opentext хиймэл оюун ухаан ба машин
Хиймэл оюун ухаан (AI) нь бидний машинтай харьцах арга барил, машинууд бидэнтэй харьцах арга барилыг өөрчилдөг. Энэхүү гарын авлагад хиймэл оюун ухаан хэрхэн ажилладаг, янз бүрийн төрлийн машин сургалтын давуу болон хязгаарлалт, байнга өөрчлөгдөж байдаг энэхүү судалгааны салбарын хувьслыг задалсан болно. Энэ нь мөн аж ахуйн нэгжүүдийг орчин үеийн кибер аюулгүй байдлын аюулаас илүү сайн хамгаалахын тулд хиймэл оюун ухаанаар идэвхжүүлсэн аюулгүй байдлын аналитик эсвэл хэрэглэгчийн болон аж ахуйн нэгжийн зан төлөвийн аналитик (UEBA) үүргийг судлах болно.
Машин ба хүний сургалт
Хиймэл оюун ухаан (AI) хаа сайгүй байдаг—наад зах нь ийм юм шиг санагдаж байна OpenText™ дээр хиймэл оюун ухааны хөгжил нь сэтгэл хөдөлгөм бөгөөд сорилттой боловч бид үе тэнгийнхэн, үйлчлүүлэгчид, түншүүдтэйгээ харилцаж байхдаа Хиймэл оюун ухаан гэдэг ойлголт тэр бүр амархан ойлгогддоггүй. Энэхүү AI болон Machine Learning 101 гарын авлагыг эхлүүлэхийн тулд бид олон хүмүүсийн асууж буй “Хиймэл оюун ухаан гэж юу вэ?” гэсэн гол асуултад хариулж, хиймэл оюун ухааны тааврыг задлах болно.
Хиймэл оюун ухааныг ойлгох хамгийн хялбар арга бол үүнийг бидний аль хэдийн ойлгосон зүйлтэй харьцуулах явдал юм - бидний оюун ухаан Хиймэл бус, хүний оюун ухаан хэрхэн ажилладаг вэ? Хамгийн энгийн түвшинд бидний оюун ухаан энгийн алхамуудыг дагаж мөрддөг: бид мэдээллийг хүлээн авдаг, боловсруулдаг, эцэст нь мэдээлэл нь биднийг үйлдэл хийхэд тусалдаг.
Үүнийг системийн бүдүүвч болгон задалъя Доорх зурагт хүний оюун ухааныг зүүнээс баруун тийш гурван ерөнхий үе шат: оролт, боловсруулалт, гаралт Хүний тархинд оролт нь аливаа зүйлийг мэдрэх, мэдрэх хэлбэрээр явагддаг Таны нүд, хамар, чих гэх мэт гэрлийн фотон эсвэл нарс модны үнэр гэх мэт зүүн талын түүхий оролтыг авч, дараа нь боловсруулна. Системийн баруун талд гаралт гардаг Үүнд яриа болон үйлдлүүд багтана. Бид тархидаа хүлээн авч буй түүхий оролтыг боловсруулдаг. Боловсруулалт нь дунд хэсэгт явагддаг бөгөөд тэнд мэдлэг, дурсамжууд бий болж, эргэн сэргэж, шийдвэр гаргах, дүгнэлт гаргах, суралцах үйл явц явагддаг.
Зураг 1. Хүний оюун ухаан
Хиймэл бус, хүний оюун ухаан хэрхэн ажилладаг вэ? Хамгийн энгийн түвшинд бидний оюун ухаан энгийн алхамуудыг дагаж мөрддөг: бид мэдээллийг хүлээн авдаг, боловсруулдаг, эцэст нь мэдээлэл нь биднийг үйлдэл хийхэд тусалдаг.
