opentext Umělá inteligence a stroj
Umělá inteligence (AI) mění způsob, jakým interagujeme se stroji a způsob, jakým stroje interagují s námi. Tato příručka popisuje, jak funguje umělá inteligence, silné a slabé stránky různých typů strojového učení a vývoj tohoto neustále se měnícího oboru. Zkoumá také roli bezpečnostní analýzy s podporou AI nebo analýzy chování uživatelů a entit (UEBA) pro lepší ochranu podniků před dnešními složitými hrozbami kybernetické bezpečnosti.
Strojové vs lidské učení
Umělá inteligence (AI) je všude – alespoň se to tak zdá V OpenText™ je vzestup umělé inteligence vzrušující i náročný, ale jak jsme se spojili s našimi vrstevníky, zákazníky a partnery, zjistili jsme, že koncept umělé inteligence není vždy snadno pochopitelný Abychom mohli začít s tímto průvodcem AI a strojovým učením 101, rozbalíme hádanku umělé inteligence tím, že odpovíme na hlavní otázku, kterou si mnoho lidí klade: „Co je to vlastně umělá inteligence?“
Nejjednodušší způsob, jak porozumět umělé inteligenci, je namapovat ji na něco, čemu již rozumíme – na naši vlastní inteligenci Jak funguje neumělá lidská inteligence? Na nejzákladnější úrovni sleduje naše inteligence jednoduchý postup: přijímáme informace, zpracováváme je a nakonec nám informace pomáhají jednat.
Pojďme si to rozebrat do systémového diagramu Na obrázku níže jsou tři obecné kroky lidské inteligence zleva doprava: vstup, zpracování a výstup V lidském mozku se vstup odehrává ve formě vnímání a vnímání věcí Vaše oči, nos, uši atd., přijímají surový vstup nalevo, jako jsou fotony světla nebo vůně borovic, a pak jej zpracovávají Na pravé straně systému je výstup To zahrnuje řeč a činy, obojí závisí na tom, jak zpracováváme surový vstup, který náš mozek přijímá. Zpracování se děje uprostřed, kde se tvoří a získávají znalosti nebo vzpomínky, dochází k rozhodnutím a závěrům a dochází k učení.
Obrázek 1. Lidská inteligence
Jak funguje neumělá, lidská inteligence? Na nejzákladnější úrovni sleduje naše inteligence jednoduchý postup: přijímáme informace, zpracováváme je a nakonec nám informace pomáhají jednat.
Obrázek zastavení na křižovatce Vaše oči vidí, že semafor před vámi právě zezelenal Na základě toho, co jste se naučili ze zkušeností (a vzdělání řidiče), víte, že zelené světlo znamená, že byste měli jet vpřed. sešlápněte plynový pedál Zelené světlo je hrubý vstup, vaše zrychlení je výstup; vše mezi tím se zpracovává
Abychom se mohli inteligentně orientovat ve světě kolem nás – odpovídat na telefon, péct čokoládové sušenky nebo poslouchat semafory – musíme zpracovat vstup, který dostáváme Toto je jádro zpracování lidské inteligence a nakonec je rozděleno do tří odlišných aspektů. :
- Vědomosti a paměti. Získáváme znalosti, když přijímáme fakta (tj. bitva u Hastingsu se odehrála v roce 1066) a společenské normy (tj. říkat „Prosím“ a „Děkuji“ je považováno za zdvořilé) Kromě toho nám paměť umožňuje vybavit si a aplikovat informace z od minulosti k současným situacím NapřampEdward si pamatuje, že mu Jane nepoděkovala za dárek k narozeninám, takže neočekává, že mu poděkuje, když jí dá vánoční dárek.
- Rozhodnutí a závěr. Rozhodnutí a závěry se dělají na základě nezpracovaných vstupů kombinovaných se znalostmi a/nebo pamětí, napřample, Edward snědl loni papričku jalapeňo a nelíbila se mu Když Johnny nabídne Edwardovi papriku, rozhodne se ji nejíst
- Učení. Lidé se mohou učit example, pozorování nebo algoritmus Při učení example, bylo nám řečeno, že jedno zvíře je pes, druhé je kočka Při učení pozorováním sami zjistíme, že psi štěkají a že kočky mňoukají Třetí metoda učení – algoritmus – nám umožňuje dokončit úkol následováním série kroků nebo specifický algoritmus (např. provedení dlouhého dělení)
Tyto aspekty lidské inteligence jsou paralelní s umělou inteligencí Stejně jako my přijímáme informace, zpracováváme je a sdílíme výstupy, tak mohou i stroje. Podívejme se na obrázek níže, abychom viděli, jak to vypadá.
