Opentext Жасалма интеллект жана машина
Жасалма интеллект (AI) биздин машиналар менен өз ара аракеттенишибизди жана машиналар биз менен болгон мамилебизди өзгөртөт. Бул колдонмо AI кандайча иштешин, машина үйрөнүүнүн ар кандай түрлөрүнүн күчтүү жактарын жана чектөөлөрүн жана бул дайыма өзгөрүп туруучу изилдөө тармагынын эволюциясын чагылдырат. Ал ошондой эле ишканаларды азыркы татаал киберкоопсуздук коркунучтарынан жакшыраак коргоо үчүн AI иштетилген коопсуздук аналитикасынын же колдонуучунун жана субъекттин жүрүм-турумунун аналитикасынын (UEBA) ролун изилдейт.
Машина жана адам окуусу
Жасалма интеллект (AI) бардык жерде бар — жок дегенде ушундай көрүнөт, OpenText™де AIнын өсүшү кызыктуу жана татаал. AI түшүнүгү дайыма эле оңой эле түшүнүктүү боло бербейт. Бул AI жана Machine Learning 101 колдонмосун баштоо үчүн, биз көптөгөн адамдар сураган негизги суроого жооп берип, AI баш катырмасын ачабыз: "Чынында, жасалма интеллект деген эмне?"
Жасалма интеллектти түшүнүүнүн эң оңой жолу - аны биз түшүнгөн нерсеге картага салуу — өзүбүздүн интеллектибиз Жасалбаган, адамдын интеллекти кантип иштейт? Эң негизги деңгээлде биздин интеллектибиз жөнөкөй прогрессти ээрчийт: биз маалыматты кабыл алабыз, аны иштеп чыгабыз жана акырында маалымат бизге иш-аракет кылууга жардам берет.
Келгиле, муну система диаграммасына бөлөлү Төмөндөгү сүрөттө адамдын интеллектинин солдон оңго карай үч жалпы кадамы: киргизүү, иштетүү жана чыгаруу Адамдын мээсинде киргизүү нерселерди сезүү жана кабылдоо түрүндө ишке ашат Көзүң, мурун, кулак, ж.б., жарыктын фотондору же карагайдын жыты сыяктуу сол жактан чийки киргизүүнү кабыл алып, андан кийин аны иштетиңиз Системанын оң тарабында чыгарылат Бул сүйлөө жана иш-аракеттерди камтыйт, алардын экөө тең кантип көз каранды биз мээбиз кабыл алып жаткан чийки киргизүүнү иштетебиз. Иштетүү билим же эстутумдар калыптанган жана алынган, чечимдер жана тыянак чыгарылып, үйрөнүү пайда болгон ортодо ишке ашат.
Сүрөт 1. Адамдын интеллекти
Жасалма эмес, адамдын интеллекти кантип иштейт? Эң негизги деңгээлде биздин интеллектибиз жөнөкөй прогрессти ээрчийт: биз маалыматты кабыл алабыз, аны иштетебиз жана акырында маалымат бизге иш-аракет кылууга жардам берет.
Жолдун кесилишинде токтоп турган сүрөт Сиздин көзүңүз алдыңыздагы светофор жаңы эле жашыл күйүп калганын көрүп турат. Тажрыйбаңыздан (жана айдоочунун билиминен) үйрөнгөн нерселериңизге таянып, жашыл чырак алдыга айдашыңыз керек экенин билесиз. газ педалын басып жашыл жарык - чийки киргизүү, сиздин ылдамдануу - чыгаруу; ортосунда баары иштетилип жатат
Айланабыздагы дүйнөнү акылдуу багыттоо үчүн — телефонго жооп берүү, шоколад кукилерин бышыруу же светофорлорго баш ийүү — биз кабыл алган маалыматты иштеп чыгышыбыз керек. Бул адамдын интеллектин иштетүүнүн өзөгү жана ал акырында үч түрдүү аспектиге бөлүнөт. :
- Билим жана эс тутум. Биз фактыларды (б.а. Хастингс согушу 1066-жылы болгон) жана социалдык нормаларды (б.а. "Сураныч" жана "Рахмат" деп айтуу сылык деп эсептелинет) жеген сайын билимди бекемдейбиз. мурункудан азыркыга чейинки жагдайлар Мисалыample, Эдвард Джейн туулган күнү үчүн ага ыраазычылык билдирбегенин эстейт, ошондуктан ал ага Рождество белегин бергенде ага рахмат айтышын күтпөйт.
