opentext gervigreind og vél
Gervigreind (AI) er að breyta því hvernig við höfum samskipti við vélar og hvernig vélar hafa samskipti við okkur. Þessi handbók greinir frá því hvernig gervigreind virkar, styrkleika og takmarkanir ýmissa tegunda vélanáms og þróun þessa síbreytilegu fræðasviðs. Það kannar einnig hlutverk gervigreindar virktar öryggisgreiningar eða notenda- og hegðunargreiningar (UEBA) til að vernda fyrirtæki betur gegn flóknum netöryggisógnum nútímans.
Machine vs Human Learning
Gervigreind (AI) er alls staðar - að minnsta kosti, þannig virðist það Á OpenText™ er uppgangur gervigreindar bæði spennandi og krefjandi En þegar við höfum átt samskipti við jafningja okkar, viðskiptavini og samstarfsaðila höfum við komist að því að Hugmyndin um gervigreind er ekki alltaf auðskilin Til að hefja þessa AI and Machine Learning 101 handbók munum við taka upp gervigreindargátuna með því að svara aðalspurningunni sem margir spyrja: „Hvað er gervigreind í raun?
Auðveldasta leiðin til að skilja gervigreind er að kortleggja hana við eitthvað sem við skiljum nú þegar – okkar eigin greind Hvernig virkar ógervi, mannleg greind? Á grunnstigi fylgir greind okkar einfaldri framvindu: við tökum inn upplýsingar, vinnum úr þeim og á endanum hjálpa upplýsingarnar okkur að bregðast við
Við skulum brjóta þetta niður í kerfismynd. Á myndinni hér að neðan eru þrjú almenn skref mannlegrar greind frá vinstri til hægri: inntak, vinnsla og úttak Í mannsheilanum fer inntak fram í formi þess að skynja og skynja hluti Augun þín, nef, eyru osfrv við vinnum úr hráu inntakinu sem heilinn okkar tekur á móti. Úrvinnslan á sér stað í miðjunni, þar sem þekking eða minningar myndast og sóttar, ákvarðanir og ályktanir teknar og nám á sér stað.
Mynd 1. Mannleg greind
Hvernig virkar ógervi, mannleg greind? Á grunnstigi fylgir greind okkar einfaldri framvindu: við tökum inn upplýsingar, vinnum úr þeim og á endanum hjálpa upplýsingarnar okkur að bregðast við.
Mynd sem stoppar á gatnamótum á akbraut Augun þín sjá að umferðarljósið fyrir framan þig er nýlega orðið grænt Miðað við það sem þú hefur lært af reynslu (og menntun ökumanns) veistu að grænt ljós gefur til kynna að þú ættir að keyra áfram. ýttu á bensínpedalinn Græna ljósið er hráinntakið, hröðunin þín er úttakið; allt þar á milli er vinnsla
Til að rata um heiminn í kringum okkur á skynsamlegan hátt—svara í síma, baka súkkulaðibitakökur eða hlýða umferðarljósum—þurfum við að vinna úr inntakinu sem við fáum. Þetta er kjarninn í mannlegri upplýsingaöflun og það er að lokum sundurliðað í þrjá aðskilda þætti :
- Þekking og minni. Við byggjum upp þekkingu þegar við tökum að okkur staðreyndir (þ.e. orrustan við Hastings átti sér stað árið 1066) og félagsleg viðmið (þ.e. að segja „Vinsamlegast“ og „Þakka þér“ er talið kurteislegt) Að auki gerir minni okkur kleift að muna og beita upplýsingum frá fortíð til nútíðar Til dæmisampEdward man eftir því að Jane þakkaði honum ekki fyrir afmælisgjöfina, svo hann býst ekki við því að hún þakkaði honum þegar hann gefur henni jólagjöf
- Ákvörðun og ályktun. Ákvarðanir og ályktanir eru teknar út frá hráu inntaki ásamt þekkingu og/eða minni. Tdample, Edward borðaði jalapeno pipar í fyrra og líkaði ekki þegar Johnny býður Edward upp á pipar ákveður hann að borða hana ekki
- Að læra. Menn geta lært af fyrrvample, athugun eða reiknirit Í námi eftir tdample, okkur er sagt að eitt dýrið sé hundur, hitt sé köttur. Þegar við lærum með athugun komumst við sjálfir að því að hundar gelta og að kettir mjáa. Þriðja námsaðferðin – reiknirit – gerir okkur kleift að klára verkefni með því að fylgja röð skrefa eða ákveðið reiknirit (td að framkvæma langa skiptingu)
Þessir þættir mannlegrar greind eru samhliða gervigreind Rétt eins og við tökum inn upplýsingar, vinnum úr þeim og deilum framleiðslu, þannig geta vélar horft á myndina hér að neðan til að sjá hvernig þetta kemur út.
