opentext umjetna inteligencija i mašina
Umjetna inteligencija (AI) transformira način na koji komuniciramo sa mašinama i način na koji mašine komuniciraju s nama. Ovaj vodič razlaže kako AI funkcionira, prednosti i ograničenja različitih tipova strojnog učenja i evoluciju ovog područja proučavanja koje se stalno mijenja. Također istražuje ulogu sigurnosne analitike omogućene umjetnom inteligencijom ili analitike ponašanja korisnika i entiteta (UEBA) za bolju zaštitu poduzeća od današnjih složenih prijetnji cyber sigurnosti.
Mašinsko protiv ljudskog učenja
Umjetna inteligencija (AI) je posvuda—barem, tako se čini. U OpenText™-u, uspon AI je i uzbudljiv i izazovan. Ali kako smo se bavili našim kolegama, kupcima i partnerima, shvatili smo da koncept veštačke inteligencije nije uvek lako razumljiv Da bismo započeli ovaj vodič za veštačku inteligenciju i mašinsko učenje 101, mi ćemo raspakovati AI slagalicu tako što ćemo odgovoriti na glavno pitanje koje mnogi ljudi postavljaju: „Šta je zapravo veštačka inteligencija?“
Najlakši način da se razumije umjetna inteligencija je da je preslikamo na nešto što već razumijemo – našu vlastitu inteligenciju. Kako funkcionira nevještačka, ljudska inteligencija? Na najosnovnijem nivou, naša inteligencija prati jednostavnu progresiju: primamo informacije, obrađujemo ih i na kraju nam informacije pomažu da djelujemo
Razložimo ovo u sistemski dijagram Na donjoj slici, tri opšta koraka ljudske inteligencije s lijeva na desno: unos, obrada i izlaz U ljudskom mozgu, unos se odvija u obliku osjetila i percepcije stvari Vašim očima, nos, uši, itd., uzimaju sirovi ulaz na lijevoj strani, kao što su fotoni svjetlosti ili miris borova, a zatim ga obrađuju. obrađujemo sirovi ulaz koji naš mozak prima. Obrada se dešava u sredini, gdje se formiraju i preuzimaju znanje ili sjećanja, donose se odluke i zaključci, a događa se učenje.
Slika 1. Ljudska inteligencija
Kako funkcioniše neveštačka, ljudska inteligencija? Na najosnovnijem nivou, naša inteligencija prati jednostavnu progresiju: primamo informacije, obrađujemo ih i na kraju nam informacije pomažu da djelujemo.
Slika zaustavljanja na raskrsnici Vaše oči vide da se semafor ispred vas upravo upalio zeleno Na osnovu onoga što ste naučili iz iskustva (i obrazovanja vozača), znate da zeleno svjetlo ukazuje da treba da vozite naprijed Dakle, vi pritisnite papučicu gasa Zeleno svjetlo je sirovi ulaz, vaše ubrzanje je izlaz; sve između se obrađuje
Da bismo se inteligentno kretali svijetom oko nas – javljanjem na telefon, pečenjem čokoladnih kolačića ili slušanjem semafora – moramo obraditi ulaz koji primamo. Ovo je srž obrade ljudske inteligencije i na kraju je podijeljena na tri različita aspekta :
- Znanje i pamćenje. Mi izgrađujemo znanje dok unosimo činjenice (tj. Bitka kod Hastingsa se odigrala 1066.) i društvene norme (tj. izgovaranje „Molim“ i „Hvala“ se smatra ljubaznim). Osim toga, pamćenje nam omogućava da se prisjetimo i primijenimo informacije iz situacije iz prošlosti u sadašnje Na primjerample, Edward se sjeća da mu Jane nije zahvalila na svom rođendanskom poklonu, pa ne očekuje da mu se zahvali kada joj pokloni božićni poklon
- Odluka i zaključak. Odluke i zaključci se donose na osnovu sirovog unosa u kombinaciji sa znanjem i/ili pamćenjem Na primjerample, Edward je pojeo jalapeno papriku prošle godine i nije mu se svidjela Kad Johnny ponudi papriku Edwardu, on odluči da je ne jede
- Učenje. Ljudi mogu učiti od nprample, posmatranje ili algoritam U učenju od prample, rečeno nam je da je jedna životinja pas, druga mačka. U učenju posmatranjem, sami otkrivamo da psi laju, a da mačke mjau. niz koraka ili određeni algoritam (npr. izvođenje dugog dijeljenja)
Ovi aspekti ljudske inteligencije paralelni su s umjetnom inteligencijom Baš kao što mi primamo informacije, obrađujemo ih i dijelimo izlaz, mogu i mašine. Pogledajmo sliku ispod da vidimo kako se to prikazuje.
