Opentext Deallusrwydd Artiffisial a Pheiriant
Mae deallusrwydd artiffisial (AI) yn trawsnewid y ffordd yr ydym yn rhyngweithio â pheiriannau a'r ffordd y mae peiriannau'n rhyngweithio â ni. Mae'r canllaw hwn yn dadansoddi sut mae AI yn gweithredu, cryfderau a chyfyngiadau gwahanol fathau o ddysgu peirianyddol, ac esblygiad y maes astudio hwn sy'n newid yn barhaus. Mae hefyd yn archwilio rôl dadansoddeg diogelwch a alluogir gan AI neu ddadansoddeg ymddygiad defnyddwyr ac endid (UEBA) i amddiffyn mentrau yn well rhag bygythiadau seiberddiogelwch cymhleth heddiw.
Peiriant yn erbyn Dysgu Dynol
Mae deallusrwydd artiffisial (AI) ym mhobman - o leiaf, dyna sut mae'n ymddangos Yn OpenText™, mae cynnydd AI yn gyffrous ac yn heriol Ond wrth i ni ymgysylltu â'n cymheiriaid, cwsmeriaid, a phartneriaid, rydym wedi dod i sylweddoli bod y nid yw cysyniad AI bob amser yn hawdd ei ddeall I gychwyn y canllaw AI a Machine Learning 101 hwn, byddwn yn dadbacio'r pos AI trwy ateb y prif gwestiwn y mae llawer o bobl yn ei ofyn: "Beth yw deallusrwydd artiffisial, mewn gwirionedd?"
Y ffordd hawsaf o ddeall deallusrwydd artiffisial yw ei fapio i rywbeth yr ydym eisoes yn ei ddeall—ein deallusrwydd ein hunain Sut mae deallusrwydd dynol nad yw'n artiffisial yn gweithio? Ar y lefel fwyaf sylfaenol, mae ein gwybodaeth yn dilyn dilyniant syml: rydym yn cymryd gwybodaeth i mewn, yn ei phrosesu, ac yn y pen draw mae'r wybodaeth yn ein helpu i weithredu
Gadewch i ni dorri hyn i lawr yn ddiagram system Yn y ffigur isod, mae'r tri cham cyffredinol o ddeallusrwydd dynol o'r chwith i'r dde: mewnbwn, prosesu, ac allbwn Yn yr ymennydd dynol, mae mewnbwn yn digwydd ar ffurf synhwyro a chanfod pethau Eich llygaid, trwyn, clustiau, ac ati , cymerwch fewnbwn amrwd ar y chwith, fel ffotonau golau neu arogl coed pinwydd, ac yna ei brosesu Ar ochr dde'r system mae allbwn Mae hyn yn cynnwys lleferydd a gweithredoedd, y ddau ohonynt yn dibynnu ar sut rydym yn prosesu'r mewnbwn amrwd y mae ein hymennydd yn ei dderbyn Mae'r prosesu'n digwydd yn y canol, lle mae gwybodaeth neu atgofion yn cael eu ffurfio a'u hadalw, penderfyniadau a chasgliadau a'u gwneud, ac mae dysgu'n digwydd.
Ffigur 1. Cudd-wybodaeth ddynol
Sut mae deallusrwydd dynol nad yw'n artiffisial yn gweithio? Ar y lefel fwyaf sylfaenol, mae ein deallusrwydd yn dilyn dilyniant syml: rydym yn cymryd gwybodaeth i mewn, yn ei phrosesu, ac yn y pen draw mae'r wybodaeth yn ein helpu i weithredu.
