opentext Kecerdasan Buatan dan Mesin

Kecerdasan buatan (AI) mengubah cara kita berinteraksi dengan mesin dan cara mesin berinteraksi dengan kita. Panduan ini menguraikan cara kerja AI, kekuatan dan keterbatasan berbagai jenis pembelajaran mesin, serta evolusi bidang studi yang terus berubah ini. Laporan ini juga mengeksplorasi peran analisis keamanan yang didukung AI atau analisis perilaku pengguna dan entitas (UEBA) untuk lebih melindungi perusahaan dari ancaman keamanan siber yang kompleks saat ini.

Mesin vs Pembelajaran Manusia

Kecerdasan buatan (AI) ada di mana-mana—setidaknya, itulah yang tampak di OpenText™, kebangkitan AI merupakan hal yang menarik sekaligus menantang. Namun seiring dengan keterlibatan kami dengan rekan-rekan, pelanggan, dan mitra, kami menyadari bahwa konsep AI tidak selalu mudah dipahami Untuk memulai panduan AI dan Machine Learning 101 ini, kami akan mengungkap teka-teki AI dengan menjawab pertanyaan utama yang banyak ditanyakan orang: “Apa sebenarnya kecerdasan buatan itu?”

Cara termudah untuk memahami kecerdasan buatan adalah dengan memetakannya pada sesuatu yang sudah kita pahami—kecerdasan kita sendiri. Bagaimana cara kerja kecerdasan manusia non-buatan? Pada tingkat paling dasar, kecerdasan kita mengikuti perkembangan sederhana: kita menerima informasi, memprosesnya, dan pada akhirnya informasi membantu kita bertindak.

Mari kita bagi menjadi diagram sistem. Pada gambar di bawah, tiga langkah umum kecerdasan manusia dari kiri ke kanan: masukan, pemrosesan, dan keluaran. Di otak manusia, masukan terjadi dalam bentuk penginderaan dan persepsi sesuatu. Mata Anda, hidung, telinga, dll., ambil masukan mentah di sebelah kiri, seperti foton cahaya atau bau pohon pinus, lalu proses. Di sisi kanan sistem adalah keluaran. Ini mencakup ucapan dan tindakan, yang keduanya bergantung pada caranya kita memproses masukan mentah yang diterima otak kita. Pemrosesan terjadi di tengah-tengah, di mana pengetahuan atau ingatan dibentuk dan diambil, keputusan dan kesimpulan dibuat, dan pembelajaran terjadi.

Gambar 1. Kecerdasan manusia

Bagaimana cara kerja kecerdasan manusia non-buatan? Pada tingkat paling dasar, kecerdasan kita mengikuti perkembangan sederhana: kita menerima informasi, memprosesnya, dan pada akhirnya informasi tersebut membantu kita bertindak.

Gambaran berhenti di persimpangan jalan Mata Anda melihat bahwa lampu lalu lintas di depan Anda baru saja berubah menjadi hijau Berdasarkan apa yang telah Anda pelajari dari pengalaman (dan pendidikan pengemudi), Anda tahu bahwa lampu hijau menandakan bahwa Anda harus mengemudi ke depan Jadi, Anda tekan pedal gas Lampu hijau adalah input mentah, akselerasi Anda adalah output; segala sesuatu di antaranya sedang diproses

Untuk menavigasi dunia di sekitar kita secara cerdas—menjawab telepon, membuat kue keping coklat, atau mematuhi lampu lalu lintas—kita perlu memproses masukan yang kita terima. Ini adalah inti pemrosesan kecerdasan manusia, dan pada akhirnya dipecah menjadi tiga aspek berbeda. :

