Opentext Intelixencia Artificial e Máquina
A intelixencia artificial (IA) está a transformar a forma en que interactuamos coas máquinas e a forma en que as máquinas interactúan connosco. Esta guía desglosa como funciona a IA, os puntos fortes e limitacións de varios tipos de aprendizaxe automática e a evolución deste campo de estudo en constante cambio. Tamén explora o papel das análises de seguridade habilitadas pola intelixencia artificial ou das análises de comportamento de usuarios e entidades (UEBA) para protexer mellor as empresas das complexas ameazas de ciberseguridade actuais.
Aprendizaxe Máquina vs Humana
A intelixencia artificial (IA) está en todas partes; polo menos, así parece. En OpenText™, o auxe da intelixencia artificial é emocionante e desafiante. O concepto de IA non sempre se entende facilmente Para comezar esta guía de AI e Machine Learning 101, desempaquetaremos o crebacabezas da IA respondendo á pregunta principal que moitas persoas fan preguntando: "Que é realmente a intelixencia artificial?"
A forma máis sinxela de entender a intelixencia artificial é mapeala a algo que xa entendemos: a nosa propia intelixencia Como funciona a intelixencia humana non artificial? No nivel máis básico, a nosa intelixencia segue unha simple progresión: tomamos información, procesámola e, en definitiva, a información axúdanos a actuar.
Desglosamos isto nun diagrama de sistema. Na figura seguinte, os tres pasos xerais da intelixencia humana de esquerda a dereita: entrada, procesamento e saída. No cerebro humano, a entrada ten lugar en forma de sentir e percibir cousas. Os teus ollos, nariz, orellas, etc., recolle a entrada en bruto da esquerda, como fotóns de luz ou o cheiro de piñeiros, e despois procesa. a fala e as accións, que dependen ambas de como procesamos a entrada en bruto que está a recibir o noso cerebro. O procesamento ocorre no medio, onde se forman e recuperan coñecementos ou lembranzas, se toman decisións e inferencias e ocorre a aprendizaxe.
Figura 1. Intelixencia humana
Como funciona a intelixencia humana non artificial? No nivel máis básico, a nosa intelixencia segue unha simple progresión: tomamos información, procesámola e, en definitiva, a información axúdanos a actuar.
Imaxe parando nunha intersección de estrada Os teus ollos ven que o semáforo que estás diante acaba de poñerse en verde Segundo o que aprendiches da experiencia (e da formación do condutor), sabes que unha luz verde indica que debes conducir cara adiante. golpea o acelerador A luz verde é a entrada bruta, a túa aceleración é a saída; todo o que está no medio está procesando
Para navegar de forma intelixente polo mundo que nos rodea (respondendo o teléfono, cociñando galletas de chocolate ou obedecendo semáforos), necesitamos procesar a entrada que recibimos. Este é o núcleo do procesamento da intelixencia humana e, en última instancia, divídese en tres aspectos distintos. :
- Coñecemento e memoria. Adquirimos coñecemento a medida que inxerimos feitos (é dicir, a Batalla de Hastings tivo lugar en 1066) e normas sociais (é dicir, dicir "Por favor" e "Grazas" considérase educado). Ademais, a memoria permítenos recordar e aplicar información de situacións do pasado ao presente Por example, Edward lembra que Jane non lle agradeceu o seu agasallo de aniversario, polo que non espera que lle dea as grazas cando lle faga un agasallo de Nadal.
- Decisión e inferencia. As decisións e as inferencias tómanse en base a información bruta combinada co coñecemento e/ou a memoria Por exemploample, Edward comeu un pemento jalapeño o ano pasado e non lle gustou. Cando Johnny ofrece un pemento a Edward, decide non comelo.
