opentext Tehisintellekt ja masin

Tehisintellekt (AI) muudab viisi, kuidas me masinatega suhtleme ja kuidas masinad meiega suhtlevad. Selles juhendis kirjeldatakse tehisintellekti toimimist, eri tüüpi masinõppe tugevusi ja piiranguid ning selle pidevalt muutuva õppevaldkonna arengut. Samuti uuritakse tehisintellektiga toega turbeanalüütika või kasutajate ja üksuste käitumisanalüütika (UEBA) rolli ettevõtete kaitsmisel tänapäeva keeruliste küberjulgeolekuohtude eest.

Masin vs inimõpe

Tehisintellekt (AI) on kõikjal – vähemalt nii tundub OpenText™-is AI tõus on nii põnev kui ka väljakutseid pakkuv. Kuid kaaslaste, klientide ja partneritega suheldes oleme aru saanud, et AI mõistet ei ole alati lihtne mõista. Selle AI ja masinõppe 101 juhendi alustamiseks pakime lahti tehisintellekti mõistatuse, vastates põhiküsimusele, mida paljud küsivad: "Mis on tehisintellekt tegelikult?"

Lihtsaim viis tehisintellekti mõistmiseks on kaardistada see millelegi, millest me juba aru saame – meie enda intelligentsusega. Kuidas töötab mittetehisintellekt? Kõige elementaarsemal tasemel järgib meie intelligentsus lihtsat arengut: me võtame teavet, töötleme seda ja lõpuks aitab teave meil tegutseda.

Jaotame selle süsteemiskeemiks Alloleval joonisel on inimese intelligentsuse kolm üldist sammu vasakult paremale: sisend, töötlemine ja väljund Inimese ajus toimub sisend asjade tajumise ja tajumise näol Sinu silmad, nina, kõrvad jne, võtavad vastu vasakult toores sisendi, nagu valguse footonid või männipuude lõhn, ja seejärel töötlevad seda Süsteemi paremal küljel on väljund See hõlmab kõnet ja tegevusi, mis mõlemad sõltuvad sellest, kuidas töötleme töötlemata sisendit, mida meie aju saab Töötlemine toimub keskel, kus moodustuvad ja otsitakse välja teadmised või mälestused, tehakse otsuseid ja järeldusi ning toimub õppimine.

Joonis 1. Inimese intelligentsus

Kuidas mittetehislik inimese intelligentsus töötab? Kõige elementaarsemal tasemel järgib meie intelligentsus lihtsat arengut: me võtame teavet, töötleme seda ja lõpuks aitab teave meil tegutseda.

Pilt peatumas sõidutee ristmikul Teie silmad näevad, et teie ees on foor just roheliseks läinud Kogemusest (ja juhiharidusest) õpitu põhjal teate, et roheline tuli näitab, et peaksite edasi sõitma. vajuta gaasipedaali Roheline tuli on töötlemata sisend, teie kiirendus on väljund; kõik vahepealne on töötlemine

Et meid ümbritsevas maailmas nutikalt navigeerida – telefonile vastates, šokolaadiküpsiste küpsetades või valgusfoori järgides – peame töötlema saadud sisendit. See on inimliku luureandmete töötlemise tuum ja see jaguneb lõpuks kolmeks erinevaks aspektiks. :

1. Teadmised ja mälu. Me kogume teadmisi fakte (st Hastingsi lahing toimus aastal 1066) ja sotsiaalseid norme (st "palun" ja "aitäh" ütlemist peetakse viisakaks) Lisaks võimaldab mälu meil meelde tuletada ja rakendada teavet minevikust olevikuni olukorrad NäiteksampEdward mäletab, et Jane ei tänanud teda sünnipäevakingituse eest, mistõttu ta ei oota, et ta tänaks teda, kui too talle jõulukingi teeb.
2. Otsus ja järeldus. Otsused ja järeldused tehakse töötlemata sisendi ja teadmiste ja/või mälu põhjal. NäiteksampEdward sõi eelmisel aastal jalapeno pipart ja see ei meeldinud Kui Johnny pakub Edwardile pipart, otsustab ta seda mitte süüa
3. Õppimine. Inimesed saavad õppida eksample, vaatlus või algoritm Õppides eksample, meile öeldakse, et üks loom on koer, teine ​​on kass Vaatlemise teel õppides saame iseseisvalt aru, et koerad hauguvad ja kassid mõõguvad Kolmas õppemeetod – algoritm – võimaldab meil täita ülesande järgides. sammude jada või konkreetne algoritm (nt pika jagamise teostamine)

Need inimintellekti aspektid on paralleelsed tehisintellektiga. Nii nagu me võtame vastu teavet, töötleme seda ja jagame väljundit, saavad seda teha ka masinad. Vaatame allolevat joonist, et näha, kuidas see välja näeb.

