opentext Artefarita Inteligenteco kaj Maŝino
Artefarita inteligenteco (AI) transformas la manieron kiel ni interagas kun maŝinoj kaj la manieron kiel maŝinoj interagas kun ni. Ĉi tiu gvidilo malkonstruas kiel AI funkcias, la fortojn kaj limojn de diversaj specoj de maŝina lernado, kaj la evoluon de ĉi tiu ĉiam ŝanĝiĝanta studkampo. Ĝi ankaŭ esploras la rolon de AI-ebligita sekurecanalitiko aŭ uzanta kaj enta kondutisma analizo (UEBA) por pli bone protekti entreprenojn kontraŭ la hodiaŭaj kompleksaj cibersekurecaj minacoj.
Maŝino kontraŭ Homa Lernado
Artefarita inteligenteco (AI) estas ĉie—almenaŭ, tiel ŝajnas. Ĉe OpenText™, la pliiĝo de AI estas kaj ekscita kaj defia Sed dum ni okupiĝis kun niaj samuloj, klientoj kaj partneroj, ni ekkomprenis, ke la koncepto de AI ne ĉiam estas facile komprenebla Por komenci ĉi tiun gvidilon pri AI kaj Maŝina Lernado 101, ni malpakos la AI-enigmon respondante la ĉefan demandon, kiun multaj homoj demandas: "Kio vere estas artefarita inteligenteco?"
La plej facila maniero kompreni artefaritan inteligentecon estas mapi ĝin al io, kion ni jam komprenas—nia propra inteligenteco Kiel funkcias neartefarita, homa inteligenteco? Je la plej baza nivelo, nia inteligenteco sekvas simplan progresadon: ni prenas informojn, ni prilaboras ĝin, kaj finfine la informoj helpas nin agi.
Ni dividu ĉi tion en sisteman diagramon En la figuro malsupra, la tri ĝeneralaj paŝoj de homa inteligenteco de maldekstre dekstren: enigo, prilaborado kaj eligo En la homa cerbo, enigo okazas en la formo de sentado kaj perceptado de aferoj Viaj okuloj, nazo, oreloj, ktp , enprenu krudan enigaĵon maldekstre, kiel fotonojn de lumo aŭ la odoron de pinoj, kaj poste prilaboru ĝin Sur la dekstra flanko de la sistemo estas eligita Ĉi tio inkluzivas parolon kaj agojn, kiuj ambaŭ dependas de kiel ni prilaboras la krudan enigaĵon, kiun nia cerbo ricevas. La prilaborado okazas en la mezo, kie scioj aŭ memoroj estas formitaj kaj prenitaj, decidoj kaj konkludoj kaj faritaj, kaj lernado okazas.
Figuro 1. Homa inteligenteco
Kiel funkcias neartefarita, homa inteligenteco? Je la plej baza nivelo, nia inteligenteco sekvas simplan progresadon: ni prenas informojn, ni prilaboras ĝin, kaj finfine la informoj helpas nin agi.
Bildo haltanta ĉe vojkruciĝo Viaj okuloj vidas, ke la semaforo antaŭ vi ĵus verdiĝis. Surbaze de tio, kion vi lernis el sperto (kaj konduka edukado), vi scias, ke verda lumo indikas, ke vi devas veturi antaŭen Do, vi frapu la gaspedalon La verda lumo estas la kruda enigo, via akcelo estas la eligo; ĉio intere estas prilaborata
Por inteligente navigi la mondon ĉirkaŭ ni—respondi la telefonon, baki ĉokoladajn kuketojn aŭ obei trafiklumojn—ni devas prilabori la enigaĵon, kiun ni ricevas. Ĉi tio estas la kerno de prilaborado de homa inteligenteco, kaj ĝi finfine estas dividita en tri apartajn aspektojn. :
- Scio kaj memoro. Ni konstruas scion dum ni konsumas faktojn (t.e., la Batalo de Hastings okazis en 1066) kaj sociajn normojn (t.e., diri "Bonvolu" kaj "Dankon" estas konsiderata ĝentila) Aldone, memoro ebligas al ni rememori kaj apliki informojn de la pasinteco al nunaj situacioj Ekzample, Edward memoras ke Jane ne dankis lin pro sia naskiĝtaga donaco, do li ne atendas ke ŝi danku lin kiam li donas al ŝi kristnaskan donacon.