Slika 2. Vještačka inteligencija
Da bismo se inteligentno kretali svijetom oko nas – javljanjem na telefon, pečenjem kolačića s komadićima čokolade ili slušanjem semafora – moramo obraditi unos koji primimo.
U mašinama, ulazni dio umjetne inteligencije je primjer obrade prirodnog jezika, prepoznavanja govora, vizualnog prepoznavanja i još mnogo toga. Takve tehnologije i algoritme vidite posvuda, od samovozećih automobila koji trebaju osjetiti puteve i prepreke, do Alexa ili Siri kada prepozna vaš govor Rezultat koji slijedi su načini na koje mašine stupaju u interakciju sa svijetom oko nas. To može biti u obliku robotike, navigacijskih sistema (za vođenje tih automobila koji se sami voze), generiranja govora (npr. Siri), itd. između, imamo različite oblike obrade koje se odvijaju
Slično našem prikupljanju znanja i sjećanja, mašine mogu kreirati reprezentacije znanja (npr. baze podataka grafova, ontologije) koje im pomažu da pohranjuju informacije o svijetu Baš kao što ljudi donose odluke ili izvode zaključke, mašine mogu napraviti predviđanje, optimizirati za cilj ili ishod i odrediti najbolje sljedeće korake ili odluke za postizanje određenog cilja
Konačno, baš kao što učimo od prampda, posmatranje ili algoritam, mašine se mogu podučavati korišćenjem analognih metoda Nadgledano mašinsko učenje je slično učenju od strane example: kompjuteru se daje skup podataka sa "oznakama" unutar skupa podataka koji se ponašaju kao odgovori i na kraju uči da razlikuje različite oznake (npr. ovaj skup podataka sadrži fotografije označene kao "pas" ili "mačka", i sa dovoljno exampDakle, kompjuter će primijetiti da psi općenito imaju duže repove i manje šiljate uši od mačaka)
Nenadzirano mašinsko učenje je, s druge strane, kao učenje posmatranjem. Računar posmatra obrasce (psi laju i mačke mijauku) i kroz to uči da razlikuje grupe i obrasce samostalno (npr. postoje dve grupe životinja koje mogu biti razdvojeni zvukom koji stvaraju jedna grupa laje – psi – a druga grupa mjauče – mačke) Učenje bez nadzora ne zahtijeva oznake i stoga može biti poželjno kada su skupovi podataka ograničeni i nemaju oznake Konačno, učenje pomoću algoritma je; šta se dešava kada programer uputi računaru šta tačno treba da radi, korak po korak, u softverskom programu.
U stvari, najtačniji i najdefektniji rezultati veštačke inteligencije zahtevaju kombinaciju metoda učenja. I nadgledano i nenadzirano mašinsko učenje su korisne metode— sve je u primeni pravog pristupa ili pristupa na pravi slučaj upotrebe
Zatim ćemo staviti mašinsko učenje pod mikroskop kako bismo razumjeli kako ovaj dio AI odražava neurone u našem mozgu kako bi input pretvorio u optimalan izlaz.
U idealnom slučaju, najprecizniji i najefikasniji rezultati umjetne inteligencije zahtijevaju kombinaciju metoda učenja. I nadgledano i nenadzirano mašinsko učenje su korisne metode—sve je u primeni pravog pristupa ili pristupa na pravi slučaj upotrebe.
Neuralna mreža i duboko učenje
Mašinsko učenje je samo jedan dio AI, iako u sebi ima ogroman podskup algoritama. Zbog njegove popularnosti i uspjeha, korisno je razumjeti kako funkcionira Duboko učenje je evolucija algoritma za strojno učenje koji je bio popularan 1980-ih i koji možda prepoznajete: neuronske mreže.