Obrázek 2. Umělá inteligence
Abychom se mohli inteligentně pohybovat ve světě kolem nás – odpovídat na telefon, péct čokoládové sušenky nebo poslouchat semafory – musíme zpracovat vstup, který dostáváme.
Ve strojích je vstupní část umělé inteligence příkladem zpracování přirozeného jazyka, rozpoznávání řeči, vizuální rozpoznávání a další Takové technologie a algoritmy vidíte všude, od samořídících aut, která potřebují vnímat vozovky a překážky, až po Alexa nebo Siri. když rozpozná vaši řeč Výstup, který následuje, jsou způsoby, jakými stroje interagují s okolním světem. To může mít podobu robotiky, navigačních systémů (pro navádění těch samořídících aut), generování řeči (např. Siri) atd. mezi tím máme různé formy zpracování, které probíhá
Podobně jako u našeho narůstání znalostí a pamětí mohou stroje vytvářet reprezentace znalostí (např. databáze grafů, ontologie), které jim pomáhají ukládat informace o světě Stejně jako lidé dělají rozhodnutí nebo vyvozují závěry, mohou stroje předpovídat, optimalizovat pro cíl nebo výsledek a určit nejlepší další kroky nebo rozhodnutí ke splnění konkrétního cíle
Konečně, stejně jako se dozvídáme od example, pozorování nebo algoritmus, stroje lze učit pomocí analogických metod Strojové učení pod dohledem je podobné učení example: počítač dostane datovou sadu s „štítky“ v rámci datové sady, které fungují jako odpovědi, a nakonec se naučí rozlišovat mezi různými štítky (např. tato datová sada obsahuje fotografie označené buď jako „pes“ nebo „kočka“ a s dostatkem exampjinak si počítač všimne, že psi mají obecně delší ocasy a méně špičaté uši než kočky)
Na druhé straně strojové učení bez dozoru je jako učení pozorováním Počítač pozoruje vzorce (psi štěkají a kočky mňoukají) a díky tomu se sám učí rozlišovat skupiny a vzorce (např. existují dvě skupiny zvířat, která mohou být odděleni zvukem, který vydávají, jedna skupina štěká – psi – a druhá skupina mňouká – kočky) Učení bez dozoru nevyžaduje štítky, a proto může být vhodnější, když jsou datové soubory omezené a nemají štítky. co se stane, když programátor v softwarovém programu krok za krokem nařídí počítači přesně, co má dělat.
nejpřesnější a nejnevhodnější výsledky umělé inteligence vyžadují kombinaci metod učení Strojové učení pod dohledem i bez dozoru jsou užitečné metody – je to všechno o aplikaci správného přístupu nebo přístupů na správný případ použití
Dále dáme pod mikroskop strojové učení, abychom pochopili, jak tato část umělé inteligence zrcadlí neurony v našem mozku, aby přeměnila vstup na optimální výstup.
V ideálním případě vyžadují nejpřesnější a nejefektivnější výsledky umělé inteligence kombinaci metod učení. Strojové učení pod dohledem i bez něj jsou užitečné metody – je to všechno o aplikaci správného přístupu nebo přístupů na správný případ použití.
Neuronová síť a hluboké učení
Strojové učení je jen jedna část umělé inteligence, i když má v sobě obrovskou podmnožinu algoritmů Jednou z metod, kterou dnes často slýcháte, je „hluboké učení“, algoritmus, kterému se v posledních letech dostalo značné pozornosti ve zprávách. jeho popularita a úspěch, je užitečné pochopit, jak to funguje Hluboké učení je evolucí algoritmu strojového učení, který byl populární v 1980. letech a můžete ho znát: neuronové sítě.