- Decido kaj inferenco. Decidoj kaj konkludoj estas faritaj surbaze de kruda enigo kombinita kun scio kaj/aŭ memoro Ekzample, Edward manĝis jalapenan pipron pasintjare kaj ĝi ne ŝatis Kiam Johnny proponas pipron al Edward, li decidas ne manĝi ĝin.
- Lernado. Homoj povas lerni per ekzample, observado aŭ algoritmo En lernado per ekzample, oni diras al ni, ke unu besto estas hundo, la alia estas kato En lernado per observado, ni memkomprenas, ke hundoj bojas kaj ke katoj miaŭas La tria lernmetodo—algoritmo— ebligas al ni plenumi taskon sekvante. serio de paŝoj aŭ specifa algoritmo (ekz., plenumi longan dividon)
Ĉi tiuj aspektoj de homa inteligenteco paralelas artefaritan inteligentecon Same kiel ni prenas informojn, prilaboras ĝin kaj dividas produktaĵon, tiel ankaŭ maŝinoj povas Ni rigardu la figuron malsupre por vidi kiel ĉi tio eliras.
Figuro 2. Artefarita inteligenteco
Por inteligente navigi la mondon ĉirkaŭ ni—respondi la telefonon, baki ĉokoladajn kuketojn aŭ obei trafiklumojn—ni devas prilabori la enigaĵon, kiun ni ricevas.
En maŝinoj, la eniga parto de artefarita inteligenteco estas ekzempligita per naturlingva prilaborado, parolrekono, vida rekono kaj pli. Vi vidas tiajn teknologiojn kaj algoritmojn ĉie, de memveturaj aŭtoj, kiuj bezonas senti la vojojn kaj obstaklojn, ĝis Alexa aŭ Siri. kiam ĝi rekonas vian parolon La eligo kiu sekvas estas manieroj en kiuj maŝinoj interagas kun la mondo ĉirkaŭ ni Tio povus preni la formon de robotiko, navigaciaj sistemoj (por gvidi tiujn memveturantajn aŭtojn), parolgenerado (ekz., Siri), ktp. En inter, ni havas diversajn formojn de prilaborado kiu okazas
Simile al nia akumulado de scio kaj memoroj, maŝinoj povas krei scion-reprezentantarojn (ekz., grafikaj datumbazoj, ontologioj) kiuj helpas ilin stoki informojn pri la mondo Ekzakte kiel homoj faras decidojn aŭ desegnas konkludojn, maŝinoj povas fari antaŭdiron, optimumigi por celo aŭ. rezulto, kaj determini la plej bonajn sekvajn paŝojn aŭ decidojn por plenumi specifan celon
Fine, same kiel ni lernas per ekzample, observado, aŭ algoritmo, maŝinoj povas esti instruitaj uzante analogajn metodojn. Kontrolita maŝinlernado estas tre kiel lernado de eksample: la komputilo ricevas datumaron kun "etikedoj" ene de la datumaro, kiuj funkcias kiel respondoj, kaj poste lernas distingi inter malsamaj etikedoj (ekz., ĉi tiu datumaro enhavas fotojn etikeditaj kiel aŭ "hundo" aŭ "kato", kaj kun sufiĉe da ekzamples, la komputilo rimarkos, ke hundoj ĝenerale havas pli longajn vostojn kaj malpli pintajn orelojn ol katoj)
Nekontrolita maŝinlernado, aliflanke, estas kiel lernado per observado La komputilo observas ŝablonojn (hundoj bojas kaj katoj miaŭas) kaj, per tio, lernas distingi grupojn kaj ŝablonojn memstare (ekz., ekzistas du grupoj de bestoj kiuj povas esti apartigitaj per la sono, kiun ili faras, unu grupo bojas—hundoj—kaj la alia grupo miaŭas—katoj) Nekontrolita lernado ne postulas etikedojn kaj do povas esti preferinda kiam datumaj aroj estas limigitaj kaj ne havas etikedojn. Fine, lernado per algoritmo estas; kio okazas kiam programisto instruas al komputilo precize kion fari, paŝo post paŝo, en programaro.