- Aprendizaxe. Os humanos poden aprender por example, observación ou algoritmo Na aprendizaxe por exampdinos que un animal é un can, o outro é un gato Ao aprender pola observación, descubrimos por nós mesmos que os cans ladran e que os gatos mialan. O terceiro método de aprendizaxe, o algoritmo, permítenos completar unha tarefa seguindo unha serie de pasos ou un algoritmo específico (por exemplo, realizar unha división longa)
Estes aspectos da intelixencia humana son paralelos á intelixencia artificial Do mesmo xeito que tomamos información, a procesamos e compartimos a saída, tamén o poden facer as máquinas. Vexamos a figura a continuación para ver como se desenvolve.
Figura 2. Intelixencia artificial
Para navegar de forma intelixente polo mundo que nos rodea (atendendo o teléfono, cociñando galletas con chocolate ou obedecendo semáforos), necesitamos procesar a entrada que recibimos.
Nas máquinas, a parte de entrada da intelixencia artificial exemplifica o procesamento da linguaxe natural, o recoñecemento de voz, o recoñecemento visual e moito máis. Podes ver este tipo de tecnoloxías e algoritmos en todas partes, desde coches autónomos que precisan detectar as estradas e os obstáculos, ata Alexa ou Siri. cando recoñece a túa fala. Os resultados que seguen son formas en que as máquinas interactúan co mundo que nos rodea. Isto pode tomar a forma de robótica, sistemas de navegación (para guiar aos coches autónomos), xeración de voz (por exemplo, Siri), etc. No medio, temos varias formas de procesamento que ten lugar
Do mesmo xeito que a acumulación de coñecemento e memorias, as máquinas poden crear representacións de coñecemento (por exemplo, bases de datos gráficas, ontoloxías) que lles axudan a almacenar información sobre o mundo Do mesmo xeito que os humanos toman decisións ou extraen inferencias, as máquinas poden facer unha predición, optimizar para un obxectivo ou resultado e determinar os mellores pasos ou decisións seguintes para cumprir un obxectivo específico
Finalmente, tal e como aprendemos polo example, observación ou algoritmo, as máquinas pódense ensinar usando métodos análogos. A aprendizaxe automática supervisada é moi parecida á aprendizaxe por ex.ample: o ordenador recibe un conxunto de datos con "etiquetas" dentro do conxunto de datos que actúan como respostas e, finalmente, aprende a diferenciar entre as diferentes etiquetas (por exemplo, este conxunto de datos contén fotos etiquetadas como "can" ou "gato" e con suficiente examples, o ordenador notará que os cans xeralmente teñen colas máis longas e orellas menos puntiagudas que os gatos)
A aprendizaxe automática sen supervisión, por outra banda, é como aprender mediante a observación. O ordenador observa patróns (os cans ladran e os gatos mialan) e, a través deste, aprende a distinguir grupos e patróns por si só (por exemplo, hai dous grupos de animais que poden estar separados polo son que fan un grupo ladra —cans— e o outro grupo miau— gatos) A aprendizaxe non supervisada non require etiquetas e, polo tanto, pode ser preferible cando os conxuntos de datos son limitados e non teñen etiquetas Por último, a aprendizaxe por algoritmo é o que ocorre cando un programador indica a un ordenador exactamente o que debe facer, paso a paso, nun programa de software.
De feito, os resultados de intelixencia artificial máis precisos e deficientes requiren unha combinación de métodos de aprendizaxe. Tanto a aprendizaxe automática supervisada como a non supervisada son métodos útiles; todo se trata de aplicar o enfoque ou enfoques correctos ao caso de uso correcto.
A continuación, poñeremos a aprendizaxe automática ao microscopio para comprender como esta parte da IA reflicte as neuronas do noso cerebro para converter a entrada nunha saída óptima.
Idealmente, os resultados de intelixencia artificial máis precisos e eficientes requiren unha combinación de métodos de aprendizaxe. Tanto a aprendizaxe automática supervisada como a non supervisada son métodos útiles: trátase de aplicar o enfoque ou enfoques correctos ao caso de uso correcto.
