Opentext Intel·ligència artificial i màquina

La intel·ligència artificial (IA) està transformant la manera com interactuem amb les màquines i la manera com les màquines interactuen amb nosaltres. Aquesta guia explica com funciona la IA, els punts forts i les limitacions de diversos tipus d'aprenentatge automàtic i l'evolució d'aquest camp d'estudi en constant canvi. També explora el paper de l'anàlisi de seguretat habilitada per IA o l'anàlisi del comportament d'usuaris i entitats (UEBA) per protegir millor les empreses de les complexes amenaces de ciberseguretat actuals.

Màquina vs aprenentatge humà

La intel·ligència artificial (IA) és a tot arreu; almenys, així sembla. A OpenText™, l'auge de la intel·ligència artificial és alhora emocionant i desafiant. Però a mesura que ens hem relacionat amb els nostres companys, clients i socis, ens hem adonat que El concepte d'IA no sempre s'entén fàcilment Per començar aquesta guia 101 d'IA i aprenentatge automàtic, desempaquetarem el trencaclosques de la IA responent a la pregunta principal que es fa molta gent: "Què és realment la intel·ligència artificial?"

La manera més fàcil d'entendre la intel·ligència artificial és assignar-la a alguna cosa que ja entenem: la nostra pròpia intel·ligència. Com funciona la intel·ligència humana no artificial? En el nivell més bàsic, la nostra intel·ligència segueix una progressió senzilla: agafem informació, la processem i, en definitiva, la informació ens ajuda a actuar.

Desglossem-ho en un diagrama de sistema. A la figura següent, els tres passos generals de la intel·ligència humana d'esquerra a dreta: entrada, processament i sortida Al cervell humà, l'entrada té lloc en forma de percebre i percebre coses Els teus ulls, nas, orelles, etc., agafeu l'entrada en brut a l'esquerra, com ara fotons de llum o l'olor dels pins, i després processeu-les. A la part dreta del sistema s'emet. Això inclou la parla i les accions, que depenen de com processem l'entrada en brut que el nostre cervell està rebent. El processament es produeix al mig, on es formen i es recuperen coneixements o records, es prenen decisions i inferències i es produeix l'aprenentatge.

Figura 1. Intel·ligència humana

Com funciona la intel·ligència humana no artificial? En el nivell més bàsic, la nostra intel·ligència segueix una progressió senzilla: agafem informació, la processem i, en definitiva, la informació ens ajuda a actuar.

Imatge aturant-se en una intersecció d'una carretera Els teus ulls veuen que el semàfor que tens davant s'acaba de posar verd Segons el que has après de l'experiència (i de l'educació del conductor), saps que un semàfor verd indica que hauries de conduir cap endavant. premeu el pedal del gas La llum verda és l'entrada en brut, la vostra acceleració és la sortida; tot el que hi ha entremig s'està processant

Per navegar intel·ligentment pel món que ens envolta (responent el telèfon, cuinant galetes de xocolata o obeint els semàfors), hem de processar l'entrada que rebem. Aquest és el nucli del processament de la intel·ligència humana i, finalment, es divideix en tres aspectes diferents. :

1. Coneixement i memòria. Ampliem coneixement a mesura que ingerim fets (és a dir, la batalla de Hastings va tenir lloc el 1066) i normes socials (és a dir, dir "si us plau" i "gràcies" es considera educat). A més, la memòria ens permet recordar i aplicar informació de del passat a situacions presents Per exampLle, Edward recorda que la Jane no li va agrair el seu regal d'aniversari, així que no espera que li agraeixi quan li faci un regal de Nadal.
2. Decisió i inferència. Les decisions i les inferències es prenen a partir d'una entrada en brut combinada amb el coneixement i/o la memòria Per exampl'any passat, l'Edward va menjar un pebrot jalapeño i no li va agradar. Quan Johnny li ofereix un pebrot, decideix no menjar-lo.
3. Aprenentatge. Els humans poden aprendre per example, observació o algorisme En l'aprenentatge per exampEns diuen que un animal és un gos i l'altre és un gat. En aprenent per observació, descobrim pel nostre compte que els gossos borden i que els gats miaulen. El tercer mètode d'aprenentatge, l'algoritme, ens permet completar una tasca seguint una sèrie de passos o un algorisme específic (p. ex., realitzar una divisió llarga)

Aquests aspectes de la intel·ligència humana són paral·lels a la intel·ligència artificial De la mateixa manera que prenem informació, la processem i compartim la sortida, també ho poden fer les màquines. Mirem la figura següent per veure com s'explica això.