Llun yn stopio wrth groesffordd ffordd Mae eich llygaid yn gweld bod y golau traffig o'ch blaen newydd droi'n wyrdd Yn seiliedig ar yr hyn rydych chi wedi'i ddysgu o brofiad (ac addysg gyrrwr), rydych chi'n gwybod bod golau gwyrdd yn nodi y dylech chi yrru ymlaen Felly, chi taro'r pedal nwy Y golau gwyrdd yw'r mewnbwn amrwd, eich cyflymiad yw'r allbwn; popeth yn y canol yw prosesu
Er mwyn llywio'r byd o'n cwmpas yn ddeallus—ateb y ffôn, pobi cwcis sglodion siocled, neu ufuddhau i oleuadau traffig—mae angen inni brosesu'r mewnbwn a gawn Dyma graidd prosesu cudd-wybodaeth ddynol, ac yn y pen draw caiff ei rannu'n dair agwedd benodol :
- Gwybodaeth a chof. Rydym yn adeiladu gwybodaeth wrth i ni amlyncu ffeithiau (hy , digwyddodd Brwydr Hastings yn 1066) a normau cymdeithasol (hy , mae dweud “Os gwelwch yn dda” a “Diolch” yn cael ei ystyried yn gwrtais) Yn ogystal, mae cof yn ein galluogi i ddwyn i gof a chymhwyso gwybodaeth o sefyllfaoedd o'r gorffennol i'r presennol Ar gyfer example, mae Edward yn cofio na ddiolchodd Jane iddo am ei hanrheg pen-blwydd, felly nid yw'n disgwyl iddi ddiolch iddo pan fydd yn rhoi anrheg Nadolig iddi
- Penderfyniad a chasgliad. Gwneir penderfyniadau a chasgliadau ar sail mewnbwn amrwd wedi'i gyfuno â gwybodaeth a/neu gofample, bwytaodd Edward pupur jalapeno y llynedd ac nid oedd yn ei hoffi Pan fydd Johnny yn cynnig pupur i Edward, mae'n penderfynu peidio â'i fwyta
- Dysgu. Gall bodau dynol ddysgu gan gynample, arsylwi, neu algorithm Mewn dysgu gan example, dywedir wrthym mai ci yw un anifail, cath yw'r llall Wrth ddysgu trwy arsylwi, rydym yn darganfod ar ein pennau ein hunain bod cŵn yn cyfarth a bod cathod yn mew Mae'r trydydd dull dysgu - algorithm - yn ein galluogi i gwblhau tasg trwy ddilyn cyfres o gamau neu algorithm penodol (ee , perfformio rhaniad hir)
Mae'r agweddau hyn ar ddeallusrwydd dynol yn gyfochrog â deallusrwydd artiffisial Yn union fel yr ydym yn cymryd gwybodaeth i mewn, yn ei phrosesu, ac yn rhannu allbwn, felly gall peiriannau edrych ar y ffigur isod i weld sut mae hyn yn mapio allan.
Ffigur 2. Deallusrwydd artiffisial
Er mwyn llywio’r byd o’n cwmpas yn ddeallus— ateb y ffôn, pobi cwcis sglodion siocled, neu ufuddhau i oleuadau traffig—mae angen inni brosesu’r mewnbwn a gawn.
Mewn peiriannau, mae rhan mewnbwn deallusrwydd artiffisial yn cael ei enghreifftio gan brosesu iaith naturiol, adnabod lleferydd, cydnabyddiaeth weledol, a mwy Rydych chi'n gweld technolegau ac algorithmau o'r fath ym mhobman, o geir hunan-yrru sydd angen synhwyro'r ffyrdd a'r rhwystrau, i Alexa neu Siri pan fydd yn adnabod eich lleferydd Yr allbwn sy'n dilyn yw'r ffyrdd y mae peiriannau'n rhyngweithio â'r byd o'n cwmpas Gallai hyn fod ar ffurf roboteg, systemau llywio (i arwain y ceir hunan-yrru hynny), cynhyrchu lleferydd (ee , Siri), ac ati Yn rhyngddynt, mae gennym wahanol fathau o brosesu sy'n digwydd
Yn debyg i'n croniad o wybodaeth ac atgofion, gall peiriannau greu cynrychioliadau gwybodaeth (ee , cronfeydd data graff, ontolegau) sy'n eu helpu i storio gwybodaeth am y byd Yn union fel bod bodau dynol yn gwneud penderfyniadau neu ddod i gasgliadau, gall peiriannau wneud rhagfynegiad, gwneud y gorau o darged neu canlyniad, a phennu'r camau neu'r penderfyniadau nesaf gorau i gyrraedd nod penodol
