opentext 인공 지능 및 기계 학습 지침

오픈텍스트 인공지능과 기계

인공 지능(AI)은 인간이 기계와 상호 작용하는 방식, 기계가 인간과 상호 작용하는 방식을 변화시키고 있습니다. 이 가이드에서는 AI의 작동 방식, 다양한 유형의 기계 학습의 강점과 한계, 끊임없이 변화하는 연구 분야의 발전을 자세히 설명합니다. 또한 오늘날의 복잡한 사이버 보안 위협으로부터 기업을 더 잘 보호하기 위해 AI 지원 보안 분석 또는 UEBA(사용자 및 개체 행동 분석)의 역할을 살펴봅니다.

내용물 숨다

기계 대 인간 학습

인공 지능(AI)은 어디에나 있습니다. 적어도 그렇게 보입니다. OpenText™에서 AI의 부상은 흥미롭기도 하고 도전적이기도 합니다. 하지만 동료, 고객, 파트너와 협력하면서 우리는 다음과 같은 사실을 깨닫게 되었습니다. AI의 개념이 항상 쉽게 이해되는 것은 아닙니다. 이 AI 및 기계 학습 101 가이드를 시작하기 위해 우리는 많은 사람들이 묻는 주요 질문인 "인공 지능이란 실제로 무엇입니까?"에 대답하여 AI 퍼즐을 풀 것입니다.

인공 지능을 이해하는 가장 쉬운 방법은 그것을 우리가 이미 이해하고 있는 것, 즉 우리 자신의 지능에 매핑하는 것입니다. 비인공 지능, 인간 지능은 어떻게 작동합니까? 가장 기본적인 수준에서 우리의 지능은 간단한 진행을 따릅니다. 즉, 정보를 받아들이고 처리하며 궁극적으로 정보는 우리가 행동하는 데 도움이 됩니다.

이를 시스템 다이어그램으로 분해해 보겠습니다. 아래 그림에서는 인간 지능의 일반적인 3단계(왼쪽에서 오른쪽으로): 입력, 처리, 출력 인간의 두뇌에서 입력은 사물을 감지하고 인식하는 형태로 이루어집니다. 눈, 코, 귀 등은 왼쪽에서 빛의 광자나 소나무 냄새와 같은 원시 입력을 받아 처리한 다음 이를 처리합니다. 시스템의 오른쪽에서 출력됩니다. 우리는 뇌가 받는 원시 입력을 처리합니다. 처리는 지식이나 기억이 형성 및 검색되고, 결정 및 추론이 이루어지고, 학습이 이루어지는 중간에서 발생합니다.

그림 1. 인간 지능

비인공적인 인간 지능은 어떻게 작동하는가? 가장 기본적인 수준에서 우리의 지능은 간단한 진행을 따릅니다. 즉, 정보를 받아들이고 처리하며 궁극적으로 정보는 우리가 행동하는 데 도움이 됩니다.

교차로에서 정지하는 사진 앞의 신호등이 방금 녹색으로 바뀐 것을 눈으로 봅니다. 경험(및 운전 교육)을 통해 배운 내용을 바탕으로 녹색 신호등은 앞으로 운전해야 함을 나타냅니다. 따라서 당신은 가속 페달을 밟아 보세요. 녹색 표시등은 원시 입력이고 가속도는 출력입니다. 그 사이의 모든 것이 처리 중입니다.

전화 받기, 초콜릿 칩 쿠키 굽기, 신호등 따르기 등 주변 세계를 지능적으로 탐색하려면 수신되는 입력을 처리해야 합니다. 이것이 인간 지능 처리의 핵심이며 궁극적으로 세 가지 측면으로 분류됩니다. :

지식과 기억. 우리는 사실(예: 헤이스팅스 전투가 1066년에 일어났음)과 사회적 규범(예: "제발"과 "고마워요"라고 말하는 것이 예의바른 것으로 간주됨)을 섭취하면서 지식을 축적합니다. 예를 들어 과거부터 현재 상황까지amp즉, 에드워드는 제인이 자신의 생일 선물에 대해 감사하지 않았다는 것을 기억하므로, 제인이 그녀에게 크리스마스 선물을 줄 때 그에게 감사할 것이라고 기대하지 않습니다.
결정과 추론. 지식 및/또는 기억과 결합된 원시 입력을 기반으로 결정 및 추론이 이루어집니다.amp르, 에드워드는 작년에 할라피뇨 고추를 먹었는데 마음에 들지 않았습니다. 조니가 에드워드에게 고추를 주었을 때, 그는 그것을 먹지 않기로 결정했습니다.

