Opentext Artificial Intelligence lan Mesin
Kecerdasan buatan (AI) ngowahi cara kita sesambungan karo mesin lan cara mesin sesambungan karo kita. Pandhuan iki mbahas babagan fungsi AI, kekiyatan lan watesan saka macem-macem jinis machine learning, lan evolusi bidang studi sing tansah owah-owahan iki. Iki uga nylidiki peran analitik keamanan sing aktif AI utawa analitik perilaku pangguna lan entitas (UEBA) kanggo nglindhungi perusahaan kanthi luwih apik saka ancaman keamanan siber sing kompleks saiki.
Machine vs Human Learning
Kecerdasan buatan (AI) ana ing endi-endi - paling ora kaya ngono Ing OpenText™, munggahe AI pancen nyenengake lan nantang. konsep AI ora mesthi gampang dingerteni Kanggo miwiti pandhuan AI lan Machine Learning 101 iki, kita bakal mbongkar teka-teki AI kanthi mangsuli pitakon utama sing ditakoni akeh wong: "Apa artificial intelligence, tenan?"
Cara paling gampang kanggo mangerteni intelijen buatan yaiku peta menyang bab sing wis kita mangerteni-intelijen kita dhewe Kepiye carane intelijen manungsa sing ora gawean? Ing tingkat paling dhasar, intelijen kita ngetutake kemajuan sing prasaja: kita njupuk informasi, ngolah, lan pungkasane informasi mbantu kita tumindak.
Ayo dipecah dadi diagram sistem Ing gambar ing ngisor iki, telung langkah umum intelijen manungsa saka kiwa menyang tengen: input, pangolahan, lan output Ing otak manungsa, input dumadi ing wangun sensing lan perceiving samubarang Mripat, irung, kuping, etc , njupuk ing input mentahan ing sisih kiwa, kayata foton cahya utawa mambu wit pinus, lan banjur proses Ing sisih tengen sistem kang output Iki kalebu wicara lan tumindak, loro kang gumantung carane kita ngolah input mentah sing ditampa otak kita Proses kasebut kedadeyan ing tengah, ing ngendi kawruh utawa kenangan dibentuk lan dijupuk, keputusan lan kesimpulan lan digawe, lan sinau kedadeyan.
Gambar 1. Kepinteran manungsa
Kepiye cara kerja intelijen manungsa tanpa artifisial? Ing tingkat paling dhasar, intelijen kita ngetutake kemajuan sing prasaja: kita njupuk informasi, ngolah, lan pungkasane informasi kasebut mbantu kita tumindak.
Gambar mandheg ing prapatan dalan Mripat sampeyan ndeleng lampu lalu lintas ing ngarep sampeyan lagi wae dadi ijo. tekan pedal gas Lampu ijo minangka input mentah, akselerasi sampeyan minangka output; kabeh ing antarane iku Processing
Kanggo navigasi kanthi cerdas ing saindenging jagad - njawab telpon, nggawe cookie chip coklat, utawa manut lampu lalu lintas - kita kudu ngolah input sing ditampa Iki minangka inti pangolahan intelijen manungsa, lan pungkasane dipérang dadi telung aspek sing béda. :
- Kawruh lan memori. Kita mbangun kawruh nalika kita nyerep fakta (yaiku, Pertempuran Hastings dumadi ing taun 1066) lan norma sosial (yaiku, ujar "Mangga" lan "Matur nuwun" dianggep sopan) Kajaba iku, memori ngidini kita ngelingi lan ngetrapake informasi saka kepungkur kanggo kahanan saiki Kanggo exampDadi, Edward ngelingi yen Jane ora matur nuwun kanggo hadiah ulang tahune, mula dheweke ora ngarep-arep dheweke matur nuwun nalika menehi hadiah Natal.
- Kaputusan lan kesimpulan. Kaputusan lan inferensi digawe adhedhasar input mentahan digabungake karo kawruh lan / utawa memori Kanggo example, Edward mangan mrico jalapeno taun kepungkur lan ora seneng Nalika Johnny nawakake mrico kanggo Edward, dheweke mutusake ora mangan.
