ઓપનટેક્સ્ટ આર્ટિફિશિયલ ઈન્ટેલિજન્સ અને મશીન

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) એ રીતે આપણે જે રીતે મશીનો સાથે ક્રિયાપ્રતિક્રિયા કરીએ છીએ અને જે રીતે મશીનો આપણી સાથે ક્રિયાપ્રતિક્રિયા કરે છે તે રીતે પરિવર્તન લાવે છે. આ માર્ગદર્શિકા એઆઈ કેવી રીતે કાર્ય કરે છે, વિવિધ પ્રકારના મશીન શિક્ષણની શક્તિઓ અને મર્યાદાઓ અને અભ્યાસના આ સતત બદલાતા ક્ષેત્રની ઉત્ક્રાંતિને તોડી નાખે છે. તે AI સક્ષમ સુરક્ષા વિશ્લેષણ અથવા વપરાશકર્તા અને એન્ટિટી બિહેવિયરલી એનાલિટિક્સ (UEBA) ની ભૂમિકાને પણ અન્વેષણ કરે છે જેથી એન્ટરપ્રાઇઝને આજના જટિલ સાયબર સુરક્ષા જોખમોથી વધુ સારી રીતે સુરક્ષિત કરી શકાય.

મશીન વિ હ્યુમન લર્નિંગ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) દરેક જગ્યાએ છે-ઓછામાં ઓછું, એવું લાગે છે કે OpenText™ પર, AI નો ઉદય ઉત્તેજક અને પડકારજનક બંને છે પરંતુ અમે અમારા સાથીદારો, ગ્રાહકો અને ભાગીદારો સાથે સંકળાયેલા છીએ તેમ, અમને ખ્યાલ આવ્યો કે AI ની વિભાવના હંમેશા સરળતાથી સમજી શકાતી નથી આ AI અને મશીન લર્નિંગ 101 માર્ગદર્શિકા શરૂ કરવા માટે, અમે ઘણા લોકો પૂછતા હોય તેવા મુખ્ય પ્રશ્નનો જવાબ આપીને AI પઝલ ખોલીશું: "કૃત્રિમ બુદ્ધિમત્તા શું છે, ખરેખર?"

આર્ટિફિશિયલ ઇન્ટેલિજન્સ સમજવાનો સૌથી સહેલો રસ્તો એ છે કે તેને આપણે પહેલેથી જ સમજીએ છીએ તેવી કોઈ વસ્તુ સાથે મેપ કરવો - આપણી પોતાની બુદ્ધિ બિન-કૃત્રિમ, માનવ બુદ્ધિ કેવી રીતે કાર્ય કરે છે? સૌથી મૂળભૂત સ્તરે, અમારી બુદ્ધિ એક સરળ પ્રગતિને અનુસરે છે: અમે માહિતી લઈએ છીએ, અમે તેની પ્રક્રિયા કરીએ છીએ અને આખરે માહિતી અમને કાર્ય કરવામાં મદદ કરે છે.

ચાલો આને સિસ્ટમ ડાયાગ્રામમાં તોડીએ, નીચેની આકૃતિમાં, માનવ બુદ્ધિના ત્રણ સામાન્ય પગલાં ડાબેથી જમણે: ઇનપુટ, પ્રોસેસિંગ અને આઉટપુટ માનવ મગજમાં, ઇનપુટ તમારી આંખોની વસ્તુઓને સંવેદના અને સમજવાના સ્વરૂપમાં થાય છે, નાક, કાન વગેરે, ડાબી બાજુએ કાચો ઇનપુટ લે છે, જેમ કે પ્રકાશના ફોટોન અથવા પાઈન વૃક્ષોની ગંધ, અને પછી તેની પ્રક્રિયા કરો સિસ્ટમની જમણી બાજુએ આઉટપુટ છે આમાં વાણી અને ક્રિયાઓ શામેલ છે, જે બંને કેવી રીતે તેના પર નિર્ભર છે આપણું મગજ જે કાચું ઇનપુટ મેળવી રહ્યું છે તેને આપણે પ્રોસેસ કરીએ છીએ. પ્રક્રિયા મધ્યમાં થાય છે, જ્યાં જ્ઞાન અથવા યાદો રચાય છે અને પુનઃપ્રાપ્ત થાય છે, નિર્ણયો અને અનુમાનો લેવામાં આવે છે અને શીખવામાં આવે છે.

આકૃતિ 1. માનવ બુદ્ધિ

બિન-કૃત્રિમ, માનવ બુદ્ધિ કેવી રીતે કાર્ય કરે છે? સૌથી મૂળભૂત સ્તરે, અમારી બુદ્ધિ એક સરળ પ્રગતિને અનુસરે છે: અમે માહિતી લઈએ છીએ, અમે તેની પ્રક્રિયા કરીએ છીએ, અને આખરે માહિતી અમને કાર્ય કરવામાં મદદ કરે છે.

રસ્તાના આંતરછેદ પર અટકી જતું ચિત્ર તમારી આંખો જુએ છે કે તમારી સામેની ટ્રાફિક લાઇટ હમણાં જ લીલી થઈ ગઈ છે, તમે અનુભવ (અને ડ્રાઇવરના શિક્ષણ)માંથી જે શીખ્યા તેના આધારે તમે જાણો છો કે લીલી લાઇટ સૂચવે છે કે તમારે આગળ વાહન ચલાવવું જોઈએ તેથી, તમે ગેસ પેડલને હિટ કરો ગ્રીન લાઇટ એ કાચો ઇનપુટ છે, તમારું પ્રવેગક આઉટપુટ છે; વચ્ચેની દરેક વસ્તુ પ્રોસેસ થઈ રહી છે

આપણી આસપાસની દુનિયાને બુદ્ધિપૂર્વક નેવિગેટ કરવા માટે-ફોનનો જવાબ આપવો, ચોકલેટ ચિપ કૂકીઝ પકવવી અથવા ટ્રાફિક લાઇટનું પાલન કરવું-આપણે જે ઇનપુટ પ્રાપ્ત કરીએ છીએ તેની પર પ્રક્રિયા કરવાની જરૂર છે આ માનવ બુદ્ધિ પ્રક્રિયાનો મુખ્ય ભાગ છે, અને તે આખરે ત્રણ વિશિષ્ટ પાસાઓમાં વિભાજિત થયેલ છે. :