학습. 인간은 전을 통해 배울 수 있다ample, 관찰 또는 알고리즘 ex로 학습 중amp한 동물은 개이고 다른 동물은 고양이라고 합니다. 관찰 학습을 통해 개가 짖는 것과 고양이가 야옹거리는 것을 스스로 알아냅니다. 세 번째 학습 방법인 알고리즘은 다음과 같이 작업을 완료할 수 있습니다. 일련의 단계 또는 특정 알고리즘(예: 긴 나눗셈 수행)

인간 지능의 이러한 측면 병렬 인공 지능 우리가 정보를 받아들이고 처리하고 결과를 공유하는 것처럼 기계도 그렇게 할 수 있습니다. 아래 그림을 살펴보고 이것이 어떻게 매핑되는지 살펴보겠습니다.

그림 2. 인공지능

전화 받기, 초콜릿 칩 쿠키 굽기, 신호등 준수 등 우리 주변 세계를 지능적으로 탐색하려면 우리가 받는 입력을 처리해야 합니다.

기계에서는 인공지능의 입력 부분으로 자연어 처리, 음성 인식, 시각 인식 등이 예시됩니다. 도로와 장애물을 감지해야 하는 자율주행차부터 Alexa나 Siri까지 이러한 기술과 알고리즘은 어디에서나 볼 수 있습니다. 사용자의 음성을 인식하면 다음과 같은 출력이 기계가 우리 주변 세계와 상호 작용하는 방식입니다. 이는 로봇 공학, 내비게이션 시스템(자율 운전 차량 안내용), 음성 생성(예: Siri) 등의 형태를 취할 수 있습니다. 그 사이에 다양한 형태의 처리가 이루어집니다.

지식과 기억이 축적되는 것과 유사하게, 기계는 세상에 대한 정보를 저장하는 데 도움이 되는 지식 표현(예: 그래프 데이터베이스, 온톨로지)을 생성할 수 있습니다. 인간이 결정을 내리거나 추론을 내리는 것처럼 기계도 예측을 하고, 대상에 대해 최적화하거나 결과를 도출하고 특정 목표를 달성하기 위한 최선의 다음 단계 또는 결정을 결정합니다.

마지막으로 우리가 예전에 배운 것처럼amp관찰 또는 알고리즘 등 기계는 유사한 방법을 사용하여 가르칠 수 있습니다. 지도 기계 학습은 전직 학습과 매우 유사합니다.ample: 컴퓨터에는 답변 역할을 하는 데이터 세트 내 "레이블"이 포함된 데이터 세트가 제공되며 결국 서로 다른 레이블 간의 차이를 구분하는 방법을 학습합니다(예: 이 데이터 세트에는 "개" 또는 "고양이"로 레이블이 지정된 사진이 포함되어 있습니다. 전직이 충분하다amp즉, 컴퓨터는 개가 일반적으로 고양이보다 꼬리가 길고 귀가 덜 뾰족하다는 것을 알아차릴 것입니다.

반면, 비지도 머신러닝은 관찰을 통한 학습과 같습니다. 컴퓨터는 패턴(개 짖음, 고양이 울음소리)을 관찰하고, 이를 통해 스스로 그룹과 패턴을 구별하는 방법을 학습합니다(예: 동물에는 두 그룹이 있습니다). 한 그룹은 짖는 소리(개), 다른 그룹은 야옹(고양이)으로 구분됩니다.) 비지도 학습은 레이블이 필요하지 않으므로 데이터 세트가 제한적이고 레이블이 없는 경우 선호될 수 있습니다. 마지막으로 알고리즘을 통한 학습은 프로그래머가 소프트웨어 프로그램에서 단계별로 수행할 작업을 컴퓨터에 정확하게 지시하면 어떤 일이 발생합니까?