Fakte, la plej precizaj kaj mankhavaj rezultoj de artefarita inteligenteco postulas kombinaĵon de lernmetodoj Kaj kontrolita kaj nekontrolita maŝinlernado estas utilaj metodoj— ĉio temas pri aplikado de la ĝusta aliro aŭ aliroj al la ĝusta uzkazo.
Poste, ni metos maŝinlernadon sub la mikroskopon por kompreni kiel ĉi tiu parto de AI spegulas la neŭronojn en nia cerbo por igi enigon al optimuma eligo.
Ideale, la plej precizaj kaj efikaj rezultoj de artefarita inteligenteco postulas kombinaĵon de lernmetodoj. Kaj kontrolita kaj nekontrolita maŝinlernado estas utilaj metodoj—ĉio temas pri aplikado de la ĝusta aliro aŭ aliroj al la ĝusta uzkazo.
La Neŭrala Reto kaj Profunda Lernado
Maŝina lernado estas nur unu parto de AI, kvankam ĝi havas amasan subaron de algoritmoj ene de ĝi. Unu metodo, kiun vi ofte aŭdas hodiaŭ, estas "profunda lernado", algoritmo kiu ricevis sufiĉe da atento en la novaĵoj en la lastaj jaroj Por kompreni ĝia populareco kaj sukceso, estas utile kompreni kiel ĝi funkcias. Profunda lernado estas evoluo de maŝinlernada algoritmo, kiu estis populara en la 1980-aj jaroj, kiun vi eble rekonas: neŭralaj retoj.
Neŭralaj retoj - programa paradigmo en kiu ni trejnas maŝinojn por "lerni" - estas inspiritaj de neŭronoj, aŭ specialigitaj ĉeloj en la homa korpo, kiuj formas la fundamenton de nia nerva sistemo, kaj precipe cerboj. Ĉi tiuj ĉeloj transdonas signalojn tra niaj korpoj deĉenigas nervozan. sistemaj respondoj kaj procezoj Neŭronoj estas kio ebligas al ni vidi, aŭdi, flari, ktp.
Figuro 3. Kiel neŭronoj ricevas kaj sendas mesaĝojn
Multo de tio, kion ni pensas kiel homa lernado, povas esti priskribita per kiom forta estas la ligo inter du neŭronoj en nia cerbo, kune kun la forto de la rando de niaj sinapsoj.
En la unua parto de ĉi tiu gvidilo, ni diskutis la bazan procezon de homa inteligenteco: enigo maldekstre, kaj eligo dekstre La neŭrono (bildita supre) ludas kritikan rolon en ĉi tio Sur la maldekstra flanko de la neŭrono, la ĉela korpo kolektas. "enigo" Post kiam ĝi ricevas sufiĉan enigaĵon aŭ stimulon, la aksono fresiĝas, elsendante la informojn al la dekstra flanko - la sinapso La "eligo" tiam estas sendita al aliaj neŭronoj.
En ajna momento, niaj neŭronoj pasas mesaĝojn inter si. Ĉi tiuj ĉeloj respondecas pri nia kapablo percepti nian ĉirkaŭon Kaj kiam ni lernas, niaj neŭronoj fariĝas tre aktivaj. Fakte, multe de tio, kion ni pensas kiel homa lernado, povas esti priskribita per kiom forta estas la ligo inter du neŭronoj en nia cerbo, kune kun la forto de la rando de niaj sinapsoj
Neŭrala reto estas matematika simulado de kolekto de neŭronaj ĉeloj. La suba bildo reprezentas bazan neŭralan reton kun 3 tavoloj kaj 12 nodoj.
Ĉiu cirkla nodo reprezentas artefaritan, biologie inspiritan "neŭronon" La linioj reprezentas ligon de la eligo de unu artefarita neŭrono maldekstre al la enigo de alia dekstre Signaloj inter ĉi tiuj neŭronoj fluas laŭ la linioj de maldekstre dekstren En ĉi tiuj retoj , enigaĵo - kiel ekzemple pikseldatenoj - fluas de la enirtavolo, tra la mezaj "kaŝaj" tavoloj, kaj finfine al la produktaĵtavolo en maniero priskribita per matematikaj ekvacioj loze inspiritaj per la elektra agado en faktaj biologiaj neŭronoj.