A rede neuronal e a aprendizaxe profunda
A aprendizaxe automática é só unha parte da IA, aínda que ten un subconxunto masivo de algoritmos. Un método que escoitas con frecuencia hoxe en día é a "aprendizaxe profunda", un algoritmo que recibiu unha boa parte da atención nas noticias nos últimos anos. pola súa popularidade e éxito, é útil comprender o seu funcionamento. A aprendizaxe profunda é unha evolución dun algoritmo de aprendizaxe automática que era popular na década de 1980 que podes recoñecer: as redes neuronais.
As redes neuronais -un paradigma de programación no que adestramos máquinas para "aprender"- están inspiradas nas neuronas ou células especializadas do corpo humano que forman a base do noso sistema nervioso e, en particular, dos cerebros. Estas células transmiten sinais por todo o noso corpo. Respostas e procesos do sistema As neuronas son as que nos permiten ver, escoitar, ulir, etc.
Figura 3. Como reciben e envían mensaxes as neuronas
Gran parte do que pensamos como aprendizaxe humana pódese describir pola forte conexión entre dúas neuronas do noso cerebro, xunto coa forza da marxe das nosas sinapses.
Na primeira parte desta guía, discutimos o proceso básico da intelixencia humana: entrada á esquerda e saída á dereita A neurona (na imaxe de arriba) xoga un papel fundamental nisto. No lado esquerdo da neurona, o corpo celular recolle "entrada" Unha vez que recibe suficiente entrada ou estimulación, o axón fresase, transmitindo a información ao lado dereito: a sinapse. A "saída" envíase a outras neuronas.
En calquera momento, as nosas neuronas están pasando mensaxes entre si. Estas células son as responsables da nosa capacidade para percibir o noso entorno E cando aprendemos, as nosas neuronas vólvense moi activas. De feito, gran parte do que pensamos como aprendizaxe humana pódese describir mediante o forte que é a conexión entre dúas neuronas do noso cerebro, xunto coa forza da franxa das nosas sinapses
Unha rede neuronal é unha simulación matemática dunha colección de células neuronales. A imaxe de abaixo representa unha rede neuronal básica con 3 capas e 12 nós.
Cada nodo circular representa unha "neurona" artificial inspirada bioloxicamente. As liñas representan unha conexión desde a saída dunha neurona artificial á esquerda ata a entrada doutra á dereita. Os sinais entre estas neuronas flúen ao longo das liñas de esquerda a dereita Nestas redes. , a entrada, como os datos de píxeles, flúe desde a capa de entrada, a través das capas "ocultas" medias e, finalmente, á capa de saída, dun xeito descrito por ecuacións matemáticas inspiradas libremente en a actividade eléctrica nas neuronas biolóxicas reais.
Figura 4. Rede neuronal sinxela
As redes neuronais aprenden tentando facer coincidir os conxuntos de datos presentados na capa de entrada cos resultados desexados na capa de saída. As ecuacións matemáticas calculan as saídas, comparan a saída simulada co resultado desexado e as diferenzas resultantes producen axustes na forza das conexións.
As redes neuronais aprenden tentando relacionar os conxuntos de datos presentados na capa de entrada cos resultados desexados na capa de saída. As ecuacións matemáticas calculan as saídas, comparan a saída simulada co resultado desexado e as diferenzas resultantes producen axustes na forza das conexións. Estes axustes modifícanse iterativamente ata que a saída calculada se aproxime o suficiente ao resultado desexado, momento no que dicimos que a rede neuronal "aprendeu". ”
Figura 5. Rede neuronal complexa
Estas redes neuronais "máis profundas" poden facer predicións moito máis complexas. Pode haber miles de nós e centos de capas, o que significa miles de cálculos diferentes. Os modelos de aprendizaxe profunda convertéronse moi ben en problemas específicos, como o recoñecemento de voz ou de imaxes.