Figura 2. Intel·ligència artificial

Per navegar intel·ligentment pel món que ens envolta (responent el telèfon, cuinant galetes de xocolata o obeint els semàfors), hem de processar l'entrada que rebem.

A les màquines, la part d'entrada de la intel·ligència artificial s'exemplifica amb el processament del llenguatge natural, el reconeixement de veu, el reconeixement visual i molt més. Veus aquestes tecnologies i algorismes a tot arreu, des de cotxes amb conducció autònoma que necessiten detectar les carreteres i els obstacles, fins a Alexa o Siri. quan reconeix la teva parla. La sortida que segueix són maneres en què les màquines interactuen amb el món que ens envolta. Això pot prendre la forma de robòtica, sistemes de navegació (per guiar els cotxes autònoms), generació de veu (per exemple, Siri), etc. entre, tenim diverses formes de processament que tenen lloc

De manera similar a la nostra acumulació de coneixements i memòries, les màquines poden crear representacions de coneixement (per exemple, bases de dades de gràfics, ontologies) que els ajudin a emmagatzemar informació sobre el món De la mateixa manera que els humans prenen decisions o extreuen inferències, les màquines poden fer una predicció, optimitzar per a un objectiu o resultat i determinar els millors passos o decisions següents per assolir un objectiu específic

Finalment, tal com aprenem per l'exampLle, observació o algorisme, les màquines es poden ensenyar mitjançant mètodes anàlegs L'aprenentatge automàtic supervisat és molt semblant a l'aprenentatge per example: l'ordinador rep un conjunt de dades amb "etiquetes" dins del conjunt de dades que actuen com a respostes i, finalment, aprèn a distingir entre diferents etiquetes (p. ex., aquest conjunt de dades conté fotos etiquetades com a "gos" o "gat" i amb prou examples, l'ordinador notarà que els gossos generalment tenen cues més llargues i orelles menys punxegudes que els gats)

L'aprenentatge automàtic no supervisat, en canvi, és com aprendre mitjançant l'observació. L'ordinador observa patrons (els gossos borden i els gats miaulen) i, ​​a través d'això, aprèn a distingir grups i patrons per si mateix (p. ex., hi ha dos grups d'animals que poden estar separats pel so que fan un grup borda —els gossos— i l'altre grup miaula— els gats) L'aprenentatge no supervisat no requereix etiquetes i, per tant, pot ser preferible quan els conjunts de dades són limitats i no tenen etiquetes. Finalment, l'aprenentatge per algorisme és què passa quan un programador indica a un ordinador exactament què ha de fer, pas a pas, en un programa de programari.

De fet, els resultats d'intel·ligència artificial més precisos i deficients requereixen una combinació de mètodes d'aprenentatge. Tant l'aprenentatge automàtic supervisat com el no supervisat són mètodes útils; es tracta d'aplicar l'enfocament o enfocaments adequats al cas d'ús adequat.

A continuació, posarem l'aprenentatge automàtic al microscopi per entendre com aquesta part de la IA reflecteix les neurones del nostre cervell per convertir l'entrada en una sortida òptima.

Idealment, els resultats d'intel·ligència artificial més precisos i eficients requereixen una combinació de mètodes d'aprenentatge. Tant l'aprenentatge automàtic supervisat com el no supervisat són mètodes útils: es tracta d'aplicar l'enfocament o enfocaments adequats al cas d'ús adequat.

La xarxa neuronal i l'aprenentatge profund

L'aprenentatge automàtic és només una part de la IA, tot i que té un subconjunt massiu d'algorismes al seu interior. Un mètode que escolteu sovint avui és "aprenentatge profund", un algorisme que ha rebut una bona part d'atenció a les notícies en els darrers anys. la seva popularitat i èxit, és útil entendre com funciona. L'aprenentatge profund és una evolució d'un algorisme d'aprenentatge automàtic que va ser popular als anys 1980 i que potser reconeixeu: les xarxes neuronals.