Mynd 2. Gervigreind
Til að fara skynsamlega um heiminn í kringum okkur—svara í síma, baka súkkulaðikex eða hlýða umferðarljósum—þurfum við að vinna úr inntakinu sem við fáum.
Í vélum er inntakshluti gervigreindar dæmigerður með náttúrulegri málvinnslu, talgreiningu, sjóngreiningu og fleira. Þú sérð slíka tækni og reiknirit alls staðar, allt frá sjálfkeyrandi bílum sem þurfa að skynja akbrautir og hindranir, til Alexa eða Siri þegar það ber kennsl á tal þitt. Úttakið sem hér fer á eftir er hvernig vélar hafa samskipti við heiminn í kringum okkur. Þetta gæti verið í formi vélfærafræði, leiðsögukerfa (til að leiðbeina þessum sjálfkeyrandi bílum), talmyndun (td , Siri), osfrv. á milli erum við með ýmiss konar vinnslu sem á sér stað
Svipað og uppsöfnun okkar á þekkingu og minningum, geta vélar búið til þekkingarframsetningu (td grafgagnagrunna, verufræði) sem hjálpa þeim að geyma upplýsingar um heiminn Rétt eins og menn taka ákvarðanir eða draga ályktanir, geta vélar spáð, hagrætt fyrir markmið eða niðurstöðu, og ákvarða bestu næstu skref eða ákvarðanir til að ná tilteknu markmiði
Að lokum, eins og við lærum af fyrrvample, athugun eða reiknirit, hægt er að kenna vélar með hliðstæðum aðferðum Stýrt vélanám er svipað og nám eftir fyrrverandiample: tölvan fær gagnapakka með „merkjum“ innan gagnasafnsins sem virka sem svör, og lærir að lokum að greina muninn á mismunandi merkimiðum (td þetta gagnasafn inniheldur myndir sem eru merktar annað hvort „hundur“ eða „köttur“ og með nóg af examples, mun tölvan taka eftir því að hundar hafa yfirleitt lengri skott og minna oddhvass eyru en kettir)
Vélnám án eftirlits er aftur á móti eins og að læra með athugun. Tölvan fylgist með mynstrum (hundar gelta og kettir mjáa) og lærir í gegnum þetta að greina hópa og mynstur á eigin spýtur (td eru tveir hópar dýra sem geta vera aðskilin af hljóðinu sem þeir gefa frá sér - hundar - og hinn hópurinn mjáar - kettir) Nám án eftirlits krefst ekki merkinga og getur því verið æskilegt þegar gagnasöfn eru takmörkuð og hafa ekki merki Að lokum er nám með reiknirit hvað gerist þegar forritari leiðbeinir tölvu nákvæmlega hvað á að gera, skref fyrir skref, í hugbúnaðarforriti.
akkúrat, nákvæmustu og ábótavantustu gervigreindarniðurstöðurnar krefjast blöndu af námsaðferðum Bæði undir eftirliti og án eftirlits vélanáms eru gagnlegar aðferðir - þetta snýst allt um að beita réttu aðferðum eða nálgunum við rétta notkunartilvikið
Næst munum við setja vélanám undir smásjá til að skilja hvernig þessi hluti gervigreindar speglar taugafrumurnar í heila okkar til að breyta inntakinu í hámarksafköst.
Helst þurfa nákvæmustu og skilvirkustu gervigreindarniðurstöðurnar blöndu af námsaðferðum. Bæði vélanám undir eftirliti og án eftirlits eru gagnlegar aðferðir — þetta snýst allt um að beita réttu aðferðum eða aðferðum við rétta notkunartilvikið.
Tauganetið og djúpt nám
Vélnám er aðeins einn hluti gervigreindar, þó að það hafi gríðarmikið undirmengi reiknirita innan þess. Ein aðferð sem þú heyrir oft í dag er „djúpt nám“, reiknirit sem hefur fengið talsverða athygli í fréttum undanfarin ár. vinsældir þess og velgengni, það er gagnlegt að skilja hvernig það virkar Djúpt nám er þróun vélræns reiknirits sem var vinsælt á níunda áratugnum og þú gætir kannast við: taugakerfi.
