opentext Вештачка интелигенција и машина

Вештачката интелигенција (ВИ) го трансформира начинот на кој ние комуницираме со машините и начинот на кој машините комуницираат со нас. Овој водич ги разложува како функционира вештачката интелигенција, силните страни и ограничувањата на различните видови машинско учење и еволуцијата на ова поле на студирање кое постојано се менува. Исто така, ја истражува улогата на безбедносните аналитики овозможени со вештачка интелигенција или аналитиката за однесување на корисниците и ентитетите (UEBA) за подобра заштита на претпријатијата од денешните сложени закани за сајбер безбедноста.

Машина наспроти човечко учење

Вештачката интелигенција (ВИ) е насекаде - барем така изгледа На OpenText™, подемот на вештачката интелигенција е возбудлив и предизвикувачки Но, како што се занимававме со нашите врсници, клиенти и партнери, сфативме дека концептот на вештачката интелигенција не е секогаш лесно разбирлив За да го започнеме овој водич за вештачка интелигенција и машинско учење 101, ќе ја отпакуваме загатката за вештачка интелигенција одговарајќи на главното прашање што го поставуваат многу луѓе: „Што е навистина вештачката интелигенција?“

Најлесен начин да се разбере вештачката интелигенција е да се мапира на нешто што веќе го разбираме - нашата сопствена интелигенција Како функционира невештачката, човечка интелигенција? На најосновно ниво, нашата интелигенција следи едноставна прогресија: примаме информации, ги обработуваме и на крајот информациите ни помагаат да дејствуваме

Ајде да го разложиме ова на системски дијаграм На сликата подолу, трите општи чекори на човечката интелигенција од лево кон десно: внесување, обработка и излез Во човечкиот мозок, внесувањето се одвива во форма на насетување и воочување на нештата Вашите очи. нос, уши, итн., внесете сиров влез лево, како што се фотони на светлина или мирис на борови дрвја, а потоа обработете го На десната страна на системот е излезот. ние го обработуваме суровиот влез што го добива нашиот мозок Обработката се случува во средината, каде што се формираат и преземаат знаењата или сеќавањата, се донесуваат одлуки и заклучоци и се случува учењето.

Слика 1. Човечка интелигенција

Како функционира невештачката, човечка интелигенција? На најосновно ниво, нашата интелигенција следи едноставна прогресија: примаме информации, ги обработуваме и на крајот информациите ни помагаат да дејствуваме.

Слика на застанување на раскрсница на коловозот Вашите очи гледаат дека семафорот пред вас штотуку стана зелен. притиснете на педалата за гас Зеленото светло е необработен влез, вашето забрзување е излезот; сè измеѓу се обработува

За интелигентно да се движиме низ светот околу нас - одговарање на телефон, печење чоколадни колачиња или почитување на семафорите - треба да го обработиме влезот што го добиваме. :

1. Знаење и меморија. Ние го градиме знаењето додека внесуваме факти (т.е. Битката кај Хестингс се случи во 1066 година) и општествени норми (т.е. кажувањето „Ве молам“ и „Благодарам“ се смета за учтиво) Дополнително, меморијата ни овозможува да се потсетиме и да ги примениме информациите од ситуации од минатото до сегашноста На прampЛе, Едвард се сеќава дека Џејн не му се заблагодарила за нејзиниот роденденски подарок, па затоа не очекува таа да му се заблагодари кога ќе и подари божиќен подарок
2. Одлука и заклучок. Одлуките и заклучоците се направени врз основа на суров влез во комбинација со знаење и/или меморија На прampЛе, Едвард минатата година изел пиперка халапено и не му се допадна Кога Џони му нуди пиперка на Едвард, тој одлучи да не ја јаде
3. Учење. Луѓето можат да учат со прample, набљудување или алгоритам Во учењето од прampле, ни е кажано дека едното животно е куче, другото е мачка Во учењето преку набљудување, сами сфаќаме дека кучињата лаат и дека мачките мјаукаат Третиот метод на учење - алгоритам - ни овозможува да завршиме задача со следење серија чекори или специфичен алгоритам (на пример, извршување на долга поделба)

Овие аспекти на човечката интелигенција се паралелни со вештачката интелигенција Како што ние земаме информации, ги обработуваме и споделуваме излез, така можат и машините.

Слика 2. Вештачка интелигенција

За интелигентно да се движиме низ светот околу нас - одговарање на телефон, печење чоколадни колачиња или почитување на семафорите - треба да го обработиме внесот што го добиваме.