Neuronske mreže – paradigma programiranja u kojoj treniramo mašine da „uče“ – inspirisane su neuronima ili specijalizovanim ćelijama u ljudskom telu koje čine osnovu našeg nervnog sistema, a posebno mozga. Ove ćelije prenose signale kroz naše telo izazivaju nervozu. sistemske reakcije i procesi Neuroni su ono što nam omogućava da vidimo, čujemo, mirišemo, itd.
Slika 3. Kako neuroni primaju i šalju poruke
Velik dio onoga što smatramo ljudskim učenjem može se opisati koliko je jaka veza između dva neurona u našem mozgu, zajedno sa snagom ruba naših sinapsi.
U prvom dijelu ovog vodiča raspravljali smo o osnovnom procesu ljudske inteligencije: ulaz na lijevoj strani, a izlaz na desnoj Neuron (na slici iznad) igra ključnu ulogu u tome Na lijevoj strani neurona tijelo ćelije prikuplja “ulaz” Kada primi dovoljno ulaza ili stimulacije, akson se oslobađa, prenoseći informaciju na desnu stranu – sinapsu. “Izlaz” se zatim šalje drugim neuronima
U svakom trenutku, naši neuroni međusobno prenose poruke. Ove ćelije su odgovorne za našu sposobnost da percipiramo svoju okolinu. A kada učimo, naši neuroni postaju veoma aktivni. Zapravo, mnogo od onoga što smatramo ljudskim učenjem može se opisati koliko je jaka veza između dva neurona u našem mozgu, zajedno sa snagom ruba naših sinapsi
Neuronska mreža je matematička simulacija kolekcije neuronskih ćelija. Slika ispod predstavlja osnovnu neuronsku mrežu sa 3 sloja i 12 čvorova
Svaki kružni čvor predstavlja umjetni, biološki inspiriran “neuron” Linije predstavljaju vezu od izlaza jednog umjetnog neurona s lijeve strane do ulaza drugog s desne strane. Signali između ovih neurona teku duž linija s lijeva na desno u ovim mrežama , ulaz – kao što su podaci o pikselima – teče od ulaznog sloja, kroz srednje „skrivene“ slojeve, i na kraju do izlaznog sloja na način opisan matematičkim jednadžbama koje su labavo inspirisane električnom aktivnošću stvarnih bioloških neurona.
Slika 4. Jednostavna neuronska mreža
Neuronske mreže uče pokušavajući da upare skupove podataka predstavljene ulaznom sloju sa željenim ishodima u izlaznom sloju. Matematičke jednačine izračunavaju izlaze, upoređuju simulirani izlaz sa željenim ishodom, a rezultirajuće razlike zatim proizvode podešavanje jačine veza.
Neuronske mreže uče pokušavajući da upare skupove podataka predstavljene ulaznom sloju sa željenim ishodima u izlaznom sloju. Matematičke jednadžbe izračunavaju izlaze, uspoređuju simulirani izlaz sa željenim ishodom, a rezultirajuće razlike zatim proizvode podešavanja jačine veza. Ova podešavanja se iterativno modificiraju sve dok izračunati izlaz nije dovoljno blizu željenom ishodu, u kom trenutku kažemo da je neuronska mreža „naučila“
Slika 5. Složena neuronska mreža
Ove „dublje“ neuronske mreže mogu da urade mnogo složenija predviđanja. Mogu postojati hiljade čvorova i stotine slojeva, što znači hiljade različitih izračunavanja. Modeli dubokog učenja postali su veoma dobri u specifičnim problemima, kao što je prepoznavanje govora ili slike.
Vrijedi napomenuti, međutim, da duboko učenje nije srebrni metak za strojno učenje – posebno ne u kibernetičkoj sigurnosti, gdje ponekad ne postoji velika količina čistih podataka koja je idealna za metode dubokog učenja. Važno je odabrati pravi algoritam, podaci i principi za posao Ovo je najbolji način da mašine prikupe dokaze, povežu tačke i izvuku zaključak
Neuronske mreže mogu izgledati kao stvari budućnosti, ali postoje već neko vrijeme U stvari, neuronske mreže su zasnovane na idejama koje su počele kružiti još 1940-ih. kako su neuronske mreže i mašinsko učenje prožimali mnoge dijelove modernog života.
