opentext Τεχνητή Νοημοσύνη και Μηχανή

Η τεχνητή νοημοσύνη (AI) μεταμορφώνει τον τρόπο με τον οποίο αλληλεπιδρούμε με τις μηχανές και τον τρόπο με τον οποίο αλληλεπιδρούν οι μηχανές μαζί μας. Αυτός ο οδηγός αναλύει τον τρόπο λειτουργίας της τεχνητής νοημοσύνης, τα δυνατά σημεία και τους περιορισμούς διαφόρων τύπων μηχανικής μάθησης και την εξέλιξη αυτού του διαρκώς μεταβαλλόμενου πεδίου σπουδών. Διερευνά επίσης τον ρόλο των αναλύσεων ασφαλείας με δυνατότητα τεχνητής νοημοσύνης ή των αναλύσεων συμπεριφοράς χρηστών και οντοτήτων (UEBA) για την καλύτερη προστασία των επιχειρήσεων από τις σημερινές περίπλοκες απειλές για την ασφάλεια στον κυβερνοχώρο.

Μηχανή εναντίον Ανθρώπινης Μάθησης

Η τεχνητή νοημοσύνη (AI) είναι παντού—τουλάχιστον, έτσι φαίνεται Στο OpenText™, η άνοδος της τεχνητής νοημοσύνης είναι συναρπαστική και προκλητική. Η έννοια της τεχνητής νοημοσύνης δεν είναι πάντα εύκολα κατανοητή Για να ξεκινήσουμε αυτόν τον οδηγό AI και Machine Learning 101, θα αποσυσκευάσουμε το παζλ AI απαντώντας στην κύρια ερώτηση που κάνουν πολλοί άνθρωποι: «Τι είναι αλήθεια η τεχνητή νοημοσύνη;»

Ο ευκολότερος τρόπος για να κατανοήσουμε την τεχνητή νοημοσύνη είναι να την αντιστοιχίσουμε σε κάτι που ήδη καταλαβαίνουμε—τη δική μας νοημοσύνη Πώς λειτουργεί η μη τεχνητή, ανθρώπινη νοημοσύνη; Στο πιο βασικό επίπεδο, η νοημοσύνη μας ακολουθεί μια απλή εξέλιξη: λαμβάνουμε πληροφορίες, τις επεξεργαζόμαστε και τελικά οι πληροφορίες μας βοηθούν να δράσουμε

Ας το αναλύσουμε σε ένα διάγραμμα συστήματος Στο παρακάτω σχήμα, τα τρία γενικά βήματα της ανθρώπινης νοημοσύνης από αριστερά προς τα δεξιά: εισαγωγή, επεξεργασία και έξοδος Στον ανθρώπινο εγκέφαλο, η είσοδος λαμβάνει χώρα με τη μορφή αίσθησης και αντίληψης πραγμάτων Τα μάτια σας. μύτη, αυτιά, κ.λπ., λάβετε ακατέργαστη είσοδο στα αριστερά, όπως φωτόνια φωτός ή μυρωδιά πεύκων και, στη συνέχεια, επεξεργαστείτε τα Στη δεξιά πλευρά του συστήματος υπάρχει έξοδος Αυτό περιλαμβάνει την ομιλία και τις ενέργειες, οι οποίες εξαρτώνται από τον τρόπο επεξεργαζόμαστε την ακατέργαστη εισροή που λαμβάνει ο εγκέφαλός μας Η επεξεργασία γίνεται στη μέση, όπου σχηματίζονται και ανακτώνται γνώσεις ή μνήμες, λαμβάνονται αποφάσεις και συμπεράσματα, και λαμβάνει χώρα η μάθηση.

Εικόνα 1. Ανθρώπινη νοημοσύνη

Πώς λειτουργεί η μη τεχνητή, ανθρώπινη νοημοσύνη; Στο πιο βασικό επίπεδο, η νοημοσύνη μας ακολουθεί μια απλή εξέλιξη: λαμβάνουμε πληροφορίες, τις επεξεργαζόμαστε και τελικά οι πληροφορίες μας βοηθούν να δράσουμε.

Εικόνα που σταματάτε σε διασταύρωση δρόμου Τα μάτια σας βλέπουν ότι το φανάρι μπροστά σας μόλις έγινε πράσινο Με βάση όσα έχετε μάθει από την εμπειρία (και την εκπαίδευση του οδηγού), γνωρίζετε ότι το πράσινο φως υποδεικνύει ότι πρέπει να οδηγήσετε μπροστά. χτυπήστε το πεντάλ γκαζιού Το πράσινο φως είναι η ακατέργαστη είσοδος, η επιτάχυνσή σας είναι η έξοδος. όλα στο ενδιάμεσο είναι σε επεξεργασία

Για να περιηγηθούμε έξυπνα στον κόσμο γύρω μας—απαντώντας στο τηλέφωνο, ψήνουμε μπισκότα σοκολάτας ή υπακούοντας στα φανάρια—πρέπει να επεξεργαστούμε τα δεδομένα που λαμβάνουμε. :