Joonis 2. Tehisintellekt

Et meid ümbritsevas maailmas nutikalt navigeerida – telefonile vastates, šokolaadiküpsiseid küpsetades või valgusfoori järgides – peame töötlema saadud sisendit.

Masinates ilmestavad tehisintellekti sisendosa loomuliku keele töötlemine, kõnetuvastus, visuaalne tuvastamine ja palju muud. Selliseid tehnoloogiaid ja algoritme näete kõikjal, alustades isejuhtivatest autodest, mis peavad tunnetama sõiduteid ja takistusi, lõpetades Alexa või Siriga. kui see tuvastab teie kõne Järgmised väljundid on viisid, kuidas masinad meid ümbritseva maailmaga suhtlevad. See võib esineda robootika, navigatsioonisüsteemide (isejuhtivate autode juhtimiseks), kõne genereerimise (nt Siri) jne kujul. vahel on meil erinevaid töötlemisviise

Sarnaselt meie kogutud teadmistele ja mälestustele saavad masinad luua teadmiste esitusi (nt graafikuandmebaase, ontoloogiaid), mis aitavad neil maailma kohta teavet salvestada. Nii nagu inimesed teevad otsuseid või järeldusi, saavad masinad teha ennustusi, optimeerida sihtmärki või tulemus ja määrata kindlaks parimad järgmised sammud või otsused konkreetse eesmärgi saavutamiseks

Lõpuks, nagu me õpime endise käestample, vaatlus või algoritm, masinaid saab õpetada analoogsete meetoditega. Juhendatud masinõpe sarnaneb paljuski eksõppegaample: arvutile antakse andmestik, mille andmekogus on "siltid", mis toimivad vastustena ja lõpuks õpib ta eristama erinevate siltide vahel (nt see andmestik sisaldab fotosid, mis on märgistatud kas "koer" või "kass" ja piisavalt eksampArvuti märkab, et koertel on üldiselt pikem saba ja vähem teravad kõrvad kui kassidel)

Järelevalveta masinõpe seevastu on nagu õppimine vaatlemise teel Arvuti jälgib mustreid (koerad hauguvad ja kassid mõõguvad) ning õpib selle kaudu iseseisvalt eristama rühmi ja mustreid (nt on kaks loomarühma, kes suudavad olema eraldatud nende tekitatava heli järgi, üks rühm haugub – koerad – ja teine ​​rühm mõudab – kassid) Järelevalveta õppimine ei vaja silte ja seepärast võib see olla eelistatav, kui andmehulgad on piiratud ja neil pole silte. Lõpuks on algoritmi järgi õppimine mis juhtub, kui programmeerija juhendab arvutit tarkvaraprogrammis samm-sammult täpselt, mida teha.

kõige täpsemad ja puudulikumad tehisintellekti tulemused nõuavad õppemeetodite kombinatsiooni. Nii juhendatud kui ka järelevalveta masinõpe on kasulikud meetodid – kõik on õige lähenemisviisi või lähenemisviiside rakendamises õigel kasutusjuhul

Järgmisena paneme masinõppe mikroskoobi alla, et mõista, kuidas see AI osa peegeldab meie aju neuroneid, et muuta sisend optimaalseks väljundiks.

Ideaalis nõuavad kõige täpsemad ja tõhusamad tehisintellekti tulemused õppemeetodite kombinatsiooni. Nii juhendatud kui ka järelevalveta masinõpe on kasulikud meetodid – see kõik seisneb õige lähenemisviisi või lähenemisviiside rakendamises õigel kasutusjuhul.

Närvivõrk ja süvaõpe

Masinõpe on vaid üks osa tehisintellektist, kuigi selles on tohutul hulgal algoritme. Üks meetod, mida tänapäeval sageli kuulete, on "sügav õppimine", algoritm, mis on viimastel aastatel pälvinud uudistes parajalt tähelepanu. selle populaarsuse ja edukuse tõttu on kasulik mõista, kuidas see toimib. Süvaõpe on 1980. aastatel populaarse masinõppe algoritmi edasiarendus, mille võite ära tunda: närvivõrgud.