Neuronske mreže mogu izgledati kao stvar budućnosti, ali postoje već neko vrijeme. U stvari, neuronske mreže su zasnovane na idejama koje su počele da kruže još 1940-ih.
Kratka istorija veštačke inteligencije
Za neke ljude, termin umjetna inteligencija (AI) mogao bi izazvati slike futurističkih gradova s letećim automobilima i kućnim robotima. Ali umjetna inteligencija nije futuristički koncept, barem ne više Iako se ne spominje kao takva, ideja umjetne inteligencije može biti unatrag do antike (tj. mehaničke sluškinje grčkog boga Hefesta koje govore) ¹ Od 1930-ih, naučnici i matematičari podjednako su bili željni istraživanja stvaranja prave inteligencije odvojene od ljudi
Odlučujući trenutak AI sredinom 20. stoljeća bio je sretan spoj matematike i biologije, s istraživačima kao što su Norbert Wiener, Claude Shannon i Alan Turing koji su već odvojili raskrsnicu električnih signala i računanja Do 1943., Warren McCulloch i Walter Pitts je stvorio model za neuronske mreže Neuralne mreže su utrle put za hrabri novi svijet računarstva sa većim konjskim snagama, a 1956. godine, polje istraživanja AI službeno je uspostavljeno kao akademska disciplina
Druga polovina veka bila je uzbudljivo doba za istraživanje i napredak veštačke inteligencije, povremeno prekidano „zimama veštačke inteligencije“ sredinom 70-ih i kasnih 80-ih, kada veštačka inteligencija nije uspela da ispuni očekivanja javnosti, a ulaganja u ovu oblast su smanjena. Ali uprkos neuspesima, različite aplikacije za AI i mašinsko učenje pojavljivale su se levo i desno. Jedna posebna anegdota o takvoj aplikaciji postala je popularna parabola u naučnoj zajednici, koja prilično efikasno govori o iskušenjima i nevoljama istraživanja i implementacije AI
Priča ide otprilike ovako:
Osamdesetih godina, Pentagon je odlučio da koristi neuronsku mrežu za identifikaciju kamufliranih tenkova Rad sa samo jednim glavnim računarom (iz 1980-ih, imajte na umu), neuronska mreža je obučena sa 200 slika—100 tenkova i 100 stabala Uprkos relativno maloj neuronskoj mreži (zbog 1980-ih ograničenja u računanju i memoriji), laboratorijska obuka je rezultirala sa 100% preciznošću. Sa takvim uspjehom, tim odlučuje da se izvuče na teren Rezultati nisu bili sjajni.
Slika 6. Slike laboratorija i polja (Izvor: Neural Network Follies, Neil Fraser, septembar 1998.)
Uz dostupnost ogromnih računarskih resursa o kojima se nije moglo sanjati 1980-ih, duboke neuronske mreže su brzo postale popularno područje istraživanja. Duboko učenje daje sistemu mogućnost da automatski „uči“ kroz milijarde kombinacija i zapažanja, smanjujući ovisnost o ljudskim resursima.
Zašto je neuronska mreža radila tako fantastično na fotografijama u laboratoriji, ali tako potpuno nije uspjela na terenu? Ispostavilo se da su sve fotografije bez tenkova snimljene u danima kada je nebo bilo oblačno; sve slike drveća su snimljene u danima kada je sunce sijalo Neuralna mreža je bila obučena da prepoznaje sunce, a ne tenkove
Ipak, na kraju, vizuelno prepoznavanje putem dubokog učenja – olakšano neuronskim mrežama koje su mnogo složenije od olovketagon-ov mainframe iz 1980-ih bi mogao podnijeti—postao stvarnost Godine 2012., profesor sa Stanforda Andrew Ng i kolega iz Googlea Jef Dean stvorili su jednu od prvih dubokih neuronskih mreža koristeći 1000 računara sa po 16 jezgara Zadatak: analizirati 10 miliona YouTube videa Rezultat : pronašao je mačke ² Zahvaljujući svom algoritmu “dubokog učenja”, mreža je vremenom mogla prepoznati mačke i to s vrlo dobrom preciznošću
Uz dostupnost ogromnih računarskih resursa o kojima se nije ni sanjalo 1980-ih, duboke neuronske mreže su brzo postale popularno područje istraživanja Duboko učenje daje sistemu mogućnost da automatski „uči“ kroz milijarde kombinacija i zapažanja, smanjujući ovisnost o ljudski resursi U domenu kibernetičke sigurnosti, metoda je postala posebno obećavajuća za otkrivanje zlonamjernog softvera – scenarija u kojima imamo velike skupove podataka sa mnogim bivšimampbroj zlonamjernih programa iz kojih mreža može učiti
Nažalost, metode dubokog učenja su trenutno manje efikasne kada su u pitanju određeni slučajevi upotrebe, kao što je insajderska prijetnja, jer jednostavno nemamo pravu vrstu podataka o ovim vrstama napada, u potrebnim količinama. Najčešće informacije koje imamo o insajderskim prijetnjama su anegdotske, koje ove vrste neuronskih mreža ne mogu efikasno koristiti.