1. Pengetahuan dan ingatan. Kita membangun pengetahuan ketika kita mencerna fakta (misalnya, Pertempuran Hastings yang terjadi pada tahun 1066) dan norma-norma sosial (misalnya, mengucapkan “Tolong” dan “Terima kasih” dianggap sopan). Selain itu, ingatan memungkinkan kita mengingat dan menerapkan informasi dari situasi masa lalu ke masa kini Misalnyaample, Edward ingat bahwa Jane tidak berterima kasih padanya atas hadiah ulang tahunnya, jadi dia tidak berharap Jane berterima kasih padanya ketika dia memberinya hadiah Natal.
2. Keputusan dan inferensi. Keputusan dan kesimpulan dibuat berdasarkan masukan mentah yang dikombinasikan dengan pengetahuan dan/atau ingatan. Misalnyaample, Edward makan lada jalapeno tahun lalu dan tidak menyukainya. Saat Johnny menawarkan lada kepada Edward, dia memutuskan untuk tidak memakannya
3. Sedang belajar. Manusia dapat belajar melalui example, observasi, atau algoritma Dalam pembelajaran dengan example, kita diberitahu bahwa satu hewan adalah seekor anjing, yang lainnya adalah seekor kucing. Dalam pembelajaran melalui observasi, kita mengetahui sendiri bahwa anjing menggonggong dan kucing mengeong. Metode pembelajaran ketiga—algoritma—memungkinkan kita menyelesaikan suatu tugas dengan mengikuti serangkaian langkah atau algoritma tertentu (misalnya, melakukan pembagian panjang)

Aspek-aspek kecerdasan manusia ini sejajar dengan kecerdasan buatan Sama seperti kita menerima informasi, memprosesnya, dan membagikan keluarannya, begitu pula mesin. Mari kita lihat gambar di bawah ini untuk melihat bagaimana hal ini dipetakan.

Gambar 2. Kecerdasan buatan

Untuk menavigasi dunia di sekitar kita secara cerdas—menjawab telepon, membuat kue keping coklat, atau mematuhi lampu lalu lintas—kita perlu memproses masukan yang kita terima.

Pada mesin, bagian masukan dari kecerdasan buatan dicontohkan dengan pemrosesan bahasa alami, pengenalan suara, pengenalan visual, dan masih banyak lagi. Anda melihat teknologi dan algoritme seperti itu di mana-mana, mulai dari mobil tanpa pengemudi yang perlu mendeteksi jalan raya dan rintangan, hingga Alexa atau Siri ketika mesin mengenali ucapan Anda. Keluaran berikutnya adalah cara mesin berinteraksi dengan dunia di sekitar kita. Hal ini dapat berupa robotika, sistem navigasi (untuk memandu mobil yang dapat mengemudi sendiri), pembangkitan ucapan (misalnya, Siri), dll. di antaranya, kami memiliki berbagai bentuk pemrosesan yang berlangsung

Mirip dengan perolehan pengetahuan dan ingatan kita, mesin dapat membuat representasi pengetahuan (misalnya, database grafik, ontologi) yang membantu mereka menyimpan informasi tentang dunia. Sama seperti manusia membuat keputusan atau menarik kesimpulan, mesin dapat membuat prediksi, mengoptimalkan target atau hasil, dan menentukan langkah atau keputusan terbaik selanjutnya untuk mencapai tujuan tertentu

Akhirnya, seperti yang kita pelajari dari contohample, observasi, atau algoritma, mesin dapat diajarkan menggunakan metode analog. Pembelajaran mesin yang diawasi sangat mirip dengan pembelajaran dengan contohample: komputer diberi kumpulan data dengan “label” di dalam kumpulan data tersebut yang bertindak sebagai jawaban, dan pada akhirnya belajar membedakan antara label-label yang berbeda (misalnya, kumpulan data ini berisi foto yang diberi label “anjing” atau “kucing”, dan dengan cukup mantanamples, komputer akan melihat bahwa anjing umumnya memiliki ekor yang lebih panjang dan telinga yang tidak terlalu lancip dibandingkan kucing)

Pembelajaran mesin tanpa pengawasan, di sisi lain, seperti pembelajaran melalui observasi. Komputer mengamati pola (anjing menggonggong dan kucing mengeong) dan, melalui ini, belajar membedakan kelompok dan pola sendiri (misalnya, ada dua kelompok hewan yang bisa dipisahkan oleh suara yang mereka buat; satu kelompok menggonggong—anjing—dan kelompok lainnya mengeong—kucing) Pembelajaran tanpa pengawasan tidak memerlukan label dan oleh karena itu lebih disukai ketika kumpulan data terbatas dan tidak memiliki label Terakhir, pembelajaran dengan algoritma adalah pilihan yang tepat. apa yang terjadi ketika seorang programmer menginstruksikan komputer apa yang harus dilakukan, langkah demi langkah, dalam sebuah program perangkat lunak.