1. જ્ઞાન અને સ્મૃતિ. અમે હકીકતો (એટલે ​​​​કે, હેસ્ટિંગ્સનું યુદ્ધ 1066 માં થયું હતું) અને સામાજિક ધોરણો (એટલે ​​​​કે, "કૃપા કરીને" અને "આભાર" કહેવાને નમ્ર માનવામાં આવે છે) તેમ તેમ જ્ઞાનનું નિર્માણ કરીએ છીએ, વધુમાં, મેમરી અમને માહિતીને યાદ કરવા અને લાગુ કરવા સક્ષમ બનાવે છે. ભૂતપૂર્વ માટે વર્તમાન પરિસ્થિતિampલે, એડવર્ડને યાદ છે કે જેને તેના જન્મદિવસની ભેટ માટે તેનો આભાર માન્યો નથી, તેથી જ્યારે તે તેને ક્રિસમસ ભેટ આપે છે ત્યારે તે તેનો આભાર માનશે તેવી અપેક્ષા રાખતો નથી.
2. નિર્ણય અને અનુમાન. પૂર્વ માટે જ્ઞાન અને/અથવા મેમરી સાથે જોડાયેલા કાચા ઇનપુટના આધારે નિર્ણયો અને અનુમાન લેવામાં આવે છેampલે, એડવર્ડ ગયા વર્ષે જલાપેનો મરી ખાધું હતું અને તેને તે ગમ્યું ન હતું જ્યારે જોની એડવર્ડને મરી આપે છે, ત્યારે તેણે તે ન ખાવાનું નક્કી કર્યું
3. શીખવું. માનવી ભૂતપૂર્વ દ્વારા શીખી શકે છેample, અવલોકન, અથવા અલ્ગોરિધમ ભૂતપૂર્વ દ્વારા શીખવા માટેampલે, અમને કહેવામાં આવે છે કે એક પ્રાણી કૂતરો છે, બીજું બિલાડી છે અવલોકન દ્વારા શીખવામાં, આપણે આપણી જાતે જ શોધી કાઢીએ છીએ કે કૂતરાં ભસકે છે અને બિલાડી મ્યાઉ પગલાંઓની શ્રેણી અથવા ચોક્કસ અલ્ગોરિધમ (દા.ત., લાંબા વિભાજન કરવું)

માનવ બુદ્ધિના આ પાસાઓ સમાંતર કૃત્રિમ બુદ્ધિમત્તાની જેમ આપણે માહિતી લઈએ છીએ, તેની પ્રક્રિયા કરીએ છીએ અને આઉટપુટ વહેંચીએ છીએ, તેવી જ રીતે મશીનો પણ આ નકશા કેવી રીતે બહાર આવે છે તે જોવા માટે નીચેની આકૃતિ પર એક નજર કરીએ.

આકૃતિ 2. કૃત્રિમ બુદ્ધિ

આપણી આસપાસની દુનિયાને બુદ્ધિપૂર્વક નેવિગેટ કરવા માટે- ફોનનો જવાબ આપવો, ચોકલેટ ચિપ કૂકીઝ બેક કરવી અથવા ટ્રાફિક લાઇટનું પાલન કરવું-આપણે જે ઇનપુટ પ્રાપ્ત કરીએ છીએ તેની પ્રક્રિયા કરવાની જરૂર છે.

મશીનોમાં, આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઇનપુટ ભાગ કુદરતી ભાષા પ્રક્રિયા, વાણી ઓળખ, વિઝ્યુઅલ રેકગ્નિશન અને વધુ દ્વારા દાખલારૂપ છે જ્યારે તે તમારી વાણીને ઓળખે છે ત્યારે આઉટપુટ જે નીચે મુજબ છે તે માર્ગો છે જેમાં મશીનો આપણી આસપાસની દુનિયા સાથે ક્રિયાપ્રતિક્રિયા કરે છે આ રોબોટિક્સ, નેવિગેશન સિસ્ટમ્સ (તે સ્વ-ડ્રાઇવિંગ કારને માર્ગદર્શન આપવા માટે), સ્પીચ જનરેશન (દા.ત., સિરી), વગેરેનું સ્વરૂપ લઈ શકે છે. વચ્ચે, અમારી પાસે પ્રક્રિયાના વિવિધ સ્વરૂપો છે જે થાય છે

આપણા જ્ઞાન અને સ્મૃતિઓના સંચયની જેમ, મશીનો જ્ઞાનની રજૂઆતો (દા.ત. ગ્રાફ ડેટાબેસેસ, ઓન્ટોલોજી) બનાવી શકે છે જે તેમને વિશ્વ વિશેની માહિતી સંગ્રહિત કરવામાં મદદ કરે છે જેમ મનુષ્યો નિર્ણયો લે છે અથવા અનુમાન દોરે છે, મશીનો આગાહી કરી શકે છે, લક્ષ્ય માટે ઑપ્ટિમાઇઝ કરી શકે છે અથવા પરિણામ, અને ચોક્કસ ધ્યેયને પહોંચી વળવા માટે શ્રેષ્ઠ આગામી પગલાં અથવા નિર્ણયો નક્કી કરો

છેલ્લે, જેમ આપણે ભૂતપૂર્વ દ્વારા શીખીએ છીએample, અવલોકન, અથવા અલ્ગોરિધમ, મશીનોને સમાન પદ્ધતિઓનો ઉપયોગ કરીને શીખવી શકાય છે, નિરીક્ષણ કરેલ મશીન શિક્ષણ એ ભૂતપૂર્વ દ્વારા શીખવા જેવું છેample: કોમ્પ્યુટરને ડેટા સેટની અંદર "લેબલ્સ" સાથેનો ડેટાસેટ આપવામાં આવે છે જે જવાબો તરીકે કાર્ય કરે છે, અને છેવટે અલગ-અલગ લેબલ્સ વચ્ચેનો તફાવત જણાવવાનું શીખે છે (દા.ત., આ ડેટાસેટમાં "કૂતરો" અથવા "બિલાડી" તરીકે લેબલ થયેલ ફોટા હોય છે, અને પર્યાપ્ત ભૂતપૂર્વ સાથેampલેસ, કોમ્પ્યુટર જોશે કે કૂતરાઓની સામાન્ય રીતે લાંબી પૂંછડીઓ હોય છે અને બિલાડીઓ કરતાં ઓછા તીખા કાન હોય છે)

