правільны алгарытм, даныя і прынцыпы працы Гэта найлепшы спосаб для машын збіраць доказы, злучаць кропкі і рабіць высновы

Нейронныя сеткі могуць здацца матэрыялам будучыні, але яны існуюць ужо некаторы час. Насамрэч, нейронавыя сеткі заснаваныя на ідэях, якія пачалі цыркуляваць яшчэ ў 1940-х гадах. У наступным раздзеле мы здзейснім кароткае падарожжа ў мінулае, каб зразумець як нейронавыя сеткі і машыннае навучанне праніклі ў многія часткі сучаснага жыцця.

Нейронавыя сеткі могуць здацца матэрыялам будучыні, але яны існуюць ужо некаторы час. Фактычна, нейронавыя сеткі заснаваныя на ідэях, якія пачалі цыркуляваць яшчэ ў 1940-х гадах.

Кароткая гісторыя штучнага інтэлекту

Для некаторых людзей тэрмін штучны інтэлект (ШІ) можа выклікаць вобразы футурыстычных гарадоў з лятаючымі аўтамабілямі і хатнімі робатамі. узыходзіць да антычнасці (г.зн. механічныя служанкі грэчаскага бога Гефеста) ¹ З 1930-х гадоў навукоўцы і матэматыкі імкнуліся даследаваць стварэнне сапраўднага інтэлекту, асобнага ад чалавека

Вызначальным момантам для штучнага інтэлекту ў сярэдзіне 20-га стагоддзя стала шчаслівае зліццё матэматыкі і біялогіі, прычым такія даследчыкі, як Норберт Вінер, Клод Шэнан і Алан Цьюрынг, ужо разабраліся на стыку электрычных сігналаў і вылічэнняў. У 1943 г. Уорэн Маккалок і Уолтар Пітс стварылі мадэль для нейронавых сетак Нейронавыя сеткі праклалі шлях да чароўнага новага свету вылічэнняў з большай магутнасцю, і ў 1956 годзе вобласць даследаванняў штучнага інтэлекту была афіцыйна створана ў якасці акадэмічнай дысцыпліны

Другая палова стагоддзя была захапляльнай эпохай для даследаванняў і прагрэсу ў галіне штучнага інтэлекту, перыядычна перапынянай «зімамі штучнага інтэлекту» ў сярэдзіне 70-х і канцы 80-х гадоў, калі штучны інтэлект не апраўдаў чаканняў грамадскасці, і інвестыцыі ў гэтую сферу скараціліся. Але, нягледзячы на ​​няўдачы, розныя прыкладанні для штучнага інтэлекту і машыннага навучання з'яўляліся злева і справа Адзін канкрэтны анекдот пра такое прымяненне стаў папулярнай прыпавесцю ў навуковай супольнасці, вельмі эфектыўна кажучы пра выпрабаванні і нягоды даследаванняў і ўкаранення штучнага інтэлекту.

Гісторыя выглядае прыкладна так:

У 1980-я г. Пэнtagвырашылі выкарыстаць нейронавую сетку для ідэнтыфікацыі закамуфляваных танкаў. Працуючы толькі з адным мэйнфрэймам (з 1980-х гадоў, майце на ўвазе), нейронавая сетка была навучана з дапамогай 200 малюнкаў — 100 танкаў і 100 дрэў. Нягледзячы на ​​адносна невялікую нейронавую сетку (з-за 1980-х гадоў абмежаванні ў вылічэннях і памяці), лабараторнае навучанне дало 100% дакладнасць. З такім поспехам каманда вырашае выйсці на поле. Вынікі не былі выдатнымі.

Малюнак 6. Фота лабараторыі супраць поля (Крыніца: Neural Network Follies, Neil Fraser, верасень 1998 г.)