가장 정확하고 부족한 인공 지능 결과에는 학습 방법의 조합이 필요합니다 지도 및 비지도 기계 학습 모두 유용한 방법입니다. 이는 올바른 사용 사례에 올바른 접근 방식을 적용하는 것입니다.

다음으로, AI의 이 부분이 뇌의 뉴런을 미러링하여 입력을 최적의 출력으로 바꾸는 방법을 이해하기 위해 기계 학습을 현미경으로 살펴보겠습니다.

이상적으로 가장 정확하고 효율적인 인공지능 결과를 얻으려면 학습 방법의 조합이 필요합니다. 감독 및 비지도 기계 학습 모두 유용한 방법입니다. 이는 올바른 사용 사례에 올바른 접근 방식을 적용하는 것입니다.

신경망과 딥러닝

머신러닝은 AI의 일부일 뿐이지만 그 안에는 방대한 알고리즘 하위 집합이 포함되어 있습니다. 오늘날 자주 듣는 방법 중 하나는 최근 몇 년 동안 뉴스에서 상당한 주목을 받은 알고리즘인 "딥 러닝"입니다. 딥 러닝은 1980년대에 인기를 끌었던 기계 학습 알고리즘인 신경망의 진화입니다.

기계가 "학습"하도록 훈련시키는 프로그래밍 패러다임인 신경망은 뉴런, 즉 신경계, 특히 뇌의 기초를 형성하는 인체의 특수 세포에서 영감을 얻었습니다. 이 세포는 우리 몸 전체에 신호를 전송하여 신경을 유발합니다. 시스템 반응 및 프로세스 뉴런은 우리가 보고, 듣고, 냄새를 맡는 등의 활동을 가능하게 해줍니다.

그림 3. 뉴런이 메시지를 받고 보내는 방법

우리가 인간 학습이라고 생각하는 것의 대부분은 우리 뇌의 두 뉴런 사이의 연결이 얼마나 강한지, 그리고 시냅스 주변의 강도로 설명할 수 있습니다.

이 가이드의 1부에서 우리는 인간 지능의 기본 과정에 대해 논의했습니다. 입력은 왼쪽, 출력은 오른쪽입니다. 뉴런(위 그림)은 여기서 중요한 역할을 합니다. 뉴런의 왼쪽에서는 세포체가 정보를 수집합니다. "입력" 충분한 입력이나 자극을 받으면 축삭이 활성화되어 정보를 오른쪽(시냅스)으로 전송합니다. 그런 다음 "출력"이 다른 뉴런으로 전송됩니다.

어느 순간이든 우리의 뉴런은 서로 간에 메시지를 전달합니다. 이 세포는 주변을 인식하는 능력을 담당합니다. 학습할 때 뉴런은 매우 활성화됩니다. 실제로 우리가 인간 학습이라고 생각하는 것의 대부분은 다음과 같이 설명할 수 있습니다. 우리 뇌의 두 뉴런 사이의 연결이 얼마나 강한지, 그리고 시냅스 변두리의 강도가 얼마나 강한지

신경망은 뉴런 세포 집합의 수학적 시뮬레이션입니다. 아래 이미지는 3개의 레이어와 12개의 노드로 구성된 기본 신경망을 나타냅니다.

각 원형 노드는 생물학적으로 영감을 받은 인공 "뉴런"을 나타냅니다. 선은 왼쪽에 있는 한 인공 뉴런의 출력에서 오른쪽에 있는 다른 인공 뉴런의 입력까지의 연결을 나타냅니다. 이러한 뉴런 사이의 신호는 왼쪽에서 오른쪽으로 선을 따라 흐릅니다. , 픽셀 데이터와 같은 입력은 입력 레이어에서 중간 "숨겨진" 레이어를 거쳐 최종적으로 실제 생물학적 뉴런의 전기적 활동에서 대략 영감을 받은 수학 방정식으로 설명되는 방식으로 출력 레이어로 흐릅니다.