Taugakerfi – forritunarfyrirmynd þar sem við þjálfum vélar til að „læra“ – eru innblásin af taugafrumum, eða sérhæfðum frumum í mannslíkamanum sem mynda grunn taugakerfis okkar, og sérstaklega heila. Þessar frumur senda boð um líkama okkar kerfissvörun og ferli Taugafrumur eru það sem gerir okkur kleift að sjá, heyra, lykta o.s.frv.
Mynd 3. Hvernig taugafrumur taka á móti og senda skilaboð
Margt af því sem við lítum á sem mannlegt nám má lýsa með því hversu sterk tengsl tveggja taugafrumna í heila okkar eru ásamt styrk jaðar taugamótanna okkar.
Í fyrsta hluta þessarar handbókar ræddum við grunnferli mannlegrar upplýsingaöflunar: inntak vinstra megin og úttak til hægri. Taugafruman (á myndinni hér að ofan) gegnir mikilvægu hlutverki í þessu. Vinstra megin á taugafrumunni safnar frumulíkaminn „inntak“ Þegar það hefur fengið nægjanlegt inntak eða örvun, fress axonið og sendir upplýsingarnar til hægri hliðar - taugamótin „Úttakið“ er síðan sent til annarra taugafrumna
Á hverri stundu eru taugafrumur okkar að senda skilaboð sín á milli. Þessar frumur bera ábyrgð á getu okkar til að skynja umhverfi okkar Og þegar við lærum verða taugafrumur okkar mjög virkar. Í raun má lýsa miklu af því sem við hugsum um sem mannlegt nám með hversu sterk tengsl tveggja taugafrumna í heila okkar eru ásamt styrk jaðar taugamóta okkar
Tauganet er stærðfræðileg eftirlíking af safni taugafrumna Myndin hér að neðan sýnir grunn tauganet með 3 lögum og 12 hnútum
Hver hringlaga hnút táknar gervi, líffræðilega innblásna „taugafrumu“ Línurnar tákna tengingu frá úttak einnar gervi taugafrumu vinstra megin til inntaks annarrar hægra megin. Merki milli þessara taugafruma streyma eftir línum frá vinstri til hægri í þessum netum , inntak—eins og pixlagögn—flæðir frá inntakslaginu, í gegnum miðju „falin“ lögin og að lokum til úttakslagsins á þann hátt sem lýst er með stærðfræðilegum jöfnum sem eru lauslega innblásnar af rafvirkni í raunverulegum líffræðilegum taugafrumum.
Mynd 4. Einfalt tauganet
Tauganet læra með því að reyna að passa gagnasöfn sem kynnt eru inntakslaginu við æskilegan útkomu í úttakslaginu. Stærðfræðilegu jöfnurnar reikna úttakið, bera saman hermaúttakið við æskilega útkomu, og mismunurinn sem myndast framkallar síðan lagfæringar á styrk tenginganna.
Tauganet læra með því að reyna að passa gagnasöfn sem lögð eru fyrir inntakslagið við æskilegar útkomur í úttakslaginu. Stærðfræðilegu jöfnurnar reikna úttakið, bera saman herma úttakið við æskilega útkomu og munurinn sem myndast framkallar síðan lagfæringar á styrk tenginganna Þessum klipum er endurtekið breytt þar til reiknað úttak er nógu nálægt æskilegri niðurstöðu, á þeim tímapunkti segjum við að taugakerfið hafi „lært“
Mynd 5. Flókið tauganet
Þessi „dýpri“ tauganet geta gert miklu flóknari spár. Það geta verið þúsundir hnúta og hundruð laga, sem þýðir þúsundir mismunandi útreikninga Djúpnámslíkön eru orðin mjög góð í sérstökum vandamálum, svo sem tal- eða myndgreiningu.
Það er hins vegar rétt að taka fram að djúpnám er ekki silfurkúla fyrir vélanám – sérstaklega ekki í netöryggi, þar sem stundum er ekki mikið magn hreinna gagna sem er tilvalið fyrir djúpnámsaðferðir. Mikilvægt er að velja rétta reikniritið, gögn og meginreglur fyrir starfið Þetta er besta leiðin fyrir vélar til að safna sönnunargögnum, tengja punktana og draga ályktanir
Tauganet gæti virst vera efni framtíðarinnar, en það hefur verið til í nokkurn tíma. Reyndar eru tauganet byggð á hugmyndum sem fóru að berast aftur á fjórða áratugnum. Í næsta kafla förum við í stutta ferð aftur í tímann til að skilja hvernig taugakerfi og vélanám hafa farið að gegnsýra marga hluta nútímalífs.