1. Γνώση και μνήμη. Οικοδομούμε γνώσεις καθώς προσλαμβάνουμε γεγονότα (δηλαδή, η Μάχη του Χέιστινγκς έλαβε χώρα το 1066) και κοινωνικούς κανόνες (δηλαδή, το να λέμε «Παρακαλώ» και «Ευχαριστώ» θεωρείται ευγενικό) Επιπλέον, η μνήμη μας δίνει τη δυνατότητα να ανακαλούμε και να εφαρμόζουμε πληροφορίες από καταστάσεις από το παρελθόν στις παρούσες Για π.χampΟ Έντουαρντ θυμάται ότι η Τζέιν δεν τον ευχαρίστησε για το δώρο γενεθλίων της, οπότε δεν περιμένει να τον ευχαριστήσει όταν της κάνει χριστουγεννιάτικο δώρο
2. Απόφαση και συμπέρασμα. Οι αποφάσεις και τα συμπεράσματα λαμβάνονται με βάση την ακατέργαστη εισαγωγή σε συνδυασμό με τη γνώση ή/και τη μνήμη Για π.χample, ο Edward έφαγε μια πιπεριά jalapeno πέρυσι και δεν της άρεσε Όταν ο Johnny προσφέρει μια πιπεριά στον Edward, αποφασίζει να μην την φάει
3. Μάθηση. Οι άνθρωποι μπορούν να μάθουν με π.χample, παρατήρηση ή αλγόριθμος Στη μάθηση από π.χampΜας λένε ότι το ένα ζώο είναι σκύλος, το άλλο είναι μια γάτα Μαθαίνοντας μέσω παρατήρησης, καταλαβαίνουμε μόνοι μας ότι τα σκυλιά γαβγίζουν και ότι οι γάτες νιαουρίζουν Η τρίτη μέθοδος μάθησης - αλγόριθμος - μας δίνει τη δυνατότητα να ολοκληρώσουμε μια εργασία ακολουθώντας μια σειρά βημάτων ή ένας συγκεκριμένος αλγόριθμος (π.χ. εκτέλεση μακράς διαίρεσης)

Αυτές οι πτυχές της ανθρώπινης νοημοσύνης είναι παράλληλες με την τεχνητή νοημοσύνη Ακριβώς όπως λαμβάνουμε πληροφορίες, τις επεξεργαζόμαστε και μοιραζόμαστε την έξοδο, το ίδιο μπορούν και οι μηχανές Ας ρίξουμε μια ματιά στο παρακάτω σχήμα για να δούμε πώς απεικονίζεται.

Εικόνα 2. Τεχνητή νοημοσύνη

Για να περιηγηθούμε έξυπνα στον κόσμο γύρω μας—απαντώντας στο τηλέφωνο, ψήνουμε μπισκότα σοκολάτας ή υπακούοντας στα φανάρια—πρέπει να επεξεργαστούμε τα δεδομένα που λαμβάνουμε.

Στις μηχανές, το τμήμα εισόδου της τεχνητής νοημοσύνης αποδεικνύεται από την επεξεργασία φυσικής γλώσσας, την αναγνώριση ομιλίας, την οπτική αναγνώριση και πολλά άλλα. Βλέπετε τέτοιες τεχνολογίες και αλγόριθμους παντού, από αυτοοδηγούμενα αυτοκίνητα που πρέπει να αντιληφθούν τους δρόμους και τα εμπόδια, μέχρι την Alexa ή το Siri όταν αναγνωρίζει την ομιλία σας Η έξοδος που ακολουθεί είναι τρόποι με τους οποίους οι μηχανές αλληλεπιδρούν με τον κόσμο γύρω μας. μεταξύ, έχουμε διάφορες μορφές επεξεργασίας που λαμβάνουν χώρα

Παρόμοια με τη συσσώρευση γνώσης και μνημών, οι μηχανές μπορούν να δημιουργήσουν αναπαραστάσεις γνώσης (π.χ. βάσεις δεδομένων γραφημάτων, οντολογίες) που τις βοηθούν να αποθηκεύουν πληροφορίες για τον κόσμο. αποτέλεσμα και καθορίστε τα καλύτερα επόμενα βήματα ή αποφάσεις για την επίτευξη ενός συγκεκριμένου στόχου

Τέλος, όπως ακριβώς μαθαίνουμε από τον πρample, παρατήρηση ή αλγόριθμος, οι μηχανές μπορούν να διδαχθούν χρησιμοποιώντας ανάλογες μεθόδους Η εποπτευόμενη μηχανική μάθηση μοιάζει πολύ με τη μάθηση από πρώηνample: δίνεται στον υπολογιστή ένα σύνολο δεδομένων με "ετικέτες" εντός του συνόλου δεδομένων που λειτουργούν ως απαντήσεις και τελικά μαθαίνει να διακρίνει τη διαφορά μεταξύ διαφορετικών ετικετών (π.χ., αυτό το σύνολο δεδομένων περιέχει φωτογραφίες με την ένδειξη "σκύλος" ή "γάτα" και με αρκετή π.χampΈτσι, ο υπολογιστής θα παρατηρήσει ότι οι σκύλοι έχουν γενικά μεγαλύτερη ουρά και λιγότερο μυτερά αυτιά από τις γάτες)