Figuro 4. Simpla neŭrala reto
Neŭralaj retoj lernas provante kongrui datumseriojn prezentitajn al la enirtavolo al dezirataj rezultoj en la produktaĵtavolo. La matematikaj ekvacioj komputas la produktaĵojn, komparas la ŝajnigan produktaĵon kun la dezirata rezulto, kaj la rezultaj diferencoj tiam produktas ĝustigojn al la forto de la ligoj.
Neŭralaj retoj lernas provante kongrui datumseriojn prezentitajn al la enirtavolo al dezirataj rezultoj en la produktaĵtavolo La matematikaj ekvacioj komputas la produktaĵojn, komparas la ŝajnigan produktaĵon kun la dezirata rezulto, kaj la rezultaj diferencoj tiam produktas ĝustigojn al la forto de la ligoj. Ĉi tiuj tajlado estas ripete modifitaj ĝis la komputita eligo estas sufiĉe proksima al la dezirata rezulto, ĉe kiu punkto ni diras, ke la neŭrala reto "lernis"
Figuro 5. Kompleksa neŭrala reto
Ĉi tiuj "pli profundaj" neŭralaj retoj povas fari multe pli kompleksajn antaŭdirojn. Povas ekzisti miloj da nodoj kaj centoj da tavoloj, kio signifas milojn da malsamaj kalkuloj. Profundaj lernaj modeloj fariĝis tre bonaj pri specifaj problemoj, kiel parolado aŭ bilda rekono.
Indas noti, tamen, ke profunda lernado ne estas arĝenta kuglo por maŝinlernado— precipe ne en cibersekureco, kie foje ne ekzistas la granda volumo de puraj datumoj, kiu estas ideala por profundaj lernado-metodoj. Gravas elekti la ĝustan algoritmon, datumoj kaj principoj por la laboro Ĉi tiu estas la plej bona maniero por maŝinoj kolekti pruvojn, kunligi la punktojn kaj tiri konkludon.
Neŭralaj retoj povus ŝajni kiel la aĵoj de la estonteco, sed ĝi ekzistas delonge. Fakte, neŭralaj retoj baziĝas sur ideoj, kiuj komencis cirkuli reen en la 1940-aj jaroj. En la sekva sekcio, ni faros mallongan vojaĝon reen en la tempo por kompreni kiel neŭralaj retoj kaj maŝinlernado trapenetris multajn partojn de la moderna vivo.
Neŭralaj retoj povus ŝajni kiel la aĵoj de la estonteco, sed ĝi ekzistas delonge. Fakte, neŭralaj retoj baziĝas sur ideoj, kiuj komencis cirkuli reen en la 1940-aj jaroj.
Mallonga Historio de Artefarita Inteligenteco
Por iuj homoj, la termino artefarita inteligenteco (AI) povus elvoki bildojn de futurismaj urboj kun flugantaj aŭtoj kaj hejmaj robotoj Sed AI ne estas futureca koncepto, almenaŭ ne plu Kvankam ne nomata kiel tia, la ideo de artefarita inteligenteco povas esti. spurite reen al antikveco (t.e., la parolanta mekanikaj servistinoj de greka dio Hefesto) ¹ Ekde la 1930-aj jaroj, sciencistoj kaj matematikistoj egale volis esplori krei veran inteligentecon aparte de homoj.
La difina momento de AI en la mezo de la 20-a jarcento estis feliĉa kunfluejo de matematiko kaj biologio, kun esploristoj kiel Norbert Wiener, Claude Shannon, kaj Alan Turing jam disfalintaj ĉe la intersekciĝo de elektraj signaloj kaj komputado Antaŭ 1943, Warren McCulloch kaj Walter Pitts. kreis modelon por neŭralaj retoj Neŭralaj retoj pavimis la vojon por kuraĝa nova mondo de komputado kun pli granda ĉevalforto, kaj, en 1956, la kampo de AI-esplorado estis oficiale establita kiel akademia disciplino.