બીજી બાજુ, અનસૂપરવાઇઝ્ડ મશીન લર્નિંગ, અવલોકન દ્વારા શીખવા જેવું છે કોમ્પ્યુટર પેટર્નનું અવલોકન કરે છે (કૂતરાની છાલ અને બિલાડીના મ્યાઉ) અને તેના દ્વારા, જૂથો અને પેટર્નને તેની જાતે અલગ કરવાનું શીખે છે (દા.ત., પ્રાણીઓના બે જૂથો છે જે તેઓ જે અવાજ કરે છે તેના દ્વારા અલગ થવું - કૂતરા - અને અન્ય જૂથ મ્યાઉ - બિલાડીઓ) અસુરક્ષિત શિક્ષણને લેબલની જરૂર નથી અને તેથી જ્યારે ડેટા સેટ મર્યાદિત હોય અને તેમાં લેબલ ન હોય ત્યારે તે વધુ સારું હોઈ શકે છે. જ્યારે પ્રોગ્રામર કોમ્પ્યુટરને સોફ્ટવેર પ્રોગ્રામમાં સ્ટેપ-બાય-સ્ટેપ, બરાબર શું કરવું તે સૂચના આપે છે ત્યારે શું થાય છે.

ખરેખર, સૌથી સચોટ અને ખામીયુક્ત કૃત્રિમ બુદ્ધિના પરિણામો માટે શીખવાની પદ્ધતિઓના સંયોજનની જરૂર પડે છે, બંને નિરીક્ષિત અને અસુપરવાઇઝ્ડ મશીન લર્નિંગ ઉપયોગી પદ્ધતિઓ છે- આ બધું યોગ્ય ઉપયોગના કિસ્સામાં યોગ્ય અભિગમ અથવા અભિગમો લાગુ કરવા વિશે છે.

આગળ, અમે AI નો આ ભાગ આપણા મગજના ન્યુરોન્સને કેવી રીતે શ્રેષ્ઠ આઉટપુટમાં ઇનપુટમાં ફેરવવા માટે પ્રતિબિંબિત કરે છે તે સમજવા માટે મશીન લર્નિંગને માઇક્રોસ્કોપ હેઠળ મૂકીશું.

આદર્શ રીતે, સૌથી સચોટ અને કાર્યક્ષમ કૃત્રિમ બુદ્ધિ પરિણામો માટે શીખવાની પદ્ધતિઓના સંયોજનની જરૂર છે. દેખરેખ અને દેખરેખ વિનાનું મશીન લર્નિંગ બંને ઉપયોગી પધ્ધતિઓ છે - આ બધું યોગ્ય ઉપયોગના કિસ્સામાં યોગ્ય અભિગમ અથવા અભિગમો લાગુ કરવા વિશે છે.

ન્યુરલ નેટવર્ક અને ડીપ લર્નિંગ

મશીન લર્નિંગ એ એઆઈનો માત્ર એક ભાગ છે, જો કે તેની અંદર એલ્ગોરિધમનો એક વિશાળ સબસેટ છે જે તમે આજે વારંવાર સાંભળો છો તે એક પદ્ધતિ છે “ડીપ લર્નિંગ”, એક અલ્ગોરિધમ કે જેણે તાજેતરના વર્ષોમાં સમાચારોમાં યોગ્ય ધ્યાન મેળવ્યું છે તે સમજવા માટે. તેની લોકપ્રિયતા અને સફળતા, તે કેવી રીતે કાર્ય કરે છે તે સમજવામાં મદદરૂપ થાય છે ડીપ લર્નિંગ એ મશીન લર્નિંગ અલ્ગોરિધમનું ઉત્ક્રાંતિ છે જે 1980ના દાયકામાં લોકપ્રિય હતું જેને તમે ઓળખી શકો: ન્યુરલ નેટવર્ક્સ.

ન્યુરલ નેટવર્ક્સ-એક પ્રોગ્રામિંગ દાખલો જેમાં આપણે મશીનોને "શીખવા" માટે તાલીમ આપીએ છીએ-તે ચેતાકોષો અથવા માનવ શરીરના વિશિષ્ટ કોષો દ્વારા પ્રેરિત છે જે આપણા નર્વસ સિસ્ટમનો પાયો બનાવે છે, અને ખાસ કરીને મગજ આ કોષો આપણા સમગ્ર શરીરમાં સિગ્નલ પ્રસારિત કરે છે જે નર્વસને ટ્રિગર કરે છે. સિસ્ટમની પ્રતિક્રિયાઓ અને પ્રક્રિયાઓ ન્યુરોન્સ આપણને જોવા, સાંભળવા, સૂંઘવા વગેરે માટે સક્ષમ બનાવે છે.

આકૃતિ 3. ન્યુરોન્સ કેવી રીતે સંદેશા પ્રાપ્ત કરે છે અને મોકલે છે

આપણે જે માનવીય શિક્ષણ તરીકે વિચારીએ છીએ તેમાંથી મોટાભાગનું વર્ણન આપણા મગજના બે ચેતાકોષો વચ્ચેનું જોડાણ કેટલું મજબૂત છે, સાથે સાથે આપણા ચેતોપાગમની ફ્રિન્જની મજબૂતાઈ દ્વારા કરી શકાય છે.