Sebenarnya, hasil kecerdasan buatan yang paling akurat dan kurang memerlukan kombinasi metode pembelajaran. Pembelajaran mesin yang diawasi dan tidak diawasi adalah metode yang berguna— ini semua tentang menerapkan pendekatan atau pendekatan yang tepat pada kasus penggunaan yang tepat

Selanjutnya, kita akan melihat pembelajaran mesin untuk memahami bagaimana bagian AI ini mencerminkan neuron di otak kita untuk mengubah masukan menjadi keluaran yang optimal.

Idealnya, hasil kecerdasan buatan yang paling akurat dan efisien memerlukan kombinasi metode pembelajaran. Pembelajaran mesin yang diawasi dan tidak diawasi adalah metode yang berguna—ini semua tentang menerapkan pendekatan atau pendekatan yang tepat pada kasus penggunaan yang tepat.

Jaringan Neural dan Pembelajaran Mendalam

Pembelajaran mesin hanyalah salah satu bagian dari AI, meskipun ia memiliki banyak sekali algoritma di dalamnya. Salah satu metode yang sering Anda dengar saat ini adalah “pembelajaran mendalam,” sebuah algoritma yang telah mendapat banyak perhatian dalam berita dalam beberapa tahun terakhir. popularitas dan kesuksesannya, akan sangat membantu untuk memahami cara kerjanya Pembelajaran mendalam adalah evolusi dari algoritme pembelajaran mesin yang populer pada tahun 1980-an yang mungkin Anda kenali: jaringan saraf.

Jaringan saraf—paradigma pemrograman di mana kita melatih mesin untuk “belajar”—terinspirasi oleh neuron, atau sel khusus dalam tubuh manusia yang membentuk fondasi sistem saraf kita, dan khususnya otak. Sel-sel ini mengirimkan sinyal ke seluruh tubuh kita yang memicu saraf respons dan proses sistem Neuronlah yang memungkinkan kita melihat, mendengar, mencium, dan sebagainya.

Gambar 3. Bagaimana neuron menerima dan mengirim pesan

Banyak dari apa yang kita anggap sebagai pembelajaran manusia dapat dijelaskan oleh seberapa kuat hubungan antara dua neuron di otak kita, serta kekuatan pinggiran sinapsis kita.

Pada bagian pertama panduan ini, kita membahas proses dasar kecerdasan manusia: masukan di sebelah kiri, dan keluaran di sebelah kanan. Neuron (gambar di atas) memainkan peranan penting dalam hal ini. Di sisi kiri neuron, badan sel mengumpulkan “input” Setelah menerima input atau rangsangan yang cukup, akson fres, mengirimkan informasi ke sisi kanan—sinaps. “Output” kemudian dikirim ke neuron lain

Pada saat tertentu, neuron kita saling menyampaikan pesan. Sel-sel ini bertanggung jawab atas kemampuan kita untuk memahami lingkungan sekitar. Dan saat kita belajar, neuron kita menjadi sangat aktif. Faktanya, sebagian besar hal yang kita anggap sebagai pembelajaran manusia dapat dijelaskan dengan seberapa kuat hubungan antara dua neuron di otak kita, serta kekuatan pinggiran sinapsis kita

Jaringan saraf adalah simulasi matematika dari kumpulan sel neuron Gambar di bawah mewakili jaringan saraf dasar dengan 3 lapisan dan 12 node

Setiap simpul melingkar mewakili “neuron” buatan yang diilhami secara biologis. Garis-garis tersebut mewakili koneksi dari keluaran satu neuron buatan di sebelah kiri ke masukan neuron buatan lainnya di sebelah kanan. Sinyal antara neuron-neuron ini mengalir sepanjang garis dari kiri ke kanan. Dalam jaringan ini , masukan—seperti data piksel—mengalir dari lapisan masukan, melalui lapisan tengah yang “tersembunyi”, dan akhirnya ke lapisan keluaran dengan cara yang dijelaskan oleh persamaan matematika yang secara longgar terinspirasi oleh aktivitas listrik di neuron biologis sebenarnya.