Les xarxes neuronals, un paradigma de programació en què entrenem màquines per "aprendre"- s'inspiren en les neurones, o cèl·lules especialitzades del cos humà que formen la base del nostre sistema nerviós i, en particular, el cervell. Aquestes cèl·lules transmeten senyals per tot el nostre cos desencadenen el sistema nerviós. Respostes i processos del sistema Les neurones són les que ens permeten veure, escoltar, olorar, etc.

Figura 3. Com les neurones reben i envien missatges

Gran part del que pensem com a aprenentatge humà es pot descriure per la forta connexió entre dues neurones del nostre cervell, juntament amb la força de la franja de les nostres sinapsis.

A la primera part d'aquesta guia, vam parlar del procés bàsic de la intel·ligència humana: entrada a l'esquerra i sortida a la dreta. La neurona (a la foto de dalt) té un paper crític en això. Al costat esquerre de la neurona, el cos cel·lular recull "entrada" Un cop rep prou entrada o estimulació, l'axó es frega, transmetent la informació al costat dret: la sinapsi. La "sortida" s'envia a altres neurones.

En un moment donat, les nostres neurones es transmeten missatges entre elles. Aquestes cèl·lules són les responsables de la nostra capacitat per percebre el nostre entorn I quan aprenem, les nostres neurones es tornen molt actives. De fet, gran part del que pensem com a aprenentatge humà es pot descriure mitjançant quina forta és la connexió entre dues neurones del nostre cervell, juntament amb la força de la franja de les nostres sinapsis

Una xarxa neuronal és una simulació matemàtica d'una col·lecció de cèl·lules neuronals La imatge següent representa una xarxa neuronal bàsica amb 3 capes i 12 nodes

Cada node circular representa una "neurona" artificial inspirada biològicament. Les línies representen una connexió des de la sortida d'una neurona artificial a l'esquerra fins a l'entrada d'una altra a la dreta Els senyals entre aquestes neurones flueixen al llarg de les línies d'esquerra a dreta En aquestes xarxes , l'entrada, com ara les dades de píxels, flueix des de la capa d'entrada, a través de les capes mitjanes "ocultes" i, finalment, a la capa de sortida d'una manera descrita per equacions matemàtiques inspirades lliurement en l'activitat elèctrica de les neurones biològiques reals.

Figura 4. Xarxa neuronal simple

Les xarxes neuronals aprenen intentant fer coincidir els conjunts de dades presentats a la capa d'entrada amb els resultats desitjats a la capa de sortida. Les equacions matemàtiques calculen les sortides, comparen la sortida simulada amb el resultat desitjat i les diferències resultants produeixen ajustaments a la força de les connexions.

Les xarxes neuronals aprenen intentant fer coincidir els conjunts de dades presentats a la capa d'entrada amb els resultats desitjats a la capa de sortida. Les equacions matemàtiques calculen les sortides, comparen la sortida simulada amb el resultat desitjat i les diferències resultants produeixen ajustaments a la força de les connexions. Aquests ajustaments es modifiquen iterativament fins que la sortida calculada s'apropa prou al resultat desitjat, moment en què diem que la xarxa neuronal ha "apres"

Figura 5. Xarxa neuronal complexa

Aquestes xarxes neuronals "més profundes" poden fer prediccions molt més complexes. Hi pot haver milers de nodes i centenars de capes, la qual cosa significa milers de càlculs diferents. Els models d'aprenentatge profund s'han convertit en molt bons per a problemes específics, com ara el reconeixement de veu o d'imatges.

Val la pena assenyalar, però, que l'aprenentatge profund no és una bala de plata per a l'aprenentatge automàtic, sobretot no en la ciberseguretat, on de vegades no hi ha el gran volum de dades netes que és ideal per als mètodes d'aprenentatge profund. És important triar l'algoritme adequat, dades i principis per a la feina Aquesta és la millor manera per a les màquines de reunir proves, connectar els punts i treure una conclusió.