આ માર્ગદર્શિકાના એક ભાગમાં, અમે માનવ બુદ્ધિની મૂળભૂત પ્રક્રિયાની ચર્ચા કરી: ડાબી બાજુએ ઇનપુટ, અને જમણી તરફ આઉટપુટ ચેતાકોષ (ઉપર ચિત્રમાં) આમાં મહત્વપૂર્ણ ભૂમિકા ભજવે છે ચેતાકોષની ડાબી બાજુએ, કોષનું શરીર એકત્ર કરે છે. "ઇનપુટ" એકવાર તે પૂરતું ઇનપુટ અથવા ઉત્તેજના મેળવે છે, ચેતાક્ષ ફ્રેસ, માહિતીને જમણી બાજુએ પ્રસારિત કરે છે - સિનેપ્સ "આઉટપુટ" પછી અન્ય ચેતાકોષોને મોકલવામાં આવે છે.

કોઈપણ સમયે, આપણા ચેતાકોષો એકબીજા વચ્ચે સંદેશાઓ પસાર કરે છે, આ કોષો આપણી આસપાસના વાતાવરણને સમજવાની આપણી ક્ષમતા માટે જવાબદાર છે અને જ્યારે આપણે શીખીએ છીએ, ત્યારે આપણા ચેતાકોષો ખૂબ જ સક્રિય બને છે હકીકતમાં, આપણે જે માનવીય શિક્ષણ તરીકે વિચારીએ છીએ તેમાંથી મોટા ભાગનું વર્ણન કરી શકાય છે. આપણા મગજમાં બે ચેતાકોષો વચ્ચેનું જોડાણ કેટલું મજબૂત છે, સાથે આપણા ચેતોપાગમની ફ્રિન્જની મજબૂતાઈ

ન્યુરલ નેટવર્ક એ ન્યુરોન કોષોના સંગ્રહનું ગાણિતિક અનુકરણ છે

દરેક ગોળાકાર નોડ એક કૃત્રિમ, જૈવિક રીતે પ્રેરિત "ચેતાકોષ" રજૂ કરે છે આ રેખાઓ ડાબી બાજુના એક કૃત્રિમ ચેતાકોષના આઉટપુટથી જમણી બાજુના બીજાના ઇનપુટ સુધીના જોડાણનું પ્રતિનિધિત્વ કરે છે, આ ચેતાકોષો વચ્ચેના સંકેતો આ નેટવર્ક્સમાં ડાબેથી જમણે રેખાઓ સાથે વહે છે. , ઇનપુટ—જેમ કે પિક્સેલ ડેટા—ઇનપુટ લેયરમાંથી વહે છે, મધ્ય "છુપાયેલા" સ્તરો દ્વારા, અને છેવટે આઉટપુટ સ્તરમાં ગાણિતિક સમીકરણો દ્વારા વર્ણવેલ રીતે વાસ્તવિક જૈવિક ચેતાકોષોમાં વિદ્યુત પ્રવૃત્તિ દ્વારા ઢીલી રીતે પ્રેરિત થાય છે.

આકૃતિ 4. સરળ ન્યુરલ નેટવર્ક

આઉટપુટ સ્તરમાં ઇચ્છિત પરિણામો સાથે ઇનપુટ સ્તરમાં પ્રસ્તુત ડેટા સેટને મેચ કરવાનો પ્રયાસ કરીને ન્યુરલ નેટવર્ક્સ શીખે છે. ગાણિતિક સમીકરણો આઉટપુટની ગણતરી કરે છે, સિમ્યુલેટેડ આઉટપુટને ઇચ્છિત પરિણામ સાથે સરખાવે છે, અને પરિણામી તફાવતો પછી જોડાણોની મજબૂતાઈમાં ફેરફાર કરે છે.

આઉટપુટ લેયરમાં ઇચ્છિત પરિણામો સાથે ઇનપુટ લેયરમાં પ્રસ્તુત ડેટા સેટ્સને મેચ કરવાનો પ્રયાસ કરીને ન્યુરલ નેટવર્ક્સ શીખે છે. ગાણિતિક સમીકરણો આઉટપુટની ગણતરી કરે છે, સિમ્યુલેટેડ આઉટપુટને ઇચ્છિત પરિણામ સાથે સરખાવે છે અને પરિણામી તફાવતો પછી કનેક્શન્સની મજબૂતાઈમાં ફેરફાર કરે છે. જ્યાં સુધી ગણતરી કરેલ આઉટપુટ ઇચ્છિત પરિણામની નજીક ન આવે ત્યાં સુધી આ ફેરફારો પુનરાવર્તિત રીતે સંશોધિત કરવામાં આવે છે, જે સમયે આપણે કહીએ છીએ કે ન્યુરલ નેટવર્ક "શીખ્યું" છે.

આકૃતિ 5. જટિલ ન્યુરલ નેટવર્ક

આ "ઊંડા" ન્યુરલ નેટવર્ક્સ વધુ જટિલ આગાહીઓ કરી શકે છે હજારો ગાંઠો અને સેંકડો સ્તરો હોઈ શકે છે, જેનો અર્થ છે કે હજારો વિવિધ ગણતરીઓ ડીપ લર્નિંગ મોડલ ચોક્કસ સમસ્યાઓ, જેમ કે વાણી અથવા છબી ઓળખ પર ખૂબ જ સારી બની છે.

જો કે, એ નોંધવું યોગ્ય છે કે ડીપ લર્નિંગ એ મશીન લર્નિંગ માટે સિલ્વર બુલેટ નથી-ખાસ કરીને સાયબર સિક્યુરિટીમાં નથી, જ્યાં કેટલીકવાર ડીપ લર્નિંગ પદ્ધતિઓ માટે આદર્શ હોય તેવા સ્વચ્છ ડેટાની મોટી માત્રા હોતી નથી, યોગ્ય અલ્ગોરિધમ પસંદ કરવું મહત્વપૂર્ણ છે, કામ માટેના ડેટા અને સિદ્ધાંતો મશીનો માટે પુરાવા એકત્ર કરવા, બિંદુઓને જોડવા અને નિષ્કર્ષ દોરવા માટેની આ શ્રેષ્ઠ રીત છે.