Taugakerfi gætu virst vera efni framtíðarinnar, en það hefur verið til í nokkurn tíma. Reyndar eru taugakerfi byggð á hugmyndum sem fóru að berast aftur á fjórða áratugnum.
Stutt saga gervigreindar
Fyrir sumt fólk gæti hugtakið gervigreind (AI) kallað fram myndir af framúrstefnulegum borgum með fljúgandi bílum og heimilisvélmennum. En gervigreind er ekki framúrstefnulegt hugtak, að minnsta kosti ekki lengur Þó ekki sé nefnt sem slíkt, getur hugmyndin um gervigreind verið rekja til fornaldar (þ.e., talandi vélrænar ambáttir gríska guðsins Hefaistosar) ¹ Síðan 1930 hafa bæði vísindamenn og stærðfræðingar verið fúsir til að kanna að skapa sanna greind aðskilin frá mönnum
Augnablik gervigreindar um miðja 20. öld var ánægjulegt samruna stærðfræði og líffræði, þar sem vísindamenn eins og Norbert Wiener, Claude Shannon og Alan Turing höfðu þegar flísað í burtu á mótum rafmerkja og útreikninga. Árið 1943, Warren McCulloch og Walter Pitts. hafði búið til líkan fyrir taugakerfi Tauganet ruddi brautina fyrir hugrakkur nýjan tölvuheim með meiri hestöflum og árið 1956 var svið gervigreindarrannsókna formlega stofnað sem akademísk fræðigrein.
Síðari helmingur aldarinnar var spennandi aldur fyrir gervigreindarrannsóknir og framfarir, af og til truflaður af "AI-vetrum" um miðjan áttunda og seint á níunda áratugnum þar sem gervigreind stóðst ekki væntingar almennings og fjárfesting á sviði minnkaði. En þrátt fyrir áföll, mismunandi forrit fyrir gervigreind og vélanám birtust til vinstri og hægri. Ein sérstök saga af slíku forriti hefur orðið vinsæl dæmisaga innan vísindasamfélagsins, sem talar á mjög áhrifaríkan hátt um tilraunir og þrengingar gervigreindarrannsókna og framkvæmdar.
Sagan er eitthvað á þessa leið:
Á níunda áratugnum var Penninntagá ákvað að nota tauganet til að bera kennsl á felulita skriðdreka. Þegar unnið var með aðeins eina stórtölvu (frá 1980, hafðu í huga), var tauganetið þjálfað með 200 myndum—100 skriðdrekum og 100 trjám Þrátt fyrir tiltölulega lítið tauganet (vegna 1980). takmarkanir á útreikningum og minni), þjálfun á rannsóknarstofu leiddi til 100% nákvæmni. Með slíkum árangri ákveður teymið að fara út á völlinn. Árangurinn var ekki frábær.
Mynd 6. Lab vs field pictures (Heimild: Neural Network Follies, Neil Fraser, september 1998)
Þar sem mikil tölvuauðlindir voru tiltækar sem ódreymt var um á níunda áratugnum, hafa djúp taugakerfi fljótt orðið vinsælt rannsóknarsvæði. Djúpnám gefur kerfi getu til að „læra“ sjálfkrafa í gegnum milljarða samsetningar og athugana, sem dregur úr ósjálfstæði á mannauði.
Hvers vegna gekk tauganetið svona frábærlega á myndunum í rannsóknarstofunni, en mistókst svo algjörlega á sviði? Í ljós kom að myndirnar án skriðdreka voru allar teknar á dögum þar sem himinninn var skýjaður; allar myndirnar af trjánum voru teknar á dögum þar sem sólin skein. Tauganetið hafði verið þjálfað til að þekkja sólríka, ekki skriðdreka
Að lokum, þó, sjónræn viðurkenning með djúpu námi - auðveldað af tauganetum sem eru mun flóknari en penninntagá 1980 stórtölvunni hefði getað ráðið við — varð að veruleika Árið 2012 bjuggu Stanford prófessor Andrew Ng og Google náungi Jef Dean til eitt fyrsta djúptauganetið með því að nota 1000 tölvur með 16 kjarna hvor. Verkefnið: greina 10 milljónir YouTube myndbanda Niðurstaðan : það fann ketti ² Þökk sé „djúpt nám“ reikniritinu, gat netkerfið þekkt ketti með tímanum og með mjög góðri nákvæmni
Þar sem mikil tölvuauðlindir voru tiltækar sem ódreymt var um á níunda áratugnum, hafa djúp taugakerfi fljótt orðið vinsælt svæði fyrir rannsóknir. mannauðs Innan netöryggissviðsins hefur aðferðin orðið sérlega vænleg til að greina spilliforrit — sviðsmyndir þar sem við höfum stór gagnasöfn með mörgum td.amples af spilliforritum sem netið getur lært af
Því miður eru djúpnámsaðferðir eins og er minna árangursríkar þegar kemur að ákveðnum notkunartilfellum, eins og innherjaógn, vegna þess að við höfum einfaldlega ekki réttu gögnin um þessar tegundir árása, í því magni sem krafist er. Oftast eru upplýsingarnar sem við höfum um innherjaógnanir eru sögulegar, sem ekki er hægt að nota á skilvirkan hátt af þessum tegundum tauganeta.