- Чечим жана корутунду. Чечимдер жана корутундулар билим жана/же эс тутум менен айкалышкан чийки киргизүүнүн негизинде кабыл алынат.ample, Эдвард былтыр жалапено калемпирин жеген жана аны жактырган эмес Джонни Эдвардка калемпирди сунуш кылганда, ал аны жебей коюуну чечет.
- Үйрөнүү. Адамдар мурункудан үйрөнө алышатample, байкоо, же алгоритм үйрөнүүдө example, бизге бир жаныбар ит, экинчиси мышык деп айтышат Байкоо жолу менен үйрөнүү менен биз иттердин үрөрүн жана мышыктардын мияуларын өз алдынча аныктайбыз Үчүнчү үйрөнүү ыкмасы — алгоритм — тапшырманы аткарууга төмөнкүдөй жардам берет. бир катар кадамдар же белгилүү бир алгоритм (мисалы, узун бөлүүнү аткаруу)
Адамдын интеллектинин бул аспектилери жасалма интеллект менен параллелдүү Биз маалыматты кабыл алып, аны иштетип жана бөлүштүргөндөй эле, машиналар да ошондой эле бул карта кандайча ишке ашарын көрүү үчүн төмөндөгү сүрөттү карап көрөлү.
Сүрөт 2. Жасалма интеллект
Айланабыздагы дүйнөнү акылдуу багыттоо үчүн — телефонго жооп берүү, шоколад кукилерин бышыруу же светофорлорго баш ийүү — биз алган маалыматты иштеп чыгышыбыз керек.
Машиналарда жасалма интеллекттин киргизүү бөлүгү табигый тилди иштетүү, кепти таануу, визуалдык таануу жана башкалар менен мисалга алынган ал сиздин сүйлөөңүздү тааныганда Төмөнкү чыгарылыш машиналардын бизди курчап турган дүйнө менен өз ара аракеттенүү жолдору болуп саналат. Бул робототехника, навигация тутумдары (өзүн-өзү айдаган унааларды жетектөө үчүн), сүйлөө генерациясы (мисалы, Siri ж.б.) түрүндө болушу мүмкүн. ортосунда, биз ишке ашат кайра иштетүүнүн ар кандай түрлөрү бар
Биздин билимдерибиздин жана эс-тутумдарыбыздын топтолушуна окшоп, машиналар дүйнө жөнүндө маалыматты сактоого жардам берген билимдин репрезентациясын (мисалы, графикалык маалымат базалары, онтологиялар) түзө алат, алар адамдар чечим кабыл алышат же тыянак чыгара алышат. натыйжасы, жана белгилүү бир максатка жетүү үчүн мыкты кийинки кадамдарды же чечимдерди аныктоо
Акыр-аягы, биз мурункудан үйрөнгөндөйampле, байкоо же алгоритм, машиналарды аналогдук ыкмалар менен үйрөтсө болот.ample: компьютерге маалымат топтомунун ичиндеги "белгилери" бар маалымат топтому берилет, ал жооп катары иштейт жана акырында ар кандай энбелгилердин ортосундагы айырманы айтууну үйрөнөт (мисалы, бул маалымат топтому "ит" же "мышык" деп белгиленген сүрөттөрдү камтыйт жана жетиштүү мурдагы мененamples, компьютер иттердин көбүнчө мышыктарга караганда узун куйруктары жана учтуу кулактары бар экенин байкайт)
Көзөмөлсүз машина үйрөнүү, тескерисинче, байкоо аркылуу үйрөнүү сыяктуу. Компьютер калыптарга байкоо жүргүзөт (иттер үрө берет жана мышыктар мияулат) жана бул аркылуу топторду жана калыптарды өз алдынча ажыратууну үйрөнөт (мисалы, жаныбарлардын эки тобу бар бир топтун үрөгөн үнү менен бөлүнөт — иттер — жана экинчи топ — мышыктар). Программист компьютерге программалык камсыздоо программасында этап-этабы менен эмне кылуу керектигин так айтканда эмне болот.