Замын уулзвар дээр зогсож буй зураг Таны урд байгаа гэрлэн дохио дөнгөж ногоон өнгөтэй болж байгааг нүд тань харж байна. Туршлагаасаа (болон жолоочийн боловсрол) олж мэдсэн зүйл дээрээ үндэслэн ногоон гэрэл таныг урагшлах ёстойг илтгэдэг гэдгийг та мэднэ. хийн дөрөө дээр дар Ногоон гэрэл нь түүхий оролт, таны хурдатгал бол гаралт юм; Энэ хооронд бүх зүйл боловсруулагдаж байна
Бидний эргэн тойрон дахь ертөнцийг ухаалгаар удирдахын тулд утсаар ярих, шоколадтай жигнэмэг жигнэх эсвэл гэрлэн дохиог дагах - бидний хүлээн авсан оролтыг боловсруулах хэрэгтэй. Энэ бол хүний оюун ухааны боловсруулалтын гол цөм бөгөөд энэ нь эцсийн дүндээ гурван өөр зүйлд хуваагддаг. :
- Мэдлэг ба ой санамж. Бид баримтуудыг (жишээ нь, Хастингсийн тулалдаан 1066 онд болсон) болон нийгмийн хэм хэмжээг (өөрөөр хэлбэл "Гуйя" болон "Баярлалаа" гэж хэлэхийг эелдэг гэж үздэг) шингээх явцдаа мэдлэгийг бий болгодог. Үүнээс гадна санах ой нь мэдээллийг эргэн санах, хэрэгжүүлэх боломжийг олгодог. Өнгөрсөнөөс өнөөг хүртэлх нөхцөл байдал Жишээ ньample, Эдвард Жэйн түүнд төрсөн өдрийн бэлэг өгсөнд нь баярлаагүй гэдгийг санаж байгаа тул түүнд зул сарын бэлэг өгөхдөө түүнд баярлалаа гэж бодохгүй байна.
- Шийдвэр, дүгнэлт. Шийдвэр, дүгнэлтийг мэдлэг ба/эсвэл санах ойтой хослуулсан түүхий оролт дээр үндэслэн гаргадаг.ample, Эдвард өнгөрсөн жил жалапено чинжүү идсэн бөгөөд түүнд дургүй байсан Жонни Эдвардад чинжүү өгөхөд тэр үүнийг идэхгүй байхаар шийджээ.
- Сурах. Хүмүүс өмнөхөөсөө суралцаж чаднаample, ажиглалт, эсвэл алгоритм Ex Learning by example, бидэнд нэг амьтан нохой, нөгөө нь муур гэж хэлсэн байдаг. Ажиглалтаар суралцахдаа нохой хуцаж, муур миау гэдгийг бид өөрсдөө олж хардаг. Гурав дахь сургалтын арга-алгоритм нь дараах даалгаврыг биелүүлэх боломжийг олгодог. хэд хэдэн алхам эсвэл тодорхой алгоритм (жишээлбэл, урт хуваах гэх мэт)
Хүний оюун ухааны эдгээр талууд Хиймэл оюун ухаантай зэрэгцэн оршдог Бид мэдээллийг авч, боловсруулж, үр дүнгээ хуваалцдаг шиг машинууд ч мөн адил энэ нь хэрхэн гарч байгааг харахын тулд доорх зургийг харцгаая.
Зураг 2. Хиймэл оюун ухаан
Утсанд хариулах, шоколадтай жигнэмэг жигнэх, гэрлэн дохиог дагах гэх мэт бидний эргэн тойрон дахь ертөнцийг ухаалгаар удирдахын тулд бид хүлээн авсан мэдээллийг боловсруулах хэрэгтэй.
Машинуудад хиймэл оюун ухааны оролтын хэсэг нь байгалийн хэл боловсруулах, яриа таних, нүдээр таних болон бусад зүйлсээр тодорхойлогддог. Зам, саадыг мэдрэх чадвартай өөрөө жолооддог машинаас эхлээд Alexa эсвэл Siri хүртэл ийм технологи, алгоритмыг та хаа сайгүй харж байна. Энэ нь таны яриаг таних үед Дараах гаралт нь машинууд бидний эргэн тойрон дахь ертөнцтэй хэрхэн харьцах арга замууд юм. Энэ нь робот техник, навигацийн систем (тэдгээрийг өөрөө жолооддог машинуудыг чиглүүлэх), яриа үүсгэх (жишээ нь, Siri) гэх мэт хэлбэртэй байж болно. хооронд, Бид явагддаг боловсруулах янз бүрийн хэлбэр байдаг