그림 4. 간단한 신경망

신경망은 입력 레이어에 제공된 데이터 세트를 출력 레이어의 원하는 결과와 일치시키려고 시도하여 학습합니다. 수학 방정식은 출력을 계산하고 시뮬레이션된 출력을 원하는 결과와 비교한 다음 결과적인 차이로 인해 연결 강도가 조정됩니다.

신경망은 입력 레이어에 제시된 데이터 세트를 출력 레이어의 원하는 결과와 일치시키려고 시도하여 학습합니다. 수학 방정식은 출력을 계산하고 시뮬레이션된 출력을 원하는 결과와 비교한 다음 결과 차이를 통해 연결 강도를 조정합니다. 이러한 조정은 계산된 출력이 원하는 결과에 충분히 가까워질 때까지 반복적으로 수정됩니다. 이 시점에서 신경망은 "학습"했다고 말합니다.

그림 5. 복잡한 신경망

이러한 "심층" 신경망은 훨씬 더 복잡한 예측을 수행할 수 있습니다. 수천 개의 노드와 수백 개의 레이어가 있을 수 있으며, 이는 수천 가지의 다양한 계산을 의미합니다. 딥 러닝 모델은 음성 또는 이미지 인식과 같은 특정 문제에 매우 능숙해졌습니다.

그러나 딥 러닝은 머신 러닝을 위한 만병통치약이 아니라는 점은 주목할 가치가 있습니다. 특히 사이버 보안에서는 딥 러닝 방법에 이상적인 대량의 순수 데이터가 없는 경우가 있으므로 올바른 알고리즘을 선택하는 것이 중요합니다. 데이터 및 작업 원칙 이는 기계가 증거를 수집하고 점을 연결하여 결론을 도출하는 가장 좋은 방법입니다.

신경망은 미래의 물건처럼 보일 수도 있지만 꽤 오래전부터 존재해 왔습니다. 사실 신경망은 1940년대에 유행하기 시작한 아이디어를 기반으로 합니다. 다음 섹션에서는 짧은 시간 여행을 통해 이해해 보겠습니다. 신경망과 기계 학습이 어떻게 현대 생활의 여러 부분에 스며들게 되었는지 알아보세요.

신경망은 미래의 기술처럼 보일 수도 있지만 이미 오래전부터 존재해 왔습니다. 실제로 신경망은 1940년대에 퍼지기 시작한 아이디어를 기반으로 합니다.

인공 지능의 간략한 역사

어떤 사람들에게는 인공지능(AI)이라는 용어가 날아다니는 자동차와 가정용 로봇이 있는 미래 도시의 이미지를 연상할 수도 있습니다. 그러나 AI는 미래 지향적인 개념이 아니며 적어도 더 이상은 아닙니다. 그렇게 언급되지는 않지만 인공 지능이라는 개념은 다음과 같을 수 있습니다. 고대로 거슬러 올라갑니다(예: 그리스 신 헤파이스토스의 말하는 기계 시녀) 1930 XNUMX년대부터 과학자와 수학자 모두 인간과 별개로 진정한 지능을 창조하는 탐구에 열중해 왔습니다.

20세기 중반 AI의 결정적인 순간은 수학과 생물학의 행복한 융합이었습니다. Norbert Wiener, Claude Shannon, Alan Turing과 같은 연구자들은 이미 전기 신호와 계산의 교차점을 깨뜨렸습니다. 1943년까지 Warren McCulloch와 Walter Pitts는 신경망 모델을 창조했습니다. 신경망은 더 큰 마력을 지닌 컴퓨팅의 놀라운 신세계를 위한 길을 열었고, 1956년 AI 연구 분야가 공식적으로 학문 분야로 자리 잡았습니다.