Во машините, влезниот дел од вештачката интелигенција е пример за обработка на природен јазик, препознавање говор, визуелно препознавање и повеќе. Такви технологии и алгоритми гледате насекаде, од самоуправувачки автомобили кои треба да ги насетат патиштата и пречките, до Alexa или Siri. кога го препознава вашиот говор Излезот што следи се начини на кои машините комуницираат со светот околу нас. помеѓу, имаме различни форми на обработка кои се одвиваат

Слично на нашата акумулација на знаење и мемории, машините можат да создадат претстави на знаење (на пр., бази на податоци за графикони, онтологии) кои им помагаат да складираат информации за светот Исто како што луѓето донесуваат одлуки или извлекуваат заклучоци, машините можат да прават предвидувања, да оптимизираат за цел или исходот и да ги одредите најдобрите следни чекори или одлуки за исполнување на одредена цел

Конечно, исто како што дознаваме од ексampЛе, набљудување или алгоритам, машините може да се подучуваат со помош на аналогни методи.ample: на компјутерот му се дава база на податоци со „етикети“ во рамките на множеството податоци што делуваат како одговори, и на крајот учи да ја разликува разликата помеѓу различните етикети (на пр., оваа база на податоци содржи фотографии означени како „куче“ или „мачка“, и со доволно ексampпомалку, компјутерот ќе забележи дека кучињата генерално имаат подолги опашки и помалку шилести уши од мачките)

Машинското учење без надзор, од друга страна, е како учење преку набљудување Компјутерот ги набљудува обрасците (кучињата лаат, а мачките мјаукаат) и преку тоа учи самостојно да разликува групи и обрасци (на пр., постојат две групи животни кои можат да бидат одвоени со звукот што го прават едната група лае - кучиња - а другата група мјаука - мачки) За учење без надзор не се потребни етикети и затоа може да се претпочита кога множествата на податоци се ограничени и немаат етикети Конечно, учењето по алгоритам е; што се случува кога програмерот ќе му наложи на компјутерот што точно да прави, чекор-по-чекор, во софтверска програма.

навистина, најточните и најнедостаточните резултати од вештачката интелигенција бараат комбинација од методи за учење И надгледуваното и ненадгледуваното машинско учење се корисни методи - сè е за примена на вистинскиот пристап или пристапи кон вистинскиот случај на употреба

Следно, ќе го ставиме машинското учење под микроскоп за да разбереме како овој дел од вештачката интелигенција ги пресликува невроните во нашиот мозок за да го претвори влезот во оптимален излез.

Идеално, најточните и најефикасните резултати од вештачката интелигенција бараат комбинација на методи за учење. И надгледуваното и ненадгледуваното машинско учење се корисни методи - сè е за примена на вистинскиот пристап или пристапи кон вистинскиот случај на употреба.

Невронска мрежа и длабоко учење

Машинското учење е само еден дел од вештачката интелигенција, иако има огромна подгрупа на алгоритми во себе Еден од методите што често го слушате денес е „длабоко учење“, алгоритам кој доби прилично голем дел од вниманието во вестите во последниве години. неговата популарност и успех, корисно е да се разбере како функционира Длабокото учење е еволуција на алгоритам за машинско учење кој беше популарен во 1980-тите, што може да го препознаете: невронски мрежи.

Невралните мрежи - програмска парадигма во која ги тренираме машините да „учат“ - се инспирирани од невроните, или специјализираните клетки во човечкото тело кои ја формираат основата на нашиот нервен систем, а особено мозокот Овие клетки пренесуваат сигнали низ нашите тела предизвикуваат нервоза системски одговори и процеси Невроните се тие што ни овозможуваат да гледаме, слушаме, мирисаме итн.

Слика 3. Како невроните примаат и испраќаат пораки

Голем дел од она што го мислиме како човечко учење може да се опише со тоа колку е силна врската помеѓу два неврони во нашиот мозок, заедно со силата на работ на нашите синапси.

Во првиот дел од овој водич, разговаравме за основниот процес на човечката интелигенција: влез лево и излез надесно. „Влез“ Откако ќе добие доволно влез или стимулација, аксонот се освежува, пренесувајќи ја информацијата на десната страна - синапсата „Излезот“ потоа се испраќа до другите неврони

Во секој даден момент, нашите неврони пренесуваат пораки меѓу себе. Овие клетки се одговорни за нашата способност да ја согледаме нашата околина. колку е силна врската помеѓу два неврони во нашиот мозок, заедно со силата на работ на нашите синапси

Невралната мрежа е математичка симулација на збирка невронски клетки Сликата подолу претставува основна невронска мрежа со 3 слоеви и 12 јазли

Секој кружен јазол претставува вештачки, биолошки инспириран „неврон“ Линиите претставуваат врска од излезот на еден вештачки неврон лево до влезот на друг од десната страна. , влезот - како што се податоците за пиксели - тече од влезниот слој, низ средните „скриени“ слоеви и на крајот до излезниот слој на начин опишан со математички равенки лабаво инспирирани од електричната активност во вистинските биолошки неврони.