Дзякуючы наяўнасці велізарных вылічальных рэсурсаў, пра якія нават не марылі ў 1980-х, глыбокія нейронавыя сеткі хутка сталі папулярнай сферай даследаванняў. Глыбокае навучанне дае сістэме магчымасць аўтаматычна "навучыцца" праз мільярды камбінацый і назіранняў, зніжаючы залежнасць ад чалавечых рэсурсаў.

Чаму нейронавая сетка зрабіла так фантастычна на фотаздымках у лабараторыі, але так поўная няўдача ў поле? Высветлілася, што ўсе фота без танкаў былі зроблены ў дні, калі неба было хмарным; усе здымкі дрэў зроблены ў дні, калі свеціць сонца. Нейронную сетку навучылі распазнаваць сонца, а не танкі

У рэшце рэшт, аднак, візуальнае распазнаванне праз глыбокае навучанне, якое спрыяе нейронавым сеткам, якія значна больш складаныя, чым Pentagмэйнфрэйм ​​1980-х мог бы справіцца — стала рэальнасцю У 2012 годзе прафесар Стэнфардскага універсітэта Эндру Нг і супрацоўнік Google Джэф Дын стварылі адну з першых глыбокіх нейронавых сетак з выкарыстаннем 1000 камп'ютараў з 16 ядрамі кожны Задача: прааналізаваць 10 мільёнаў відэа на YouTube Вынік : ён знайшоў катоў ² Дзякуючы алгарытму «глыбокага навучання» сетка з часам змагла распазнаваць катоў з вельмі добрай дакладнасцю

Дзякуючы наяўнасці велізарных вылічальных рэсурсаў, пра якія нават не марылі ў 1980-х, глыбокія нейронавыя сеткі хутка сталі папулярнай вобласцю для даследаванняў. Глыбокае навучанне дае сістэме магчымасць аўтаматычна "навучацца" праз мільярды камбінацый і назіранняў, зніжаючы залежнасць ад чалавечыя рэсурсы У сферы кібербяспекі метад стаў асабліва перспектыўным для выяўлення шкоднасных праграм - сцэнарыі, у якіх у нас ёсць вялікія наборы даных з мноствамampшкоднасных праграм, з якіх сетка можа даведацца

На жаль, метады глыбокага навучання ў цяперашні час менш эфектыўныя, калі справа даходзіць да пэўных выпадкаў выкарыстання, такіх як інсайдэрскія пагрозы, таму што ў нас проста няма патрэбных даных пра гэтыя тыпы нападаў у патрэбным аб'ёме. Часцей за ўсё інфармацыя, якую мы маем на інсайдэрскія пагрозы з'яўляюцца анекдатычнымі, якія не могуць быць эфектыўна выкарыстаны гэтым тыпам нейронавых сетак.

Пакуль мы не зможам сабраць больш эфектыўныя наборы даных (і знізіць кошт і складанасць сістэм глыбокага навучання), глыбокае навучанне не будзе правільным выбарам для ўсіх варыянтаў выкарыстання. І гэта нармальна. Глыбокае навучанне - гэта толькі адзін з многіх алгарытмаў машыннага навучання, і гэтыя падыходы могуць быць як бы не больш каштоўнае — усё залежыць ад працы

Мы ўбачылі велізарны патэнцыял тэхналогій штучнага інтэлекту за шэсць дзесяцігоддзяў з моманту іх афіцыйнага «нараджэння», і мы толькі што дакрануліся да паверхні, асабліва ў галіне бяспекі. Далей мы глыбей разгледзім патэнцыйныя магчымасці прымянення штучнага інтэлекту і аналітыкі, каб змяніць спосаб, якім мы вызначаем пагрозы бяспецы і рэагуем на іх.

Прагнастычная аналітыка - гэта толькі частка значна большай галаваломкі, якая можа даць нам значна больш карысную інфармацыю для каманд бяспекі.

Мы ўбачылі велізарны патэнцыял тэхналогій штучнага інтэлекту за шэсць дзесяцігоддзяў з моманту іх афіцыйнага «нараджэння», і мы толькі што дакрануліся да паверхні, асабліва ў галіне бяспекі.