70세기 후반은 AI 연구와 발전이 흥미진진한 시대였으며, 80년대 중반과 XNUMX년대 후반에는 AI가 대중의 기대에 부응하지 못하고 분야에 대한 투자가 감소한 'AI 겨울'이 가끔 중단되기도 했습니다. AI와 기계 학습에 대한 다양한 응용 프로그램이 왼쪽과 오른쪽에 나타났습니다. 이러한 응용 프로그램에 대한 특정 일화는 과학계 내에서 인기 있는 비유가 되었으며, 이는 AI 연구 및 구현에 대한 시련과 고난을 매우 효과적으로 표현합니다.

이야기는 다음과 같습니다.

1980년대 펜tagon은 위장된 탱크를 식별하기 위해 신경망을 사용하기로 결정했습니다. 단 하나의 메인프레임(1980년대부터 기억하세요)으로 작업하면서 신경망은 200개의 그림(탱크 100개, 나무 100개)으로 훈련되었습니다. 상대적으로 작은 신경망에도 불구하고(1980년대 이후) 계산 및 메모리의 한계), 실험실 훈련 결과 100% 정확도가 나왔습니다. 이러한 성공으로 팀은 현장에 나가기로 결정했습니다. 결과는 좋지 않았습니다.

그림 6. 실험실과 현장 사진(출처: Neural Network Follies, Neil Fraser, 1998년 XNUMX월)

1980년대에는 꿈도 꾸지 못했던 방대한 컴퓨팅 리소스의 가용성으로 인해 심층 신경망은 빠르게 인기 있는 연구 분야가 되었습니다. 딥 러닝은 시스템에 수십억 개의 조합과 관찰을 통해 자동으로 "학습"할 수 있는 기능을 제공하여 인적 자원에 대한 의존도를 줄입니다.

연구실 사진에서는 신경망이 환상적으로 작동했지만, 현장에서는 완전히 실패했던 이유는 무엇일까요? 탱크가 아닌 사진은 모두 하늘이 흐린 날에 찍은 것으로 밝혀졌습니다. 나무 사진은 모두 태양이 빛나는 날에 찍은 것입니다. 신경망은 탱크가 아닌 햇빛을 인식하도록 훈련되었습니다.

하지만 결국 펜보다 훨씬 복잡한 신경망을 통해 딥러닝을 통한 시각적 인식이 가능해졌습니다.tagon의 1980년대 메인프레임은 처리할 수 있었을 것입니다. 현실이 되었습니다. 2012년 스탠포드 교수 Andrew Ng와 Google 동료 Jef Dean은 각각 1000개의 코어를 갖춘 16대의 컴퓨터를 사용하여 최초의 심층 신경망 중 하나를 만들었습니다. 작업: 천만 개의 YouTube 동영상 분석 결과 : 고양이를 찾았습니다² “딥 러닝” 알고리즘 덕분에 네트워크는 시간이 지남에 따라 매우 높은 정확도로 고양이를 인식할 수 있었습니다.

1980년대에는 꿈도 꾸지 못했던 방대한 컴퓨팅 리소스의 가용성으로 인해 심층 신경망은 빠르게 인기 있는 연구 분야가 되었습니다. 딥 러닝은 시스템에 수십억 개의 조합과 관찰을 통해 자동으로 "학습"할 수 있는 기능을 제공하여 컴퓨터에 대한 의존도를 줄입니다. 인적 자원 사이버 보안 영역 내에서 이 방법은 맬웨어를 탐지하는 데 특히 유망해졌습니다.amp네트워크가 학습할 수 있는 악성 코드 파일

불행하게도 딥 러닝 방법은 내부자 위협과 같은 특정 사용 사례에서는 현재 덜 효과적입니다. 왜냐하면 이러한 유형의 공격에 대해 필요한 만큼의 올바른 종류의 데이터가 없기 때문입니다. 내부자 위협에 대한 정보는 일화적이므로 이러한 유형의 신경망에서는 효율적으로 사용할 수 없습니다.