La lasta duono de la jarcento estis ekscita aĝo por AI-esplorado kaj progreso, foje interrompita de "AI-vintroj" en la mez-70-aj jaroj kaj malfruaj 80-aj jaroj kie AI ne sukcesis renkonti publikajn atendojn, kaj investo en la kampo estis reduktita Sed malgraŭ malsukcesoj, malsamaj aplikoj por AI kaj maŝinlernado aperis maldekstre kaj dekstre Unu aparta anekdoto de tia aplikaĵo fariĝis populara parabolo ene de la scienca komunumo, parolante sufiĉe efike pri la provoj kaj problemoj de AI-esplorado kaj efektivigo.
La rakonto iras io kiel ĉi tio:
En la 1980-aj jaroj, la Pentagon decidis uzi neŭralan reton por identigi kamuflitajn tankojn Laborante kun nur unu komputilego (de la 1980-aj jaroj, memoru), la neŭrala reto estis trejnita kun 200 bildoj—100 tankoj kaj 100 arboj Malgraŭ la relative malgranda neŭrala reto (pro 1980-aj jaroj). limigoj pri komputado kaj memoro), la laboratoriotrejnado rezultigis 100% precizecon Kun tia sukceso, la teamo decidas doni ĝin en la kampo La rezultoj ne estis bonegaj.
Figuro 6. Laboratorio kontraŭ kampobildoj (Fonto: Neural Network Follies, Neil Fraser, septembro 1998)
Kun la havebleco de vastaj komputikresursoj, pri kiuj ne sonĝis en la 1980-aj jaroj, profundaj neŭralaj retoj rapide fariĝis populara areo por esplorado. Profunda lernado donas al sistemo la kapablon aŭtomate "lerni" per miliardoj da kombinaĵoj kaj observoj, reduktante la dependecon de homaj rimedoj.
Kial la neŭrala reto faris tiel fantazie sur la fotoj en la laboratorio, sed malsukcesis tiel tute en la kampo? Montriĝis, ke la ne-tankaj fotoj estis ĉiuj faritaj en tagoj, kie la ĉielo estis nuba; ĉiuj bildoj de arboj estis faritaj en tagoj, kie la suno brilis. La neŭrala reto estis trejnita por rekoni sunecon, ne tankojn.
Fine, tamen, vida rekono per profunda lernado—faciligita de neŭralaj retoj, kiuj estas multe pli kompleksaj ol la Plumo.tagla ĉefkomputilo de la 1980-aj jaroj povintus pritrakti—iĝus realaĵo En 2012, Stanforda profesoro Andrew Ng kaj Google-samideano Jef Dean kreis unu el la unuaj profundaj neŭralaj retoj uzantaj 1000 komputilojn kun po 16 kernoj La tasko: analizi 10 milionojn da YouTube-videoj La rezulto : ĝi trovis katojn ² Danke al sia "profunda lernado" algoritmo, la reto povis rekoni katojn laŭlonge de la tempo, kaj kun tre bona precizeco
Kun la havebleco de vastaj komputikresursoj, kiujn oni ne sonĝis en la 1980-aj jaroj, profundaj neŭralaj retoj rapide fariĝis populara areo por esplorado. Profunda lernado donas al sistemo la kapablon aŭtomate "lerni" per miliardoj da kombinaĵoj kaj observaĵoj, reduktante la dependecon de homaj rimedoj Ene de la regado de cibersekureco, la metodo fariĝis aparte promesplena por detekti malware—scenaroj en kiuj ni havas grandajn datumajn arojn kun multaj eks.amplesoj de malware, de kiuj la reto povas lerni
Bedaŭrinde, profundaj lernaj metodoj estas nuntempe malpli efikaj kiam temas pri certaj uzkazoj, kiel interna minaco, ĉar ni simple ne havas la ĝustan specon de datumoj pri ĉi tiuj specoj de atakoj, en la volumoj bezonataj Plej ofte, la informoj, kiujn ni havas. pri internaj minacoj estas anekdotaj, kiuj ne povas esti uzataj efike de ĉi tiuj tipoj de neŭralaj retoj.