- Sinau. Manungsa bisa sinau saka mantanample, pengamatan, utawa algoritma Ing learning dening example, kita dikandhani yen siji kewan iku asu, liyane iku kucing Ing learning dening pengamatan, kita ngerti dhewe sing asu babakan lan kucing meow Metode learning katelu-algoritma- mbisakake kita kanggo ngrampungake tugas kanthi nderek seri langkah utawa algoritma tartamtu (contone, nindakake divisi dawa)
Iki aspèk intelijen manungsa podo karo intelijen buatan Kaya kita njupuk ing informasi, proses, lan nuduhake output, supaya bisa mesin Ayo dipikir ing tokoh ing ngisor iki kanggo ndeleng carane iki peta metu.
Gambar 2. Kecerdasan buatan
Kanggo navigasi kanthi cerdas ing saindenging jagad - njawab telpon, nggawe cookie chip coklat, utawa manut lampu lalu lintas - kita kudu ngolah input sing ditampa.
Ing mesin, bagean input saka intelijen buatan dicontokake kanthi pangolahan basa alami, pangenalan wicara, pangenalan visual, lan liya-liyane. nalika ngenali ucapan sampeyan Output sing ana ing ngisor iki yaiku cara mesin sesambungan karo jagad ing saubengé Iki bisa uga ana ing bentuk robotika, sistem navigasi (kanggo nuntun mobil sing nyopir dhewe), generasi wicara (contone, Siri), lsp. antarane, kita duwe macem-macem formulir Processing sing njupuk Panggonan
Padha karo akrual kawruh lan kenangan, mesin bisa nggawe representasi kawruh (contone, database grafik, ontologi) sing mbantu nyimpen informasi babagan donya Kaya manungsa nggawe keputusan utawa nggawe kesimpulan, mesin bisa nggawe prediksi, ngoptimalake target utawa asil, lan nemtokake langkah-langkah sabanjure utawa keputusan sing paling apik kanggo nggayuh tujuan tartamtu
Pungkasan, kaya sing kita sinau dening mantanample, pengamatan, utawa algoritma, mesin bisa diwulang nganggo metode analog. Pembelajaran mesin sing diawasi kaya sinau dening mantanample: komputer diwenehi dataset karo "label" ing set data sing tumindak minangka jawaban, lan pungkasanipun sinau kanggo mbedakake antarane label beda (contone, dataset iki ngemot foto labeled minangka salah siji "asu" utawa "kucing", lan karo mantan cukupampDadi, komputer bakal weruh manawa asu umume duwe buntut sing luwih dawa lan kupinge kurang runcing tinimbang kucing)
Pembelajaran mesin sing ora diawasi, ing tangan liyane, kaya sinau kanthi pengamatan Komputer ngamati pola (asu kulit lan kucing meow) lan, liwat iki, sinau kanggo mbedakake kelompok lan pola dhewe (contone, ana rong klompok kewan sing bisa. dipisahake dening swara sing digawe; siji klompok barks-asu-lan klompok liyane meows- kucing) Learning tanpa pengawasan ora mbutuhake label lan mulane bisa dadi luwih nalika set data diwatesi lan ora duwe label. apa mengkono nalika programmer instructing komputer persis apa apa, langkah-langkah dening-, ing program lunak.
Nanging, asil intelijen buatan sing paling akurat lan kurang mbutuhake kombinasi metode sinau Pembelajaran mesin sing diawasi lan ora diawasi minangka cara sing migunani - kabeh babagan ngetrapake pendekatan utawa pendekatan sing bener kanggo kasus panggunaan sing bener.
Sabanjure, kita bakal sinau mesin ing mikroskop kanggo ngerti kepiye bagean AI iki nggambarake neuron ing otak kanggo ngowahi input dadi output sing optimal.
Saenipun, asil intelijen buatan sing paling akurat lan efisien mbutuhake kombinasi metode sinau. Pembelajaran mesin sing diawasi lan ora diawasi minangka cara sing migunani - kabeh babagan ngetrapake pendekatan utawa pendekatan sing bener kanggo kasus panggunaan sing bener.
Jaringan Syaraf lan Deep Learning
Pembelajaran mesin mung minangka salah sawijining bagean saka AI, sanajan ana subset algoritma sing akeh banget. Salah sawijining metode sing asring sampeyan krungu saiki yaiku "pembelajaran sing jero," algoritma sing wis entuk perhatian sing padha ing warta ing taun-taun pungkasan. popularitas lan sukses, iku migunani kanggo ngerti cara kerjane Deep learning minangka évolusi saka algoritma machine learning sing populer ing taun 1980-an sing bisa dikenali: jaringan syaraf.