Жасалма интеллекттин эң так жана жетишсиз натыйжалары окутуу ыкмаларынын айкалышын талап кылат. Көзөмөлдөнгөн да, көзөмөлсүз да машиналык үйрөнүү пайдалуу методдор — бул туура ыкманы же туура колдонуу учуруна карата ыкмаларды колдонуу жөнүндө.
Андан кийин, AIнин бул бөлүгү мээбиздеги нейрондорду чагылдырып, киргизүүнү оптималдуу чыгарууга айландырышын түшүнүү үчүн микроскоптун астына машиналык үйрөнүүнү киргизебиз.
Идеалында, эң так жана эффективдүү жасалма интеллект натыйжалары окутуу ыкмаларынын айкалышын талап кылат. Көзөмөлдөнгөн да, көзөмөлдөнбөгөн да машина үйрөнүү пайдалуу методдор — бул туура ыкманы же туура колдонуу учуруна карата ыкмаларды колдонуу.
Нейрондук тармак жана терең үйрөнүү
Машина үйрөнүү – бул AIнын бир гана бөлүгү, бирок анын ичинде алгоритмдердин чоң топтому бар, бүгүн сиз көп уккан ыкмалардын бири – “терең үйрөнүү”, акыркы жылдары жаңылыктарда адилеттүү көңүл бурган алгоритм. анын популярдуулугу жана ийгилиги, анын кантип иштээрин түшүнүү үчүн пайдалуу. Терең үйрөнүү - бул 1980-жылдары популярдуу болгон машиналык үйрөнүү алгоритминин эволюциясы, сиз билесиз: нейрон тармактары.
Нейрондук тармактар – биз машиналарды “үйрөнүүгө” үйрөтө турган программалоо парадигмасы – нейрондордон же нерв системабыздын пайдубалын түзгөн адам денесиндеги адистештирилген клеткалардан жана өзгөчө мээлерден шыктандырылган. системанын жооптору жана процесстери Нейрондор бизге көрүү, угуу, жыттоо ж.б.
3-сүрөт. Нейрондор билдирүүлөрдү кантип кабыл алат жана жөнөтөт
Адамдын окуусу деп ойлогон нерселерибиздин көбү мээбиздеги эки нейрондун ортосундагы байланыш канчалык күчтүү жана синапстарыбыздын четтеринин күчү менен сүрөттөлсө болот.
Бул колдонмонун биринчи бөлүгүндө биз адамдын интеллектинин негизги процессин талкууладык: сол жактагы киргизүү жана оң жактагы чыгаруу нейрон (жогоруда көрсөтүлгөн) мында маанилүү ролду ойнойт Нейрондун сол тарабында клетканын денеси чогултат. "киргизүү" Жетиштүү киргизүүнү же стимулду алгандан кийин, аксон fres, маалыматты оң тарапка - синапска өткөрөт. "Чыгуу" андан кийин башка нейрондорго жөнөтүлөт
Каалаган учурда нейрондорубуз бири-биринин ортосунда кабарларды өткөрүп жатышат Бул клеткалар биздин айлана-чөйрөнү кабылдоо жөндөмүбүз үчүн жооптуу жана биз үйрөнгөнүбүздө нейрондорубуз абдан жигердүү болушат. мээбиздеги эки нейрондун ортосундагы байланыш канчалык күчтүү жана синапстарыбыздын четтеринин күчү
Нейрондук тармак – бул нейрон клеткаларынын жыйындысынын математикалык симуляциясы Төмөндөгү сүрөттө 3 катмар жана 12 түйүн бар негизги нейрондук тармак көрсөтүлгөн
Ар бир тегерек түйүн жасалма, биологиялык жактан шыктанган "нейронду" билдирет. Сызыктар сол жактагы бир жасалма нейрондун чыгышынан оң жактагы экинчисинин киришине чейинки байланышты билдирет Бул нейрондордун ортосундагы сигналдар сызыктар боюнча солдон оңго карай агып турат , киргизүү — пикселдик маалыматтар сыяктуу — кирүү катмарынан, ортоңку «жашыруун» катмарлар аркылуу жана акырында чыгуу катмарына чыныгы биологиялык нейрондордогу электрдик активдүүлүктөн эркин шыктанган математикалык теңдемелерде сүрөттөлгөн жол менен агып чыгат.