Neuronové sítě – programovací paradigma, ve kterém trénujeme stroje, aby se „učily“ – jsou inspirovány neurony nebo specializovanými buňkami v lidském těle, které tvoří základ našeho nervového systému, a zejména mozku. Tyto buňky přenášejí signály do celého našeho těla spouštějící nervové systémové odezvy a procesy Neurony nám umožňují vidět, slyšet, cítit atd.
Obrázek 3. Jak neurony přijímají a odesílají zprávy
Mnohé z toho, co považujeme za lidské učení, lze popsat tím, jak silné je spojení mezi dvěma neurony v našem mozku spolu se silou okraje našich synapsí.
V první části této příručky jsme diskutovali o základním procesu lidské inteligence: vstup nalevo a výstup napravo Neuron (na obrázku výše) hraje v tomto kritickou roli Na levé straně neuronu shromažďuje buněčné tělo „vstup“ Jakmile axon přijme dostatečný vstup nebo stimulaci, fres, přenáší informace na pravou stranu – synapse „výstup“ je poté odeslán dalším neuronům
V každém okamžiku si naše neurony předávají zprávy mezi sebou Tyto buňky jsou zodpovědné za naši schopnost vnímat naše okolí A když se učíme, naše neurony se stávají velmi aktivní Ve skutečnosti mnohé z toho, co považujeme za lidské učení, lze popsat pomocí jak silné je spojení mezi dvěma neurony v našem mozku spolu se silou okraje našich synapsí
Neuronová síť je matematickou simulací kolekce neuronových buněk Obrázek níže představuje základní neuronovou síť se 3 vrstvami a 12 uzly
Každý kruhový uzel představuje umělý, biologicky inspirovaný „neuron“ Čáry představují spojení z výstupu jednoho umělého neuronu nalevo ke vstupu druhého napravo Signály mezi těmito neurony proudí podél čar zleva doprava V těchto sítích , vstup – jako jsou pixelová data – proudí ze vstupní vrstvy přes prostřední „skryté“ vrstvy a nakonec do výstupní vrstvy způsobem popsaným matematickými rovnicemi volně inspirovanými elektrickou aktivitou skutečných biologických neuronů.
Obrázek 4. Jednoduchá neuronová síť
Neuronové sítě se učí tím, že se snaží porovnat datové soubory prezentované na vstupní vrstvě s požadovanými výsledky ve výstupní vrstvě. Matematické rovnice počítají výstupy, porovnávají simulovaný výstup s požadovaným výsledkem a výsledné rozdíly pak vytvářejí vylepšení síly spojení.
Neuronové sítě se učí tak, že se snaží přiřadit datové sady prezentované vstupní vrstvě k požadovaným výsledkům ve výstupní vrstvě Matematické rovnice počítají výstupy, porovnávají simulovaný výstup s požadovaným výsledkem a výsledné rozdíly pak vytvářejí vylepšení síly spojení. Tato vylepšení jsou iterativně upravována, dokud se vypočítaný výstup dostatečně nepřiblíží požadovanému výsledku, v tomto okamžiku říkáme, že se neuronová síť „naučila“.
Obrázek 5. Složitá neuronová síť
Tyto „hlubší“ neuronové sítě mohou dělat mnohem složitější předpovědi Mohou existovat tisíce uzlů a stovky vrstev, což znamená tisíce různých výpočtů Modely hlubokého učení se staly velmi dobrými ve specifických problémech, jako je rozpoznávání řeči nebo obrazu.
Je však třeba poznamenat, že hluboké učení není pro strojové učení nejlepším řešením – zejména ne v oblasti kybernetické bezpečnosti, kde někdy není k dispozici velký objem čistých dat, který je ideální pro metody hlubokého učení. Je důležité vybrat správný algoritmus, data a zásady pro práci Toto je nejlepší způsob, jak mohou stroje shromažďovat důkazy, spojovat body a vyvodit závěry
Neuronové sítě se mohou zdát jako záležitost budoucnosti, ale to už tu nějakou dobu je. Ve skutečnosti jsou neuronové sítě založeny na myšlenkách, které začaly kolovat již ve 1940. letech XNUMX. století. jak neuronové sítě a strojové učení pronikly do mnoha částí moderního života.