Gambar 4. Jaringan saraf sederhana

Jaringan saraf belajar dengan mencoba mencocokkan kumpulan data yang disajikan ke lapisan masukan dengan hasil yang diinginkan di lapisan keluaran. Persamaan matematis menghitung keluaran, membandingkan keluaran yang disimulasikan dengan hasil yang diinginkan, dan perbedaan yang dihasilkan kemudian menghasilkan penyesuaian pada kekuatan koneksi.

Jaringan saraf belajar dengan mencoba mencocokkan kumpulan data yang disajikan ke lapisan masukan dengan hasil yang diinginkan di lapisan keluaran Persamaan matematis menghitung keluaran, membandingkan keluaran yang disimulasikan dengan hasil yang diinginkan, dan perbedaan yang dihasilkan kemudian menghasilkan penyesuaian pada kekuatan koneksi Perubahan ini dimodifikasi berulang kali hingga keluaran yang dihitung cukup mendekati hasil yang diinginkan, dan pada titik ini kami mengatakan jaringan saraf telah “belajar”

Gambar 5. Jaringan saraf yang kompleks

Jaringan saraf yang “lebih dalam” ini dapat melakukan prediksi yang jauh lebih kompleks. Mungkin terdapat ribuan node dan ratusan lapisan, yang berarti ribuan penghitungan berbeda Model pembelajaran mendalam telah menjadi sangat baik dalam masalah tertentu, seperti pengenalan ucapan atau gambar.

Namun, perlu dicatat bahwa pembelajaran mendalam bukanlah solusi terbaik untuk pembelajaran mesin— terutama dalam keamanan siber, yang terkadang tidak memiliki data bersih dalam jumlah besar yang ideal untuk metode pembelajaran mendalam. Penting untuk memilih algoritme yang tepat, data, dan prinsip pekerjaan Ini adalah cara terbaik bagi mesin untuk mengumpulkan bukti, menghubungkan titik-titik, dan menarik kesimpulan

Jaringan saraf mungkin tampak seperti masa depan, namun sudah ada sejak lama Faktanya, jaringan saraf didasarkan pada ide-ide yang mulai beredar pada tahun 1940-an. Pada bagian berikutnya, kita akan melakukan perjalanan singkat ke masa lalu untuk memahami bagaimana jaringan saraf dan pembelajaran mesin telah merambah banyak bagian kehidupan modern.

Jaringan saraf mungkin tampak seperti masa depan, tetapi sudah ada sejak lama. Faktanya, jaringan saraf didasarkan pada ide-ide yang mulai beredar pada tahun 1940-an.

Sejarah Singkat Artificial Intelligence

Bagi sebagian orang, istilah kecerdasan buatan (AI) mungkin membangkitkan gambaran kota-kota futuristik dengan mobil terbang dan robot rumah tangga. Namun AI bukanlah konsep futuristik, setidaknya saat ini. Meskipun tidak disebut demikian, gagasan tentang kecerdasan buatan dapat menjadi sebuah konsep yang futuristik. ditelusuri kembali ke zaman kuno (yaitu, pelayan mekanik dewa Yunani Hephaestus yang bisa berbicara) ¹ Sejak tahun 1930-an, para ilmuwan dan ahli matematika sama-sama bersemangat untuk mengeksplorasi penciptaan kecerdasan sejati yang terpisah dari manusia

Momen penentu AI pada pertengahan abad ke-20 adalah perpaduan yang menggembirakan antara matematika dan biologi, dengan para peneliti seperti Norbert Wiener, Claude Shannon, dan Alan Turing telah berhasil menemukan titik temu antara sinyal listrik dan komputasi. Pada tahun 1943, Warren McCulloch dan Walter Pitts telah menciptakan model untuk jaringan saraf Jaringan saraf membuka jalan bagi dunia komputasi baru yang berani dengan tenaga yang lebih besar, dan, pada tahun 1956, bidang penelitian AI secara resmi ditetapkan sebagai disiplin akademis

Paruh kedua abad ini merupakan masa yang menarik bagi penelitian dan kemajuan AI, yang terkadang disela oleh “musim dingin AI” pada pertengahan tahun 70an dan akhir tahun 80an ketika AI gagal memenuhi harapan masyarakat, dan investasi di bidang tersebut berkurang. berbagai aplikasi untuk AI dan pembelajaran mesin bermunculan di kiri dan kanan. Salah satu anekdot mengenai penerapan semacam ini telah menjadi perumpamaan populer dalam komunitas ilmiah, yang secara efektif menggambarkan cobaan dan kesengsaraan dalam penelitian dan penerapan AI.