4-сүрөт. Жөнөкөй нейрон тармагы
Нейрондук тармактар киргизүү катмарына берилген маалымат топтомдорун чыгаруу катмарында каалаган натыйжаларга дал келтирүүгө аракет кылуу менен үйрөнүшөт. Математикалык теңдемелер жыйынтыктарды эсептеп, окшоштурулган чыгарууну каалаган натыйжага салыштырып, натыйжада пайда болгон айырмачылыктар туташуулардын бекемдигине чыңдоолорду жаратат.
Нейрондук тармактар киргизүү катмарына берилген маалымат топтомдорун чыгаруу катмарындагы керектүү натыйжаларга дал келтирүүгө аракет кылуу менен үйрөнүшөт Математикалык теңдемелер жыйынтыктарды эсептеп, симуляцияланган чыгарууну каалаган натыйжага салыштырып, натыйжада пайда болгон айырмачылыктар туташуулардын бекемдигине чыңдоолорду жаратат. Бул чыңдоолор эсептелген натыйжа каалаган натыйжага жакындаганга чейин кайталанма түрдө өзгөртүлүп турат, ошондо биз нейрон тармагы "үйрөндү" деп айтабыз.
5-сүрөт. Татаал нейрон тармагы
Бул "тереңирээк" нейрон тармактары алда канча татаал божомолдорду жасай алат. Миңдеген түйүндөр жана жүздөгөн катмарлар болушу мүмкүн, бул миңдеген ар кандай эсептөөлөрдү билдирет.
Белгилей кетчү нерсе, терең үйрөнүү машина үйрөнүү үчүн күмүш ок эмес, айрыкча киберкоопсуздукта эмес, кээде терең үйрөнүү методдору үчүн идеалдуу таза маалыматтардын чоң көлөмү жок. Туура алгоритмди тандоо маанилүү, маалыматтар жана жумуш принциптери Бул машиналар далилдерди чогултуунун, чекиттерди бириктирүүнүн жана жыйынтык чыгаруунун эң жакшы жолу
Нейрондук тармактар келечектин буюмдары сыяктуу сезилиши мүмкүн, бирок бул бир аз убакыттан бери бар Чындыгында, нейрон тармактары 1940-жылдары тарай баштаган идеяларга негизделген Кийинки бөлүмдө биз түшүнүү үчүн убакытка кыска сапар жасайбыз. нейрон тармактары жана машина үйрөнүү заманбап жашоонун көптөгөн бөлүктөрүнө кантип кирип келди.
Нейрондук тармактар келечектин буюмдары сыяктуу сезилиши мүмкүн, бирок бул бир аз убакыттан бери бар. Чындыгында, нейрон тармактары 1940-жылдары жайыла баштаган идеяларга негизделген.
Жасалма интеллекттин кыскача тарыхы
Кээ бир адамдар үчүн жасалма интеллект (AI) термини учкан унаалар жана үй роботтору бар футуристтик шаарлардын сүрөттөрүн козгошу мүмкүн, бирок AI футуристтик концепция эмес, жок эле дегенде, азыр андай деп аталбаса да, жасалма интеллект идеясы болушу мүмкүн. байыркы доорго чейин созулган (б.а., грек кудайы Гефесттин сүйлөп жаткан механикалык күңдөрү) ¹ 1930-жылдардан бери илимпоздор да, математиктер да адамдардан бөлөк чыныгы интеллект түзүүнү изилдөөгө дилгир болушкан.
20-кылымдын орто чениндеги интеллекттин аныктоочу учуру математика менен биологиянын бактылуу айкалышы болду, Норберт Винер, Клод Шеннон жана Алан Тьюринг сыяктуу изилдөөчүлөр 1943-жылы Уоррен Маккаллох жана Уолтер Питтс электрдик сигналдар менен эсептөөлөрдүн кесилишинде талкаланып кетишкен. Нейрондук тармактардын моделин түзгөн Нейрондук тармактар чоң ат күчү менен эсептөөнүн кайраттуу жаңы дүйнөсүнө жол ачкан жана 1956-жылы AI изилдөө тармагы расмий түрдө академиялык дисциплина катары негизделген.