Ĝis ni povas kolekti pli efikajn datumajn arojn (kaj redukti la koston kaj kompleksecon de profunda lernado sistemoj), profunda lernado ne estas la ĝusta elekto por ĉiuj uzkazoj Kaj tio estas en ordo Profunda lernado estas nur unu el multaj maŝinlernado-algoritmoj, kaj ĉi tiuj aliroj povas esti. kvazaŭ ne pli valora—ĉio dependas de la laborposteno
Ni vidis grandegan potencialon de AI-teknologioj en la ses jardekoj ekde ĝia oficiala "naskiĝo", kaj ni ĵus skrapis la surfacon, precipe en sekureco. Poste, ni pliprofundiĝos en la eblajn aplikojn por AI kaj analizo por ŝanĝi la maniero kiel ni identigas kaj respondas al sekurecaj minacoj.
Prognoza analizo estas nur unu peco de multe pli granda enigmo, kiu povas doni al ni multe pli utilajn sciojn por sekurecaj teamoj.
Ni vidis grandegan potencialon de AI-teknologioj en la ses jardekoj ekde ĝia oficiala "naskiĝo", kaj ni ĵus skrapis la surfacon, precipe en sekureco.
Nova Vizio por Sekureca Analizo
Ĝis nun, ĉi tiu gvidilo detente rigardis maŝinlernadon, komprenante ĝiajn limojn kaj fortojn. Estas enorma potencialo por maŝinlernado faciligi AI, sed indas noti, ke la pli larĝa ludo de minaco-detekto ne temas nur pri profunda lernado aŭ maŝinlernado. kiel ni konas ĝin hodiaŭ Novaj analizaj metodoj kombinitaj kun novaj datumtipoj povas doni al ni tute novajn kadrojn en kiuj analizi kaj agi kontraŭ sekurecaj minacoj.
| Novaj Metodoj | Adaptive Analysis Continual Analysis Optimization sub Necerteco | Respondi al kunteksto Respondi al loka ŝanĝo/reago Kvantigi aŭ mildigi riskon |
| Tradicia | Optimumigo Prognoza Modelado Simulado Prognozado Atentigoj Demando/Drill Down Ad hoc Raportado Norma Raportado | Decidkomplekseco, solvrapideco Hazarde, probabla, konfidoniveloj Alta fideleco, ludoj, datumkultivado Pli grandaj datumaro, nelinia regreso Reguloj/eksililoj, kunteksentemaj, kompleksaj eventoj En memordatenoj, neklara serĉo, geospaca Demando de eks.ample, uzanto defendi raportojn Reala tempo, bildigoj, uzantinterago |
| Novaj Datumoj | Enta Rezolucia Rilato, Karakterizaĵa Eltiro-Komento kaj Tokenigo | Homoj, roloj, lokoj, aferoj Reguloj, semantika inferenco, kongruo Aŭtomatigita, amasa fonto |
Ni vidis, kion analizo povas fari por aliaj industrioj, kaj ankaŭ ekzistas potencialo por analizo havi profundan efikon al cibersekureco. Ni vidas ĉi tion formiĝi en nova kampo, kiun ni nomas sekurecanalitiko, kiu esence prenas la batalprovitan. algoritmoj kaj metodaroj, kiujn ni diskutis (kaj pli) kaj aplikas ilin, helpas solvi la vere malfacilajn problemojn en sekureco
La plej ofta analizo kiun ni vidas en sekureco hodiaŭ implikas prognozajn modelojn, kiuj ebligas al ni identigi kie riskoj povus esti ene de grandaj kvantoj da datenoj (ĉi tie estas kie anomalia detekto eniras) En resumo, prognoza modeligado kombinas historiajn datumojn kun realtempa konduto. kompreni aŭ antaŭdiri estontan konduton Per ĉi tio, ni povas respondi la demandon, "Kio okazas poste?"