ન્યુરલ નેટવર્ક્સ કદાચ ભવિષ્યની સામગ્રી જેવું લાગે છે, પરંતુ તે થોડા સમય માટે છે વાસ્તવમાં, ન્યુરલ નેટવર્ક એવા વિચારો પર આધારિત છે જે 1940 ના દાયકામાં પાછા ફરવા લાગ્યા હતા, આગામી વિભાગમાં, અમે સમજવા માટે સમયસર એક ટૂંકી સફર કરીશું. કેવી રીતે ન્યુરલ નેટવર્ક અને મશીન લર્નિંગ આધુનિક જીવનના ઘણા ભાગોમાં પ્રવેશી રહ્યાં છે.

ન્યુરલ નેટવર્ક્સ કદાચ ભવિષ્યની સામગ્રી જેવું લાગે છે, પરંતુ તે થોડા સમય માટે આસપાસ છે. વાસ્તવમાં, ન્યુરલ નેટવર્ક એવા વિચારો પર આધારિત છે જે 1940 ના દાયકામાં ફરવાનું શરૂ કર્યું હતું.

આર્ટિફિશિયલ ઇન્ટેલિજન્સનો સંક્ષિપ્ત ઇતિહાસ

કેટલાક લોકો માટે, આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) શબ્દ કદાચ ઉડતી કાર અને ઘરગથ્થુ રોબોટ્સ સાથેના ભવિષ્યના શહેરોની છબીઓનું કારણ બની શકે છે, પરંતુ AI એ ભવિષ્યવાદી ખ્યાલ નથી, ઓછામાં ઓછું હવે નહીં, તેમ છતાં, કૃત્રિમ બુદ્ધિમત્તાનો વિચાર આવી શકે છે. પ્રાચીનકાળમાં (એટલે ​​​​કે, ગ્રીક દેવ હેફેસ્ટસની વાત કરતા યાંત્રિક હેન્ડમેઇડન્સ) ¹ 1930 ના દાયકાથી, વૈજ્ઞાનિકો અને ગણિતશાસ્ત્રીઓ એકસરખું માનવોથી અલગ સાચી બુદ્ધિ બનાવવાનું અન્વેષણ કરવા ઉત્સુક છે.

20મી સદીના મધ્યમાં AI ની નિર્ણાયક ક્ષણ ગણિત અને જીવવિજ્ઞાનનો સુખદ સંગમ હતો, જેમાં નોર્બર્ટ વિનર, ક્લાઉડ શેનોન અને એલન ટ્યુરિંગ જેવા સંશોધકો 1943 સુધીમાં વિદ્યુત સંકેતો અને ગણતરીના આંતરછેદથી દૂર થઈ ગયા હતા, વોરેન મેકકુલોચ અને વોલ્ટર પિટ્સ ન્યુરલ નેટવર્ક્સ માટે એક મોડેલ બનાવ્યું હતું ન્યુરલ નેટવર્ક્સે વધુ હોર્સપાવર સાથે કમ્પ્યુટિંગની બહાદુર નવી દુનિયા માટે માર્ગ મોકળો કર્યો હતો, અને, 1956 માં, AI સંશોધનનું ક્ષેત્ર સત્તાવાર રીતે શૈક્ષણિક શિસ્ત તરીકે સ્થાપિત થયું હતું.

સદીનો ઉત્તરાર્ધ એઆઈ સંશોધન અને પ્રગતિ માટે આકર્ષક યુગ હતો, 70 ના દાયકાના મધ્યમાં અને 80 ના દાયકાના અંતમાં "AI શિયાળા" દ્વારા ક્યારેક-ક્યારેક વિક્ષેપ પાડ્યો હતો જ્યાં AI જાહેર અપેક્ષાઓ પૂરી કરવામાં નિષ્ફળ ગયું હતું, અને ક્ષેત્રે રોકાણ ઓછું થયું હતું પરંતુ આંચકો હોવા છતાં, AI અને મશીન લર્નિંગ માટેની વિવિધ એપ્લિકેશનો ડાબે અને જમણે દેખાઈ રહી હતી. આવી એપ્લિકેશનનો એક ખાસ ટુચકો વૈજ્ઞાનિક સમુદાયમાં લોકપ્રિય દૃષ્ટાંત બની ગયો છે, જે AI સંશોધન અને અમલીકરણની અજમાયશ અને મુશ્કેલીઓને અસરકારક રીતે બોલે છે.

વાર્તા કંઈક આ પ્રમાણે છે:

1980 ના દાયકામાં, પેનtagછદ્માવરણવાળી ટાંકીઓને ઓળખવા માટે ન્યુરલ નેટવર્કનો ઉપયોગ કરવાનું નક્કી કર્યું ત્યારે (1980 ના દાયકાથી, ધ્યાનમાં રાખો), ન્યુરલ નેટને 200 ચિત્રો-100 ટાંકીઓ અને 100 વૃક્ષો સાથે તાલીમ આપવામાં આવી હતી (1980 ના દાયકાને કારણે) પ્રમાણમાં નાનું ન્યુરલ નેટવર્ક હોવા છતાં ગણતરી અને મેમરી પરની મર્યાદાઓ), લેબ પ્રશિક્ષણ 100% ચોકસાઈમાં પરિણમ્યું આવી સફળતા સાથે, ટીમે તેને ક્ષેત્રની બહાર જવાનું નક્કી કર્યું, પરિણામો સારા ન હતા.

આકૃતિ 6. લેબ વિ ફિલ્ડ પિક્ચર્સ (સ્રોત: ન્યુરલ નેટવર્ક ફોલીઝ, નીલ ફ્રેઝર, સપ્ટેમ્બર 1998)

1980 ના દાયકામાં અણધાર્યા હતા તેવા વિશાળ કમ્પ્યુટિંગ સંસાધનોની ઉપલબ્ધતા સાથે, ડીપ ન્યુરલ નેટવર્ક્સ ઝડપથી સંશોધન માટે લોકપ્રિય ક્ષેત્ર બની ગયા છે. ડીપ લર્નિંગ સિસ્ટમને અબજો સંયોજનો અને અવલોકનો દ્વારા આપમેળે "શીખવાની" ક્ષમતા આપે છે, માનવ સંસાધન પર નિર્ભરતા ઘટાડે છે.