Jaringan saraf-paradigma pemrograman ing ngendi kita nglatih mesin kanggo "sinau" - diilhami dening neuron, utawa sel khusus ing awak manungsa sing mbentuk pondasi sistem saraf kita, lan otak utamane sel-sel iki ngirim sinyal menyang awak kita micu saraf. respon sistem lan pangolahan Neuron sing ngidini kita kanggo ndeleng, krungu, mambu, etc.
Gambar 3. Carane neuron nampa lan ngirim pesen
Sebagéyan gedhé sing kita pikir minangka sinau manungsa bisa diterangake kanthi sesambungan antara rong neuron ing otak kita, bebarengan karo kekuwatan pinggir sinapsis kita.
Ing bagean siji saka pandhuan iki, kita ngrembug proses dhasar intelijen manungsa: input ing sisih kiwa, lan output ing sisih tengen. "input" Sawise nampa cukup input utawa stimulasi, akson fres, ngirim informasi menyang sisih tengen-sinaps "Output" banjur dikirim menyang neuron liyane.
Ing wayahe tartamtu, neuron kita ngirim pesen antarane siji liyane Sel iki tanggung jawab kanggo kemampuan kita kanggo ngerteni lingkungan kita Lan nalika kita sinau, neuron kita dadi aktif banget Nyatane, akeh sing kita pikirake minangka sinau manungsa bisa diterangake dening carane kuwat sambungan antarane loro neuron ing otak kita, bebarengan karo kekuatan pinggiran sinaps kita
Jaringan saraf minangka simulasi matematika saka kumpulan sel neuron Gambar ing ngisor iki nggambarake jaringan saraf dhasar kanthi 3 lapisan lan 12 node.
Saben simpul bunder nggambarake "neuron" buatan sing diilhami sacara biologis. Garis kasebut nuduhake sambungan saka output siji neuron buatan ing sisih kiwa menyang input liyane ing sisih tengen Sinyal antarane neuron kasebut mili ing garis saka kiwa menyang tengen Ing jaringan kasebut. , input-kayata piksel data-milis saka lapisan input, liwat tengah "didhelikake" lapisan, lan wekasanipun kanggo lapisan output ing proses diterangake dening pepadhan matématika longgar inspirasi dening aktivitas electrical ing neuron biologi nyata.
Gambar 4. Jaringan syaraf prasaja
Jaringan saraf sinau kanthi nyoba cocog set data sing disajikake menyang lapisan input kanggo asil sing dikarepake ing lapisan output. Persamaan matématika ngétung output, mbandhingaké output simulasi kanggo asil sing dikarepake, lan prabédan asil banjur gawé njiwet kanggo kekuatan sambungan.
Jaringan syaraf sinau kanthi nyoba cocog set data sing disajikake menyang lapisan input menyang asil sing dikarepake ing lapisan output Persamaan matematika ngitung output, mbandhingake output simulasi karo asil sing dikarepake, lan bedane asil banjur ngasilake tweak kanggo kekuatan sambungan. Tweak iki diowahi kanthi iteratif nganti output sing dihitung cukup cedhak karo asil sing dikarepake, ing wektu kasebut kita ujar yen jaringan saraf wis "sinau".
Gambar 5. Jaringan syaraf kompleks
Jaringan saraf "luwih jero" iki bisa nindakake prediksi sing luwih rumit. Bisa uga ana ewonan kelenjar lan atusan lapisan, sing tegese ewu kalkulasi sing beda Model pembelajaran jero wis dadi apik banget ing masalah tartamtu, kayata pangenalan wicara utawa gambar.
Nanging, kudu dicathet yen sinau jero dudu peluru perak kanggo sinau mesin - utamane ora ing keamanan siber, sing kadhangkala ora ana volume data sing resik sing cocog kanggo metode sinau jero Penting kanggo milih algoritma sing bener, data, lan prinsip kanggo proyek Iki minangka cara sing paling apik kanggo mesin ngumpulake bukti, nyambungake titik, lan nggawe kesimpulan.