Yn olaf, yn union fel y dysgwn gan gynampLe, arsylwi, neu algorithm, gellir dysgu peiriannau gan ddefnyddio dulliau analog Mae dysgu peiriannau dan oruchwyliaeth yn debyg iawn i ddysgu gan gynample: mae'r cyfrifiadur yn cael set ddata gyda “labeli” o fewn y set ddata sy'n gweithredu fel atebion, ac yn y pen draw mae'n dysgu dweud y gwahaniaeth rhwng gwahanol labeli (ee , mae'r set ddata hon yn cynnwys lluniau wedi'u labelu naill ai fel "ci" neu "cath", a gyda digon o gynample, bydd y cyfrifiadur yn sylwi bod gan gwn yn gyffredinol gynffonau hirach a llai o glustiau pigfain na chathod)
Mae dysgu peirianyddol heb oruchwyliaeth, ar y llaw arall, fel dysgu trwy arsylwi Mae'r cyfrifiadur yn arsylwi patrymau (cŵn yn cyfarth a chathod meow) a, thrwy hyn, yn dysgu gwahaniaethu rhwng grwpiau a phatrymau ar ei ben ei hun (ee , mae dau grŵp o anifeiliaid sy'n gallu cael eu gwahanu gan y sain a wnânt; mae un grŵp yn cyfarth—cŵn—a’r grŵp arall yn cyfarth— cathod) Nid oes angen labeli ar ddysgu heb oruchwyliaeth ac felly gall fod yn well pan fo setiau data’n gyfyngedig a heb labeli. Yn olaf, dysgu yn ôl algorithm yw beth sy'n digwydd pan fydd rhaglennydd yn cyfarwyddo cyfrifiadur yn union beth i'w wneud, gam wrth gam, mewn rhaglen feddalwedd.
yn wir, mae'r canlyniadau deallusrwydd artiffisial mwyaf cywir a diffygiol yn gofyn am gyfuniad o ddulliau dysgu Mae dysgu peirianyddol dan oruchwyliaeth a dysgu heb oruchwyliaeth yn ddulliau defnyddiol - mae'n ymwneud â chymhwyso'r dull neu'r ymagweddau cywir at yr achos defnydd cywir
Nesaf, byddwn yn rhoi dysgu peiriant o dan y microsgop i ddeall sut mae'r rhan hon o AI yn adlewyrchu'r niwronau yn ein hymennydd i droi mewnbwn yn allbwn gorau posibl.
Yn ddelfrydol, mae'r canlyniadau deallusrwydd artiffisial mwyaf cywir ac effeithlon yn gofyn am gyfuniad o ddulliau dysgu. Mae dysgu peirianyddol dan oruchwyliaeth a heb oruchwyliaeth yn ddulliau defnyddiol - mae'n ymwneud â chymhwyso'r dull neu'r ymagweddau cywir at yr achos defnydd cywir.
Y Rhwydwaith Niwral a Dysgu Dwfn
Dim ond un rhan o AI yw dysgu peiriant, er bod ganddo is-set enfawr o algorithmau ynddo Un dull rydych chi'n ei glywed yn aml heddiw yw "dysgu dwfn," algorithm sydd wedi cael cyfran deg o sylw yn y newyddion yn ystod y blynyddoedd diwethaf Deall ei boblogrwydd a'i lwyddiant, mae'n ddefnyddiol deall sut mae'n gweithio Mae dysgu dwfn yn esblygiad o algorithm dysgu peirianyddol a oedd yn boblogaidd yn yr 1980au y gallech ei adnabod: rhwydweithiau niwral.
Mae rhwydweithiau niwral - patrwm rhaglennu lle rydyn ni'n hyfforddi peiriannau i "ddysgu" - yn cael eu hysbrydoli gan niwronau, neu gelloedd arbenigol yn y corff dynol sy'n ffurfio sylfaen ein system nerfol, ac mae'r ymennydd yn benodol Mae'r celloedd hyn yn trosglwyddo signalau trwy gydol ein cyrff yn sbarduno nerfol. ymatebion a phrosesau system Neuronau sy'n ein galluogi i weld, clywed, arogli, ac ati.
Ffigur 3. Sut mae niwronau'n derbyn ac yn anfon negeseuon
Gellir disgrifio llawer o'r hyn rydyn ni'n ei feddwl fel dysg dynol gan ba mor gryf yw'r cysylltiad rhwng dau niwron yn ein hymennydd, ynghyd â chryfder cyrion ein synapsau.