Кылымдын экинчи жарымы AI изилдөөлөрүнүн жана прогрессинин кызыктуу доору болгон, 70-жылдардын орто ченинде жана 80-жылдардын аягында “AI кыштары” маал-маалы менен үзгүлтүккө учураган, анда AI коомдук күтүүлөрдү канааттандыра алган эмес жана талаага инвестиция азайган. Бирок ийгиликсиздиктерге карабастан, AI жана машина үйрөнүү үчүн ар кандай тиркемелер солго жана оңго пайда болду Мындай колдонмонун бир өзгөчө анекдоту AI изилдөө жана ишке ашыруу сыноолоруна жана кыйынчылыктарына абдан натыйжалуу сүйлөп, илимий коомчулукта популярдуу мисалга айланган.
Окуя мындайча болот:
1980-жылдары КалемtagКамуфляждалган танктарды аныктоо үчүн нейрондук тармакты колдонууну чечти Эсептөө жана эс тутумдагы чектөөлөр), лабораториялык окутуу 1980% тактык менен жыйынтыкталды. Мындай ийгилик менен команда аны талаага чыгууну чечет Натыйжалар жакшы болгон жок.
6-сүрөт. Лабораторияга каршы талаа сүрөттөрү (Булак: Neural Network Follies, Нил Фрейзер, 1998-жылдын сентябры)
1980-жылдары кыялданбаган чоң эсептөө ресурстарынын болушу менен терең нейрон тармактары тез эле изилдөө үчүн популярдуу аймакка айланды. Терең үйрөнүү системага адам ресурстарынан көз карандылыкты азайтып, миллиарддаган комбинациялар жана байкоолор аркылуу автоматтык түрдө “үйрөнүү” мүмкүнчүлүгүн берет.
Нейрондук тармак эмне үчүн лабораториядагы сүрөттөрдү укмуштуудай кылып көрсөттү, бирок талаада мынчалык ийгиликсиз болду? Көрсө, танк эмес сүрөттөрдүн баары асман булуттуу болгон күндөрү тартылган; бак-дарактардын бардык сүрөттөрү күн жаркырап турган күндөрү тартылган Нейрондук тор танктарды эмес, күндүн нурун таанууга үйрөтүлгөн
Акыр-аягы, терең үйрөнүү аркылуу визуалдык таануу — Калемге караганда бир топ татаал нейрон тармактары тарабынан шартталган.tag1980-жылдардагы мейнфрейм башкара алмак — реалдуулукка айланды 2012-жылы Стэнфорддун профессору Эндрю Нг жана Google компаниясынын кесиптеши Джеф Дин ар биринде 1000 өзөгү бар 16 компьютерди колдонуп, алгачкы терең нейрон тармактарынын бирин түзүштү. Милдет: 10 миллион YouTube видеосун талдоо Натыйжа : ал мышыктарды тапты ² "Терең үйрөнүү" алгоритминин аркасында тармак убакыттын өтүшү менен мышыктарды жана абдан жакшы тактык менен тааный алды
1980-жылдары ойлобогон чоң эсептөө ресурстарынын болушу менен терең нейрон тармактары тез арада изилдөө үчүн популярдуу аймакка айланды. адам ресурстары Киберкоопсуздук доменинде бул ыкма зыяндуу программаларды аныктоо үчүн өзгөчө келечектүү болуп калды - бизде көптөгөн мурунку маалыматтар менен чоң маалымат топтомдору бар сценарийлер.ampтармак үйрөнө турган зыяндуу программалар
Тилекке каршы, инсайдердик коркунуч сыяктуу кээ бир колдонуу учурларына келгенде терең үйрөнүү ыкмалары азыркы учурда анча эффективдүү эмес, анткени бизде кол салуулардын бул түрлөрү боюнча талап кылынган көлөмдө туура маалымат жок. Көбүнчө бизде маалымат бар. инсайдердик коркунучтар анекдоттук болуп саналат, аларды нейрондук тармактардын бул түрлөрү натыйжалуу колдоно албайт.
Биз натыйжалуураак маалымат топтомдорун чогултмайынча (жана терең үйрөнүү системаларынын баасын жана татаалдыгын азайтмайынча), терең үйрөнүү бардык колдонуу учурлары үчүн туура тандоо эмес жана бул туура эмес. андан да баалуу болбогондой — мунун баары колго алынган жумушка жараша болот
Биз AI технологияларынын эбегейсиз зор потенциалын анын расмий “төрөлгөнүнөн” бери алты он жылдыкта көрдүк жана биз жаңы гана бети тырмап алдык, айрыкча коопсуздукта Эми биз AI жана аналитика үчүн потенциалдуу колдонмолорго тереңирээк кирип чыгабыз. коопсуздук коркунучун аныктоо жана аларга жооп берүү жолу.