Jaringan saraf bisa uga katon kaya barang ing mangsa ngarep, nanging wis sawetara wektu Nyatane, jaringan saraf adhedhasar ide sing diwiwiti ing taun 1940-an. carane jaringan syaraf lan machine learning wis teka kanggo permeate akeh bagéan saka urip modern.
Jaringan saraf bisa uga katon kaya masa depan, nanging wis suwe. Nyatane, jaringan saraf adhedhasar ide sing wiwit nyebar ing taun 1940-an.
A Sajarah Brief saka Intelligence Ponggawa
Kanggo sawetara wong, istilah intelijen buatan (AI) bisa uga nyebabake gambar kutha futuristik kanthi mobil mabur lan robot rumah tangga Nanging AI dudu konsep futuristik, paling ora, sanajan ora diarani kaya ngono, ide intelijen buatan bisa uga. Ditelusuri bali menyang jaman kuna (yaiku, dewa Yunani Hephaestus sing ngomongake wanita mekanik) ¹ Wiwit taun 1930-an, para ilmuwan lan matématikawan padha sregep njelajah nggawe intelijen sejati sing kapisah saka manungsa.
Wayahe sing ditemtokake AI ing pertengahan abad kaping-20 minangka patemon sing nyenengake matematika lan biologi, kanthi peneliti kaya Norbert Wiener, Claude Shannon, lan Alan Turing wis ilang ing persimpangan sinyal listrik lan komputasi Nalika taun 1943, Warren McCulloch lan Walter Pitts wis nggawe model kanggo jaringan syaraf Jaringan syaraf mbukak dalan kanggo donya anyar komputasi kanthi tenaga jaran sing luwih gedhe, lan, ing taun 1956, bidang riset AI resmi diadegake minangka disiplin akademik.
Setengah pungkasan abad ana umur macem kanggo riset lan kemajuan AI, diselani sok-sok dening "AI mangsa" ing agêng-70s lan pungkasan 80s ngendi AI gagal kanggo ketemu pangarepan umum, lan investasi ing feld wis suda Nanging senadyan setbacks, aplikasi sing beda-beda kanggo AI lan pembelajaran mesin katon kiwa lan tengen Siji anekdot tartamtu saka aplikasi kasebut wis dadi pasemon populer ing komunitas ilmiah, cukup efektif kanggo nyoba lan kasangsaran riset lan implementasi AI.
Ceritane kaya mangkene:
Ing taun 1980-an, Pentagmutusake kanggo nggunakake jaringan syaraf kanggo ngenali tank camouflaged Nganggo mung siji kerangka utama (wiwit taun 1980-an, mbudidaya), jaringan saraf dilatih nganggo 200 gambar-100 tank lan 100 wit Senadyan jaringan saraf sing relatif cilik (amarga taun 1980-an watesan ing komputasi lan memori), latihan lab ngasilake akurasi 100% Kanthi sukses kuwi, tim mutusaké kanggo menehi metu ing feld Asil padha ora apik.
Gambar 6. Lab vs gambar lapangan (Sumber: Neural Network Follies, Neil Fraser, September 1998)
Kanthi kasedhiyan sumber daya komputasi sing akeh sing ora dibayangake ing taun 1980-an, jaringan saraf jero cepet dadi area sing populer kanggo riset. Learning jero menehi sistem kemampuan kanggo "sinau" kanthi otomatis liwat milyaran kombinasi lan pengamatan, nyuda ketergantungan ing sumber daya manungsa.
Yagene jaringan saraf nindakake kanthi apik ing foto ing laboratorium, nanging gagal rampung ing lapangan? Pranyata foto non-tank kabeh dijupuk ing dina ing ngendi langit mendhung; kabeh gambar wit-witan dijupuk ing dina nalika srengenge wis sumunar. Jaring saraf wis dilatih kanggo ngenali sunniness, dudu tank.
Nanging, pungkasane, pangenalan visual liwat sinau jero-difasilitasi dening jaringan saraf sing luwih rumit tinimbang Pen.taging taun 1980-an mainframe mesthi bisa ditangani-dadi kasunyatan Ing 2012, profesor Stanford Andrew Ng lan Google fellow Jef Dean nggawe salah siji saka jaringan syaraf jero pisanan nggunakake 1000 komputer kanthi 16 intine saben Tugas: nganalisa 10 yuta video YouTube Asil : ketemu kucing ² Thanks kanggo algoritma "pembelajaran jero", jaringan bisa ngenali kucing liwat wektu, lan kanthi akurasi sing apik.