Yn rhan un o'r canllaw hwn, buom yn trafod y broses sylfaenol o ddeallusrwydd dynol: mewnbwn ar y chwith, ac allbwn ar y dde Mae'r niwron (yn y llun uchod) yn chwarae rhan hanfodol yn hyn o beth Ar ochr chwith y niwron, mae'r corff cell yn casglu “mewnbwn” Unwaith y bydd yn derbyn digon o fewnbwn neu ysgogiad, mae'r axon fres, gan drosglwyddo'r wybodaeth i'r ochr dde - y synaps Mae'r “allbwn” wedyn yn cael ei anfon at niwronau eraill
Ar unrhyw adeg benodol, mae ein niwronau'n trosglwyddo negeseuon rhwng ei gilydd Mae'r celloedd hyn yn gyfrifol am ein gallu i ganfod ein hamgylchedd A phan fyddwn yn dysgu, mae ein niwronau'n dod yn actif iawn Mewn gwirionedd, gall llawer o'r hyn rydyn ni'n meddwl amdano fel dysgu dynol gael ei ddisgrifio gan pa mor gryf yw'r cysylltiad rhwng dau niwron yn ein hymennydd, ynghyd â chryfder cyrion ein synapsau
Efelychiad mathemategol o gasgliad o gelloedd niwron yw rhwydwaith niwral Mae'r ddelwedd isod yn cynrychioli rhwydwaith niwral sylfaenol gyda 3 haen a 12 nod
Mae pob nod crwn yn cynrychioli “niwron” artiffisial, wedi'i ysbrydoli'n fiolegol Mae'r llinellau'n cynrychioli cysylltiad o allbwn un niwron artiffisial ar y chwith i fewnbwn un arall ar y dde Mae arwyddion rhwng y niwronau hyn yn llifo ar hyd y llinellau o'r chwith i'r dde Yn y rhwydweithiau hyn , mae mewnbwn - fel data picsel - yn llifo o'r haen fewnbwn, trwy'r haenau “cudd” canol, ac yn y pen draw i'r haen allbwn mewn modd a ddisgrifir gan hafaliadau mathemategol a ysbrydolwyd yn llac gan y gweithgaredd trydanol mewn niwronau biolegol gwirioneddol.
Ffigur 4. Rhwydwaith niwral syml
Mae rhwydweithiau niwral yn dysgu trwy geisio paru setiau data a gyflwynir i'r haen fewnbwn â chanlyniadau dymunol yn yr haen allbwn. Mae'r hafaliadau mathemategol yn cyfrifo'r allbynnau, yn cymharu'r allbwn efelychiedig â'r canlyniad dymunol, ac mae'r gwahaniaethau canlyniadol wedyn yn cynhyrchu newidiadau i gryfder y cysylltiadau.
Mae rhwydweithiau niwral yn dysgu trwy geisio paru setiau data a gyflwynir i'r haen fewnbwn â chanlyniadau dymunol yn yr haen allbwn Mae'r hafaliadau mathemategol yn cyfrifo'r allbynnau, yn cymharu'r allbwn efelychiedig â'r canlyniad dymunol, ac mae'r gwahaniaethau canlyniadol wedyn yn cynhyrchu newidiadau i gryfder y cysylltiadau Mae'r newidiadau hyn yn cael eu haddasu'n ailadroddol nes bod yr allbwn cyfrifiadurol yn ddigon agos at y canlyniad a ddymunir, ac ar yr adeg honno dywedwn fod y rhwydwaith niwral wedi “dysgu”
Ffigur 5. Rhwydwaith niwral cymhleth
Gall y rhwydweithiau niwral “dyfnach” hyn wneud rhagfynegiadau llawer mwy cymhleth Gall fod miloedd o nodau a channoedd o haenau, sy'n golygu miloedd o wahanol gyfrifiadau Mae modelau dysgu dwfn wedi dod yn dda iawn ar broblemau penodol, megis adnabod lleferydd neu ddelwedd.