보다 효과적인 데이터 세트를 수집하고 딥 러닝 시스템의 비용과 복잡성을 줄일 수 있을 때까지 딥 러닝은 모든 사용 사례에 적합한 선택이 아닙니다. 괜찮습니다. 딥 러닝은 많은 기계 학습 알고리즘 중 하나일 뿐이며 이러한 접근 방식은 마치 더 가치 있는 것 같지는 않습니다. 모든 것은 현재 수행 중인 작업에 따라 다릅니다.

우리는 공식적인 "탄생" 이후 60년 동안 AI 기술의 엄청난 잠재력을 보았고 특히 보안 분야에서 단지 표면만 긁었을 뿐입니다. 다음으로 우리는 AI 및 분석이 세상을 변화시킬 수 있는 잠재적인 애플리케이션에 대해 더 깊이 알아볼 것입니다. 보안 위협을 식별하고 대응하는 방식입니다.

예측 분석은 보안 팀에 훨씬 더 유용한 통찰력을 제공할 수 있는 훨씬 더 큰 퍼즐의 한 조각일 뿐입니다.

우리는 AI 기술이 공식적으로 '탄생'한 이후 60년 동안 AI 기술의 엄청난 잠재력을 확인했으며, 특히 보안 분야에서는 단지 표면만 긁었을 뿐입니다.

보안 분석을 위한 새로운 비전

지금까지 이 가이드에서는 기계 학습을 자세히 살펴보고 그 한계와 장점을 이해했습니다. 기계 학습이 AI를 촉진할 수 있는 엄청난 잠재력이 있지만 위협 탐지라는 더 광범위한 게임이 단지 딥 러닝이나 기계 학습에 관한 것이 아니라는 점은 주목할 가치가 있습니다. 오늘날 우리가 알고 있듯이 새로운 데이터 유형과 결합된 새로운 분석 방법은 보안 위협을 분석하고 이에 대응할 수 있는 완전히 새로운 프레임워크를 제공할 수 있습니다.

새로운 방법	적응형 분석 불확실성 하에서의 지속적인 분석 최적화	상황에 대응 현지 변경/피드백에 대응 위험 정량화 또는 완화
전통적인	최적화 예측 모델링 시뮬레이션 예측 경고 쿼리/드릴다운 임시 보고 표준 보고	의사결정 복잡성, 솔루션 속도 캐주얼, 확률, 신뢰 수준 고충실도, 게임, 데이터 파밍 대규모 데이터 세트, 비선형 회귀 규칙/트리거, 상황에 민감한, 복잡한 이벤트 메모리 내 데이터, 퍼지 검색, 지리적 공간 ex에 의한 쿼리amp파일, 사용자 방어 보고서 실시간, 시각화, 사용자 상호 작용
새로운 데이터	엔터티 해결 관계, 기능 추출 주석 및 토큰화	사람, 역할, 위치, 사물 규칙, 의미 추론, 일치 자동화, 크라우드 소싱

우리는 분석이 다른 산업에서 무엇을 할 수 있는지 확인했으며 분석이 사이버 보안에도 큰 영향을 미칠 가능성이 있습니다. 우리는 이것이 기본적으로 전투 테스트를 거쳐 보안 분석이라고 부르는 새로운 분야에서 구체화되고 있음을 확인합니다. 우리가 논의하고 적용한 알고리즘과 방법론은 정말 어려운 보안 문제를 해결하는 데 도움이 됩니다.

오늘날 보안 분야에서 볼 수 있는 가장 일반적인 분석에는 대량의 데이터 내에서 위험이 있을 수 있는 위치를 식별할 수 있는 예측 모델이 포함됩니다(여기서 이상 탐지가 필요함). 간단히 말해서, 예측 모델링은 기록 데이터와 실시간 동작을 결합합니다. 미래의 행동을 이해하거나 예측하기 위해 이를 통해 "다음에는 무슨 일이 일어날까요?"라는 질문에 답할 수 있습니다.