Η μη εποπτευόμενη μηχανική μάθηση, από την άλλη πλευρά, μοιάζει με μάθηση μέσω παρατήρησης Ο υπολογιστής παρατηρεί μοτίβα (οι σκύλοι γαβγίζουν και οι γάτες νιαουρίζουν) και, μέσω αυτού, μαθαίνει να διακρίνει μόνος του ομάδες και μοτίβα (π.χ. υπάρχουν δύο ομάδες ζώων που μπορούν Διαχωρίζονται από τον ήχο που κάνουν η μία ομάδα γαβγίζει—σκύλοι—και η άλλη ομάδα νιαουρίζει—γάτες) Η μάθηση χωρίς επίβλεψη δεν απαιτεί ετικέτες και επομένως μπορεί να είναι προτιμότερη όταν τα σύνολα δεδομένων είναι περιορισμένα και δεν έχουν ετικέτες. τι συμβαίνει όταν ένας προγραμματιστής δίνει οδηγίες σε έναν υπολογιστή τι ακριβώς να κάνει, βήμα προς βήμα, σε ένα πρόγραμμα λογισμικού.

όντως, τα πιο ακριβή και ελλιπή αποτελέσματα τεχνητής νοημοσύνης απαιτούν συνδυασμό μεθόδων εκμάθησης Τόσο η εποπτευόμενη όσο και η μη εποπτευόμενη μηχανική εκμάθηση είναι χρήσιμες μέθοδοι — όλα έχουν να κάνουν με την εφαρμογή της σωστής προσέγγισης ή προσεγγίσεων στη σωστή περίπτωση χρήσης

Στη συνέχεια, θα βάλουμε τη μηχανική μάθηση στο μικροσκόπιο για να κατανοήσουμε πώς αυτό το τμήμα της τεχνητής νοημοσύνης αντικατοπτρίζει τους νευρώνες στον εγκέφαλό μας για να μετατρέψει την είσοδο σε βέλτιστη έξοδο.

Στην ιδανική περίπτωση, τα πιο ακριβή και αποτελεσματικά αποτελέσματα τεχνητής νοημοσύνης απαιτούν συνδυασμό μεθόδων εκμάθησης. Τόσο η εποπτευόμενη όσο και η μη εποπτευόμενη μηχανική εκμάθηση είναι χρήσιμες μέθοδοι — όλα έχουν να κάνουν με την εφαρμογή της σωστής προσέγγισης ή προσεγγίσεων στη σωστή περίπτωση χρήσης.

Το νευρωνικό δίκτυο και η βαθιά μάθηση

Η μηχανική μάθηση είναι μόνο ένα μέρος της τεχνητής νοημοσύνης, αν και έχει ένα τεράστιο υποσύνολο αλγορίθμων μέσα της. Μια μέθοδος που ακούτε συχνά σήμερα είναι η «βαθιά μάθηση», ένας αλγόριθμος που έχει λάβει μεγάλο μερίδιο προσοχής στις ειδήσεις τα τελευταία χρόνια. η δημοτικότητα και η επιτυχία του, είναι χρήσιμο να κατανοήσουμε πώς λειτουργεί Η βαθιά μάθηση είναι μια εξέλιξη ενός αλγορίθμου μηχανικής μάθησης που ήταν δημοφιλής τη δεκαετία του 1980 και ίσως αναγνωρίσετε: τα νευρωνικά δίκτυα.

Τα νευρωνικά δίκτυα - ένα πρότυπο προγραμματισμού στο οποίο εκπαιδεύουμε τις μηχανές να "μάθουν" - εμπνέονται από νευρώνες ή εξειδικευμένα κύτταρα στο ανθρώπινο σώμα που αποτελούν τη βάση του νευρικού μας συστήματος και ειδικότερα του εγκεφάλου Αυτά τα κύτταρα μεταδίδουν σήματα σε όλο το σώμα μας πυροδοτούν νευρικά αποκρίσεις και διεργασίες του συστήματος Οι νευρώνες είναι αυτοί που μας επιτρέπουν να βλέπουμε, να ακούμε, να μυρίζουμε κ.λπ.

Εικόνα 3. Πώς οι νευρώνες λαμβάνουν και στέλνουν μηνύματα

Πολλά από αυτά που θεωρούμε ως ανθρώπινη μάθηση μπορούν να περιγραφούν από το πόσο ισχυρή είναι η σύνδεση μεταξύ δύο νευρώνων στον εγκέφαλό μας, μαζί με τη δύναμη του περιθωρίου των συνάψεών μας.