Neuronové sítě se mohou zdát jako věc budoucnosti, ale to už tu nějakou dobu je. Ve skutečnosti jsou neuronové sítě založeny na myšlenkách, které začaly kolovat již ve 1940. letech minulého století.
Stručná historie umělé inteligence
Pro některé lidi může termín umělá inteligence (AI) evokovat představy futuristických měst s létajícími auty a domácími roboty. Ale AI není futuristický koncept, alespoň už ne. sahající až do starověku (tj. mluvící mechanické služebnice řeckého boha Héfaista) ¹ Od 1930. let XNUMX. století vědci i matematici dychtivě zkoumali, jak vytvořit skutečnou inteligenci oddělenou od lidí
Rozhodujícím momentem umělé inteligence v polovině 20. století bylo šťastné spojení matematiky a biologie, přičemž výzkumníci jako Norbert Wiener, Claude Shannon a Alan Turing již odlomili průsečík elektrických signálů a výpočtů V roce 1943 Warren McCulloch a Walter Pitts vytvořil model pro neuronové sítě Neuronové sítě vydláždily cestu pro odvážný nový svět výpočetní techniky s větším výkonem a v roce 1956 byla oblast výzkumu umělé inteligence oficiálně založena jako akademická disciplína.
Druhá polovina století byla vzrušujícím věkem pro výzkum a pokrok umělé inteligence, občas přerušovaná „zimami umělé inteligence“ v polovině 70. a koncem 80. let, kdy umělá inteligence nesplnila očekávání veřejnosti a investice do tohoto pole byly sníženy. nalevo i napravo se objevovaly různé aplikace pro umělou inteligenci a strojové učení Jedna konkrétní anekdota o takové aplikaci se ve vědecké komunitě stala populárním podobenstvím, které poměrně účinně hovoří o zkouškách a útrapách výzkumu a implementace umělé inteligence.
Příběh zní asi takto:
V 1980. letech XNUMX. století Pentagon se rozhodl použít neuronovou síť k identifikaci maskovaných tanků Neuronová síť byla natrénována pouze s jedním sálovým počítačem (z 1980. let, mějte na paměti) s 200 obrázky – 100 tanky a 100 stromy Navzdory relativně malé neuronové síti (kvůli 1980. omezení ve výpočtech a paměti), laboratorní školení přineslo 100% přesnost S takovým úspěchem se tým rozhodl vyzkoušet to v terénu Výsledky nebyly skvělé.
Obrázek 6. Obrázky laboratoře vs pole (Zdroj: Neural Network Follies, Neil Fraser, září 1998)
Díky dostupnosti obrovských výpočetních zdrojů, o kterých se v 1980. letech minulého století ani nesnilo, se hluboké neuronové sítě rychle staly oblíbenou oblastí výzkumu. Hluboké učení dává systému schopnost automaticky se „učit“ prostřednictvím miliard kombinací a pozorování, čímž se snižuje závislost na lidských zdrojích.
Proč si neuronová síť vedla tak fantasticky na fotografiích v laboratoři, ale v poli tak úplně selhala? Ukázalo se, že všechny netankové fotografie byly pořízeny ve dnech, kdy byla zatažená obloha; všechny snímky stromů byly pořízeny ve dnech, kdy svítilo slunce Neuronová síť byla nacvičena tak, aby rozpoznávala slunečnost, ne tanky
Nakonec však vizuální rozpoznávání prostřednictvím hlubokého učení – usnadněné neuronovými sítěmi, které jsou mnohem složitější než perotagmainframe on z 1980. let by to zvládl – stal se realitou V roce 2012 vytvořili profesor ze Stanfordu Andrew Ng a kolega z Googlu Jef Dean jednu z prvních hlubokých neuronových sítí využívajících 1000 počítačů se 16 jádry Úkol: analyzovat 10 milionů videí na YouTube Výsledek : našel kočky ² Díky svému algoritmu „hlubokého učení“ byla síť schopna rozpoznat kočky v průběhu času as velmi dobrou přesností
Díky dostupnosti obrovských výpočetních zdrojů, o kterých se v 1980. letech ani nesnilo, se hluboké neuronové sítě rychle staly oblíbenou oblastí výzkumu. Hluboké učení dává systému schopnost automaticky se „učit“ prostřednictvím miliard kombinací a pozorování, čímž se snižuje závislost na lidské zdroje V oblasti kybernetické bezpečnosti se metoda stala obzvláště slibnou pro detekci malwaru – scénáře, ve kterých máme velké datové sady s mnoha ex.ampmnožství malwaru, ze kterého se síť může učit
Bohužel, metody hlubokého učení jsou v současnosti méně účinné, pokud jde o určité případy použití, jako je hrozba zasvěcených osob, protože jednoduše nemáme správný druh dat o těchto typech útoků v požadovaných objemech Nejčastěji jsou informace, které máme vnitřní hrozby jsou neoficiální, které tyto typy neuronových sítí nemohou efektivně využít.