Mae'n werth nodi, fodd bynnag, nad yw dysgu dwfn yn fwled arian ar gyfer dysgu peiriannau - yn enwedig nid ym maes seiberddiogelwch, lle nad oes weithiau'r swm mawr o ddata glân sy'n ddelfrydol ar gyfer dulliau dysgu dwfn. Mae'n bwysig dewis yr algorithm cywir, data, ac egwyddorion ar gyfer y swydd Dyma'r ffordd orau i beiriannau gasglu tystiolaeth, cysylltu'r dotiau, a dod i gasgliad
Efallai bod rhwydweithiau niwral yn ymddangos fel stwff y dyfodol, ond mae wedi bod o gwmpas ers tro Mewn gwirionedd, mae rhwydweithiau niwral yn seiliedig ar syniadau a ddechreuodd gylchredeg yn ôl yn y 1940au Yn yr adran nesaf, byddwn yn mynd ar daith fer yn ôl mewn amser i ddeall sut mae rhwydweithiau niwral a dysgu peirianyddol wedi dod i dreiddio i sawl rhan o fywyd modern.
Efallai y bydd rhwydweithiau niwral yn ymddangos fel stwff y dyfodol, ond mae wedi bod o gwmpas ers tro. Mewn gwirionedd, mae rhwydweithiau niwral yn seiliedig ar syniadau a ddechreuodd gylchredeg yn ôl yn y 1940au.
Hanes Byr o Ddeallusrwydd Artiffisial
I rai pobl, gallai'r term deallusrwydd artiffisial (AI) ddwyn i gof ddelweddau o ddinasoedd dyfodolaidd gyda cheir yn hedfan a robotiaid cartref Ond nid yw AI yn gysyniad dyfodolaidd, o leiaf nid bellach Er na chyfeirir ato felly, gall y syniad o ddeallusrwydd artiffisial fod. olrhain yn ôl i hynafiaeth (hy , llawforwynion mecanyddol llafar y duw Groegaidd Hephaestus) ¹ Ers y 1930au, mae gwyddonwyr a mathemategwyr fel ei gilydd wedi bod yn awyddus i archwilio creu gwir ddeallusrwydd ar wahân i fodau dynol
Moment ddiffiniol AI yng nghanol yr 20fed ganrif oedd cydlifiad hapus o fathemateg a bioleg, gydag ymchwilwyr fel Norbert Wiener, Claude Shannon, ac Alan Turing eisoes wedi torri i ffwrdd ar groesffordd signalau trydanol a chyfrifiant. Erbyn 1943, Warren McCulloch a Walter Pitts wedi creu model ar gyfer rhwydweithiau niwral Roedd rhwydweithiau niwral yn paratoi’r ffordd ar gyfer byd newydd dewr o gyfrifiadura gyda mwy o marchnerth, ac, ym 1956, sefydlwyd maes ymchwil AI yn swyddogol fel disgyblaeth academaidd
Roedd hanner olaf y ganrif yn oes gyffrous ar gyfer ymchwil a chynnydd AI, a amharwyd yn achlysurol gan “gaeafau AI” yng nghanol y 70au a diwedd yr 80au lle methodd AI â bodloni disgwyliadau’r cyhoedd, a lleihawyd buddsoddiad yn y ffelt Ond er gwaethaf anawsterau, roedd gwahanol gymwysiadau ar gyfer AI a dysgu peirianyddol yn ymddangos i'r chwith ac i'r dde Mae un hanesyn penodol am gymhwysiad o'r fath wedi dod yn ddameg boblogaidd o fewn y gymuned wyddonol, gan siarad yn eithaf effeithiol i dreialon a gorthrymderau ymchwil a gweithredu AI.
Mae'r stori yn mynd rhywbeth fel hyn:
Yn y 1980au, mae'r PentagPenderfynodd ymlaen ddefnyddio rhwydwaith niwral i adnabod tanciau cuddliw Gan weithio gydag un prif ffrâm yn unig (o'r 1980au, cofiwch), hyfforddwyd y rhwyd neral gyda 200 o luniau—100 o danciau a 100 o goed Er gwaethaf y rhwydwaith niwral cymharol fach (oherwydd y 1980au cyfyngiadau ar gyfrifiant a chof), arweiniodd yr hyfforddiant labordy at gywirdeb 100% Gyda chymaint o lwyddiant, mae'r tîm yn penderfynu rhoi cynnig arni yn y ffelt Nid oedd y canlyniadau'n wych.