Στο πρώτο μέρος αυτού του οδηγού, συζητήσαμε τη βασική διαδικασία της ανθρώπινης νοημοσύνης: είσοδος στα αριστερά και έξοδος στα δεξιά Ο νευρώνας (εικόνα παραπάνω) παίζει κρίσιμο ρόλο σε αυτό Στην αριστερή πλευρά του νευρώνα, το κυτταρικό σώμα συλλέγει «Είσοδος» Μόλις λάβει αρκετή είσοδο ή διέγερση, ο άξονας φρενάρει, μεταδίδοντας τις πληροφορίες στη δεξιά πλευρά—η σύναψη Η «έξοδος» στη συνέχεια αποστέλλεται σε άλλους νευρώνες

Σε κάθε δεδομένη στιγμή, οι νευρώνες μας περνούν μηνύματα μεταξύ τους Αυτά τα κύτταρα είναι υπεύθυνα για την ικανότητά μας να αντιλαμβανόμαστε το περιβάλλον μας Και όταν μαθαίνουμε, οι νευρώνες μας γίνονται πολύ ενεργοί Στην πραγματικότητα, πολλά από αυτά που θεωρούμε ως ανθρώπινη μάθηση μπορούν να περιγραφούν από πόσο ισχυρή είναι η σύνδεση μεταξύ δύο νευρώνων στον εγκέφαλό μας, μαζί με τη δύναμη του περιθωρίου των συνάψεών μας

Ένα νευρωνικό δίκτυο είναι μια μαθηματική προσομοίωση μιας συλλογής κυττάρων νευρώνων Η παρακάτω εικόνα αντιπροσωπεύει ένα βασικό νευρωνικό δίκτυο με 3 επίπεδα και 12 κόμβους

Κάθε κυκλικός κόμβος αντιπροσωπεύει έναν τεχνητό, βιολογικά εμπνευσμένο "νευρώνα" Οι γραμμές αντιπροσωπεύουν μια σύνδεση από την έξοδο ενός τεχνητού νευρώνα στα αριστερά στην είσοδο ενός άλλου στα δεξιά Τα σήματα μεταξύ αυτών των νευρώνων ρέουν κατά μήκος των γραμμών από αριστερά προς τα δεξιά Σε αυτά τα δίκτυα , η είσοδος —όπως δεδομένα εικονοστοιχείων— ρέει από το στρώμα εισόδου, μέσω των μεσαίων «κρυμμένων» στρωμάτων και, τελικά, στο επίπεδο εξόδου με τρόπο που περιγράφεται από μαθηματικές εξισώσεις εμπνευσμένες χαλαρά από την ηλεκτρική δραστηριότητα σε πραγματικούς βιολογικούς νευρώνες.

Εικόνα 4. Απλό νευρωνικό δίκτυο

Τα νευρωνικά δίκτυα μαθαίνουν προσπαθώντας να αντιστοιχίσουν σύνολα δεδομένων που παρουσιάζονται στο επίπεδο εισόδου με τα επιθυμητά αποτελέσματα στο επίπεδο εξόδου. Οι μαθηματικές εξισώσεις υπολογίζουν τις εξόδους, συγκρίνουν την προσομοιωμένη έξοδο με το επιθυμητό αποτέλεσμα και οι προκύπτουσες διαφορές στη συνέχεια παράγουν τροποποιήσεις στην ισχύ των συνδέσεων.

Τα νευρωνικά δίκτυα μαθαίνουν προσπαθώντας να ταιριάξουν τα σύνολα δεδομένων που παρουσιάζονται στο επίπεδο εισόδου με τα επιθυμητά αποτελέσματα στο επίπεδο εξόδου. Αυτές οι τροποποιήσεις τροποποιούνται επαναληπτικά έως ότου η υπολογισμένη έξοδος πλησιάσει αρκετά το επιθυμητό αποτέλεσμα, οπότε λέμε ότι το νευρωνικό δίκτυο έχει «μάθει».

Εικόνα 5. Σύνθετο νευρωνικό δίκτυο

Αυτά τα «βαθύτερα» νευρωνικά δίκτυα μπορούν να κάνουν πολύ πιο περίπλοκες προβλέψεις. Μπορεί να υπάρχουν χιλιάδες κόμβοι και εκατοντάδες επίπεδα, που σημαίνει ότι χιλιάδες διαφορετικοί υπολογισμοί Τα μοντέλα βαθιάς μάθησης έχουν γίνει πολύ καλά σε συγκεκριμένα προβλήματα, όπως η αναγνώριση ομιλίας ή εικόνας.

Αξίζει να σημειωθεί, ωστόσο, ότι η βαθιά μάθηση δεν είναι ασημένια λύση για τη μηχανική μάθηση — ειδικά όχι στην ασφάλεια στον κυβερνοχώρο, όπου μερικές φορές δεν υπάρχει ο μεγάλος όγκος καθαρών δεδομένων που είναι ιδανικοί για μεθόδους βαθιάς μάθησης. Είναι σημαντικό να επιλέξετε τον σωστό αλγόριθμο, δεδομένα και αρχές για την εργασία Αυτός είναι ο καλύτερος τρόπος για τις μηχανές να συλλέγουν στοιχεία, να συνδέουν τις κουκκίδες και να βγάλουν ένα συμπέρασμα

Τα νευρωνικά δίκτυα μπορεί να φαίνονται σαν το υλικό του μέλλοντος, αλλά υπάρχουν εδώ και καιρό Στην πραγματικότητα, τα νευρωνικά δίκτυα βασίζονται σε ιδέες που άρχισαν να κυκλοφορούν στη δεκαετία του 1940. Στην επόμενη ενότητα, θα κάνουμε ένα σύντομο ταξίδι πίσω στο χρόνο για να καταλάβουμε πώς τα νευρωνικά δίκτυα και η μηχανική μάθηση έχουν εισχωρήσει σε πολλά μέρη της σύγχρονης ζωής.