Dokud nebudeme schopni shromáždit efektivnější datové sady (a nesnížit náklady a složitost systémů hlubokého učení), není hluboké učení tou správnou volbou pro všechny případy použití A to je v pořádku Hluboké učení je jen jedním z mnoha algoritmů strojového učení a tyto přístupy stejně jako ne cennější – vše závisí na dané práci
Viděli jsme obrovský potenciál technologií umělé inteligence během šesti desetiletí od jejich oficiálního „zrození“ a právě jsme se dostali na povrch, zejména v oblasti zabezpečení. Dále se hlouběji ponoříme do potenciálních aplikací pro umělou inteligenci a analytiku, abychom změnili způsob, jakým identifikujeme bezpečnostní hrozby a reagujeme na ně.
Prediktivní analytika je jen jedním kouskem mnohem větší skládačky, která nám může poskytnout mnohem užitečnější přehled pro bezpečnostní týmy.
Viděli jsme obrovský potenciál technologií AI během šesti desetiletí od jejich oficiálního „zrození“ a jen jsme se dostali na povrch, zejména v oblasti bezpečnosti.
Nová vize pro bezpečnostní analýzu
Tato příručka se zatím podrobně zabývala strojovým učením, pochopením jeho omezení a silných stránek Strojové učení má obrovský potenciál pro usnadnění umělé inteligence, ale stojí za zmínku, že širší hra detekce hrozeb není jen o hlubokém učení nebo strojovém učení. jak jej známe dnes Nové analytické metody v kombinaci s novými datovými typy nám mohou poskytnout zcela nové rámce, v nichž můžeme analyzovat bezpečnostní hrozby a reagovat na ně.
| Nové metody | Adaptivní analýza Optimalizace kontinuální analýzy za nejistoty | Reakce na kontext Reakce na místní změnu/zpětnou vazbu Vyčíslení nebo zmírnění rizika |
| Tradiční | Optimalizace Prediktivní modelování Simulace Předpovědi Výstrahy Dotazy/Podrobnosti Ad hoc sestavování Standardní sestavy | Složitost rozhodování, rychlost řešení Náhodné, pravděpodobnostní, úrovně spolehlivosti Vysoká věrnost, hry, datové farmaření Větší datové sady, nelineární regrese Pravidla/spouštěče, kontextově citlivé, komplexní události Data v paměti, fuzzy vyhledávání, geo prostorový Dotaz od example, uživatelská ochrana sestavy v reálném čase, vizualizace, interakce s uživatelem |
| Nová data | Vztah k rozlišení entit, anotace extrakce funkcí a tokenizace | Lidé, role, místa, věci Pravidla, sémantické vyvozování, párování Automatizované, davové zdroje |
Viděli jsme, co může analytika udělat pro jiná průmyslová odvětví, a existuje potenciál, aby analytika měla také hluboký dopad na kybernetickou bezpečnost. Vidíme, jak se to formuje v nové oblasti, kterou nazýváme bezpečnostní analytika, která je v podstatě otestována bojem. algoritmy a metodiky, o kterých jsme diskutovali (a další), a které je aplikujeme, pomáhají řešit skutečně složité problémy v oblasti bezpečnosti
Nejběžnější analytika, kterou dnes v oblasti bezpečnosti vidíme, zahrnuje prediktivní modely, které nám umožňují identifikovat, kde mohou být rizika v rámci velkého množství dat (to je místo, kde hraje roli detekce anomálií) Stručně řečeno, prediktivní modelování kombinuje historická data s chováním v reálném čase abychom porozuměli nebo předpověděli budoucí chování S tím můžeme odpovědět na otázku: "Co se stane dál?"