Sve dok ne prikupimo efikasnije skupove podataka (i smanjimo troškove i složenost sistema dubokog učenja), duboko učenje nije pravi izbor za sve slučajeve upotrebe I to je u redu. Duboko učenje je samo jedan od mnogih algoritama mašinskog učenja, a ovi pristupi mogu biti kao da nije vredniji – sve zavisi od posla koji se radi
Videli smo ogroman potencijal AI tehnologija u šest decenija od njenog zvaničnog „rođenja“, a tek smo zagrebali površinu, posebno u oblasti bezbednosti. način na koji identifikujemo i reagujemo na bezbednosne pretnje.
Prediktivna analitika je samo jedan dio mnogo veće slagalice koja nam može dati mnogo korisniji uvid za sigurnosne timove.
Videli smo ogroman potencijal AI tehnologija u šest decenija od njenog zvaničnog „rođenja“, a tek smo zagrebali površinu, posebno u oblasti bezbednosti.
Nova vizija za sigurnosnu analitiku
Do sada je ovaj vodič pomno razmatrao strojno učenje, razumijevajući njegova ograničenja i prednosti. Postoji ogroman potencijal za strojno učenje da olakša AI, ali vrijedi napomenuti da šira igra otkrivanja prijetnji nije samo duboko učenje ili strojno učenje kakvu danas poznajemo Nove analitičke metode u kombinaciji sa novim tipovima podataka mogu nam dati potpuno nove okvire u kojima možemo analizirati i djelovati na sigurnosne prijetnje.
| Nove metode | Adaptivna analiza Kontinualna optimizacija analize pod nesigurnošću | Odgovaranje na kontekst Odgovaranje na lokalne promjene/povratne informacije Kvantificiranje ili ublažavanje rizika |
| Tradicionalno | Optimizacija Prediktivno modeliranje Simulacija Predviđanje Upozorenja Upit/Drill Down Ad hoc izvještavanje Standardno izvještavanje | Kompleksnost odlučivanja, brzina rješenja Ležerno, vjerovatno, nivoi povjerenja Visoka vjernost, igre, prikupljanje podataka Veći skupovi podataka, nelinearna regresija Pravila/okidači, kontekstualno osjetljivi, složeni događaji U memorijskim podacima, nejasna pretraga, geoprostorni upitample, izvještaji o zaštiti korisnika u stvarnom vremenu, vizualizacije, interakcija korisnika |
| Novi podaci | Odnos razlučivanja entiteta, anotacija ekstrakcije karakteristika i tokenizacija | Ljudi, uloge, lokacije, stvari Pravila, semantičko zaključivanje, automatizirano podudaranje, izvori publike |
Vidjeli smo šta analitika može učiniti za druge industrije, a postoji i potencijal da analitika ima dubok utjecaj na kibernetičku sigurnost. Vidimo da se ovo oblikuje u novom polju koje nazivamo sigurnosna analitika, koja u suštini preuzima borbeno testirane algoritmi i metodologije o kojima smo raspravljali (i više) i koje ih primjenjujemo pomažu u rješavanju zaista teških problema u sigurnosti
Najčešća analitika koju danas vidimo u sigurnosti uključuje prediktivne modele, koji nam omogućavaju da identifikujemo gdje bi rizici mogli biti unutar velikih količina podataka (tu dolazi do otkrivanja anomalija). Ukratko, prediktivno modeliranje kombinuje istorijske podatke s ponašanjem u stvarnom vremenu da bismo razumjeli ili predvidjeli buduće ponašanje Ovim možemo odgovoriti na pitanje: „Šta se dalje događa?“