Ffigur 6. Lab vs lluniau maes (Ffynhonnell: Neural Network Follies, Neil Fraser, Medi 1998)
Gydag argaeledd adnoddau cyfrifiadurol helaeth na freuddwydiwyd amdanynt yn ôl yn yr 1980au, mae rhwydweithiau niwral dwfn wedi dod yn faes poblogaidd ar gyfer ymchwil yn gyflym. Mae dysgu dwfn yn rhoi'r gallu i system “ddysgu” yn awtomatig trwy biliynau o gyfuniadau ac arsylwadau, gan leihau'r ddibyniaeth ar adnoddau dynol.
Pam gwnaeth y rhwydwaith niwral mor wych ar y lluniau yn y labordy, ond methu mor llwyr yn y ffald? Daeth i'r amlwg fod y lluniau di-danc i gyd wedi'u tynnu ar ddiwrnodau lle'r oedd yr awyr yn gymylog; tynnwyd yr holl luniau o goed ar ddiwrnodau pan oedd yr haul yn tywynnu Roedd y rhwyd niwral wedi'i hyfforddi i adnabod heulogrwydd, nid tanciau
Yn y pen draw, fodd bynnag, adnabyddiaeth weledol trwy ddysgu dwfn - wedi'i hwyluso gan rwydweithiau niwral sy'n llawer mwy cymhleth na'r Pentagbyddai prif ffrâm y 1980au ymlaen wedi gallu ymdopi—daeth yn realiti Yn 2012, creodd yr athro Stanford Andrew Ng a chydweithiwr Google, Jef Dean, un o'r rhwydweithiau niwral dwfn cyntaf gan ddefnyddio 1000 o gyfrifiaduron gyda 16 craidd yr un Y dasg: dadansoddi 10 miliwn o fideos YouTube Y canlyniad : daeth o hyd i gathod ² Diolch i'w algorithm “dysgu dwfn”, roedd y rhwydwaith yn gallu adnabod cathod dros amser, a gyda chywirdeb da iawn
Gydag argaeledd adnoddau cyfrifiadurol helaeth na freuddwydiwyd amdanynt yn ôl yn yr 1980au, mae rhwydweithiau niwral dwfn wedi dod yn faes poblogaidd ar gyfer ymchwil yn gyflym Mae dysgu dwfn yn rhoi'r gallu i system “ddysgu” yn awtomatig trwy biliynau o gyfuniadau ac arsylwadau, gan leihau'r ddibyniaeth ar adnoddau dynol O fewn y parth seiberddiogelwch, mae'r dull wedi dod yn arbennig o addawol ar gyfer canfod malware - senarios lle mae gennym setiau data mawr gyda llawer o gynampllai o faleiswedd y gall y rhwydwaith ddysgu ohono
Yn anffodus, mae dulliau dysgu dwfn yn llai effeithiol ar hyn o bryd o ran rhai achosion defnydd, fel bygythiad mewnol, oherwydd yn syml, nid oes gennym y math cywir o ddata ar y mathau hyn o ymosodiadau, yn y cyfeintiau sydd eu hangen yn fwyaf aml, y wybodaeth sydd gennym mae bygythiadau mewnol yn anecdotaidd, na ellir eu defnyddio'n effeithlon gan y mathau hyn o rwydweithiau niwral.
Hyd nes y gallwn gasglu setiau data mwy effeithiol (a lleihau cost a chymhlethdod systemau dysgu dwfn), nid dysgu dwfn yw'r dewis cywir ar gyfer pob achos defnydd Ac mae hynny'n iawn Mae dysgu dwfn yn un o lawer o algorithmau dysgu peiriant yn unig, a gall y dulliau hyn fod yn union fel pe na bai'n fwy gwerthfawr - mae'r cyfan yn dibynnu ar y swydd dan sylw
Rydym wedi gweld potensial aruthrol technolegau AI yn y chwe degawd ers ei “eni,” a dim ond newydd grafu'r wyneb yr ydym, yn enwedig ym maes diogelwch Nesaf, byddwn yn plymio'n ddyfnach i'r cymwysiadau posibl ar gyfer AI a dadansoddeg i newid y ffordd yr ydym yn nodi ac yn ymateb i fygythiadau diogelwch.
Dim ond un darn o bos llawer mwy yw dadansoddeg ragfynegol a all roi mewnwelediad llawer mwy defnyddiol i ni ar gyfer timau diogelwch.