Болжолдуу аналитика бизге коопсуздук топтору үчүн алда канча пайдалуу түшүнүк бере турган бир топ чоң табышмактын бир бөлүгү гана.
Биз AI технологияларынын эбегейсиз зор потенциалын анын расмий “төрөлгөндөн” бери алты он жылдыкта көрдүк жана биз жаңы гана бети тырмап алдык, айрыкча коопсуздукта.
Коопсуздук аналитикасынын жаңы көрүнүшү
Азырынча бул колдонмо машинаны үйрөнүүнү, анын чектөөлөрүн жана күчтүү жактарын түшүнүүнү жакшылап карап чыкты. AIди жеңилдетүү үчүн машина үйрөнүү үчүн эбегейсиз потенциал бар, бирок коркунучту аныктоонун кеңири оюну терең үйрөнүү же машина үйрөнүү жөнүндө гана эмес экенин белгилей кетүү керек. Бүгүнкү күндө биз билгендей, жаңы аналитикалык ыкмалар жаңы маалыматтардын түрлөрү менен айкалышкан бизге коопсуздук коркунучтарын талдоо жана аларга каршы аракеттенүү үчүн жаңы алкактарды бере алат.
| Жаңы методдор | Адаптивдүү анализ Белгисиздикте үзгүлтүксүз талдоо оптималдаштыруу | Контекстке жооп берүү Жергиликтүү өзгөрүүгө/пикирге жооп берүү Тобокелдикти сандык эсептөө же азайтуу |
| Салттуу | Оптималдаштыруу Болжолдуу моделдөө Симуляциялык болжолдоо эскертүүлөр Суроо/Төмөн түшүрүү Убактылуу отчеттуулук Стандарттык отчеттуулук | Чечим кабыл алуунун татаалдыгы, чечимдин ылдамдыгы Кокусунан, ыктымалдык, ишеним деңгээли Жогорку тактык, оюндар, маалымат фермасы Чоңураак маалымат топтомдору, сызыктуу эмес регрессия Эрежелер/триггерлер, контекстти сезгич, татаал окуялар Эстутум маалыматтарында, бүдөмүк издөө, геомейкиндиктик сурам.ample, колдонуучу отчетторду коргойт Реал убакыт, визуализация, колдонуучунун өз ара аракеттенүүсү |
| Жаңы маалыматтар | Объекттин резолюциясынын байланышы, өзгөчөлүктү экстракциялоонун аннотациясы жана токенизациясы | Адамдар, ролдор, жайгашкан жерлер, нерселер Эрежелер, семантикалык тыянак, дал келүү Автоматташтырылган, топтолгон |
Биз аналитика башка тармактар үчүн эмне кыла аларын көрдүк жана аналитика киберкоопсуздукка терең таасирин тийгизе турган потенциал бар, биз муну коопсуздук аналитикасы деп атаган жаңы чөйрөдө калыптанганын көрүп жатабыз, ал согушта сыналган Биз талкуулаган алгоритмдер жана методологиялар (жана башкалар) жана аларды колдонгон коопсуздуктун чындап эле татаал маселелерин чечүүгө жардам берет.
Биз бүгүн коопсуздукта эң кеңири тараган аналитика болжолдуу моделдерди камтыйт, алар чоң көлөмдөгү маалыматтардын ичинде кайсы жерде тобокелчиликтер болушу мүмкүн экенин аныктоого мүмкүндүк берет (бул жерде аномалияны аныктоо fts) Кыскача айтканда, болжолдоочу моделдөө тарыхый маалыматтарды реалдуу убакыттагы жүрүм-турум менен айкалыштырат. келечектеги жүрүм-турумун түшүнүү же алдын ала айтуу үчүн ушуну менен биз: "Андан кийин эмне болот?"
Бирок биздин коопсуздук аналитикасына болгон көз карашыбыз ушуну менен эле токтоп калбайт. Болжолдуу аналитика бул бизге коопсуздук топтору үчүн алда канча пайдалуу түшүнүк бере турган чоңураак табышмактын бир бөлүгү гана. , булут, социалдык тармактар, ачык маалыматтар ж.б. - жүрүм-турумду жана коркунучтарды талдоо үчүн бир нече өркүндөтүлгөн аналитикалык ыкмалар менен, анын ичинде криминалистикалык анализ, тобокелдикти моделдөө, аномалияларды аныктоо, жүрүм-турумду жана жооп кайтарууну оптималдаштыруу ж.б.