Þangað til við getum safnað skilvirkari gagnasöfnum (og dregið úr kostnaði og flóknu djúpnámskerfum), er djúpnám ekki rétti kosturinn fyrir öll notkunartilvik. alveg eins og það sé ekki verðmætara - það veltur allt á starfinu
Við höfum séð gríðarlega möguleika gervigreindartækni á þeim sex áratugum sem liðnir eru frá opinberri „fæðingu“ og við höfum aðeins klórað yfirborðið, sérstaklega í öryggismálum. leið til að bera kennsl á og bregðast við öryggisógnum.
Forspárgreining er aðeins einn hluti af miklu stærri púsluspili sem getur gefið okkur miklu gagnlegri innsýn fyrir öryggisteymi.
Við höfum séð gríðarlega möguleika gervigreindartækni á þeim sex áratugum sem liðnir eru frá opinberri „fæðingu“ og við höfum aðeins klórað yfirborðið, sérstaklega í öryggismálum.
Ný sýn fyrir öryggisgreiningu
Hingað til hefur þessi leiðarvísir skoðað vélanám náið, skilið takmarkanir þess og styrkleika. Það eru gríðarlegir möguleikar fyrir vélanám til að auðvelda gervigreind, en það er rétt að taka fram að víðtækari leikur ógnunargreiningar snýst ekki bara um djúpt nám eða vélanám eins og við þekkjum það í dag Nýjar greiningaraðferðir ásamt nýjum gagnategundum geta gefið okkur alveg nýja ramma til að greina og bregðast við öryggisógnum.
| Nýjar aðferðir | Adaptive Analysis Continuous Analysis Optimization undir Óvissu | Að bregðast við samhengi Viðbrögð við staðbundnum breytingum/viðbrögðum Að mæla eða draga úr áhættu |
| Hefðbundið | Hagræðing Forspárlíkön Hermun Spáviðvaranir Fyrirspurn/dýpa niður Ad hoc skýrslur Staðlaðar skýrslur | Flækjustig ákvarðana, lausnarhraði Tilviljunarkennd, líkindi, sjálfstraustsstig Mikil tryggð, leikir, gagnarækt Stærri gagnasöfn, ólínuleg aðhvarf Reglur/kveikjur, samhengisnæmar, flóknir atburðir Í minnisgögnum, óljós leit, landrýmisfyrirspurn eftir fyrrverandiample, notandi verja skýrslur Rauntíma, sjón, samskipti notenda |
| Ný gögn | Samband einingaupplausnar, skýringarmynd um útdrátt eiginleika og auðkenni | Fólk, hlutverk, staðsetningar, hlutir Reglur, merkingarfræðilegar ályktanir, samsvörun Sjálfvirk, mannfjöldi |
Við höfum séð hvað greiningar geta gert fyrir aðrar atvinnugreinar og það er möguleiki fyrir greiningar að hafa djúpstæð áhrif á netöryggi líka. Við sjáum þetta mótast á nýju sviði sem við nefnum öryggisgreiningar, sem tekur í raun bardagaprófun reiknirit og aðferðafræði sem við höfum rætt (og fleira) og beitir þeim hjálpa til við að leysa mjög erfið vandamál í öryggismálum
Algengustu greiningarnar sem við sjáum í öryggismálum í dag fela í sér forspárlíkön, sem gera okkur kleift að bera kennsl á hvar áhætta gæti verið í miklu magni gagna (þetta er þar sem fráviksgreining kemur inn) Í hnotskurn sameinar forspárlíkön söguleg gögn og rauntímahegðun að skilja eða spá fyrir um framtíðarhegðun. Með þessu getum við svarað spurningunni „Hvað gerist næst?“
En framtíðarsýn okkar fyrir öryggisgreiningar stoppar ekki hér. Forspárgreining er aðeins eitt stykki af miklu stærri púsluspili sem getur veitt okkur miklu gagnlegri innsýn fyrir öryggisteymi Hin fullkomna greiningarhugmynd sameinar snjöllan skynjara og alls staðar nálægar gagnaveitur – skrifborð og netþjónar, farsíma , ský, samfélagsnet, opin gögn o.s.frv. — með mörgum háþróaðri greiningaraðferðum við atferlis- og ógnunargreiningu, þar á meðal réttargreiningu, áhættulíkönum, fráviksgreiningu, hegðunar- og viðbragðsfínstillingu og fleira
Þetta þýðir að við getum gert miklu meira en að spá fyrir um eða bera kennsl á ógn. Það gerir okkur kleift að ganga enn lengra til að bjóða upp á ekki bara háþróaða greiningu heldur innsýn í hvernig megi bregðast sem best við Öryggisgreining gefur okkur kraft til að svara öðrum lykilspurningum, eins og „Hvernig eru margar hótanir þar?“ og "Hver eru bestu mögulegu viðbrögðin?"