Rydym wedi gweld potensial aruthrol technolegau AI yn y chwe degawd ers ei “eni,” a dim ond newydd grafu’r wyneb yr ydym, yn enwedig ym maes diogelwch.
Gweledigaeth Newydd ar gyfer Dadansoddeg Diogelwch
Hyd yn hyn, mae'r canllaw hwn wedi edrych yn fanwl ar ddysgu peiriannau, gan ddeall ei gyfyngiadau a'i gryfderau Mae potensial enfawr i ddysgu peiriant hwyluso AI, ond mae'n werth nodi nad yw'r gêm ehangach o ganfod bygythiadau yn ymwneud â dysgu dwfn neu ddysgu peiriant yn unig. fel y gwyddom heddiw Gall dulliau dadansoddol newydd ynghyd â mathau newydd o ddata roi fframweithiau cwbl newydd inni ddadansoddi a gweithredu ar fygythiadau diogelwch.
| Dulliau Newydd | Dadansoddiad Addasol Optimeiddio Dadansoddiad Parhaus o dan Ansicrwydd | Ymateb i'r cyd-destun Ymateb i newid/adborth lleol Mesur neu liniaru risg |
| Traddodiadol | Optimeiddio Modelu Rhagfynegol Rhagolygon Efelychu Rhybuddion Ymholiad/Drilio i Lawr Adrodd Ad hoc Adrodd Safonol | Cymhlethdod penderfyniadau, cyflymder datrysiad Yn achlysurol, tebygol, lefelau hyder Ffyddlondeb uchel, gemau, ffermio data Setiau data mwy, atchweliad aflinol Rheolau/sbardunau, sensitif i gyd-destun, digwyddiadau cymhleth Mewn data cof, chwiliad niwlog, geo ofodol Ymholiad gan example, defnyddiwr amddiffyn adroddiadau amser real, delweddu, rhyngweithio defnyddiwr |
| Data Newydd | Perthynas Datrys Endid, Anodi Echdyniad Nodwedd a Tokenization | Pobl, rolau, lleoliadau, pethau Rheolau, casgliad semantig, cyfateb Awtomataidd, torfol |
Rydym wedi gweld yr hyn y gall dadansoddeg ei wneud ar gyfer diwydiannau eraill, ac mae potensial i ddadansoddeg gael effaith ddofn ar seiberddiogelwch, hefyd Rydym yn gweld hyn yn datblygu mewn maes newydd yr ydym yn cyfeirio ato fel dadansoddeg diogelwch, sydd yn ei hanfod yn cymryd y prawf brwydr. algorithmau a methodolegau yr ydym wedi'u trafod (a mwy) ac yn eu cymhwyso yn helpu i ddatrys y problemau anodd iawn ym maes diogelwch
Mae'r dadansoddiadau mwyaf cyffredin a welwn mewn diogelwch heddiw yn ymwneud â modelau rhagfynegol, sy'n ein galluogi i nodi lle gallai risgiau fod o fewn symiau mawr o ddata (dyma lle mae canfod anghysondebau yn dod i mewn) Yn gryno, mae modelu rhagfynegol yn cyfuno data hanesyddol ag ymddygiad amser real deall neu ragweld ymddygiad yn y dyfodol Gyda hyn, gallwn ateb y cwestiwn, “Beth sy'n digwydd nesaf?”
Ond nid yw ein gweledigaeth ar gyfer dadansoddeg diogelwch yn dod i ben yma Dim ond un darn o bos llawer mwy yw dadansoddeg ragfynegol a all roi mewnwelediad llawer mwy defnyddiol i ni ar gyfer timau diogelwch Mae'r patrwm dadansoddeg delfrydol yn cyfuno synhwyrydd deallus a ffynonellau data hollbresennol - penbyrddau a gweinyddwyr, symudol , cwmwl, rhwydweithiau cymdeithasol, data agored, ac ati — gyda nifer o ddulliau dadansoddol datblygedig o ddadansoddi ymddygiad a bygythiad, gan gynnwys dadansoddiad fforensig, modelu risg, canfod anghysondebau, optimeiddio ymddygiad ac ymateb, a mwy
Mae hyn yn golygu y gallwn wneud llawer mwy na rhagweld neu nodi bygythiad Mae'n ein galluogi i fynd hyd yn oed ymhellach i gynnig nid yn unig canfod uwch ond mewnwelediad i sut i ymateb yn fwyaf effeithiol Mae dadansoddeg diogelwch yn rhoi'r pŵer i ni ateb cwestiynau allweddol eraill, fel “Sut llawer o fygythiadau?” a “Beth yw’r ymateb gorau posib?”