Sed nia vizio pri sekureca analizo ne ĉesas ĉi tie. Prognoza analizo estas nur unu peco de multe pli granda enigmo, kiu povas doni al ni multe pli utilajn sciojn por sekurecaj teamoj. La ideala analiza paradigmo kombinas inteligentan sensilon kaj ĉieajn datumfontojn — skribotabloj kaj serviloj, poŝtelefonoj. , nubo, sociaj retoj, malfermaj datumoj, ktp - kun multoblaj altnivelaj analizaj aliroj al konduta kaj minacanalizo, inkluzive de krimmedicina analizo, riska modeligado, anomaliodetekto, kondutisma kaj responda optimumigo, kaj pli
Ĉi tio signifas, ke ni povas fari multe pli ol antaŭdiri aŭ identigi minacon. Ĝi ebligas al ni iri eĉ plu por oferti ne nur altnivelan detekton, sed sciojn pri kiel respondi plej efike Sekurecanalitiko donas al ni la potencon respondi aliajn ŝlosilajn demandojn, kiel "Kiel. multaj minacoj ekzistas?" kaj "Kio estas la plej bona ebla reago?"
Ni ankoraŭ ne vidis aliajn klasojn de analitiko kiel optimumigaj metodoj aplikitaj al cibersekureco, sed ili havas grandegan potencialon. Ĉi tiuj teknikoj rigardas ĉiujn eblajn reagojn al sekureca risko kaj determinas la plej bonan respondon Jes, estas manieroj fari tion per matematiko.
Por ekzample, Optimumigaj metodoj estas uzataj kiam vi vokas al via poŝtelefona servo provizanto kun problemo Ili ne hazarde faras rekomendon ĉu aŭ ne ĝisdatigi vian servoplanon kun rabato; ili dependas de aro de matematiko en la fono, kiu rigardas viajn alvokoprogramojn, la nombron da faligitaj vokoj, kiel via historio komparas kun tiu de aliaj uzantoj, ktp. Ĝi eĉ kalkulas la probablecon, ke vi povus ŝanĝi al alia servoprovizanto Tiam, ekstere. el ĉiuj eblaj sekvaj paŝoj, ĝi kalkulas la plej bonan sekvan paŝon por maksimumigi la retenon de klientoj
La sama matematiko povas esti aplikita al sekureca teamo por identigi riskon, disponigi kelkajn manierojn en kiuj reagi, kaj determini matematike la plej bonan respondon por maksimumigi retenon de ĉi tiu speciala risko.
La rapida kresko kaj evoluo de sekurecaj minacoj faras ĉi tiun tipon de responda efikeco kritika Ni havas pli da datumoj hodiaŭ ol iam antaŭe Feliĉe, ni ankaŭ havas pli da komputa potenco, pli bonajn algoritmojn kaj pli larĝan investon en esplorado kaj teknologioj por helpi nin kompreni ĉi tiujn datumojn. per matematiko Laŭ ĉiuj kontoj, ni kredas ke sekurecanalitiko ĵus komenciĝas.
Ni havas pli da datumoj hodiaŭ ol iam antaŭe. Feliĉe, ni ankaŭ havas pli da komputa potenco, pli bonajn algoritmojn kaj pli larĝan investon en esplorado kaj teknologioj por helpi nin kompreni ĉi tiujn datumojn per matematiko. Laŭ ĉiuj kontoj, ni kredas ke sekurecanalitiko ĵus komenciĝas.
Klienta Subteno
Konekti kun Ni
www.opentext.com
OpenText Cybersecurity provizas ampleksajn sekurecajn solvojn por kompanioj kaj partneroj de ĉiuj grandecoj De antaŭzorgo, detekto kaj respondo ĝis reakiro, enketo kaj observo, nia unuigita fin-al-fina platformo helpas klientojn konstrui ciber-rezistemon per holisma sekureca biletujo. realtempa kaj konteksta minaca inteligenteco, OpenText Cybersecurity-klientoj profitas de alt-efikecaj produktoj, konforma sperto kaj simpligita sekureco por helpi administri komercan riskon.
762-000016-003 | O | 01/24 | © 2024 Malferma Teksto
Dokumentoj/Rimedoj
 |
opentext Artefarita Inteligenteco kaj Maŝina Lernado [pdf] Instrukcioj Artefarita Inteligenteco kaj Maŝina Lernado, Inteligenteco kaj Maŝina Lernado, Maŝina Lernado |