Новае бачанне аналітыкі бяспекі

Да гэтага часу ў гэтым кіраўніцтве ўважліва разглядалася машыннае навучанне, разумеліся яго абмежаванні і моцныя бакі. Машыннае навучанне мае велізарны патэнцыял для садзейнічання штучнаму інтэлекту, але варта адзначыць, што больш шырокая гульня выяўлення пагроз - гэта не толькі глыбокае або машыннае навучанне у тым выглядзе, у якім мы яго ведаем сёння. Новыя аналітычныя метады ў спалучэнні з новымі тыпамі даных могуць даць нам цалкам новыя рамкі для аналізу і дзеянняў у сувязі з пагрозамі бяспекі.

Новыя метады	Адаптыўны аналіз. Пастаянны аналіз. Аптымізацыя ва ўмовах нявызначанасці	Рэагаванне на кантэкст Рэагаванне на мясцовыя змены/зваротную сувязь Колькасная ацэнка або змякчэнне рызыкі
Традыцыйная	Аптымізацыя Прагнастычнае мадэляванне Мадэляванне Прагназаванне Абвесткі Запыт/разгортванне Спецыяльная справаздачнасць Стандартная справаздачнасць	Складанасць рашэння, хуткасць рашэння Выпадковыя, імавернасныя, узровень даверу Высокая дакладнасць, гульні, апрацоўка даных Большыя наборы даных, нелінейная рэгрэсія Правілы/трыгеры, кантэкстна-залежныя, складаныя падзеі У дадзеных памяці, недакладны пошук, геапрасторавы Запыт па пр.ample, справаздачы аб абароне карыстальніка ў рэжыме рэальнага часу, візуалізацыі, узаемадзеянне з карыстальнікам
Новыя дадзеныя	Адносіны раздзялення аб'ектаў, анатацыя вылучэння функцый і токенізацыя	Людзі, ролі, месцазнаходжанне, рэчы. Правілы, семантычны вывад, супастаўленне Аўтаматызавана, з натоўпу

Мы ўбачылі, што аналітыка можа зрабіць для іншых галін, і ёсць патэнцыял для аналітыкі, каб аказаць глыбокі ўплыў на кібербяспеку. алгарытмы і метадалогіі, якія мы абмяркоўвалі (і многае іншае), і іх прымяненне дапамагаюць вырашаць сапраўды складаныя праблемы бяспекі

Самая распаўсюджаная аналітыка, якую мы бачым сёння ў бяспецы, уключае прагнастычныя мадэлі, якія дазваляюць нам вызначыць, дзе могуць быць рызыкі ў вялікіх аб'ёмах даных (гэта месца выяўлення анамалій). У двух словах, прагнастычнае мадэляванне аб'ядноўвае гістарычныя даныя з паводзінамі ў рэжыме рэальнага часу каб зразумець або прадбачыць будучыя паводзіны З дапамогай гэтага мы можам адказаць на пытанне: "Што будзе далей?"

Але наша бачанне аналітыкі бяспекі на гэтым не спыняецца Прагнастычная аналітыка - гэта толькі частка значна большай галаваломкі, якая можа даць нам значна больш карысную інфармацыю для каманд бяспекі Ідэальная парадыгма аналітыкі спалучае ў сабе інтэлектуальныя датчыкі і паўсюдныя крыніцы даных - настольныя кампутары і серверы, мабільныя , воблака, сацыяльныя сеткі, адкрытыя даныя і г.д. — са шматлікімі прасунутымі аналітычнымі падыходамі да аналізу паводзінаў і пагроз, у тым ліку крыміналістычнага аналізу, мадэлявання рызык, выяўлення анамалій, аптымізацыі паводзін і рэагавання і г.д.