Non obstante, paga a pena sinalar que a aprendizaxe profunda non é unha solución para a aprendizaxe automática, especialmente non na ciberseguridade, onde ás veces non existe o gran volume de datos limpos que é ideal para os métodos de aprendizaxe profunda. É importante escoller o algoritmo correcto. datos e principios para o traballo Esta é a mellor forma de que as máquinas reúnan probas, conecten os puntos e saquen unha conclusión
As redes neuronais poden parecer o material do futuro, pero xa hai un tempo. De feito, as redes neuronais baséanse en ideas que comezaron a circular na década de 1940. Na seguinte sección, faremos unha pequena viaxe no tempo para comprender como as redes neuronais e a aprendizaxe automática chegaron a impregnar moitas partes da vida moderna.
As redes neuronais poden parecer o material do futuro, pero xa hai un tempo. De feito, as redes neuronais baséanse en ideas que comezaron a circular na década de 1940.
Breve historia da intelixencia artificial
Para algunhas persoas, o termo intelixencia artificial (IA) pode evocar imaxes de cidades futuristas con coches voadores e robots domésticos. Pero a IA non é un concepto futurista, polo menos xa non. Aínda que non se refire como tal, a idea de intelixencia artificial pode ser remóntase á antigüidade (é dicir, as criadas mecánicas parlantes do deus grego Hefesto) ¹ Desde a década de 1930, científicos e matemáticos por igual estiveron ansiosos por explorar creando verdadeira intelixencia separada dos humanos
O momento decisivo da intelixencia artificial a mediados do século XX foi unha feliz confluencia de matemáticas e bioloxía, con investigadores como Norbert Wiener, Claude Shannon e Alan Turing que xa romperon na intersección dos sinais eléctricos e a computación. En 20, Warren McCulloch e Walter Pitts creara un modelo para redes neuronais As redes neuronais abriron o camiño para un novo e valente mundo de computación con maior potencia, e, en 1943, o campo da investigación da IA estableceuse oficialmente como disciplina académica
A segunda metade do século foi unha época emocionante para a investigación e o progreso da IA, interrompida ocasionalmente polos "invernos da IA" a mediados dos anos 70 e finais dos 80, onde a IA non cumpriu as expectativas do público e o investimento no campo reduciuse. Pero a pesar dos reveses, diferentes aplicacións para a IA e a aprendizaxe automática apareceron a esquerda e a dereita. Unha anécdota particular desta aplicación converteuse nunha parábola popular dentro da comunidade científica, falando con bastante eficacia dos ensaios e tribulacións da investigación e implementación da IA
A historia é algo así:
Na década de 1980, o Pentagon decidiu usar unha rede neuronal para identificar tanques camuflados. Traballando cun só mainframe (da década de 1980, teña en conta), a rede neuronal foi adestrada con 200 imaxes: 100 tanques e 100 árbores A pesar da rede neuronal relativamente pequena (debido á década de 1980). limitacións na computación e na memoria), o adestramento do laboratorio resultou nun 100% de precisión. Con tal éxito, o equipo decide para darlle unha volta ao campo Os resultados non foron excelentes.
Figura 6. Imaxes de laboratorio contra campo (Fonte: Neural Network Follies, Neil Fraser, setembro de 1998)
Coa dispoñibilidade de vastos recursos informáticos que non se soñaba na década de 1980, as redes neuronais profundas convertéronse rapidamente nunha área popular para a investigación. A aprendizaxe profunda dálle a un sistema a capacidade de "aprender" automaticamente mediante miles de millóns de combinacións e observacións, reducindo a dependencia dos recursos humanos.