Närvivõrgud – programmeerimisparadigma, milles me treenime masinaid „õppima” – on inspireeritud neuronitest või inimkeha erirakkudest, mis moodustavad meie närvisüsteemi aluse, ja eriti ajust. Need rakud edastavad signaale kogu meie kehas, käivitades närvisüsteemi. süsteemi reaktsioonid ja protsessid Neuronid on need, mis võimaldavad meil näha, kuulda, haista jne.

Joonis 3. Kuidas neuronid sõnumeid vastu võtavad ja saadavad

Suurt osa sellest, mida me inimõppimisena peame, saab kirjeldada sellega, kui tugev on meie aju kahe neuroni vaheline ühendus ja meie sünapside ääreala tugevus.

Selle juhendi esimeses osas käsitlesime inimese intelligentsuse põhiprotsessi: sisend vasakul ja väljund paremal Neuron (pildil ülal) mängib selles olulist rolli. Neuroni vasakul küljel kogub raku keha "sisend" Kui see saab piisavalt sisendit või stimulatsiooni, siis akson vallandub, edastades teabe paremale poole - sünapsisse. "Väljund" saadetakse seejärel teistele neuronitele

Igal hetkel edastavad meie neuronid üksteise vahel sõnumeid. Need rakud vastutavad meie võime eest ümbritsevat tajuda. Kui me õpime, muutuvad meie neuronid väga aktiivseks. kui tugev on ühendus kahe neuroni vahel meie ajus koos meie sünapside ääreala tugevusega

Närvivõrk on neuronirakkude kogumi matemaatiline simulatsioon Alloleval pildil on kujutatud põhinärvivõrku, millel on 3 kihti ja 12 sõlme

Iga ümmargune sõlm kujutab kunstlikku, bioloogiliselt inspireeritud "neuroni". Jooned tähistavad ühendust ühe vasakpoolse tehisneuroni väljundist teise parempoolse sisendini. Nendes võrkudes liiguvad signaalid nende neuronite vahel vasakult paremale. , sisend (nt piksliandmed) voolab sisendkihist läbi keskmiste "peidetud" kihtide ja lõpuks väljundkihini viisil, mida kirjeldavad matemaatilised võrrandid, mis on lõdvalt inspireeritud tegelike bioloogiliste neuronite elektrilisest aktiivsusest.

Joonis 4. Lihtne närvivõrk

Närvivõrgud õpivad, püüdes sobitada sisendkihile esitatud andmekogumeid soovitud tulemustega väljundkihis. Matemaatilised võrrandid arvutavad välja väljundid, võrdlevad simuleeritud väljundit soovitud tulemusega ja sellest tulenevad erinevused muudavad ühenduste tugevust.

Närvivõrgud õpivad, püüdes sobitada sisendkihile esitatud andmekogumeid soovitud tulemustega väljundkihis. Matemaatilised võrrandid arvutavad välja väljundid, võrdlevad simuleeritud väljundit soovitud tulemusega ja sellest tulenevad erinevused muudavad ühenduste tugevust. Neid näpunäiteid muudetakse iteratiivselt, kuni arvutatud väljund on soovitud tulemusele piisavalt lähedal, misjärel me ütleme, et närvivõrk on "õppinud"

Joonis 5. Kompleksne närvivõrk

Need "sügavamad" närvivõrgud suudavad teha palju keerukamaid ennustusi. Seal võib olla tuhandeid sõlme ja sadu kihte, mis tähendab tuhandeid erinevaid arvutusi Süvaõppe mudelid on muutunud väga heaks konkreetsete probleemide lahendamiseks, nagu kõne või pildituvastus.

Siiski väärib märkimist, et süvaõpe ei ole masinõppe jaoks hõbekuuli – eriti mitte küberjulgeolekus, kus mõnikord pole nii palju puhtaid andmeid, mis sobivad süvaõppemeetodite jaoks. Oluline on valida õige algoritm, andmed ja töö põhimõtted See on masinate jaoks parim viis tõendite kogumiseks, punktide ühendamiseks ja järelduste tegemiseks

Närvivõrgud võivad tunduda tuleviku asjadena, kuid see on olnud juba mõnda aega. Tegelikult põhinevad närvivõrgud ideedel, mis hakkasid ringlema juba 1940ndatel. Järgmises osas teeme lühikese retke ajas tagasi, et mõista. kuidas närvivõrgud ja masinõpe on jõudnud tänapäeva elu paljudesse osadesse.