Слика 4. Едноставна невронска мрежа

Невронските мрежи учат обидувајќи се да ги усогласат множествата на податоци претставени на влезниот слој со посакуваните резултати во излезниот слој. Математичките равенки ги пресметуваат излезите, го споредуваат симулираниот излез со саканиот исход, а добиените разлики потоа создаваат измени во јачината на врските.

Невронските мрежи учат обидувајќи се да ги усогласат множествата на податоци претставени на влезниот слој со посакуваните резултати во излезниот слој. Овие измени се менуваат повторливо додека пресметаниот излез не биде доволно блиску до посакуваниот исход, во кој момент велиме дека невронската мрежа „научила“

Слика 5. Комплексна невронска мрежа

Овие „подлабоки“ невронски мрежи можат да прават многу посложени предвидувања Може да има илјадници јазли и стотици слоеви, што значи илјадници различни пресметки Моделите за длабоко учење станаа многу добри во конкретни проблеми, како што се препознавање говор или слика.

Сепак, вреди да се напомене дека длабокото учење не е сребрена куршума за машинско учење - особено не во сајбер безбедноста, каде што понекогаш нема голем обем на чисти податоци што се идеални за методите за длабоко учење Важно е да се избере вистинскиот алгоритам. податоци и принципи за работата Ова е најдобриот начин машините да соберат докази, да ги поврзат точките и да извлечат заклучок

Невронските мрежи можеби изгледаат како нештата на иднината, но постои веќе некое време Всушност, невронските мрежи се засноваат на идеи кои започнале да циркулираат уште во 1940-тите Во следниот дел, ќе направиме кратко патување назад во времето за да разбереме како невронските мрежи и машинското учење проникнаа во многу делови од модерниот живот.

Невронските мрежи можеби изгледаат како нешто на иднината, но тие постојат веќе некое време. Всушност, невронските мрежи се засноваат на идеи кои започнале да циркулираат уште во 1940-тите.

Кратка историја на вештачката интелигенција

За некои луѓе, терминот вештачка интелигенција (АИ) може да предизвика слики од футуристички градови со летечки автомобили и роботи за домаќинство Но, вештачката интелигенција не е футуристички концепт, барем не повеќе Иако не се нарекува како таква, идејата за вештачка интелигенција може да биде проследено до антиката (т.е., механичките слугинки на грчкиот бог Хефест што зборуваат) ¹ Од 1930-тите, научниците и математичарите се желни да истражуваат создавање вистинска интелигенција одвоена од луѓето

Дефинитивниот момент на вештачката интелигенција во средината на 20 век беше среќен спој на математиката и биологијата, при што истражувачите како Норберт Винер, Клод Шенон и Алан Тјуринг веќе се оддалечија на пресекот на електричните сигнали и пресметките До 1943 година, Ворен МекКалок и Волтер Питс создаде модел за невронски мрежи Невралните мрежи го отворија патот за храбар нов свет на компјутери со поголема коњска сила, а во 1956 година полето на истражување на вештачката интелигенција беше официјално воспоставено како академска дисциплина

Втората половина на векот беше возбудлива доба за истражување и напредок за вештачката интелигенција, повремено прекинувана со „зими со вештачка интелигенција“ во средината на 70-тите и доцните 80-ти, каде што вештачката интелигенција не ги исполни очекувањата на јавноста, а инвестициите во областа беа намалени, но и покрај неуспесите, различни апликации за вештачка интелигенција и машинско учење се појавуваа лево и десно Една посебна анегдота за таквата апликација стана популарна парабола во научната заедница, зборувајќи доста ефикасно за испитите и неволјите на истражувањето и имплементацијата на вештачката интелигенција.

Приказната оди отприлика вака:

Во 1980-тите, Пенtagодлучи да користи невронска мрежа за да ги идентификува камуфлираните резервоари Работејќи со само еден главен компјутер (од 1980-тите, имајте на ум), невронската мрежа беше обучена со 200 слики - 100 резервоари и 100 дрвја и покрај релативно малата невронска мрежа (поради 1980-тите ограничувања на пресметките и меморијата), лабораториската обука резултираше со 100% прецизност Со таков успех, тимот одлучи да му даде излез во полето Резултатите не беа одлични.