Por que a rede neuronal fixo tan fantástico nas fotos do laboratorio, pero fallou tan completamente no campo? Resultou que as fotos sen tanque foron todas tomadas en días nos que o ceo estaba nubrado; todas as imaxes das árbores foron tomadas nos días nos que brillaba o sol. A rede neuronal estaba adestrada para recoñecer o sol, non os tanques
Porén, finalmente, o recoñecemento visual mediante a aprendizaxe profunda, facilitado por redes neuronais que son moito máis complexas que o Pentago mainframe da década de 1980 on sería capaz de manexar, converteuse nunha realidade En 2012, o profesor de Stanford Andrew Ng e o compañeiro de Google Jef Dean crearon unha das primeiras redes neuronais profundas utilizando 1000 computadoras con 16 núcleos cada unha A tarefa: analizar 10 millóns de vídeos de YouTube O resultado : atopou gatos ² Grazas ao seu algoritmo de "aprendizaxe profunda", a rede puido recoñecer gatos tempo, e con moi boa precisión
Coa dispoñibilidade de vastos recursos informáticos que non se soñaban na década de 1980, as redes neuronais profundas convertéronse rapidamente nunha área popular para a investigación. recursos humanos Dentro do dominio da ciberseguridade, o método volveuse especialmente prometedor para detectar malware, escenarios nos que temos grandes conxuntos de datos con moitos exampficheiros de malware dos que a rede pode aprender
Desafortunadamente, os métodos de aprendizaxe profunda son actualmente menos efectivos cando se trata de certos casos de uso, como as ameazas internas, porque simplemente non dispoñemos dos datos axeitados sobre este tipo de ataques, nos volumes necesarios. Na maioría das veces, a información que temos sobre as ameazas internas son anecdóticas, que non poden ser utilizadas de forma eficiente por este tipo de redes neuronais.
Ata que poidamos reunir conxuntos de datos máis eficaces (e reducir o custo e a complexidade dos sistemas de aprendizaxe profunda), a aprendizaxe profunda non é a opción correcta para todos os casos de uso. Está ben. como se non fose máis valioso, todo depende do traballo que se trate
Vimos un inmenso potencial das tecnoloxías de intelixencia artificial nas seis décadas transcorridos desde o seu "nacemento" oficial e só acabamos de rascar a superficie, especialmente en materia de seguridade. A continuación, afondaremos nas aplicacións potenciais para a intelixencia artificial e a analítica para cambiar o forma que identificamos e respondemos ás ameazas de seguridade.
A analítica preditiva é só unha peza dun crebacabezas moito máis grande que pode ofrecernos unha visión moito máis útil para os equipos de seguridade.
Vimos un inmenso potencial das tecnoloxías de intelixencia artificial nas seis décadas transcorridos desde o seu "nacemento" oficial, e só acabamos de raiar a superficie, especialmente en materia de seguridade.
Unha nova visión para a análise de seguridade
Ata agora, esta guía analizou de preto a aprendizaxe automática, entendendo as súas limitacións e puntos fortes. Hai un enorme potencial para que a aprendizaxe automática facilite a IA, pero vale a pena sinalar que o xogo máis amplo da detección de ameazas non se trata só de aprendizaxe profunda ou aprendizaxe automática. tal e como o coñecemos hoxe. Os novos métodos analíticos combinados con novos tipos de datos poden darnos marcos totalmente novos nos que analizar e actuar ante as ameazas de seguridade.
| Novos Métodos | Análise adaptativa Análise continua Optimización baixo incerteza | Responder ao contexto Responder ao cambio/feedback local Cuantificar ou mitigar o risco |
| Tradicional | Optimización Modelado preditivo Simulación Previsión Alertas Consulta/Explorar Informes ad hoc Informes estándar | Complexidade de decisións, velocidade da solución Casualmente, probabilística, niveis de confianza Alta fidelidade, xogos, explotación de datos. Conxuntos de datos máis grandes, regresión non lineal Regras/disparadores, eventos complexos, sensibles ao contexto Datos de memoria, busca difusa, consulta xeoespacial por example, informes de defensa do usuario Tempo real, visualizacións, interacción do usuario |
| Novos Datos | Relación de resolución de entidades, anotación de extracción de características e tokenización | Persoas, roles, localizacións, cousas Regras, inferencia semántica, correspondencia automatizada, fonte multitudinaria |
Vimos o que a analítica pode facer para outras industrias, e tamén hai potencial para que a analítica teña un profundo impacto na ciberseguridade. os algoritmos e metodoloxías que comentamos (e máis) e que os aplica axudan a resolver os problemas realmente difíciles de seguridade
As análises máis comúns que vemos na seguridade na actualidade inclúen modelos preditivos, que nos permiten identificar onde poden estar os riscos dentro de grandes cantidades de datos (aquí é onde se produce a detección de anomalías). En poucas palabras, o modelado preditivo combina datos históricos co comportamento en tempo real para comprender ou predecir o comportamento futuro Con isto, podemos responder á pregunta: "Que pasa despois?"