Naše vize bezpečnostní analýzy však nekončí zde Prediktivní analýza je jen jedním kouskem mnohem větší skládačky, která nám může poskytnout mnohem užitečnější přehled pro bezpečnostní týmy Ideální analytické paradigma kombinuje inteligentní senzory a všudypřítomné zdroje dat – stolní počítače a servery, mobilní zařízení , cloud, sociální sítě, otevřená data atd. – s mnoha pokročilými analytickými přístupy k analýze chování a hrozeb, včetně forenzní analýzy, modelování rizik, detekce anomálií, optimalizace chování a odezvy a další
To znamená, že můžeme udělat mnohem více, než jen předvídat nebo identifikovat hrozbu. Umožňuje nám to jít ještě dále a nabídnout nejen pokročilou detekci, ale také vhled do toho, jak nejúčinněji reagovat Analýzy zabezpečení nám umožňují odpovědět na další klíčové otázky, například „Jak existuje mnoho hrozeb?" a "Jaká je nejlepší možná reakce?"
Ještě jsme neviděli jiné třídy analytiky, jako jsou optimalizační metody aplikované na kybernetickou bezpečnost, ale mají obrovský potenciál Tyto techniky se zabývají všemi možnými reakcemi na bezpečnostní riziko a určují nejlepší reakci Ano, existují způsoby, jak toho dosáhnout pomocí matematiky
Napřample, optimalizační metody se používají, když zavoláte svému poskytovateli mobilních služeb s problémem. Nedávají náhodně doporučení, zda upgradovat váš plán služeb se slevou; spoléhají na sadu matematiky na pozadí, která sleduje vaše protokoly hovorů, počet přerušených hovorů, srovnání vaší historie s historií ostatních uživatelů atd. Dokonce vypočítává pravděpodobnost, že byste mohli přejít k jinému poskytovateli služeb. ze všech možných dalších kroků vypočítá nejlepší další krok k maximalizaci udržení zákazníků
Stejný výpočet lze použít na bezpečnostní tým, aby identifikoval riziko, poskytl řadu způsobů, jak reagovat, a matematicky určil nejlepší reakci pro maximalizaci omezení tohoto konkrétního rizika.
Rychlý nárůst a vývoj bezpečnostních hrozeb činí tento typ účinnosti odezvy kritickým Dnes máme více dat než kdykoli předtím Naštěstí máme také větší výpočetní výkon, lepší algoritmy a širší investice do výzkumu a technologií, které nám pomáhají porozumět těmto datům prostřednictvím matematiky Podle všeho věříme, že bezpečnostní analytika teprve začíná.
Dnes máme více dat než kdykoli předtím. Naštěstí máme také větší výpočetní výkon, lepší algoritmy a širší investice do výzkumu a technologií, které nám pomáhají porozumět těmto datům prostřednictvím matematiky. Podle všeho věříme, že bezpečnostní analýzy teprve začínají.
Zákaznická podpora
Spojte se s námi
www.opentext.com
OpenText Cybersecurity poskytuje komplexní bezpečnostní řešení pro společnosti a partnery všech velikostí Od prevence, detekce a reakce až po obnovu, vyšetřování a dodržování předpisů, naše jednotná end-to-end platforma pomáhá zákazníkům budovat kybernetickou odolnost prostřednictvím holistického portfolia zabezpečení. v reálném čase a kontextuálním zpravodajství o hrozbách, zákazníci OpenText Cybersecurity těží z vysoce účinných produktů, vyhovujícího prostředí a zjednodušeného zabezpečení, které pomáhá řídit obchodní rizika
762-000016-003 | O | 01/24 | © 2024 Open Text
Dokumenty / zdroje
 |
opentext Umělá inteligence a strojové učení [pdfPokyny Umělá inteligence a strojové učení, Inteligence a strojové učení, Strojové učení |