Nid ydym wedi gweld dosbarthiadau eraill o ddadansoddeg fel dulliau optimeiddio yn cael eu cymhwyso i seiberddiogelwch eto, ond mae ganddyn nhw botensial aruthrol Mae'r technegau hyn yn edrych ar yr holl ymatebion posibl i risg diogelwch a phenderfynu ar yr ymateb gorau Oes, mae yna ffyrdd o wneud hyn gyda mathemateg
Am gynampLe, defnyddir dulliau optimeiddio pan fyddwch chi'n rhoi galwad i'ch darparwr gwasanaeth ffôn symudol gyda mater Nid ydynt yn gwneud argymhelliad ar hap ynghylch a ddylid uwchraddio'ch cynllun gwasanaeth am bris gostyngol ai peidio; maent yn dibynnu ar set o fathemateg yn y cefndir sy'n edrych ar eich logiau galwadau, nifer y galwadau a ollyngwyd, sut mae'ch hanes yn cymharu â hanes defnyddwyr eraill, ac ati Mae hyd yn oed yn cyfrifo'r tebygolrwydd y gallech newid i ddarparwr gwasanaeth arall Yna, allan o'r holl gamau nesaf posibl, mae'n cyfrifo'r cam nesaf gorau i gadw cymaint â phosibl o gwsmeriaid
Gellir cymhwyso'r un fathemateg i dîm diogelwch i nodi risg, darparu nifer o ffyrdd i ymateb, a phennu'n fathemategol yr ymateb gorau i gyfyngu cymaint â phosibl ar y risg benodol hon.
Mae cynnydd cyflym ac esblygiad bygythiadau diogelwch yn gwneud y math hwn o effeithlonrwydd ymateb yn hollbwysig Mae gennym fwy o ddata heddiw nag erioed o'r blaen Diolch byth, mae gennym hefyd fwy o bŵer cyfrifo, gwell algorithmau, a buddsoddiad ehangach mewn ymchwil a thechnolegau i'n helpu i wneud synnwyr o'r data hwn trwy fathemateg Yn ôl pob sôn, rydym yn credu bod dadansoddeg diogelwch newydd ddechrau.
Mae gennym fwy o ddata heddiw nag erioed o'r blaen. Diolch byth, mae gennym hefyd fwy o bŵer cyfrifiadurol, gwell algorithmau, a buddsoddiad ehangach mewn ymchwil a thechnolegau i'n helpu i wneud synnwyr o'r data hwn trwy fathemateg. Ar bob cyfrif, rydym yn credu bod dadansoddeg diogelwch newydd ddechrau.
Cefnogaeth i Gwsmeriaid
Cysylltwch â Ni
www.opentext.com
Mae OpenText Cybersecurity yn darparu atebion diogelwch cynhwysfawr i gwmnïau a phartneriaid o bob maint O atal, canfod ac ymateb i adferiad, ymchwilio a chydymffurfio, mae ein platfform unedig o un pen i'r llall yn helpu cwsmeriaid i adeiladu gwytnwch seiber trwy bortffolio diogelwch cyfannol Wedi'i bweru gan fewnwelediadau gweithredadwy o'n cudd-wybodaeth bygythiad amser real a chyd-destunol, mae cwsmeriaid Cybersecurity OpenText yn elwa ar gynhyrchion effeithlonrwydd uchel, profiad sy'n cydymffurfio a diogelwch symlach i helpu i reoli risg busnes
762-000016-003 | O | 01/24 | © 2024 Testun Agored
Dogfennau / Adnoddau
 |
Opentext Deallusrwydd Artiffisial a Dysgu Peiriannau [pdfCyfarwyddiadau Deallusrwydd Artiffisial a Dysgu Peiriannau, Deallusrwydd a Dysgu Peiriannau, Dysgu Peiriannau |