Гэта азначае, што мы можам зрабіць значна больш, чым прагназаваць або ідэнтыфікаваць пагрозу. Гэта дазваляе нам пайсці яшчэ далей, каб прапанаваць не толькі пашыранае выяўленне, але і разуменне таго, як рэагаваць найбольш эфектыўна. Аналітыка бяспекі дае нам магчымасць адказаць на іншыя ключавыя пытанні, напрыклад, «Як шмат пагроз?» і "Якая лепшая рэакцыя?"

Мы яшчэ не бачылі іншых класаў аналітыкі, такіх як метады аптымізацыі, якія прымяняюцца да кібербяспекі, але яны маюць велізарны патэнцыял. Гэтыя метады разглядаюць усе магчымыя рэакцыі на рызыку бяспекі і вызначаюць найлепшы адказ Так, ёсць спосабы зрабіць гэта з дапамогай матэматыкі

Напрыкладample, метады аптымізацыі выкарыстоўваюцца, калі вы тэлефануеце свайму пастаўшчыку паслуг сотавай сувязі з праблемай. Яны не выпадкова даюць рэкамендацыі, ці варта абнаўляць ваш план абслугоўвання са зніжкай; яны абапіраюцца на набор матэматычных вылічэнняў у фонавым рэжыме, якія праглядаюць вашы журналы выклікаў, колькасць спыненых выклікаў, параўнанне вашай гісторыі з гісторыяй іншых карыстальнікаў і г. д. Ён нават разлічвае верагоднасць таго, што вы можаце перайсці да іншага пастаўшчыка паслуг. з усіх магчымых наступных крокаў ён вылічвае лепшы наступны крок для максімальнага ўтрымання кліентаў

Тая ж матэматыка можа быць прыменена да каманды бяспекі, каб вызначыць рызыку, забяспечыць шэраг спосабаў рэагавання і вызначыць матэматычна найлепшы адказ для максімальнага стрымлівання гэтай канкрэтнай рызыкі

Хуткі рост і развіццё пагроз бяспецы робіць гэты тып эфектыўнасці рэагавання крытычна важным. Сёння ў нас больш даных, чым калі-небудзь раней. На шчасце, у нас таксама больш вылічальнай магутнасці, лепшыя алгарытмы і больш шырокія інвестыцыі ў даследаванні і тэхналогіі, якія дапамагаюць нам зразумець гэтыя даныя праз матэматыку Мяркуючы па ўсім, мы лічым, што аналітыка бяспекі толькі пачынаецца.

Сёння ў нас больш дадзеных, чым калі-небудзь раней. На шчасце, мы таксама маем большую вылічальную магутнасць, лепшыя алгарытмы і больш шырокія інвестыцыі ў даследаванні і тэхналогіі, якія дапамагаюць нам зразумець гэтыя даныя з дапамогай матэматыкі. Мяркуючы па ўсім, мы лічым, што аналітыка бяспекі толькі пачынаецца.

Падтрымка кліентаў

Звяжыцеся з намі
www.opentext.com
OpenText Cybersecurity прадастаўляе комплексныя рашэнні па бяспецы для кампаній і партнёраў любога памеру: ад прафілактыкі, выяўлення і рэагавання да аднаўлення, расследавання і захавання патрабаванняў, наша ўніфікаваная скразная платформа дапамагае кліентам ствараць кіберўстойлівасць з дапамогай цэласнага партфеля бяспекі, заснаванага на дзейснай інфармацыі ад нашых выведка пагроз у рэжыме рэальнага часу і кантэкстная інфармацыя, кліенты OpenText Cybersecurity атрымліваюць выгаду ад высокаэфектыўных прадуктаў, сумяшчальнага вопыту і спрошчанай бяспекі, каб дапамагчы кіраваць бізнес-рызыкамі
762-000016-003 | О | 01 | © 24 Адкрыты тэкст

Дакументы / Рэсурсы

Opentext Штучны інтэлект і машыннае навучанне [pdfІнструкцыі Штучны інтэлект і машыннае навучанне, інтэлект і машыннае навучанне, машыннае навучанне

Спасылкі

• Кіраўніцтва карыстальніка