Ali naša vizija sigurnosne analitike ne staje ovdje. Prediktivna analitika je samo jedan dio mnogo veće slagalice koja nam može dati mnogo korisniji uvid za sigurnosne timove Idealna analitička paradigma kombinuje inteligentne senzore i sveprisutne izvore podataka — desktope i servere, mobilne uređaje. , oblak, društvene mreže, otvoreni podaci, itd — s višestrukim naprednim analitičkim pristupima analizi ponašanja i prijetnji, uključujući forenzičku analizu, modeliranje rizika, otkrivanje anomalija, optimizaciju ponašanja i odgovora i još mnogo toga
To znači da možemo učiniti mnogo više od predviđanja ili identificiranja prijetnje. Omogućava nam da idemo još dalje da ponudimo ne samo naprednu detekciju već i uvid u to kako da najefikasnije odgovorimo. Sigurnosna analitika nam daje moć da odgovorimo na druga ključna pitanja, poput „Kako ima li mnogo prijetnji?” i "Koja je najbolja moguća reakcija?"
Još nismo vidjeli druge klase analitike kao što su metode optimizacije primijenjene na kibernetičku sigurnost, ali one imaju ogroman potencijal. Ove tehnike razmatraju sve moguće reakcije na sigurnosni rizik i određuju najbolji odgovor Da, postoje načini da se to uradi pomoću matematike
Za nprampda, metode optimizacije se koriste kada pozovete svog provajdera mobilnog telefona sa problemom. Oni ne daju nasumično preporuku da li da nadogradite svoj plan usluga uz popust; oslanjaju se na skup matematike u pozadini koja gleda vaše evidencije poziva, broj odbačenih poziva, kako se vaša historija upoređuje s historijom drugih korisnika, itd. Čak izračunava vjerovatnoću da biste se mogli prebaciti na drugog provajdera usluga. od svih mogućih narednih koraka, izračunava najbolji sljedeći korak za maksimiziranje zadržavanja korisnika
Ista matematika se može primijeniti na sigurnosni tim kako bi se identificirao rizik, pružio niz načina na koje treba reagirati i matematički odredio najbolji odgovor kako bi se maksimalno ograničio ovaj određeni rizik
Brzi porast i evolucija sigurnosnih prijetnji čine ovu vrstu efikasnosti odgovora kritičnom. Danas imamo više podataka nego ikada prije. kroz matematiku Po svemu sudeći, vjerujemo da je sigurnosna analitika tek počela.
Danas imamo više podataka nego ikada prije. Srećom, takođe imamo više računarske snage, bolje algoritme i veće investicije u istraživanje i tehnologije koje nam pomažu da shvatimo ove podatke kroz matematiku. Po svemu sudeći, vjerujemo da sigurnosna analitika tek počinje.
Korisnička podrška
Povežite se s nama
www.opentext.com
OpenText Cybersecurity pruža sveobuhvatna sigurnosna rješenja za kompanije i partnere svih veličina Od prevencije, otkrivanja i odgovora do oporavka, istrage i usklađenosti, naša objedinjena end-to-end platforma pomaže klijentima da izgrade sajber otpornost putem holističkog sigurnosnog portfelja Pokrenuta praktičnim uvidima iz naših obavještavanje o prijetnjama u realnom vremenu i kontekstualnu, OpenText Cybersecurity klijenti imaju koristi od proizvoda visoke efikasnosti, usaglašenog iskustva i pojednostavljene sigurnosti kako bi pomogli u upravljanju poslovnim rizikom
762-000016-003 | O | 01/24 | © 2024 Otvoreni tekst
Dokumenti / Resursi
 |
opentext umjetna inteligencija i strojno učenje [pdfUpute Vještačka inteligencija i mašinsko učenje, Inteligencija i mašinsko učenje, mašinsko učenje |