શા માટે ન્યુરલ નેટવર્ક લેબમાં ફોટાઓ પર આટલું અદ્ભુત રીતે કર્યું, પરંતુ ક્ષેત્રોમાં આટલું સંપૂર્ણ રીતે નિષ્ફળ ગયું? તે બહાર આવ્યું છે કે ટાંકી સિવાયના ફોટા બધા એવા દિવસોમાં લેવામાં આવ્યા હતા જ્યાં આકાશ વાદળછાયું હતું; વૃક્ષોના તમામ ચિત્રો એવા દિવસો પર લેવામાં આવ્યા હતા જ્યાં સૂર્ય ચમકતો હતો. ન્યુરલ નેટને ટાંકીઓ નહીં, પરંતુ સૂર્યપ્રકાશને ઓળખવાની તાલીમ આપવામાં આવી હતી.

આખરે, જોકે, ઊંડા શિક્ષણ દ્વારા વિઝ્યુઅલ ઓળખ - ન્યુરલ નેટવર્ક દ્વારા સુવિધા આપવામાં આવે છે જે પેન કરતાં વધુ જટિલ છેtag1980 ના દાયકાની મેઇનફ્રેમને હેન્ડલ કરવામાં સક્ષમ હોત - એક વાસ્તવિકતા બની હતી 2012 માં, સ્ટેનફોર્ડ પ્રોફેસર એન્ડ્ર્યુ એનજી અને ગૂગલના સાથી જેફ ડીને 1000 કોરો સાથે 16 કમ્પ્યુટર્સનો ઉપયોગ કરીને પ્રથમ ડીપ ન્યુરલ નેટવર્ક્સમાંથી એક બનાવ્યું હતું કાર્ય: 10 મિલિયન YouTube વિડિઓનું વિશ્લેષણ કરો પરિણામ : તેને બિલાડીઓ મળી ² તેના "ડીપ લર્નિંગ" અલ્ગોરિધમનો આભાર, નેટવર્ક સમય જતાં બિલાડીઓને ઓળખવામાં સક્ષમ હતું, અને ખૂબ જ સારી ચોકસાઈ સાથે

1980 ના દાયકામાં અણધાર્યા હતા તેવા વિશાળ કમ્પ્યુટિંગ સંસાધનોની ઉપલબ્ધતા સાથે, ડીપ ન્યુરલ નેટવર્ક ઝડપથી સંશોધન માટે એક લોકપ્રિય ક્ષેત્ર બની ગયું છે ડીપ લર્નિંગ સિસ્ટમને અબજો સંયોજનો અને અવલોકનો દ્વારા આપમેળે "શીખવાની" ક્ષમતા આપે છે, જેના પર નિર્ભરતા ઘટાડે છે. માનવ સંસાધનો સાયબર સિક્યુરિટી ડોમેનની અંદર, આ પદ્ધતિ માલવેરને શોધવા માટે ખાસ કરીને આશાસ્પદ બની ગઈ છે-પરિસ્થિતિઓ જેમાં અમારી પાસે ઘણા ભૂતપૂર્વ સાથે મોટા ડેટાસેટ્સ છે.ampમાલવેરના લેસ કે જેમાંથી નેટવર્ક શીખી શકે છે

કમનસીબે, અંદરની ધમકી જેવા ચોક્કસ ઉપયોગના કિસ્સાઓની વાત આવે ત્યારે ડીપ લર્નિંગ પદ્ધતિઓ હાલમાં ઓછી અસરકારક છે, કારણ કે અમારી પાસે આ પ્રકારના હુમલાઓ પર યોગ્ય પ્રકારનો ડેટા નથી, જરૂરી માત્રામાં મોટાભાગે, અમારી પાસે જે માહિતી હોય છે. અંદરની ધમકીઓ અકલ્પનીય છે, જેનો આ પ્રકારના ન્યુરલ નેટવર્ક દ્વારા અસરકારક રીતે ઉપયોગ કરી શકાતો નથી.

જ્યાં સુધી આપણે વધુ અસરકારક ડેટાસેટ્સ (અને ડીપ લર્નિંગ સિસ્ટમ્સની કિંમત અને જટિલતાને ઘટાડી ન શકીએ) ત્યાં સુધી ડીપ લર્નિંગ એ બધા ઉપયોગના કેસ માટે યોગ્ય પસંદગી નથી અને તે ઠીક છે ડીપ લર્નિંગ એ ઘણા મશીન લર્નિંગ અલ્ગોરિધમ્સમાંનું એક છે, અને આ અભિગમો હોઈ શકે છે. જો વધુ મૂલ્યવાન ન હોય તો - તે બધું હાથ પરના કામ પર આધારિત છે

અમે તેના સત્તાવાર "જન્મ" પછીના છ દાયકામાં AI ટેક્નોલોજીની અપાર સંભાવનાઓ જોઈ છે અને અમે માત્ર સપાટીને ખંજવાળ કરી છે, ખાસ કરીને સુરક્ષામાં આગળ, અમે AI અને એનાલિટીક્સને બદલવા માટે સંભવિત એપ્લિકેશન્સમાં ઊંડા ઉતરીશું. જે રીતે અમે સુરક્ષા જોખમોને ઓળખીએ છીએ અને તેનો જવાબ આપીએ છીએ.

અનુમાનિત વિશ્લેષણ એ ખૂબ મોટી પઝલનો માત્ર એક ભાગ છે જે અમને સુરક્ષા ટીમો માટે વધુ ઉપયોગી સમજ આપી શકે છે.

અમે તેના સત્તાવાર "જન્મ" થી છ દાયકામાં AI ટેક્નોલૉજીની અપાર સંભાવનાઓ જોઈ છે અને અમે ફક્ત સપાટીને ખંજવાળ કરી છે, ખાસ કરીને સુરક્ષામાં.