Слика 6. Слики од лабораторија против терени (Извор: Фолии на невронска мрежа, Нил Фрејзер, септември 1998 година)

Со достапноста на огромните компјутерски ресурси за кои не се сонуваше уште во 1980-тите, длабоките невронски мрежи брзо станаа популарна област за истражување. Длабокото учење му дава на системот способност автоматски да „учи“ преку милијарди комбинации и набљудувања, намалувајќи ја зависноста од човечките ресурси.

Зошто невронската мрежа направи толку фантастично на фотографиите во лабораторијата, но целосно пропадна во полето? Се испостави дека нетенковските фотографии се направени во денови кога небото беше облачно; сите слики од дрвја се направени во денови кога грее сонце.

Сепак, на крајот, визуелното препознавање преку длабоко учење - олеснето со невронски мрежи кои се многу посложени од пенкалотоtagМејнфрејмот на Он од 1980-тите ќе можеше да се справи - стана реалност Во 2012 година, професорот од Стенфорд, Ендрју Нг и колегата од Google, Џеф Дин, создадоа една од првите длабоки невронски мрежи користејќи 1000 компјутери со по 16 јадра. Задача: анализирајте 10 милиони видеа на YouTube Резултатот : пронајде мачки ² Благодарение на својот алгоритам за „длабоко учење“, мрежата можеше да препознае мачки со текот на времето и со многу добра точност

Со достапноста на огромни компјутерски ресурси за кои не се сонуваа уште во 1980-тите, длабоките невронски мрежи брзо станаа популарна област за истражување Длабокото учење му дава на системот способност автоматски да „учи“ преку милијарди комбинации и набљудувања, намалувајќи ја зависноста од човечки ресурси Во доменот на сајбер безбедноста, методот стана особено ветувачки за откривање на малициозен софтвер - сценарија во кои имаме големи збирки податоци со многу ексampмалициозен софтвер од кој мрежата може да научи

За жал, методите за длабоко учење во моментов се помалку ефикасни кога станува збор за одредени случаи на употреба, како инсајдерска закана, бидејќи едноставно ги немаме вистинските податоци за овие типови напади, во потребните томови Најчесто, информациите што ги имаме за инсајдерските закани се анегдотски, кои не можат ефикасно да се користат од овие типови невронски мрежи.

Сè додека не можеме да собереме поефективни збирки на податоци (и да ги намалиме трошоците и сложеноста на системите за длабоко учење), длабокото учење не е вистинскиот избор за сите случаи на употреба И тоа е во ред Длабокото учење е само еден од многуте алгоритми за машинско учење, а овие пристапи можат да бидат исто како да не е повредно - сè зависи од работата што е на располагање

Видовме огромен потенцијал на технологиите за вештачка интелигенција во шесте децении од нејзиното официјално „раѓање“ и само што ја изгребавме површината, особено во безбедноста Следно, ќе се нурнеме подлабоко во потенцијалните апликации за вештачка интелигенција и аналитика за промена на начин на кој ги идентификуваме и реагираме на безбедносните закани.

Предвидувачката аналитика е само едно парче од многу поголема загатка што може да ни даде многу покорисен увид за безбедносните тимови.

Видовме огромен потенцијал на технологиите за вештачка интелигенција во шесте децении од нејзиното официјално „раѓање“ и само што ја изгребавме површината, особено во безбедноста.

Нова визија за безбедносна анализа

Досега, овој водич внимателно го разгледа машинското учење, разбирајќи ги неговите ограничувања и предности Има огромен потенцијал за машинско учење да ја олесни вештачката интелигенција, но вреди да се напомене дека пошироката игра за откривање закани не е само за длабоко учење или машинско учење како што го знаеме денес Новите аналитички методи во комбинација со нови типови на податоци можат да ни дадат сосема нови рамки во кои можеме да анализираме и да дејствуваме по безбедносните закани.

Нови методи	Адаптивна анализа Оптимизација на континуирана анализа под несигурност	Одговарање на контекстот Одговарање на локална промена/повратна информација Квантификување или ублажување на ризикот
Традиционален	Оптимизација Симулација за предвидливо моделирање Предупредувања за прогнозирање Прашање/обучување Ад хок Стандардно известување за известување	Комплексност на одлуката, брзина на решение Случајно, веројатност, нивоа на доверба Висока верност, игри, одгледување податоци Поголеми збирки податоци, нелинеарна регресија Правила/активатори, чувствителни на контекст, сложени настани Во мемориски податоци, нејасно пребарување, гео-просторно пребарување по ексample, корисник ги брани извештаите Во реално време, визуелизации, интеракција со корисниците
Нови податоци	Врска со резолуција на ентитети, прибелешка за екстракција на карактеристики и токенизација	Луѓе, улоги, локации, работи Правила, семантичко заклучување, совпаѓање автоматизирано, извори од толпата