Ceritanya kurang lebih seperti ini:

Pada tahun 1980-an, Penatagpada memutuskan untuk menggunakan jaringan saraf untuk mengidentifikasi tank yang disamarkan Bekerja hanya dengan satu kerangka utama (ingat sejak tahun 1980an), jaringan saraf tersebut dilatih dengan 200 gambar—100 tank dan 100 pohon Meskipun jaringan sarafnya relatif kecil (karena tahun 1980an keterbatasan komputasi dan memori), pelatihan laboratorium menghasilkan akurasi 100%. Dengan keberhasilan tersebut, tim memutuskan untuk mencobanya di lapangan. Hasilnya tidak bagus.

Gambar 6. Gambar lab vs lapangan (Sumber: Neural Network Follies, Neil Fraser, September 1998)

Dengan ketersediaan sumber daya komputasi yang sangat besar yang tidak terbayangkan pada tahun 1980-an, jaringan saraf dalam dengan cepat menjadi bidang penelitian yang populer. Pembelajaran mendalam memberi sistem kemampuan untuk “belajar” secara otomatis melalui miliaran kombinasi dan pengamatan, sehingga mengurangi ketergantungan pada sumber daya manusia.

Mengapa jaringan syaraf bekerja dengan sangat baik pada foto-foto di laboratorium, namun gagal total di lapangan? Ternyata semua foto non-tank diambil pada hari-hari ketika langit berawan; semua gambar pepohonan diambil pada hari-hari ketika matahari bersinar. Jaringan saraf telah dilatih untuk mengenali cuaca cerah, bukan tank

Namun pada akhirnya, pengenalan visual melalui pembelajaran mendalam—difasilitasi oleh jaringan saraf yang jauh lebih kompleks daripada Penatagmainframe tahun 1980-an akan mampu menanganinya—menjadi kenyataan Pada tahun 2012, profesor Stanford Andrew Ng dan rekan Google Jef Dean menciptakan salah satu jaringan saraf dalam pertama menggunakan 1000 komputer dengan masing-masing 16 inti Tugas: menganalisis 10 juta video YouTube Hasilnya : menemukan kucing ² Berkat algoritma “pembelajaran mendalam”, jaringan mampu mengenali kucing dari waktu ke waktu, dan dengan akurasi yang sangat baik

Dengan ketersediaan sumber daya komputasi yang sangat besar yang tidak terbayangkan pada tahun 1980-an, jaringan saraf dalam dengan cepat menjadi bidang penelitian yang populer. Pembelajaran mendalam memberi sistem kemampuan untuk secara otomatis “belajar” melalui miliaran kombinasi dan observasi, sehingga mengurangi ketergantungan pada sumber daya komputasi yang luas. sumber daya manusia Dalam domain keamanan siber, metode ini menjadi sangat menjanjikan untuk mendeteksi malware—skenario di mana kita memiliki kumpulan data besar dengan banyak contohampfile malware yang dapat dipelajari oleh jaringan

Sayangnya, metode pembelajaran mendalam saat ini kurang efektif dalam kasus penggunaan tertentu, seperti ancaman orang dalam, karena kita tidak memiliki data yang tepat mengenai jenis serangan ini, dalam jumlah yang dibutuhkan. Seringkali, informasi yang kita miliki ancaman orang dalam bersifat anekdot, yang tidak dapat digunakan secara efisien oleh jenis jaringan saraf ini.