સુરક્ષા એનાલિટિક્સ માટે એક નવું વિઝન

અત્યાર સુધી, આ માર્ગદર્શિકાએ મશીન લર્નિંગ પર નજીકથી નજર નાખી છે, તેની મર્યાદાઓ અને શક્તિઓને સમજ્યા છે, AIને સુવિધા આપવા માટે મશીન લર્નિંગ માટે પ્રચંડ સંભાવનાઓ છે, પરંતુ તે નોંધવું યોગ્ય છે કે ધમકી શોધવાની વ્યાપક રમત માત્ર ડીપ લર્નિંગ અથવા મશીન લર્નિંગ વિશે નથી. જેમ કે આજે આપણે જાણીએ છીએ કે નવા ડેટા પ્રકારો સાથે જોડાયેલી નવી વિશ્લેષણાત્મક પદ્ધતિઓ આપણને સંપૂર્ણ રીતે નવું માળખું આપી શકે છે જેમાં સુરક્ષા જોખમોનું વિશ્લેષણ કરવા અને તેના પર કાર્ય કરવા માટે.

નવી પદ્ધતિઓ	અનિશ્ચિતતા હેઠળ અનુકૂલનશીલ વિશ્લેષણ સતત વિશ્લેષણ ઑપ્ટિમાઇઝેશન	સંદર્ભને પ્રતિસાદ આપવો સ્થાનિક ફેરફાર/પ્રતિસાદને પ્રતિભાવ આપવો જોખમનું પ્રમાણ નક્કી કરવું અથવા ઓછું કરવું
પરંપરાગત	ઑપ્ટિમાઇઝેશન પ્રિડિક્ટિવ મોડેલિંગ સિમ્યુલેશન ફોરકાસ્ટિંગ ચેતવણીઓ ક્વેરી/ડ્રિલ ડાઉન એડહોક રિપોર્ટિંગ સ્ટાન્ડર્ડ રિપોર્ટિંગ	નિર્ણય જટિલતા, ઉકેલની ઝડપ કેઝ્યુઅલી, સંભવિત, આત્મવિશ્વાસનું સ્તર ઉચ્ચ વફાદારી, રમતો, ડેટા ફાર્મિંગ મોટા ડેટા સેટ, બિનરેખીય રીગ્રેસન નિયમો/ટ્રિગર્સ, સંદર્ભ સંવેદનશીલ, જટિલ ઘટનાઓ મેમરી ડેટામાં, અસ્પષ્ટ શોધ, ભૂતપૂર્વ દ્વારા જિયો અવકાશી ક્વેરીample, વપરાશકર્તા અહેવાલોનો બચાવ કરે છે વાસ્તવિક સમય, વિઝ્યુલાઇઝેશન, વપરાશકર્તાની ક્રિયાપ્રતિક્રિયા
નવો ડેટા	એન્ટિટી રિઝોલ્યુશન રિલેશનશિપ, ફીચર એક્સટ્રેક્શન એનોટેશન અને ટોકનાઇઝેશન	લોકો, ભૂમિકાઓ, સ્થાનો, વસ્તુઓ નિયમો, સિમેન્ટીક અનુમાન, મેચિંગ ઓટોમેટેડ, ક્રાઉડ સોર્સ

અમે જોયું છે કે એનાલિટિક્સ અન્ય ઉદ્યોગો માટે શું કરી શકે છે, અને એનાલિટિક્સ માટે સાયબર સિક્યુરિટી પર ઊંડી અસર થવાની સંભાવના છે, પણ અમે તેને એક નવા ક્ષેત્રમાં આકાર લેતા જોઈએ છીએ જેને અમે સુરક્ષા વિશ્લેષણ તરીકે ઓળખીએ છીએ, જે અનિવાર્યપણે યુદ્ધ-પરીક્ષણ લે છે. એલ્ગોરિધમ્સ અને પદ્ધતિઓ કે જેની અમે ચર્ચા કરી છે (અને વધુ) અને તેમને લાગુ કરીએ છીએ તે સુરક્ષામાં ખરેખર મુશ્કેલ સમસ્યાઓ ઉકેલવામાં મદદ કરે છે

આજે આપણે સુરક્ષામાં જે સૌથી સામાન્ય વિશ્લેષણો જોઈએ છીએ તેમાં અનુમાનિત મોડલ્સનો સમાવેશ થાય છે, જે આપણને મોટા પ્રમાણમાં ડેટાની અંદર ક્યાં જોખમો હોઈ શકે છે તે ઓળખવા દે છે (આ તે છે જ્યાં વિસંગતતા શોધ છે) ટૂંકમાં, અનુમાનિત મોડેલિંગ વાસ્તવિક સમયની વર્તણૂક સાથે ઐતિહાસિક ડેટાને જોડે છે. ભાવિ વર્તણૂકને સમજવા અથવા તેની આગાહી કરવા માટે આની સાથે, આપણે પ્રશ્નનો જવાબ આપી શકીએ છીએ, "આગળ શું થશે?"

પરંતુ સુરક્ષા એનાલિટિક્સ માટેનું અમારું વિઝન અહીં અટકતું નથી, અનુમાનિત વિશ્લેષણ એ એક ખૂબ મોટી પઝલનો માત્ર એક ભાગ છે જે અમને સુરક્ષા ટીમો માટે વધુ ઉપયોગી સમજ આપી શકે છે. આદર્શ વિશ્લેષણાત્મક નમૂનામાં બુદ્ધિશાળી સેન્સર અને સર્વવ્યાપક ડેટા સ્ત્રોતો-ડેસ્કટોપ્સ અને સર્વર્સ, મોબાઇલ , ક્લાઉડ, સોશિયલ નેટવર્ક્સ, ઓપન ડેટા, વગેરે - વર્તણૂક અને ધમકી વિશ્લેષણ માટે બહુવિધ અદ્યતન વિશ્લેષણાત્મક અભિગમો સાથે, જેમાં ફોરેન્સિક વિશ્લેષણ, જોખમ મોડેલિંગ, વિસંગતતા શોધ, વર્તણૂક અને પ્રતિભાવ ઑપ્ટિમાઇઝેશન અને વધુનો સમાવેશ થાય છે.