Les xarxes neuronals poden semblar les coses del futur, però ja fa temps que existeixen. De fet, les xarxes neuronals es basen en idees que van començar a circular als anys quaranta. A la següent secció, farem un petit viatge en el temps per entendre-ho. com les xarxes neuronals i l'aprenentatge automàtic han arribat a impregnar moltes parts de la vida moderna.

Les xarxes neuronals poden semblar les coses del futur, però ja fa temps que existeixen. De fet, les xarxes neuronals es basen en idees que van començar a circular a la dècada de 1940.

Una breu història de la intel·ligència artificial

Per a algunes persones, el terme intel·ligència artificial (IA) podria evocar imatges de ciutats futuristes amb cotxes voladors i robots domèstics. Però la intel·ligència artificial no és un concepte futurista, almenys ja no. Tot i que no es coneix com a tal, la idea d'intel·ligència artificial pot ser es remunta a l'antiguitat (és a dir, les serventes mecàniques parlants del déu grec Hefest) ¹ Des de la dècada de 1930, científics i matemàtics han estat ansiosos per explorar la creació d'una veritable intel·ligència separada dels humans.

El moment definitiu de la IA a mitjans del segle XX va ser una feliç confluència de matemàtiques i biologia, amb investigadors com Norbert Wiener, Claude Shannon i Alan Turing ja es van desfer a la intersecció de senyals elèctrics i computació. El 20, Warren McCulloch i Walter Pitts havia creat un model per a xarxes neuronals Les xarxes neuronals van obrir el camí per a un nou món valent de la informàtica amb una potència més gran i, el 1943, el camp de la investigació de la IA es va establir oficialment com a disciplina acadèmica.

La segona meitat del segle va ser una època apassionant per a la investigació i el progrés de la IA, interrompuda ocasionalment per "hiverns d'IA" a mitjans dels anys 70 i finals dels 80, on la IA no va satisfer les expectatives del públic i la inversió en el camp es va reduir. Però malgrat els contratemps, diferents aplicacions per a IA i aprenentatge automàtic estaven apareixent a esquerra i dreta Una anècdota particular d'aquesta aplicació s'ha convertit en una paràbola popular dins de la comunitat científica, parlant amb força eficàcia de les proves i tribulacions de la investigació i la implementació de la IA.

La història és una cosa així:

A la dècada de 1980, la Pentagon va decidir utilitzar una xarxa neuronal per identificar tancs camuflats. Treballant amb un sol sistema central (de la dècada de 1980, tingueu en compte), la xarxa neuronal es va entrenar amb 200 imatges: 100 tancs i 100 arbres. Malgrat la xarxa neuronal relativament petita (a causa de la dècada dels vuitanta). limitacions de càlcul i memòria), la formació de laboratori va donar lloc a una precisió del 1980% Amb aquest èxit, l'equip decideix donar-li una oportunitat al camp Els resultats no van ser grans.

Figura 6. Imatges de laboratori i camp (Font: Neural Network Follies, Neil Fraser, setembre de 1998)

Amb la disponibilitat de grans recursos informàtics que no s'havien somiat a la dècada de 1980, les xarxes neuronals profundes s'han convertit ràpidament en una àrea popular per a la investigació. L'aprenentatge profund dóna a un sistema la capacitat d'"aprendre" automàticament mitjançant milers de milions de combinacions i observacions, reduint la dependència dels recursos humans.

Per què la xarxa neuronal va fer tan fantàstic a les fotos del laboratori, però va fallar tan completament al camp? Va resultar que les fotos sense tancs es van fer tots els dies en què el cel estava ennuvolat; totes les imatges dels arbres es van fer els dies on brillava el sol La xarxa neuronal havia estat entrenada per reconèixer el sol, no els tancs

Finalment, però, el reconeixement visual mitjançant l'aprenentatge profund, facilitat per xarxes neuronals molt més complexes que el Pentagel mainframe de la dècada de 1980 on hauria estat capaç de gestionar, es va convertir en una realitat El 2012, el professor de Stanford Andrew Ng i el company de Google Jef Dean van crear una de les primeres xarxes neuronals profundes utilitzant 1000 ordinadors amb 16 nuclis cadascun La tasca: analitzar 10 milions de vídeos de YouTube El resultat : va trobar gats ² Gràcies al seu algorisme "d'aprenentatge profund", la xarxa va poder reconèixer gats amb el pas del temps i amb molt bona precisió