그러나 보안 분석에 대한 우리의 비전은 여기서 끝나지 않습니다. 예측 분석은 보안 팀에 훨씬 더 유용한 통찰력을 제공할 수 있는 훨씬 더 큰 퍼즐의 한 조각일 뿐입니다. 이상적인 분석 패러다임은 지능형 센서와 유비쿼터스 데이터 소스(데스크톱, 서버, 모바일)를 결합합니다. , 클라우드, 소셜 네트워크, 공개 데이터 등 - 포렌식 분석, 위험 모델링, 이상 탐지, 행동 및 대응 최적화 등을 포함하여 행동 및 위협 분석에 대한 다양한 고급 분석 접근 방식을 사용합니다.

이는 우리가 위협을 예측하거나 식별하는 것보다 훨씬 더 많은 일을 할 수 있다는 것을 의미합니다. 이를 통해 우리는 고급 탐지뿐만 아니라 가장 효과적으로 대응하는 방법에 대한 통찰력을 제공하기 위해 더 나아갈 수 있습니다. 위협이 많나요?” 그리고 “가능한 최선의 반응은 무엇입니까?”

우리는 아직 사이버 보안에 적용된 최적화 방법과 같은 다른 종류의 분석을 본 적이 없지만 엄청난 잠재력을 가지고 있습니다. 이러한 기술은 보안 위험에 대해 가능한 모든 반응을 살펴보고 최선의 대응을 결정합니다. 예, 수학을 사용하여 이를 수행할 수 있는 방법이 있습니다

예를 들어amp즉, 문제가 있는 휴대전화 서비스 제공업체에 전화를 걸 때 최적화 방법을 사용합니다. 그들은 요금제를 할인된 가격으로 업그레이드할지 여부를 무작위로 추천하는 것이 아닙니다. 그들은 통화 기록, 끊긴 통화 수, 기록을 다른 사용자의 기록과 비교하는 등 백그라운드에서 일련의 수학에 의존합니다. 심지어 다른 서비스 제공업체로 전환할 가능성도 계산합니다. 가능한 모든 다음 단계 중에서 고객 유지를 극대화하기 위한 최선의 다음 단계를 계산합니다.

동일한 수학을 보안 팀에 적용하여 위험을 식별하고, 대응할 수 있는 다양한 방법을 제공하고, 이 특정 위험의 억제를 극대화하기 위한 최선의 대응을 수학적으로 결정할 수 있습니다.

보안 위협의 급속한 증가와 진화로 인해 이러한 유형의 대응 효율성이 중요해졌습니다. 오늘날 우리는 그 어느 때보다 더 많은 데이터를 보유하고 있습니다. 다행히도 우리는 이 데이터를 이해하는 데 도움이 되는 더 많은 컴퓨팅 성능, 더 나은 알고리즘, 연구 및 기술에 대한 더 많은 투자를 보유하고 있습니다. 수학을 통해 우리는 보안 분석이 이제 막 시작되었다고 믿습니다.

오늘날 우리는 그 어느 때보다 더 많은 데이터를 보유하고 있습니다. 다행히도 우리는 수학을 통해 이 데이터를 이해하는 데 도움이 되는 더 많은 컴퓨팅 성능, 더 나은 알고리즘, 연구 및 기술에 대한 더 광범위한 투자를 보유하고 있습니다. 모든 면에서 우리는 보안 분석이 이제 막 시작되었다고 믿습니다.

고객 지원

저희와 연결하세요
www.opentext.com
OpenText Cybersecurity는 모든 규모의 기업과 파트너에게 포괄적인 보안 솔루션을 제공합니다. 예방, 탐지 및 대응부터 복구, 조사 및 규정 준수에 이르기까지 당사의 통합 엔드투엔드 플랫폼은 고객이 전체적인 보안 포트폴리오를 통해 사이버 탄력성을 구축하도록 돕습니다. 실시간 및 상황별 위협 인텔리전스를 통해 OpenText Cybersecurity 고객은 비즈니스 위험을 관리하는 데 도움이 되는 고효율 제품, 규정 준수 경험 및 단순화된 보안의 이점을 누릴 수 있습니다.
762-000016-003 | 오 | 01/24 | © 2024 오픈 텍스트