Sampai kita dapat mengumpulkan kumpulan data yang lebih efektif (dan mengurangi biaya dan kompleksitas sistem pembelajaran mendalam), pembelajaran mendalam bukanlah pilihan yang tepat untuk semua kasus penggunaan. Dan tidak apa-apa Pembelajaran mendalam hanyalah salah satu dari banyak algoritme pembelajaran mesin, dan pendekatan ini dapat diterapkan seolah-olah tidak lebih berharga—semuanya bergantung pada pekerjaan yang ada

Kita telah melihat potensi besar dari teknologi AI dalam enam dekade sejak “kelahiran” resminya, dan kita baru saja menyentuh permukaannya, terutama di bidang keamanan. Selanjutnya, kita akan mendalami lebih dalam potensi penerapan AI dan analitik untuk mengubah dunia. cara kami mengidentifikasi dan merespons ancaman keamanan.

Analisis prediktif hanyalah salah satu bagian dari teka-teki yang jauh lebih besar yang dapat memberi kita wawasan yang lebih berguna bagi tim keamanan.

Kita telah melihat potensi besar dari teknologi AI dalam enam dekade sejak “kelahiran” resminya, dan kita baru saja menyentuh permukaannya, terutama di bidang keamanan.

Visi Baru untuk Analisis Keamanan

Sejauh ini, panduan ini telah membahas pembelajaran mesin dengan cermat, memahami keterbatasan dan kelebihannya. Ada potensi besar pembelajaran mesin untuk memfasilitasi AI, namun perlu dicatat bahwa permainan deteksi ancaman yang lebih luas bukan hanya tentang pembelajaran mendalam atau pembelajaran mesin. seperti yang kita kenal sekarang Metode analisis baru yang dikombinasikan dengan tipe data baru dapat memberi kita kerangka kerja baru untuk menganalisis dan bertindak terhadap ancaman keamanan.

Metode Baru	Analisis Adaptif Analisis Kontinyu Optimasi dalam Ketidakpastian	Merespon konteks Merespon perubahan/umpan balik lokal Mengukur atau memitigasi risiko
Tradisional	Optimasi Pemodelan Prediktif Simulasi Peramalan Peringatan Kueri/Telusuri Pelaporan Ad hoc Pelaporan Standar	Kompleksitas keputusan, kecepatan solusi Santai, probabilistik, tingkat kepercayaan Ketelitian tinggi, permainan, pengumpulan data Kumpulan data yang lebih besar, regresi nonlinier Aturan/pemicu, peka konteks, peristiwa kompleks Dalam data memori, pencarian fuzzy, geo spasial Kueri berdasarkan example, laporan pertahanan pengguna Waktu nyata, visualisasi, interaksi pengguna
Data Baru	Hubungan Resolusi Entitas, Anotasi Ekstraksi Fitur, dan Tokenisasi	Orang, peran, lokasi, hal Aturan, inferensi semantik, pencocokan Otomatis, bersumber dari kerumunan

Kami telah melihat manfaat analitik bagi industri lain, dan terdapat potensi analitik untuk memberikan dampak besar terhadap keamanan siber. Kami melihat hal ini mulai terbentuk dalam bidang baru yang kami sebut sebagai analitik keamanan, yang pada dasarnya merupakan bidang yang sudah teruji. algoritma dan metodologi yang telah kita diskusikan (dan lebih banyak lagi) dan menerapkannya membantu memecahkan masalah keamanan yang sangat sulit

Analitik paling umum yang kita lihat dalam keamanan saat ini melibatkan model prediktif, yang memungkinkan kita mengidentifikasi di mana risiko mungkin berada dalam data dalam jumlah besar (di sinilah deteksi anomali dilakukan). Singkatnya, pemodelan prediktif menggabungkan data historis dengan perilaku real-time untuk memahami atau memprediksi perilaku di masa depan Dengan ini, kita dapat menjawab pertanyaan, “Apa yang terjadi selanjutnya?”