Amb la disponibilitat de grans recursos informàtics que no s'havien somiat a la dècada de 1980, les xarxes neuronals profundes s'han convertit ràpidament en una àrea popular per a la recerca. recursos humans Dins del domini de la ciberseguretat, el mètode s'ha tornat especialment prometedor per detectar programari maliciós, escenaris en què tenim grans conjunts de dades amb molts exampfitxers de programari maliciós dels quals la xarxa pot aprendre

Malauradament, actualment els mètodes d'aprenentatge profund són menys efectius quan es tracta de determinats casos d'ús, com ara les amenaces internes, perquè simplement no disposem del tipus de dades adequat sobre aquest tipus d'atacs, en els volums necessaris. Molt sovint, la informació que tenim. Les amenaces internes són anecdòtiques, que no poden ser utilitzades de manera eficient per aquest tipus de xarxes neuronals.

Fins que no puguem reunir conjunts de dades més efectius (i reduir el cost i la complexitat dels sistemes d'aprenentatge profund), l'aprenentatge profund no és l'opció adequada per a tots els casos d'ús I això està bé L'aprenentatge profund és només un dels molts algorismes d'aprenentatge automàtic, i aquests enfocaments es poden com si no fos més valuós, tot depèn de la feina que es faci

Hem vist un immens potencial de les tecnologies d'IA en les sis dècades des del seu "naixement" oficial, i només acabem de rascar la superfície, especialment en seguretat. A continuació, aprofundirem en les aplicacions potencials de la IA i l'anàlisi per canviar el manera d'identificar i respondre a les amenaces de seguretat.

L'anàlisi predictiva és només una peça d'un trencaclosques molt més gran que ens pot donar una visió molt més útil per als equips de seguretat.

Hem vist un potencial immens de les tecnologies d'IA en les sis dècades des del seu "naixement" oficial i només hem rascat la superfície, especialment en seguretat.

Una nova visió per a l'anàlisi de seguretat

Fins ara, aquesta guia ha fet una ullada de prop a l'aprenentatge automàtic, entenent les seves limitacions i punts forts. Hi ha un enorme potencial per a l'aprenentatge automàtic per facilitar la IA, però val la pena assenyalar que el joc més ampli de detecció d'amenaces no es tracta només d'aprenentatge profund o d'aprenentatge automàtic. tal com el coneixem avui Els nous mètodes analítics combinats amb nous tipus de dades ens poden oferir marcs totalment nous per analitzar i actuar davant les amenaces de seguretat.

Nous Mètodes	Anàlisi adaptativa Anàlisi contínua Optimització sota incertesa	Respondre al context Respondre al canvi/feedback local Quantificar o mitigar el risc
Tradicional	Optimització Modelització predictiva Simulació Previsió Alertes Consulta/Aprofundiment Informes ad hoc Informes estàndard	Complexitat de decisions, velocitat de la solució Casualment, probabilística, nivells de confiança Alta fidelitat, jocs, agricultura de dades Conjunts de dades més grans, regressió no lineal Regles/activadors, esdeveniments complexos, sensibles al context Dades de memòria, cerca difusa, consulta geoespacial per example, informes de defensa de l'usuari Temps real, visualitzacions, interacció amb l'usuari
Noves dades	Relació de resolució d'entitats, anotació d'extracció de característiques i tokenització	Persones, rols, ubicacions, coses Regles, inferència semàntica, concordança Automatitzada, d'origen multitudinari

Hem vist què pot fer l'analítica per a altres indústries, i també hi ha potencial que l'anàlisi tingui un impacte profund en la ciberseguretat. Veiem que això pren forma en un camp nou al qual anomenem anàlisi de seguretat, que bàsicament pren la prova de batalla. els algorismes i metodologies que hem comentat (i més) i que els aplica ajuden a resoldre els problemes realment difícils de seguretat

L'anàlisi més habitual que veiem en seguretat avui en dia inclou models predictius, que ens permeten identificar on poden estar els riscos dins de grans quantitats de dades (aquí és on entra la detecció d'anomalies). En poques paraules, el modelatge predictiu combina dades històriques amb comportament en temps real. per entendre o predir el comportament futur Amb això, podem respondre a la pregunta: "Què passa després?"