Бидний мэдлэг, ой санамжийн хуримтлалтай адил машинууд нь дэлхийн талаарх мэдээллийг хадгалахад тусалдаг мэдлэгийн дүрслэлийг (жишээлбэл, график мэдээллийн сан, онтологи) бүтээж чаддагтай адил хүмүүс шийдвэр гаргах, дүгнэлт гаргах зэрэгт машинууд таамаглал дэвшүүлж, зорилгоо оновчтой болгох, оновчтой болгох боломжтой. үр дүн, тодорхой зорилгод хүрэхийн тулд дараагийн хамгийн сайн алхам эсвэл шийдвэрийг тодорхойлох
Эцэст нь бид өмнөхөөсөө сурсан шигample, ажиглалт, эсвэл алгоритмын хувьд машинуудыг ижил төстэй аргуудыг ашиглан зааж болно.ample: компьютерт хариултын үүрэг гүйцэтгэдэг өгөгдлийн багц доторх "шошго" бүхий өгөгдлийн багц өгөгдөж, эцэст нь өөр өөр шошгуудыг ялгаж сурдаг (жишээ нь, энэ өгөгдлийн багц нь "нохой" эсвэл "муур" гэсэн шошготой гэрэл зургуудыг агуулдаг ба хангалттай экс-тэйamples, компьютер нохойнууд муурнаас урт сүүлтэй, чих нь бага байдаг гэдгийг анзаарах болно)
Харин хараа хяналтгүй машин сурах нь ажиглалтын аргаар суралцахтай адил юм. Компьютер нь хэв маягийг (нохой хуцах, муур миау) ажиглаж, үүгээрээ дамжуулан бүлэг, хэв маягийг бие даан ялгаж сурдаг (жишээлбэл, хоёр бүлэг амьтад байдаг. нэг бүлэг нохой хуцах, нөгөө хэсэг нь муур гэх дуугаар тусгаарлагдах) Хяналтгүй суралцах нь шошго шаарддаггүй тул мэдээллийн багц хязгаарлагдмал, шошгогүй үед илүү тохиромжтой байдаг. Программист компьютерт яг юу хийхийг алхам алхмаар зааж өгвөл юу болох вэ.
Хиймэл оюун ухааны хамгийн үнэн зөв, дутагдалтай үр дүн нь сургалтын аргуудыг хослуулахыг шаарддаг Хяналттай болон хяналтгүй машин сургалт хоёулаа ашигтай аргууд байдаг— энэ нь зөв хэрэглээний тохиолдолд зөв хандлага, арга барилыг ашиглах явдал юм.
Дараа нь бид хиймэл оюун ухааны энэ хэсэг нь оролтыг оновчтой гаралт болгон хувиргахын тулд тархины мэдрэлийн эсүүдийг хэрхэн тольдуулдаг болохыг ойлгохын тулд микроскопоор машин сурах аргыг оруулна.
Хиймэл оюун ухааны хамгийн үнэн зөв, үр дүнтэй үр дүнд хүрэхийн тулд сургалтын аргуудыг хослуулах шаардлагатай. Хяналттай болон хяналтгүй машин сургалт нь хоёулаа ашигтай аргууд бөгөөд энэ нь зөв хэрэглээний тохиолдолд зөв хандлага, арга барилыг ашиглах явдал юм.
Мэдрэлийн сүлжээ ба гүнзгий суралцах
Машины сургалт нь хиймэл оюун ухааны зөвхөн нэг хэсэг боловч үүнд маш олон тооны алгоритмууд багтсан байдаг. Өнөөдөр таны байнга сонсдог аргуудын нэг бол сүүлийн жилүүдэд мэдээгээр нэлээдгүй анхаарал татсан алгоритм болох "гүнзгий суралцах" арга юм. түүний алдар нэр, амжилтын хувьд энэ нь хэрхэн ажилладагийг ойлгоход тустай. Гүнзгий суралцах нь 1980-аад онд алдартай байсан машин сургалтын алгоритмын хувьсал юм, үүнийг та мэдэх байх: мэдрэлийн сүлжээ.
Мэдрэлийн сүлжээ буюу бидний "суралцах" машинуудыг сургадаг програмчлалын парадигм нь бидний мэдрэлийн системийн үндэс суурийг бүрдүүлдэг мэдрэлийн эсүүд буюу хүний бие дэх тусгай эсүүд, ялангуяа тархинаас өдөөгддөг Эдгээр эсүүд нь бидний бие даяар дохио дамжуулдаг бөгөөд мэдрэлийн системийг өдөөдөг. системийн хариу үйлдэл ба үйл явц Нейронууд нь биднийг харах, сонсох, үнэрлэх гэх мэтийг өгдөг.
Зураг 3. Нейронууд хэрхэн мессеж хүлээн авч, илгээдэг
Хүний сурч боловсрох гэж боддог зүйлсийн ихэнх нь бидний тархины хоёр мэдрэлийн эс хоорондын холбоо хэр хүчтэй, бидний синапсуудын захын хүч чадлаар тодорхойлогддог.