આનો અર્થ એ છે કે અમે જોખમની આગાહી કરવા અથવા ઓળખવા કરતાં ઘણું બધું કરી શકીએ છીએ તે અમને માત્ર અદ્યતન શોધ જ નહીં પરંતુ સૌથી વધુ અસરકારક રીતે કેવી રીતે પ્રતિસાદ આપવો તેની સમજ આપવા માટે પણ વધુ આગળ જવા દે છે સુરક્ષા એનાલિટિક્સ અમને અન્ય મુખ્ય પ્રશ્નોના જવાબ આપવાની શક્તિ આપે છે, જેમ કે "કેવી રીતે ત્યાં ઘણી ધમકીઓ છે?" અને "શ્રેષ્ઠ સંભવિત પ્રતિક્રિયા શું છે?"

અમે હજુ સુધી સાયબર સિક્યુરિટી પર લાગુ ઓપ્ટિમાઇઝેશન પદ્ધતિઓ જેવા એનાલિટિક્સના અન્ય વર્ગો જોયા નથી, પરંતુ તેમની પાસે અપાર સંભાવના છે

માજી માટેampતેથી, જ્યારે તમે તમારા સેલ ફોન સેવા પ્રદાતાને કોઈ સમસ્યા સાથે કૉલ કરો છો ત્યારે ઑપ્ટિમાઇઝેશન પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે તેઓ તમારી સેવા યોજનાને ડિસ્કાઉન્ટ પર અપગ્રેડ કરવા કે નહીં તે અંગે રેન્ડમલી ભલામણ કરતા નથી; તેઓ પૃષ્ઠભૂમિમાં ગણિતના સમૂહ પર આધાર રાખે છે જે તમારા કૉલ લૉગ, ડ્રોપ થયેલા કૉલ્સની સંખ્યા, તમારો ઇતિહાસ અન્ય વપરાશકર્તાઓ સાથે કેવી રીતે સરખાવે છે વગેરેને જુએ છે, વગેરે તે સંભવિતતાની પણ ગણતરી કરે છે કે તમે અન્ય સેવા પ્રદાતા પર સ્વિચ કરી શકો તે પછી, બહાર આગળના તમામ સંભવિત પગલાંઓમાંથી, તે ગ્રાહકની જાળવણીને મહત્તમ કરવા માટે શ્રેષ્ઠ આગલા પગલાની ગણતરી કરે છે

જોખમને ઓળખવા માટે સુરક્ષા ટીમને સમાન ગણિત લાગુ કરી શકાય છે, પ્રતિક્રિયા કરવાની ઘણી રીતો પ્રદાન કરી શકાય છે અને આ ચોક્કસ જોખમને મહત્તમ નિયંત્રણમાં રાખવા માટે ગાણિતિક રીતે શ્રેષ્ઠ પ્રતિભાવ નક્કી કરી શકાય છે.

સુરક્ષા જોખમોનો ઝડપી વધારો અને વિકાસ આ પ્રકારની પ્રતિભાવ કાર્યક્ષમતાને નિર્ણાયક બનાવે છે. આજે અમારી પાસે પહેલા કરતાં વધુ ડેટા છે, સદભાગ્યે, અમારી પાસે વધુ ગણતરી શક્તિ, બહેતર અલ્ગોરિધમ્સ અને સંશોધન અને તકનીકોમાં વ્યાપક રોકાણ પણ છે જેથી અમને આ ડેટાનો અર્થ સમજવામાં મદદ મળે. ગણિત દ્વારા તમામ એકાઉન્ટ્સ દ્વારા, અમે માનીએ છીએ કે સુરક્ષા વિશ્લેષણ હમણાં જ શરૂ થઈ રહ્યું છે.

અમારી પાસે આજે પહેલા કરતા વધુ ડેટા છે. સદ્ભાગ્યે, અમારી પાસે ગણિતના માધ્યમથી આ ડેટાને સમજવામાં મદદ કરવા માટે વધુ ગણતરી શક્તિ, બહેતર અલ્ગોરિધમ્સ અને સંશોધન અને તકનીકોમાં વ્યાપક રોકાણ પણ છે. તમામ એકાઉન્ટ્સ દ્વારા, અમે માનીએ છીએ કે સુરક્ષા વિશ્લેષણ હમણાં જ શરૂ થઈ રહ્યું છે.

ગ્રાહક આધાર

અમારી સાથે જોડાઓ
www.opentext.com
ઓપનટેક્સ્ટ સાયબરસિક્યુરિટી કંપનીઓ અને તમામ કદના ભાગીદારો માટે વ્યાપક સુરક્ષા ઉકેલો પ્રદાન કરે છે, નિવારણ, શોધ અને પુનઃપ્રાપ્તિ, તપાસ અને અનુપાલન માટે પ્રતિસાદ, અમારા એકીકૃત એન્ડ-ટુ-એન્ડ પ્લેટફોર્મ ગ્રાહકોને એક સર્વગ્રાહી સુરક્ષા પોર્ટફોલિયો દ્વારા સાયબર સ્થિતિસ્થાપકતા બનાવવામાં મદદ કરે છે જે અમારા તરફથી પગલાં લેવા યોગ્ય આંતરદૃષ્ટિ દ્વારા સંચાલિત થાય છે. રીઅલ-ટાઇમ અને સંદર્ભિત ખતરાની બુદ્ધિ, ઓપનટેક્સ્ટ સાયબર સિક્યુરિટી ગ્રાહકોને ઉચ્ચ કાર્યક્ષમતા ઉત્પાદનો, સુસંગત અનુભવ અને વ્યવસાયિક જોખમને સંચાલિત કરવામાં મદદ કરવા માટે સરળ સુરક્ષાનો લાભ મળે છે.
762-000016-003 | ઓ | 01/24 | © 2024 ઓપન ટેક્સ્ટ

દસ્તાવેજો / સંસાધનો

ઓપનટેક્સ્ટ આર્ટિફિશિયલ ઈન્ટેલિજન્સ અને મશીન લર્નિંગ [પીડીએફ] સૂચનાઓ આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને મશીન લર્નિંગ, ઇન્ટેલિજન્સ અને મશીન લર્નિંગ, મશીન લર્નિંગ

સંદર્ભો

• વપરાશકર્તા માર્ગદર્શિકા