Namun visi kami untuk analisis keamanan tidak berhenti sampai di sini. Analisis prediktif hanyalah salah satu bagian dari teka-teki yang jauh lebih besar yang dapat memberi kami wawasan yang jauh lebih berguna bagi tim keamanan. Paradigma analisis yang ideal menggabungkan sensor cerdas dan sumber data yang ada di mana-mana—desktop dan server, seluler , cloud, jejaring sosial, data terbuka, dll —dengan berbagai pendekatan analitis tingkat lanjut untuk analisis perilaku dan ancaman, termasuk analisis forensik, pemodelan risiko, deteksi anomali, optimalisasi perilaku dan respons, dan banyak lagi

Artinya, kami dapat melakukan lebih dari sekadar memprediksi atau mengidentifikasi ancaman. Hal ini memungkinkan kami melangkah lebih jauh dengan menawarkan tidak hanya deteksi tingkat lanjut namun juga wawasan tentang cara merespons dengan paling efektif Analisis keamanan memberi kami kemampuan untuk menjawab pertanyaan penting lainnya, seperti “Bagaimana banyak ancaman di sana?” dan “Apa reaksi terbaik yang mungkin terjadi?”

Kami belum melihat jenis analisis lain seperti metode pengoptimalan yang diterapkan pada keamanan siber, namun metode ini memiliki potensi yang sangat besar. Teknik ini melihat semua kemungkinan reaksi terhadap risiko keamanan dan menentukan respons terbaik Ya, ada cara untuk melakukan hal ini dengan matematika

Misalnyaample, metode optimasi digunakan ketika Anda melakukan panggilan ke penyedia layanan telepon seluler Anda dengan suatu masalah. Mereka tidak secara acak membuat rekomendasi apakah akan meningkatkan paket layanan Anda dengan harga diskon atau tidak; mereka mengandalkan sekumpulan matematika di latar belakang yang melihat log panggilan Anda, jumlah panggilan yang terputus, bagaimana riwayat Anda dibandingkan dengan riwayat pengguna lain, dll. Bahkan menghitung kemungkinan Anda beralih ke penyedia layanan lain. Lalu, keluar dari semua kemungkinan langkah selanjutnya, ini menghitung langkah terbaik berikutnya untuk memaksimalkan retensi pelanggan

Perhitungan yang sama dapat diterapkan pada tim keamanan untuk mengidentifikasi risiko, memberikan sejumlah cara untuk bereaksi, dan secara matematis menentukan respons terbaik untuk memaksimalkan pengendalian risiko khusus ini.

Peningkatan pesat dan evolusi ancaman keamanan membuat efisiensi respons seperti ini menjadi penting. Saat ini kita memiliki lebih banyak data dibandingkan sebelumnya. Syukurlah, kita juga memiliki daya komputasi yang lebih besar, algoritma yang lebih baik, dan investasi yang lebih luas dalam penelitian dan teknologi untuk membantu kita memahami data ini. melalui matematika Secara keseluruhan, kami yakin analisis keamanan baru saja dimulai.

Kami memiliki lebih banyak data saat ini dibandingkan sebelumnya. Untungnya, kita juga memiliki kekuatan komputasi yang lebih besar, algoritma yang lebih baik, dan investasi yang lebih luas dalam penelitian dan teknologi untuk membantu kita memahami data ini melalui matematika. Secara keseluruhan, kami yakin analisis keamanan baru saja dimulai.

Dukungan Pelanggan

Hubungi Kami
www.opentext.com
OpenText Cybersecurity memberikan solusi keamanan komprehensif untuk perusahaan dan mitra dari semua ukuran Mulai dari pencegahan, deteksi, dan respons hingga pemulihan, investigasi, dan kepatuhan, platform terpadu kami yang menyeluruh membantu pelanggan membangun ketahanan siber melalui portofolio keamanan holistik Didukung oleh wawasan yang dapat ditindaklanjuti dari kami intelijen ancaman real-time dan kontekstual, pelanggan Keamanan Siber OpenText mendapatkan manfaat dari produk dengan efisiensi tinggi, pengalaman yang patuh, dan keamanan yang disederhanakan untuk membantu mengelola risiko bisnis
762-000016-003 | HAI | 01/24 | © 2024 Teks Terbuka

Dokumen / Sumber Daya

opentext Kecerdasan Buatan dan Pembelajaran Mesin [Bahasa Indonesia:] Instruksi Kecerdasan Buatan dan Pembelajaran Mesin, Kecerdasan dan Pembelajaran Mesin, Pembelajaran Mesin

Referensi

• Panduan Pengguna