Энэхүү гарын авлагын нэг хэсэгт бид хүний оюун ухааны үндсэн үйл явцын талаар ярилцсан: зүүн талд оролт, баруун талд гаралт нь үүнд чухал үүрэг гүйцэтгэдэг нейрон (дээрх зураг) Нейроны зүүн талд эсийн бие цуглуулдаг. "оролт" Хангалттай оролт эсвэл өдөөлтийг хүлээн авмагц аксон fres, мэдээллийг баруун тал буюу синапс руу дамжуулдаг. Дараа нь "гарц" нь бусад мэдрэлийн эсүүд рүү илгээгддэг.
Ямар ч үед бидний мэдрэлийн эсүүд хоорондоо мессеж дамжуулж байдаг Эдгээр эсүүд нь бидний хүрээлэн буй орчноо танин мэдэх чадварыг хариуцдаг бөгөөд суралцах үед бидний мэдрэлийн эсүүд маш идэвхтэй болдог Үнэн хэрэгтээ хүний сургалт гэж бидний боддог зүйлийн ихэнхийг дараах байдлаар тодорхойлж болно. Бидний тархи дахь хоёр мэдрэлийн эсүүдийн хоорондын холбоо хэр хүчтэй вэ, мөн бидний синапсуудын захын бат бөх байдаг.
Мэдрэлийн сүлжээ нь мэдрэлийн эсийн цуглуулгын математик загварчлал юм. Доорх зураг нь 3 давхарга, 12 зангилаа бүхий үндсэн мэдрэлийн сүлжээг харуулж байна.
Дугуй зангилаа бүр нь хиймэл, биологийн сүнслэг нөлөө бүхий "нейрон" -ыг төлөөлдөг. Шугамууд нь зүүн талын нэг хиймэл нейроны гаралтаас баруун талын нөгөөгийн оролт хүртэлх холболтыг илэрхийлдэг. Эдгээр мэдрэлийн эсүүдийн хоорондох дохио нь шугамын дагуу зүүнээс баруун тийш урсдаг. Пикселийн өгөгдөл гэх мэт оролт нь бодит биологийн нейрон дахь цахилгаан үйл ажиллагаанаас өдөөгдсөн математикийн тэгшитгэлээр тодорхойлогдсон байдлаар оролтын давхаргаас дунд "далд" давхаргуудаар дамжин, эцэст нь гаралтын давхарга руу урсдаг.
Зураг 4. Энгийн мэдрэлийн сүлжээ
Мэдрэлийн сүлжээ нь оролтын давхаргад үзүүлсэн өгөгдлийн багцыг гаралтын давхаргад хүссэн үр дүнд хүргэхийг оролдох замаар суралцдаг. Математикийн тэгшитгэлүүд нь гаралтыг тооцоолж, загварчилсан гаралтыг хүссэн үр дүнтэй харьцуулж, үр дүнд нь гарсан ялгаа нь холболтын бат бөх чанарыг өөрчлөхөд хүргэдэг.
Мэдрэлийн сүлжээнүүд нь оролтын давхаргад үзүүлсэн өгөгдлийн багцыг гаралтын давхаргад хүссэн үр дүнд нь тааруулахыг оролдох замаар суралцдаг Математик тэгшитгэлүүд нь гаралтыг тооцоолж, загварчилсан гаралтыг хүссэн үр дүнд харьцуулж, үр дүнд нь үүссэн ялгаа нь холболтын бат бөх байдалд тохируулга үүсгэдэг. Тооцоолсон гаралт нь хүссэн үр дүндээ ойртох хүртэл эдгээр тохируулгууд нь давтагдах байдлаар өөрчлөгддөг бөгөөд энэ үед мэдрэлийн сүлжээ "сурсан" гэж бид хэлж байна.
Зураг 5. Нарийн төвөгтэй мэдрэлийн сүлжээ
Эдгээр "гүн" мэдрэлийн сүлжээнүүд нь илүү төвөгтэй таамаглал дэвшүүлж чадна. Олон мянган зангилаа, хэдэн зуун давхарга байж болох бөгөөд энэ нь мянга мянган янз бүрийн тооцоолол юм. Гүн сургалтын загварууд нь яриа, дүрсийг таних зэрэг тодорхой асуудлуудад маш сайн болсон.
Гэсэн хэдий ч гүнзгий суралцах нь машин сургалтын мөнгөн сум биш гэдгийг тэмдэглэх нь зүйтэй, ялангуяа кибер аюулгүй байдлын хувьд заримдаа гүн гүнзгий суралцах аргуудад тохиромжтой маш их хэмжээний цэвэр өгөгдөл байдаггүй тул зөв алгоритмыг сонгох нь чухал юм. өгөгдөл, ажлын зарчим Энэ нь машинуудад нотлох баримт цуглуулах, цэгүүдийг холбох, дүгнэлт гаргах хамгийн сайн арга юм.