Närvivõrgud võivad tunduda tuleviku asjadena, kuid see on olnud juba mõnda aega. Tegelikult põhinevad närvivõrgud ideedel, mis hakkasid ringlema 1940. aastatel.

Tehisintellekti lühiajalugu

Mõne inimese jaoks võib mõiste tehisintellekt (AI) tekitada pilte futuristlikest linnadest, kus on lendavad autod ja majapidamisrobotid, kuid tehisintellekt ei ole futuristlik kontseptsioon, vähemalt mitte enam. Kuigi tehisintellekti ideele nii ei viidata, võib see olla antiikajast (st kreeka jumal Hephaistose kõnelevad mehaanilised käsilased) ¹ Alates 1930. aastatest on teadlased ja matemaatikud innukalt uurinud tõelise, inimestest eraldiseisva intelligentsuse loomist.

Tehisintellekti määrav hetk 20. sajandi keskpaigas oli matemaatika ja bioloogia õnnelik ühinemine, kus teadlased, nagu Norbert Wiener, Claude Shannon ja Alan Turing, olid juba elektriliste signaalide ja arvutuste ristumiskohas taandunud 1943. aastaks Warren McCulloch ja Walter Pitts. oli loonud närvivõrkude mudeli. Neuraalvõrgud sillutasid teed uuele vaprale suurema hobujõuga andmetöötlusmaailmale ning 1956. aastal loodi tehisintellekti uurimisvaldkond ametlikult akadeemilise distsipliinina.

Sajandi teine ​​pool oli tehisintellekti uurimise ja edusammude jaoks põnev ajastu, mida aeg-ajalt katkestasid 70ndate keskel ja 80ndate lõpus AI talved, kus tehisintellekt ei vastanud avalikkuse ootustele ja investeeringuid valdkonnas vähendati, kuid vaatamata tagasilöökidele, vasakul ja paremal ilmusid erinevad AI ja masinõppe rakendused. Üks konkreetne anekdoot sellise rakenduse kohta on muutunud teadusringkondades populaarseks tähendamissõnaks, mis räägib üsna tõhusalt tehisintellekti uurimise ja rakendamise katsumustest.

Lugu läheb umbes nii:

1980. aastatel ilmus Pentagaastal otsustas kasutada kamuflaažiga tankide tuvastamiseks närvivõrku. Töötades ainult ühe suurarvutiga (alates 1980. aastatest, pidage meeles), treeniti närvivõrku 200 pildiga – 100 tanki ja 100 puud. Vaatamata suhteliselt väikesele närvivõrgule (1980. aastate tõttu) arvutus- ja mälupiirangud), laborikoolitus andis tulemuseks 100% täpsuse. Sellise edu korral otsustab meeskond end proovile panna. Tulemused ei olnud suurepärased.

Joonis 6. Labor vs field pildid (Allikas: Neural Network Follies, Neil Fraser, september 1998)

Tänu tohutute arvutusressursside kättesaadavusele, millest 1980ndatel ei osatud unistadagi, on sügavad närvivõrgud muutunud kiiresti populaarseks uurimisvaldkonnaks. Süvaõpe annab süsteemile võimaluse automaatselt “õppida” miljardite kombinatsioonide ja vaatluste kaudu, vähendades sõltuvust inimressurssidest.

Miks sai närvivõrk laboris fotodel nii fantastiliselt hakkama, aga väljas nii täielikult ebaõnnestus? Selgus, et kõik mittepaagifotod on tehtud päevadel, mil taevas oli pilves; kõik pildid puudest on tehtud päevadel, mil päike paistis. Närvivõrk oli treenitud ära tundma päikesepaistet, mitte tanke

Lõpuks aga visuaalne äratundmine sügava õppimise kaudu, mida hõlbustavad närvivõrgud, mis on palju keerulisemad kui pliiatstagon 1980. aastate suurarvutiga hakkama saanud – sai reaalsuseks 2012. aastal lõid Stanfordi professor Andrew Ng ja Google'i kaaslane Jef Dean ühe esimesi sügavaid närvivõrke, milles kasutati 1000 arvutit, millest igaühes oli 16 tuuma Ülesanne: analüüsige 10 miljonit YouTube'i videot Tulemus : leidis kassid ² Tänu oma sügava õppimise algoritmile suutis võrk aja jooksul kasse ära tunda ja väga hea täpsusega