Kanthi kasedhiyan sumber daya komputasi sing akeh banget sing ora dibayangake ing taun 1980-an, jaringan saraf jero cepet dadi area sing populer kanggo riset Deep Learning menehi sistem kemampuan kanggo "sinau" kanthi otomatis liwat milyaran kombinasi lan pengamatan, nyuda ketergantungan ing sumber daya manungsa Ing domain cybersecurity, cara iki wis dadi utamané njanjeni kanggo ndeteksi malware-skenario sing kita duwe dataset gedhe karo akeh mantan.amples saka malware saka jaringan bisa sinau
Sayange, metode sinau jero saiki kurang efektif nalika nerangake kasus panggunaan tartamtu, kayata ancaman wong njero, amarga kita ora duwe data sing tepat babagan jinis serangan kasebut, ing volume sing dibutuhake Paling asring, informasi sing kita duwe. ing ancaman njero minangka anekdot, sing ora bisa digunakake kanthi efisien dening jinis jaringan saraf kasebut.
Nganti kita bisa ngumpulake set data sing luwih efektif (lan nyuda biaya lan kerumitan sistem sinau jero), sinau jero dudu pilihan sing tepat kanggo kabeh kasus panggunaan Lan ora apa-apa Deep learning mung salah siji saka akeh algoritma machine learning, lan pendekatan kasebut bisa kaya ora luwih larang-kabeh gumantung ing proyek ing tangan
Kita wis nyumurupi potensi teknologi AI sing akeh banget sajrone nem dekade wiwit "lair" resmi, lan kita mung mung ngeruk permukaan, utamane babagan keamanan. cara kita ngenali lan nanggapi ancaman keamanan.
Analitik prediktif mung minangka salah sawijining potongan teka-teki sing luwih gedhe sing bisa menehi wawasan sing luwih migunani kanggo tim keamanan.
Kita wis nyumurupi potensial teknologi AI sing akeh banget sajrone nem dekade wiwit "lair" resmi, lan kita mung ngeruk permukaan, utamane babagan keamanan.
Visi Anyar kanggo Analytics Keamanan
Nganti saiki, pandhuan iki wis nliti babagan machine learning, ngerteni watesan lan kekuwatane. kaya sing kita ngerteni dina iki, metode analitis anyar sing digabungake karo jinis data anyar bisa menehi kerangka kerja anyar kanggo nganalisa lan tumindak ancaman keamanan.
| Metode Anyar | Analisis Adaptif Analisis Terus-terusan Optimization ing kahanan sing durung mesthi | Nanggapi konteks Nanggapi owah-owahan / umpan balik lokal Ngukur utawa nyuda resiko |
| Tradisional | Optimization Predictive Modeling Simulation Forecasting Lansiran Kueri/Drill Down Ad hoc Reporting Standard Reporting | Kerumitan keputusan, kacepetan solusi Casual, probabilistik, tingkat kapercayan Kasetyan dhuwur, game, farming data Set data sing luwih gedhe, regresi nonlinier Aturan/pemicu, sensitif konteks, acara rumit Ing data memori, telusuran kabur, geospasial Query dening mantanample, pangguna defend laporan Real time, visualizations, interaksi pangguna |
| Data Anyar | Hubungan Resolusi Entitas, Anotasi Ekstraksi Fitur lan Tokenisasi | Wong, peran, lokasi, bab Aturan, inferensi semantik, cocog Otomatis, sumber akeh |
Kita wis nyumurupi apa sing bisa ditindakake analitik kanggo industri liyane, lan ana potensial kanggo analytics duwe pengaruh sing kuat ing keamanan siber, uga Kita ndeleng iki kedadeyan ing lapangan anyar sing diarani minangka analytics keamanan, sing sejatine njupuk perang-dites. kalkulus lan metodologi sing wis kita rembugan (lan liyane) lan aplikasi bantuan kanggo ngatasi masalah tenan angel ing keamanan
Analitik sing paling umum sing kita deleng ing keamanan saiki kalebu model prediktif, sing ngidini kita ngenali ngendi risiko bisa uga ana ing jumlah data sing akeh (ing kene deteksi anomali fts in) Cekakipun, model prediktif nggabungake data historis karo prilaku wektu nyata. kanggo mangerteni utawa prédhiksi prilaku ing mangsa ngarep Kanthi iki, kita bisa njawab pitakonan, "Apa sing bakal kelakon sabanjure?"