Видовме што може да направи аналитиката за другите индустрии, а постои потенцијал и аналитиката да има големо влијание врз сајбер безбедноста. алгоритми и методологии за кои разговаравме (и повеќе) и ги применуваме помагаат во решавањето на навистина тешките проблеми во безбедноста

Најчестата аналитика што ја гледаме во безбедноста денес вклучува предвидливи модели, кои ни овозможуваат да идентификуваме каде се ризиците во големи количини на податоци (тука влегува откривањето аномалии) Накратко, предвидливото моделирање ги комбинира историските податоци со однесувањето во реално време да се разбере или предвиди идното однесување Со ова, можеме да одговориме на прашањето: „Што ќе се случи следно?“

Но, нашата визија за безбедносна аналитика не застанува тука Предвидливата аналитика е само едно парче од многу поголема загатка што може да ни даде многу покорисен увид за безбедносните тимови Идеалната аналитичка парадигма комбинира интелигентен сензор и сеприсутни извори на податоци - десктоп компјутери и сервери, мобилни , облак, социјални мрежи, отворени податоци, итн — со повеќе напредни аналитички пристапи за анализа на однесувањето и заканите, вклучувајќи форензичка анализа, моделирање ризик, откривање аномалија, оптимизација на однесувањето и одговорот и повеќе

Ова значи дека можеме да направиме многу повеќе отколку да предвидиме или идентификуваме закана Тоа ни овозможува да одиме уште подалеку за да понудиме не само напредно откривање, туку и увид во тоа како да одговориме најефективно Безбедносната аналитика ни дава моќ да одговориме на други клучни прашања, како што се „Како има многу закани?“ и „Која е најдобрата можна реакција?

Сè уште не сме виделе други класи на аналитика како методите за оптимизација кои се применуваат на сајбер безбедноста, но тие имаат огромен потенцијал Овие техники ги разгледуваат сите можни реакции на безбедносен ризик и одредување на најдобриот одговор Да, постојат начини да се направи тоа со математика

За прampЛе, методите за оптимизација се користат кога се јавувате до давателот на услуги на вашиот мобилен телефон со проблем. тие се потпираат на збир на математика во заднина што ги гледа вашите дневници на повици, бројот на откажани повици, како вашата историја се споредува со онаа на другите корисници итн. Дури ја пресметува веројатноста дека може да се префрлите на друг давател на услуги. од сите можни следни чекори, го пресметува најдобриот следен чекор за да се максимизира задржувањето на клиентите

Истата математика може да се примени на безбедносниот тим за да се идентификува ризикот, да се обезбедат неколку начини на кои треба да се реагира и математички да се одреди најдобриот одговор за максимално ограничување на овој конкретен ризик

Брзиот пораст и еволуција на безбедносните закани го прават овој тип на ефикасност на одговорот критичен. Имаме повеќе податоци денес од кога било досега За среќа, имаме и поголема компјутерска моќ, подобри алгоритми и пошироко инвестирање во истражување и технологии за да ни помогнат да ги разбереме овие податоци преку математика Според сите сметки, веруваме дека безбедносната аналитика штотуку започнува.

Денес имаме повеќе податоци од кога било досега. За среќа, имаме и поголема пресметковна моќ, подобри алгоритми и пошироки инвестиции во истражување и технологии кои ќе ни помогнат да ги разбереме овие податоци преку математиката. Според сите сметки, веруваме дека безбедносната аналитика штотуку започнува.

Поддршка за корисници

Поврзете се со нас
www.opentext.com
OpenText Cybersecurity обезбедува сеопфатни безбедносни решенија за компании и партнери од сите големини, од превенција, откривање и одговор до обновување, истрага и усогласеност, нашата унифицирана платформа од крај до крај им помага на клиентите да изградат сајбер еластичност преку сеопфатно безбедносно портфолио Овозможено со активни увиди од нашите Интелигенција за закани во реално време и контекст, клиентите на OpenText Cybersecurity имаат корист од производи со висока ефикасност, усогласено искуство и поедноставена безбедност за да помогнат во управувањето со деловниот ризик
762-000016-003 | О | 01 | © 24 Отворен текст

Документи / ресурси

opentext Вештачка интелигенција и машинско учење [pdf] Инструкции Вештачка интелигенција и машинско учење, интелигенција и машинско учење, машинско учење

Референци

• Упатство за употреба