Tänu tohutute arvutusressursside kättesaadavusele, millest 1980. aastatel ei osatud unistadagi, on sügavad närvivõrgud muutunud kiiresti populaarseks uurimisvaldkonnaks. Süvaõpe annab süsteemile võimaluse automaatselt "õppida" miljardite kombinatsioonide ja vaatluste kaudu, vähendades sõltuvust inimressursid Küberjulgeoleku valdkonnas on meetod muutunud eriti paljulubavaks pahavara tuvastamiseks – stsenaariumide puhul, mille puhul meil on suured andmekogumid paljude nt.ampvähem pahavara, millest võrk saab õppida

Kahjuks ei ole süvaõppemeetodid praegu teatud kasutusjuhtudel, näiteks siseringi ohus, vähem tõhusad, kuna meil lihtsalt pole seda tüüpi rünnete kohta õigeid andmeid vajalikus mahus. siseohtude kohta on anekdootlikud, mida seda tüüpi närvivõrgud ei saa tõhusalt kasutada.

Kuni me ei suuda koguda tõhusamaid andmekogumeid (ja vähendada süvaõppesüsteemide kulusid ja keerukust), ei ole süvaõpe kõigi kasutusjuhtude jaoks õige valik Ja see on okei Süvaõpe on vaid üks paljudest masinõppe algoritmidest ja neid lähenemisviise saab just nagu poleks väärtuslikum — kõik oleneb käsil olevast tööst

Oleme näinud tehisintellektitehnoloogiate tohutut potentsiaali kuue aastakümne jooksul pärast selle ametlikku "sündimist" ja oleme alles pinda kriipinud, eriti turvalisuse vallas. Järgmiseks sukeldume sügavamalt tehisintellekti ja analüütika võimalikesse rakendustesse, et muuta kuidas me turvaohtusid tuvastame ja neile reageerime.

Ennustav analüüs on vaid üks tükk palju suuremast puslest, mis võib anda meile turvameeskondade jaoks palju kasulikumat teavet.

Oleme näinud tehisintellekti tehnoloogiate tohutut potentsiaali kuue aastakümne jooksul pärast selle ametlikku "sündi" ja oleme alles pinda kriimustanud, eriti turvalisuse osas.

Turvaanalüüsi uus nägemus

Siiani on käesolev juhend masinõpet põhjalikult vaadelnud, mõistnud selle piiranguid ja tugevusi. Masinõppel on tohutult palju potentsiaali tehisintellekti hõlbustamiseks, kuid tasub märkida, et laiem ohtude tuvastamise mäng ei seisne ainult süvaõppes või masinõppes. nagu me seda täna teame Uued analüütilised meetodid koos uute andmetüüpidega võivad anda meile täiesti uued raamistikud turvaohtude analüüsimiseks ja nendele reageerimiseks.

Uued meetodid	Adaptiivne analüüs Pidev analüüsi optimeerimine ebakindluse tingimustes	Kontekstile reageerimine Kohalikule muudatusele/tagasiside reageerimine Riski kvantifitseerimine või maandamine
Traditsiooniline	Optimeerimine Ennustav modelleerimine Simulatsioon Prognoosimise märguanded Päring/Puurimine Ad hoc Aruandlus Standardne aruandlus	Otsuste keerukus, lahenduse kiirus Juhuslik, tõenäosuslik, usaldustasemed Kõrge täpsus, mängud, andmekasutus Suuremad andmekogumid, mittelineaarne regressioon Reeglid/päästikud, kontekstitundlikud, keerulised sündmused Mäluandmetes, udune otsing, georuumiline päring eks.ample, kasutaja kaitse aruanded Reaalajas, visualiseerimised, kasutaja interaktsioon
Uued andmed	Olemi eraldusvõime seos, funktsioonide ekstraheerimise annotatsioon ja märgistamine	Inimesed, rollid, asukohad, asjad Reeglid, semantiline järeldus, sobitamine Automatiseeritud, rahvahulga allikas

Oleme näinud, mida analüütika saab teha teiste tööstusharude jaoks, ja analüütika võib ka küberjulgeolekule sügavat mõju avaldada. Näeme seda kujunemas uues valdkonnas, mida nimetame turvaanalüütikaks, mis sisuliselt võtab lahingutestitud. algoritmid ja metoodikad, mida oleme arutanud (ja rohkemgi veel) ja mida rakendame, aitavad lahendada tõeliselt keerulisi turbeprobleeme

Kõige levinum analüütika, mida me praegu turvalisuse valdkonnas näeme, hõlmab ennustavaid mudeleid, mis võimaldavad meil tuvastada, kus suure andmehulga sees võivad olla riskid (see on koht, kus anomaaliate tuvastamine toimub). Lühidalt, ennustav modelleerimine ühendab ajaloolised andmed reaalajas käitumisega. tulevase käitumise mõistmiseks või ennustamiseks Sellega saame vastata küsimusele: "Mis juhtub järgmisena?"