Nanging visi kita kanggo analytics keamanan ora mandheg ing kene Analitik prediktif mung minangka potongan teka-teki sing luwih gedhe sing bisa menehi wawasan sing luwih migunani kanggo tim keamanan Paradigma analytics sing cocog nggabungake sensor cerdas lan sumber data sing ana ing endi-endi-desktop lan server, seluler , awan, jaringan sosial, data mbukak, lsp — kanthi macem-macem pendekatan analitis canggih kanggo analisis prilaku lan ancaman, kalebu analisis forensik, model risiko, deteksi anomali, optimasi prilaku lan respon, lan liya-liyane
Iki tegese kita bisa nindakake luwih akeh tinimbang prédhiksi utawa ngenali ancaman. Iki ngidini kita luwih maju kanggo nawakake ora mung deteksi maju, nanging wawasan babagan cara nanggapi kanthi efektif Analytics keamanan menehi kekuwatan kanggo mangsuli pitakon penting liyane, kayata akeh ancaman?” lan "Apa reaksi sing paling apik?"
Kita durung ndeleng kelas analitik liyane kaya metode optimasi sing ditrapake kanggo keamanan siber, nanging duweni potensi gedhe.
Kanggo exampNanging, cara Optimization digunakake nalika sampeyan nelpon menyang panyedhiya layanan sel telpon karo masalah Padha ora acak nggawe Rekomendasi apa utawa ora kanggo upgrade rencana layanan ing diskon; padha gumantung ing pesawat saka matématika ing latar mburi sing katon ing cathetan telpon, nomer telpon dropped, carane sajarah mbandhingaké karo pangguna liyane, etc Malah ngetung kemungkinan sing bisa ngalih menyang panyedhiya layanan liyane. kabeh langkah sabanjure bisa, ngetung langkah sabanjure paling apik kanggo nggedhekake penylametan customer
Matématika sing padha bisa diterapake ing tim keamanan kanggo ngenali risiko, nyedhiyakake sawetara cara kanggo nanggepi, lan nemtokake kanthi matématis respon sing paling apik kanggo nggedhekake risiko iki.
Mundhak lan evolusi ancaman keamanan kanthi cepet nggawe efisiensi respon iki kritis. Kita duwe data luwih akeh saiki tinimbang sadurunge. liwat matématika Miturut kabeh akun, kita pracaya analytics keamanan mung miwiti.
Kita duwe data luwih akeh saiki tinimbang sadurunge. Semalat, kita uga duwe daya komputasi sing luwih akeh, algoritma sing luwih apik, lan investasi sing luwih akeh ing riset lan teknologi kanggo mbantu kita ngerteni data iki liwat matematika. Miturut kabeh akun, kita yakin analytics keamanan mung diwiwiti.
Dhukungan Pelanggan
Sambungake karo Kita
www.opentext.com
OpenText Cybersecurity nyedhiyakake solusi keamanan lengkap kanggo perusahaan lan mitra kabeh ukuran Saka pencegahan, deteksi lan respon kanggo pemulihan, investigasi lan kepatuhan, platform end-to-end sing manunggal mbantu para pelanggan mbangun ketahanan cyber liwat portofolio keamanan holistik Didhukung dening wawasan sing bisa ditindakake saka kita intelijen ancaman wektu nyata lan kontekstual, pelanggan OpenText Cybersecurity entuk manfaat saka produk khasiat sing dhuwur, pengalaman sing tundhuk lan keamanan sing disederhanakake kanggo mbantu ngatur risiko bisnis
762-000016-003 | O | 01/24 | © 2024 Open Text
Dokumen / Sumber Daya
 |
Opentext Artificial Intelligence lan Machine Learning [pdf] Pandhuan Intelligence Ponggawa lan Machine Learning, Intelligence lan Machine Learning, Machine Learning |