Τα νευρωνικά δίκτυα μπορεί να φαίνονται σαν το υλικό του μέλλοντος, αλλά υπάρχει εδώ και καιρό. Στην πραγματικότητα, τα νευρωνικά δίκτυα βασίζονται σε ιδέες που άρχισαν να κυκλοφορούν στη δεκαετία του 1940.

Μια σύντομη ιστορία της τεχνητής νοημοσύνης

Για μερικούς ανθρώπους, ο όρος τεχνητή νοημοσύνη (AI) μπορεί να παραπέμπει σε εικόνες φουτουριστικών πόλεων με ιπτάμενα αυτοκίνητα και οικιακά ρομπότ, αλλά η τεχνητή νοημοσύνη δεν είναι μια φουτουριστική έννοια, τουλάχιστον όχι πλέον Αν και δεν αναφέρεται ως τέτοια, η ιδέα της τεχνητής νοημοσύνης μπορεί να είναι ανάγονται στην αρχαιότητα (δηλαδή, οι ομιλούσες μηχανικές υπηρέτριες του Έλληνα θεού Ήφαιστου) ¹ Από τη δεκαετία του 1930, οι επιστήμονες και οι μαθηματικοί ήταν πρόθυμοι να εξερευνήσουν τη δημιουργία αληθινής νοημοσύνης ξεχωριστά από τους ανθρώπους

Η καθοριστική στιγμή της τεχνητής νοημοσύνης στα μέσα του 20ού αιώνα ήταν μια ευτυχής σύμπλεξη μαθηματικών και βιολογίας, με ερευνητές όπως ο Norbert Wiener, ο Claude Shannon και ο Alan Turing να έχουν ήδη απομακρυνθεί από τη διασταύρωση ηλεκτρικών σημάτων και υπολογισμών Μέχρι το 1943, οι Warren McCulloch και Walter Pitts. είχε δημιουργήσει ένα μοντέλο για νευρωνικά δίκτυα Τα νευρωνικά δίκτυα άνοιξαν το δρόμο για έναν γενναίο νέο κόσμο υπολογιστών με μεγαλύτερη ιπποδύναμη και, το 1956, ο τομέας της έρευνας της τεχνητής νοημοσύνης καθιερώθηκε επίσημα ως ακαδημαϊκή επιστήμη

Το δεύτερο μισό του αιώνα ήταν μια συναρπαστική εποχή για την έρευνα και την πρόοδο της τεχνητής νοημοσύνης, που διακόπτεται περιστασιακά από τους «χειμώνες της τεχνητής νοημοσύνης» στα μέσα της δεκαετίας του '70 και στα τέλη της δεκαετίας του '80, όπου η τεχνητή νοημοσύνη απέτυχε να ανταποκριθεί στις προσδοκίες του κοινού και οι επενδύσεις στον τομέα μειώθηκαν, αλλά παρά τις αποτυχίες, διάφορες εφαρμογές για την τεχνητή νοημοσύνη και τη μηχανική μάθηση εμφανίζονταν αριστερά και δεξιά Ένα συγκεκριμένο ανέκδοτο μιας τέτοιας εφαρμογής έχει γίνει δημοφιλής παραβολή στην επιστημονική κοινότητα, μιλώντας αρκετά αποτελεσματικά για τις δοκιμές και τις δοκιμασίες της έρευνας και εφαρμογής της τεχνητής νοημοσύνης

Η ιστορία έχει κάπως έτσι:

Στη δεκαετία του 1980, η Πένtagαποφάσισε να χρησιμοποιήσει ένα νευρωνικό δίκτυο για την αναγνώριση καμουφλαρισμένων δεξαμενών Δουλεύοντας με ένα μόνο κεντρικό σύστημα (από τη δεκαετία του 1980, να θυμάστε), το νευρωνικό δίκτυο εκπαιδεύτηκε με 200 εικόνες—100 δεξαμενές και 100 δέντρα Παρά το σχετικά μικρό νευρωνικό δίκτυο (λόγω της δεκαετίας του 1980 περιορισμοί στους υπολογισμούς και τη μνήμη), η εργαστηριακή εκπαίδευση είχε ως αποτέλεσμα 100% ακρίβεια Με τέτοια επιτυχία, η ομάδα αποφασίζει να το κάνει να βγει έξω. Τα αποτελέσματα δεν ήταν εξαιρετικά.

Εικόνα 6. Εικόνες Lab vs field (Πηγή: Neural Network Follies, Neil Fraser, Σεπτέμβριος 1998)

Με τη διαθεσιμότητα τεράστιων υπολογιστικών πόρων που δεν ονειρευόμασταν πίσω στη δεκαετία του 1980, τα βαθιά νευρωνικά δίκτυα έγιναν γρήγορα δημοφιλής περιοχή για έρευνα. Η βαθιά μάθηση δίνει σε ένα σύστημα τη δυνατότητα να «μαθαίνει» αυτόματα μέσα από δισεκατομμύρια συνδυασμούς και παρατηρήσεις, μειώνοντας την εξάρτηση από τους ανθρώπινους πόρους.