Pero a nosa visión da análise de seguridade non se detén aquí A análise preditiva é só unha peza dun crebacabezas moito máis grande que pode ofrecernos unha visión moito máis útil para os equipos de seguridade. O paradigma de análise ideal combina sensor intelixente e fontes de datos ubicuas: escritorios e servidores, móbiles , nube, redes sociais, datos abertos, etc. —con múltiples enfoques analíticos avanzados para a análise de comportamento e ameazas, incluíndo análise forense, modelado de riscos, anomalías. optimización de detección, comportamento e resposta, etc
Isto significa que podemos facer moito máis que prever ou identificar unha ameaza. Permítenos ir aínda máis lonxe para ofrecer non só detección avanzada, senón tamén información sobre como responder de forma máis eficaz. As análises de seguridade permítennos responder a outras preguntas clave, como "Como hai moitas ameazas?" e "Cal é a mellor reacción posible?"
Aínda non vimos outras clases de análises como métodos de optimización aplicados á ciberseguridade, pero teñen un potencial inmenso. Estas técnicas analizan todas as posibles reaccións ante un risco de seguridade e determinan a mellor resposta. Si, hai formas de facelo coas matemáticas.
Por example, os métodos de optimización utilízanse cando fai unha chamada ao seu provedor de servizos de teléfono móbil cun problema. Non están facendo unha recomendación aleatoria sobre se actualizar ou non o seu plan de servizos cun desconto; confían nun conxunto de matemáticas en segundo plano que analiza os teus rexistros de chamadas, o número de chamadas abandonadas, como se compara o teu historial co doutros usuarios, etc. Incluso calcula a probabilidade de que cambies a outro fornecedor de servizos. de todos os seguintes pasos posibles, calcula o mellor seguinte paso para maximizar a retención de clientes
As mesmas matemáticas pódense aplicar a un equipo de seguridade para identificar un risco, proporcionar unha serie de formas de reaccionar e determinar matematicamente a mellor resposta para maximizar a contención deste risco particular.
O rápido aumento e a evolución das ameazas de seguridade fan que este tipo de resposta sexa crítica. Temos máis datos hoxe que nunca. Afortunadamente, tamén temos máis potencia de cálculo, mellores algoritmos e un investimento máis amplo en investigación e tecnoloxías para axudarnos a entender estes datos. a través das matemáticas Por todas as contas, cremos que a análise de seguridade está a comezar.
Hoxe temos máis datos que nunca. Afortunadamente, tamén temos máis potencia de cálculo, mellores algoritmos e un investimento máis amplo en investigación e tecnoloxías para axudarnos a dar sentido a estes datos a través das matemáticas. Segundo todos, cremos que as análises de seguranza están empezando.
Atención ao cliente
Conéctate connosco
www.opentext.com
OpenText Cybersecurity ofrece solucións de seguridade completas para empresas e socios de todos os tamaños Desde prevención, detección e resposta ata recuperación, investigación e cumprimento, a nosa plataforma unificada de extremo a extremo axuda aos clientes a construír a resiliencia cibernética mediante unha carteira de seguridade holística. intelixencia de ameazas contextual e en tempo real, os clientes de OpenText Cybersecurity benefícianse de produtos de alta eficacia, unha experiencia conforme e seguridade simplificada para axudar a xestionar o risco empresarial
762-000016-003 | O | 01/24 | © 2024 Open Text
Documentos/Recursos
 |
Opentext Intelixencia artificial e aprendizaxe automática [pdfInstrucións Intelixencia Artificial e Machine Learning, Intelixencia e Machine Learning, Machine Learning |