Бул биз коркунучту алдын ала айтуудан же аныктоодон алда канча көптү жасай алабыз дегенди билдирет. Бул бизге өркүндөтүлгөн аныктоону гана эмес, кантип эң эффективдүү жооп кайтаруу керектиги жөнүндө түшүнүктү да сунуштоого мүмкүнчүлүк берет Коопсуздук аналитикасы бизге башка негизги суроолорго жооп берүүгө күч берет, мисалы: “Кантип көп коркунучтар барбы?" жана "Мүмкүн болгон эң жакшы реакция кайсы?"
Биз киберкоопсуздукка колдонулган оптималдаштыруу ыкмалары сыяктуу аналитиканын башка класстарын көрө элекпиз, бирок алардын эбегейсиз потенциалы бар. Бул ыкмалар коопсуздук коркунучуна болгон бардык мүмкүн болгон реакцияларды карап, эң жакшы жоопту аныктайт Ооба, муну математика менен жасоонун жолдору бар.
Мисалы үчүнample, оптималдаштыруу ыкмалары сиз уюлдук телефонуңуздун провайдерине көйгөй менен чалганда колдонулат. Алар кокусунан эле арзандатуу менен тейлөө планын жаңыртуу же жаңыртуу боюнча сунуш киргизишпейт; алар сиздин чалуу журналдарыңызга, өчүрүлгөн чалууларыңыздын санына, тарыхыңыздын башка колдонуучулардын тарыхы менен салыштырылганына ж.б. караган математиканын топтомуна таянышат. Ал тургай, башка кызмат көрсөтүүчүгө өтүү ыктымалдыгын эсептеп чыгат. бардык мүмкүн болгон кийинки кадамдардын ичинен, ал кардарларды максималдуу кармап калуу үчүн эң мыкты кийинки кадамды эсептейт
Ушул эле математиканы коопсуздук тобуна коркунучту аныктоо, реакция кылуунун бир нече жолдорун берүү жана бул өзгөчө тобокелдикти максималдуу чектөө үчүн математикалык жактан эң жакшы жоопту аныктоо үчүн колдонсо болот.
Коопсуздук коркунучтарынын тез өсүшү жана эволюциясы жооп кайтаруунун бул түрүн маанилүү кылат математика аркылуу Бардык эсептерге караганда, биз коопсуздук аналитикасы жаңыдан башталып жатат деп ишенебиз.
Бизде бүгүн мурункуга караганда көбүрөөк маалымат бар. Бактыга жараша, бизде математика аркылуу бул маалыматтарды түшүнүүгө жардам берүү үчүн көбүрөөк эсептөө күчү, жакшы алгоритмдер жана изилдөөлөргө жана технологияларга көбүрөөк инвестиция бар. Бардык эсептер боюнча, биз коопсуздук аналитикасы жаңыдан башталып жатат деп ишенебиз.
Кардарларды колдоо
Биз менен байланышыңыз
www.opentext.com
OpenText Cybersecurity бардык өлчөмдөгү компаниялар жана өнөктөштөр үчүн коопсуздуктун комплекстүү чечимдерин камсыз кылат, алдын алуу, аныктоо жана калыбына келтирүү, иликтөө жана сактоого жооп кайтаруу, биздин бирдиктүү платформабыз кардарларга бирдиктүү коопсуздук портфолиосу аркылуу кибер туруктуулукту түзүүгө жардам берет. реалдуу убакытта жана контексттик коркунуч чалгындоосу, OpenText Cybersecurity кардарлары бизнес тобокелдиктерин башкарууга жардам берүү үчүн жогорку эффективдүү өнүмдөрдүн, шайкеш тажрыйбанын жана жөнөкөйлөштүрүлгөн коопсуздуктун пайдасына
762-000016-003 | О | 01/24 | © 2024 Open Text
Документтер / Ресурстар
 |
Opentext Жасалма интеллект жана машина үйрөнүү [pdf] Instructions Жасалма интеллект жана машина үйрөнүү, интеллект жана машина үйрөнүү, машина үйрөнүү |