Γιατί το νευρωνικό δίκτυο τα πήγε τόσο φανταστικά στις φωτογραφίες στο εργαστήριο, αλλά απέτυχε τόσο εντελώς στο πεδίο; Αποδείχθηκε ότι οι φωτογραφίες χωρίς τανκ τραβήχτηκαν όλες τις μέρες που ο ουρανός ήταν συννεφιασμένος. Όλες οι φωτογραφίες των δέντρων τραβήχτηκαν τις μέρες που έλαμπε ο ήλιος Το νευρωνικό δίκτυο είχε εκπαιδευτεί να αναγνωρίζει την ηλιοθεραπεία, όχι τις δεξαμενές

Τελικά, όμως, η οπτική αναγνώριση μέσω της βαθιάς μάθησης - που διευκολύνεται από νευρωνικά δίκτυα που είναι πολύ πιο περίπλοκα από το στυλόtagΟ κεντρικός υπολογιστής της δεκαετίας του 1980 θα μπορούσε να χειριστεί—έγινε πραγματικότητα Το 2012, ο καθηγητής του Stanford Andrew Ng και ο συνεργάτης της Google, Jef Dean, δημιούργησαν ένα από τα πρώτα βαθιά νευρωνικά δίκτυα χρησιμοποιώντας 1000 υπολογιστές με 16 πυρήνες ο καθένας. Η εργασία: ανάλυση 10 εκατομμυρίων βίντεο στο YouTube Το αποτέλεσμα : βρήκε γάτες ² Χάρη στον αλγόριθμο «deep learning», το δίκτυο μπόρεσε να αναγνωρίσει τις γάτες με την πάροδο του χρόνου και με πολύ καλή ακρίβεια

Με τη διαθεσιμότητα τεράστιων υπολογιστικών πόρων που δεν ονειρευόμασταν πίσω στη δεκαετία του 1980, τα βαθιά νευρωνικά δίκτυα έγιναν γρήγορα δημοφιλής περιοχή για έρευνα Η βαθιά μάθηση δίνει σε ένα σύστημα τη δυνατότητα να «μαθαίνει» αυτόματα μέσω δισεκατομμυρίων συνδυασμών και παρατηρήσεων, μειώνοντας την εξάρτηση από ανθρώπινο δυναμικό Στον τομέα της κυβερνοασφάλειας, η μέθοδος έχει γίνει ιδιαίτερα ελπιδοφόρα για την ανίχνευση κακόβουλου λογισμικού—σενάρια στα οποία έχουμε μεγάλα σύνολα δεδομένων με πολλά πρώηνampκακόβουλο λογισμικό από το οποίο μπορεί να μάθει το δίκτυο

Δυστυχώς, οι μέθοδοι βαθιάς μάθησης είναι επί του παρόντος λιγότερο αποτελεσματικές όταν πρόκειται για ορισμένες περιπτώσεις χρήσης, όπως η απειλή από εσωτερικές πληροφορίες, επειδή απλά δεν έχουμε το σωστό είδος δεδομένων για αυτούς τους τύπους επιθέσεων, στους απαιτούμενους τόμους Τις περισσότερες φορές, οι πληροφορίες που έχουμε Οι εσωτερικές απειλές είναι ανέκδοτες, οι οποίες δεν μπορούν να χρησιμοποιηθούν αποτελεσματικά από αυτούς τους τύπους νευρωνικών δικτύων.

Μέχρι να μπορέσουμε να συγκεντρώσουμε πιο αποτελεσματικά σύνολα δεδομένων (και να μειώσουμε το κόστος και την πολυπλοκότητα των συστημάτων βαθιάς μάθησης), η βαθιά εκμάθηση δεν είναι η σωστή επιλογή για όλες τις περιπτώσεις χρήσης Και αυτό είναι εντάξει Η βαθιά μάθηση είναι μόνο ένας από τους πολλούς αλγόριθμους μηχανικής μάθησης και αυτές οι προσεγγίσεις μπορούν να σαν να μην είναι πιο πολύτιμο - όλα εξαρτώνται από τη δουλειά που έχετε στο χέρι

Έχουμε δει τεράστιες δυνατότητες τεχνολογιών τεχνητής νοημοσύνης τις έξι δεκαετίες από την επίσημη «γέννησή» του, και μόλις γρατσουνίσαμε την επιφάνεια, ειδικά στον τομέα της ασφάλειας Στη συνέχεια, θα κάνουμε μια βαθύτερη κατάδυση στις πιθανές εφαρμογές τεχνητής νοημοσύνης και ανάλυσης για να αλλάξουμε το τρόπο με τον οποίο εντοπίζουμε και ανταποκρινόμαστε σε απειλές για την ασφάλεια.

Τα predictive analytics είναι μόνο ένα κομμάτι ενός πολύ μεγαλύτερου παζλ που μπορεί να μας δώσει πολύ πιο χρήσιμες πληροφορίες για τις ομάδες ασφαλείας.

Έχουμε δει τεράστιες δυνατότητες τεχνολογιών τεχνητής νοημοσύνης τις έξι δεκαετίες από την επίσημη «γέννησή» της, και μόλις έχουμε χαράξει την επιφάνεια, ειδικά στην ασφάλεια.