Però la nostra visió de l'anàlisi de seguretat no s'atura aquí L'anàlisi predictiva és només una peça d'un trencaclosques molt més gran que ens pot donar una visió molt més útil per als equips de seguretat. El paradigma d'anàlisi ideal combina sensor intel·ligent i fonts de dades omnipresents: ordinadors i servidors, mòbils. , núvol, xarxes socials, dades obertes, etc.: amb múltiples enfocaments analítics avançats per a l'anàlisi del comportament i les amenaces, inclosa l'anàlisi forense, el modelatge de riscos, la detecció d'anomalies, l'optimització del comportament i de la resposta, entre d'altres.

Això vol dir que podem fer molt més que predir o identificar una amenaça. Ens permet anar encara més enllà per oferir no només detecció avançada, sinó també informació sobre com respondre de la manera més eficaç L'anàlisi de seguretat ens dóna el poder de respondre altres preguntes clau, com ara "Com Hi ha moltes amenaces?" i "Quina és la millor reacció possible?"

Encara no hem vist altres classes d'anàlisi com els mètodes d'optimització aplicats a la ciberseguretat, però tenen un potencial immens. Aquestes tècniques examinen totes les reaccions possibles davant un risc de seguretat i determinen la millor resposta Sí, hi ha maneres de fer-ho amb matemàtiques.

Per exampEls mètodes d'optimització s'utilitzen quan feu una trucada al vostre proveïdor de serveis de telefonia mòbil amb un problema. No fan una recomanació aleatòria sobre si actualitzeu o no el vostre pla de servei amb un descompte; es basen en un conjunt de matemàtiques en segon pla que analitza els vostres registres de trucades, el nombre de trucades abandonades, com es compara el vostre historial amb el d'altres usuaris, etc. Fins i tot calcula la probabilitat que pugueu canviar a un altre proveïdor de serveis Aleshores, fora de tots els passos següents possibles, calcula el millor pas següent per maximitzar la retenció del client

Les mateixes matemàtiques es poden aplicar a un equip de seguretat per identificar un risc, proporcionar diverses maneres de reaccionar i determinar matemàticament la millor resposta per maximitzar la contenció d'aquest risc en particular.

El ràpid augment i l'evolució de les amenaces a la seguretat fan que aquest tipus d'eficiència de resposta sigui crítica. Tenim més dades avui que mai. Afortunadament, també tenim més potència de càlcul, millors algorismes i una inversió més àmplia en investigació i tecnologies per ajudar-nos a donar sentit a aquestes dades. a través de les matemàtiques Per tots els comptes, creiem que l'anàlisi de seguretat tot just comença.

Avui tenim més dades que mai. Afortunadament, també tenim més potència de càlcul, millors algorismes i una inversió més àmplia en investigació i tecnologies per ajudar-nos a donar sentit a aquestes dades a través de les matemàtiques. Per tots els comptes, creiem que l'anàlisi de seguretat tot just comença.

Atenció al client

Connecta't amb nosaltres
www.opentext.com
OpenText Cybersecurity ofereix solucions de seguretat integrals per a empreses i socis de totes les mides Des de la prevenció, la detecció i la resposta fins a la recuperació, la investigació i el compliment, la nostra plataforma unificada d'extrem a extrem ajuda els clients a construir resiliència cibernètica mitjançant una cartera de seguretat holística. Intel·ligència d'amenaces en temps real i contextual, els clients d'OpenText Cybersecurity es beneficien de productes d'alta eficàcia, una experiència compatible i una seguretat simplificada per ajudar a gestionar el risc empresarial
762-000016-003 | O | 01/24 | © 2024 Open Text

Documents/Recursos

Opentext Intel·ligència artificial i aprenentatge automàtic [pdfInstruccions Intel·ligència artificial i aprenentatge automàtic, intel·ligència i aprenentatge automàtic, aprenentatge automàtic

Referències

• Manual d'usuari