Kuid meie nägemus turvaanalüütikast ei piirdu siin Ennustav analüüs on vaid üks tükk palju suuremast puslest, mis võib anda meile turvameeskondade jaoks palju kasulikumat teavet. Ideaalne analüütikaparadigma ühendab intelligentsed andurid ja üldlevinud andmeallikad – lauaarvutid ja serverid, mobiilsed , pilv, sotsiaalvõrgustikud, avatud andmed jne – mitme täiustatud analüütilise lähenemisviisiga käitumis- ja ohuanalüüsile, sealhulgas kohtuekspertiisi analüüs, riskide modelleerimine, anomaaliate tuvastamine, käitumise ja reageerimise optimeerimine ja palju muud

See tähendab, et suudame teha palju enamat kui ohtu ennustada või tuvastada. See võimaldab meil minna veelgi kaugemale, et pakkuda mitte ainult täiustatud tuvastamist, vaid ka ülevaadet sellest, kuidas kõige tõhusamalt reageerida. Turvaanalüütika annab meile võimaluse vastata teistele võtmeküsimustele, näiteks „Kuidas palju ohte on?" ja "Milline on parim võimalik reaktsioon?"

Me ei ole veel näinud teisi analüütikaklasse, nagu küberturvalisuse optimeerimismeetodid, kuid neil on tohutu potentsiaal. Need meetodid vaatlevad kõiki võimalikke reaktsioone turvariskile ja määravad parima vastuse Jah, matemaatikaga on selleks võimalusi.

Näiteksample, kasutatakse optimeerimismeetodeid, kui helistate oma mobiiltelefoni teenusepakkujale probleemiga. Nad ei anna juhuslikult soovitust, kas uuendada oma teenuseplaani allahindlusega või mitte; nad toetuvad taustal matemaatikakomplektile, mis vaatab teie kõneloge, katkestatud kõnede arvu, teie ajaloo võrdlemist teiste kasutajate omaga jne. See arvutab isegi tõenäosuse, et võite vahetada teenusepakkuja. kõigist võimalikest järgmistest sammudest arvutab see välja parima järgmise sammu klientide hoidmise maksimeerimiseks

Sama matemaatikat saab rakendada turvameeskonnale, et tuvastada risk, pakkuda mitmeid reageerimisviise ja määrata matemaatiliselt parim reaktsioon selle konkreetse riski maksimeerimiseks.

Turvaohtude kiire kasv ja areng muudavad seda tüüpi reageerimise tõhususe kriitiliseks. Meil ​​on täna rohkem andmeid kui kunagi varem. Õnneks on meil ka suurem arvutusvõimsus, paremad algoritmid ning laiemad investeeringud teadusuuringutesse ja tehnoloogiatesse, mis aitavad meil neid andmeid mõista. matemaatika kaudu Usume, et turvaanalüütika on alles alguses.

Meil on täna rohkem andmeid kui kunagi varem. Õnneks on meil ka rohkem arvutusvõimsust, paremaid algoritme ja laiemaid investeeringuid teadusuuringutesse ja tehnoloogiatesse, mis aitavad meil neid andmeid matemaatika kaudu mõista. Üldiselt usume, et turvaanalüütika on alles alguses.

Klienditugi

Võtke meiega ühendust
www.opentext.com
OpenText Cybersecurity pakub laiaulatuslikke turbelahendusi igas suuruses ettevõtetele ja partneritele Alates ennetamisest, tuvastamisest ja reageerimisest kuni taastamise, uurimise ja nõuetele vastavuse lõpetamiseni – meie ühtne täielik platvorm aitab klientidel luua kübervastupidavust tervikliku turbeportfelli kaudu. reaalajas ja kontekstuaalne ohuteave, OpenTexti küberturvalisuse kliendid saavad kasu suure tõhususega toodetest, nõuetele vastavast kogemusest ja lihtsustatud turvalisusest, mis aitab hallata äririske
762-000016-003 | O | 01. | © 24 Avatud tekst

Dokumendid / Ressursid

opentext Tehisintellekt ja masinõpe [pdfJuhised Tehisintellekt ja masinõpe, intelligentsus ja masinõpe, masinõpe

Viited

• Kasutusjuhend