Ένα νέο όραμα για την ανάλυση ασφαλείας

Μέχρι στιγμής, αυτός ο οδηγός έχει εξετάσει προσεκτικά τη μηχανική μάθηση, κατανοώντας τους περιορισμούς και τα δυνατά σημεία της. Υπάρχει τεράστιες δυνατότητες για τη μηχανική μάθηση να διευκολύνει την τεχνητή νοημοσύνη, αλλά αξίζει να σημειωθεί ότι το ευρύτερο παιχνίδι ανίχνευσης απειλών δεν αφορά μόνο τη βαθιά μάθηση ή τη μηχανική μάθηση όπως το ξέρουμε σήμερα Οι νέες αναλυτικές μέθοδοι σε συνδυασμό με νέους τύπους δεδομένων μπορούν να μας δώσουν εντελώς νέα πλαίσια στα οποία μπορούμε να αναλύσουμε και να ενεργήσουμε έναντι των απειλών ασφαλείας.

Νέες Μέθοδοι	Προσαρμοστική Ανάλυση Συνεχής Βελτιστοποίηση Ανάλυσης υπό Αβεβαιότητα	Ανταπόκριση στο πλαίσιο Απόκριση σε τοπικές αλλαγές/ανατροφοδότηση Ποσοτικοποίηση ή μετριασμός του κινδύνου
Παραδοσιακός	Βελτιστοποίηση Πρόβλεψη Μοντελοποίησης Προσομοίωση Πρόβλεψη Ειδοποιήσεις Ερώτημα/Διερεύνηση Ad hoc Τυπική αναφορά αναφοράς	Πολυπλοκότητα απόφασης, ταχύτητα λύσης Περιστασιακά, πιθανολογικά, επίπεδα εμπιστοσύνης Υψηλή πιστότητα, παιχνίδια, καλλιέργεια δεδομένων Μεγαλύτερα σύνολα δεδομένων, μη γραμμική παλινδρόμηση Κανόνες/ενεργοποιητές, ευαίσθητα σε περιβάλλον, σύνθετα συμβάντα Σε δεδομένα μνήμης, ασαφής αναζήτηση, γεωχωρικό ερώτημα κατά example, user Defense αναφορές Σε πραγματικό χρόνο, οπτικοποιήσεις, αλληλεπίδραση χρήστη
Νέα Δεδομένα	Σχέση ανάλυσης οντοτήτων, σχολιασμός εξαγωγής χαρακτηριστικών και σημείωση	Άτομα, ρόλοι, τοποθεσίες, πράγματα Κανόνες, σημασιολογική εξαγωγή συμπερασμάτων, αντιστοίχιση Αυτοματοποιημένη, πηγή πλήθους

Είδαμε τι μπορούν να κάνουν τα analytics για άλλες βιομηχανίες, και υπάρχει δυνατότητα τα analytics να έχουν βαθύ αντίκτυπο στην ασφάλεια στον κυβερνοχώρο, επίσης. αλγόριθμοι και μεθοδολογίες που έχουμε συζητήσει (και πολλά άλλα) και τις εφαρμόζουμε βοηθούν στην επίλυση των πραγματικά δύσκολων προβλημάτων στην ασφάλεια

Τα πιο κοινά αναλυτικά στοιχεία που βλέπουμε σήμερα στην ασφάλεια περιλαμβάνουν μοντέλα πρόβλεψης, τα οποία μας επιτρέπουν να προσδιορίζουμε πού μπορεί να βρίσκονται οι κίνδυνοι σε μεγάλους όγκους δεδομένων (εδώ είναι ο εντοπισμός ανωμαλιών) Με λίγα λόγια, η προγνωστική μοντελοποίηση συνδυάζει ιστορικά δεδομένα με συμπεριφορά σε πραγματικό χρόνο για να κατανοήσουμε ή να προβλέψουμε τη μελλοντική συμπεριφορά Με αυτό, μπορούμε να απαντήσουμε στην ερώτηση, "Τι θα συμβεί στη συνέχεια;"

Αλλά το όραμά μας για τα αναλυτικά στοιχεία ασφαλείας δεν σταματά εδώ Τα προγνωστικά αναλυτικά στοιχεία είναι μόνο ένα κομμάτι ενός πολύ μεγαλύτερου παζλ που μπορεί να μας δώσει πολύ πιο χρήσιμη εικόνα για τις ομάδες ασφαλείας. , σύννεφο, κοινωνικά δίκτυα, ανοιχτά δεδομένα κ.λπ. —με πολλαπλές προηγμένες αναλυτικές προσεγγίσεις για ανάλυση συμπεριφοράς και απειλών, συμπεριλαμβανομένης της εγκληματολογικής ανάλυσης, της μοντελοποίησης κινδύνου, της ανίχνευσης ανωμαλιών, της βελτιστοποίησης συμπεριφοράς και απόκρισης και άλλα

Αυτό σημαίνει ότι μπορούμε να κάνουμε πολύ περισσότερα από το να προβλέψουμε ή να εντοπίσουμε μια απειλή. Μας επιτρέπει να προχωρήσουμε ακόμη περισσότερο για να προσφέρουμε όχι μόνο προηγμένη ανίχνευση, αλλά και πληροφορίες για το πώς να ανταποκριθούμε πιο αποτελεσματικά Τα αναλυτικά στοιχεία ασφαλείας μας δίνουν τη δύναμη να απαντήσουμε σε άλλες βασικές ερωτήσεις, όπως "Πώς υπάρχουν πολλές απειλές;» και «Ποια είναι η καλύτερη δυνατή αντίδραση;»