Við höfum ekki séð aðra flokka greiningar eins og hagræðingaraðferðir notaðar við netöryggi enn, en þær hafa gríðarlega möguleika. Þessar aðferðir skoða öll möguleg viðbrögð við öryggisáhættu og ákvarða bestu viðbrögðin Já, það eru leiðir til að gera þetta með stærðfræði
Til dæmisampLe, hagræðingaraðferðir eru notaðar þegar þú hringir í farsímaþjónustuveituna þína vegna máls. Þeir eru ekki að gera tilviljun meðmæli um hvort þú eigir að uppfæra þjónustuáætlun þína með afslætti eða ekki; þeir treysta á stærðfræðisett í bakgrunni sem skoðar símtalaskrána þína, fjölda símtala sem hefur verið sleppt, hvernig ferill þinn er í samanburði við sögu annarra notenda osfrv. Það reiknar jafnvel líkurnar á að þú gætir skipt yfir í annan þjónustuaðila. af öllum mögulegum næstu skrefum reiknar það út besta næsta skrefið til að hámarka varðveislu viðskiptavina
Hægt er að nota sömu stærðfræðina á öryggisteymi til að bera kennsl á áhættu, veita ýmsar leiðir til að bregðast við og ákvarða stærðfræðilega bestu viðbrögðin til að hámarka innilokun þessarar tilteknu áhættu
Hröð aukning og þróun öryggisógna gerir þessa tegund af skilvirkni viðbragða mikilvæg. Við höfum meiri gögn í dag en nokkru sinni fyrr Sem betur fer höfum við líka meiri tölvugetu, betri reiknirit og víðtækari fjárfestingu í rannsóknum og tækni til að hjálpa okkur að skilja þessi gögn í gegnum stærðfræði Við teljum að öryggisgreining sé rétt að byrja.
Við höfum meiri gögn í dag en nokkru sinni fyrr. Sem betur fer höfum við líka meiri tölvugetu, betri reiknirit og víðtækari fjárfestingu í rannsóknum og tækni til að hjálpa okkur að skilja þessi gögn með stærðfræði. Að öllum líkindum teljum við að öryggisgreiningar séu rétt að byrja.
Þjónustudeild
Tengstu við okkur
www.opentext.com
OpenText Cybersecurity býður upp á alhliða öryggislausnir fyrir fyrirtæki og samstarfsaðila af öllum stærðum, allt frá forvörnum, uppgötvun og viðbrögðum til bata, rannsókna og fylgni, sameinað enda-til-enda vettvangur okkar hjálpar viðskiptavinum að byggja upp netviðnám í gegnum heildrænt öryggissafn Knúið af hagnýtri innsýn frá okkar rauntíma- og samhengisógnargreind, viðskiptavinir OpenText Cybersecurity njóta góðs af vörum sem eru afkastameiri, upplifun í samræmi við kröfur og einfaldað öryggi til að hjálpa til við að stjórna viðskiptaáhættu
762-000016-003 | Ó | 01/24 | © 2024 Opinn texti
Skjöl / auðlindir
 |
opentext gervigreind og vélanám [pdfLeiðbeiningar Gervigreind og vélanám, greind og vélanám, vélanám |