Δεν έχουμε δει ακόμη άλλες κατηγορίες αναλυτικών στοιχείων όπως μεθόδους βελτιστοποίησης που εφαρμόζονται στην ασφάλεια στον κυβερνοχώρο, αλλά έχουν τεράστιες δυνατότητες Αυτές οι τεχνικές εξετάζουν όλες τις πιθανές αντιδράσεις σε έναν κίνδυνο ασφάλειας και καθορίζουν την καλύτερη απόκριση Ναι, υπάρχουν τρόποι να το κάνετε αυτό με τα μαθηματικά

Για π.χampΛοιπόν, οι μέθοδοι βελτιστοποίησης χρησιμοποιούνται όταν πραγματοποιείτε μια κλήση στον πάροχο υπηρεσιών κινητής τηλεφωνίας σας με ένα πρόβλημα. Δεν κάνουν τυχαία μια σύσταση σχετικά με το εάν θα αναβαθμίσετε ή όχι το πρόγραμμα υπηρεσιών σας με έκπτωση. βασίζονται σε ένα σύνολο μαθηματικών στο παρασκήνιο που εξετάζει τα αρχεία καταγραφής κλήσεων, τον αριθμό των κλήσεων που απορρίφθηκαν, τον τρόπο σύγκρισης του ιστορικού σας με αυτό άλλων χρηστών κ.λπ. Υπολογίζει ακόμη και την πιθανότητα να μεταβείτε σε άλλο πάροχο υπηρεσιών Στη συνέχεια, έξω από όλα τα πιθανά επόμενα βήματα, υπολογίζει το καλύτερο επόμενο βήμα για τη μεγιστοποίηση της διατήρησης πελατών

Τα ίδια μαθηματικά μπορούν να εφαρμοστούν σε μια ομάδα ασφαλείας για τον εντοπισμό ενός κινδύνου, την παροχή αρκετών τρόπων αντίδρασης και τον προσδιορισμό μαθηματικά την καλύτερη απάντηση για τη μεγιστοποίηση του περιορισμού αυτού του συγκεκριμένου κινδύνου

Η ταχεία άνοδος και εξέλιξη των απειλών για την ασφάλεια καθιστά αυτό το είδος της αποτελεσματικότητας απόκρισης κρίσιμο. Έχουμε περισσότερα δεδομένα σήμερα από ποτέ Ευτυχώς, έχουμε επίσης περισσότερη υπολογιστική ισχύ, καλύτερους αλγόριθμους και ευρύτερη επένδυση σε έρευνα και τεχνολογίες για να μας βοηθήσουν να κατανοήσουμε αυτά τα δεδομένα μέσω των μαθηματικών Σύμφωνα με όλους τους λογαριασμούς, πιστεύουμε ότι η ανάλυση ασφαλείας μόλις ξεκινά.

Σήμερα έχουμε περισσότερα δεδομένα από ποτέ. Ευτυχώς, έχουμε επίσης περισσότερη υπολογιστική ισχύ, καλύτερους αλγόριθμους και ευρύτερες επενδύσεις στην έρευνα και τις τεχνολογίες που θα μας βοηθήσουν να κατανοήσουμε αυτά τα δεδομένα μέσω των μαθηματικών. Από κάθε άποψη, πιστεύουμε ότι τα αναλυτικά στοιχεία ασφαλείας μόλις ξεκινούν.

Υποστήριξη Πελατών

Συνδεθείτε μαζί μας
www.opentext.com
Το OpenText Cybersecurity παρέχει ολοκληρωμένες λύσεις ασφάλειας για εταιρείες και συνεργάτες όλων των μεγεθών Από την πρόληψη, τον εντοπισμό και την απόκριση έως την ανάκτηση, τη διερεύνηση και τη συμμόρφωση, η ενοποιημένη πλατφόρμα μας από άκρο σε άκρο βοηθά τους πελάτες να χτίσουν ανθεκτικότητα στον κυβερνοχώρο μέσω ενός ολιστικού χαρτοφυλακίου ασφάλειας που υποστηρίζεται από χρήσιμες πληροφορίες από ευφυΐα απειλών σε πραγματικό χρόνο και με βάση τα συμφραζόμενα, οι πελάτες του OpenText Cybersecurity επωφελούνται από προϊόντα υψηλής αποτελεσματικότητας, μια συμβατή εμπειρία και απλοποιημένη ασφάλεια για τη διαχείριση επιχειρηματικού κινδύνου
762-000016-003 | O | 01/24 | © 2024 Ανοιχτό κείμενο

Έγγραφα / Πόροι

opentext Τεχνητή Νοημοσύνη και Μηχανική Μάθηση [pdf] Οδηγίες Τεχνητή Νοημοσύνη και Μηχανική Μάθηση, Νοημοσύνη και Μηχανική Μάθηση, Μηχανική Μάθηση

Αναφορές

• Εγχειρίδιο χρήστη