Мэдрэлийн сүлжээ нь ирээдүйн зүйл мэт санагдаж магадгүй ч энэ нь хэсэг хугацааны дараа бий болсон Үнэндээ мэдрэлийн сүлжээ нь 1940-өөд онд эргэлдэж эхэлсэн санаанууд дээр суурилдаг Дараагийн хэсэгт бид цаг хугацааны хувьд богино аялал хийх болно. мэдрэлийн сүлжээ болон машин сургалт орчин үеийн амьдралын олон хэсэгт хэрхэн нэвтэрч ирсэн.
Мэдрэлийн сүлжээ нь ирээдүйн зүйл мэт санагдаж болох ч энэ нь хэсэг хугацааны дараа бий болсон. Үнэн хэрэгтээ мэдрэлийн сүлжээнүүд нь 1940-өөд онд эргэлдэж эхэлсэн санаанууд дээр суурилдаг.
Хиймэл оюун ухааны товч түүх
Зарим хүмүүсийн хувьд хиймэл оюун ухаан (AI) гэдэг нэр томьёо нь нисдэг машин, гэр ахуйн робот бүхий ирээдүйтэй хотуудын дүр төрхийг төрүүлж магадгүй юм. Гэхдээ хиймэл оюун ухаан бол футурист үзэл баримтлал биш, ядаж тийм биш. Хэдийгээр хиймэл оюун ухаан гэж нэрлэгдэхгүй ч гэсэн Эрт дээр үеэс улбаатай (өөрөөр хэлбэл Грекийн бурхан Гефестийн ярьдаг механик шивэгчид) ¹ 1930-аад оноос хойш эрдэмтэд болон математикчид хүмүүсээс ангид жинхэнэ оюун ухааныг бий болгохыг эрэлхийлсээр ирсэн.
20-р зууны дунд үе дэх хиймэл оюун ухааныг тодорхойлох мөч бол математик, биологийн аз жаргалтай уулзвар байсан бөгөөд Норберт Винер, Клод Шеннон, Алан Тюринг зэрэг судлаачид 1943 он гэхэд цахилгаан дохио, тооцооллын уулзвар дээр гарч ирсэн Уоррен МакКаллоч, Уолтер Питтс нар Мэдрэлийн сүлжээний загварыг бий болгосон Мэдрэлийн сүлжээ нь илүү их морины хүчтэй компьютерийн шинэ ертөнцийг бий болгох замыг нээж, 1956 онд хиймэл оюун ухааны судалгааны салбар нь албан ёсоор эрдэм шинжилгээний салбар болж байгуулагдсан.
Энэ зууны сүүлийн хагас нь хиймэл оюун ухааны судалгаа, ахиц дэвшлийн сэтгэл хөдөлгөм эрин үе байсан бөгөөд 70-аад оны дунд үе, 80-аад оны сүүлчээр "AI өвөл"-өөр хааяа тасалдсан бөгөөд энэ үед хиймэл оюун ухаан олон нийтийн хүлээлтийг хангаж чадаагүй бөгөөд энэ салбарт хөрөнгө оруулалт багассан ч бүтэлгүйтлийг үл харгалзан, Хиймэл оюун ухаан болон машин сургалтын өөр өөр програмууд зүүн, баруун талд гарч ирэв Ийм хэрэглээний тухай нэг анекдот нь хиймэл оюун ухааны судалгаа, хэрэгжилтийн сорилт, бэрхшээлийн талаар нэлээд үр дүнтэй ярьдаг шинжлэх ухааны нийгэмлэгийн дунд алдартай сургаалт зүйрлэл болжээ.
Түүх дараах байдалтай байна.
1980-аад онд үзэгtagӨнгөлөн далдалсан танкуудыг тодорхойлохын тулд мэдрэлийн сүлжээг ашиглахаар шийдсэн. Зөвхөн нэг том фрэймтэй ажиллахдаа (1980-аад оноос хойш) мэдрэлийн сүлжээг 200 зураг-100 танк, 100 модоор сургасан байсан хэдий ч мэдрэлийн сүлжээ харьцангуй бага байсан (1980-аад оны улмаас). тооцоолол болон санах ойн хязгаарлалт), лабораторийн сургалт 100% нарийвчлалтай үр дүнд хүрсэн Ийм амжилтанд хүрсэн тул баг үүнийг хээрийн талбайд гаргахаар шийдэв. Үр дүн тийм ч сайн байгаагүй.
Зураг 6. Лабораторийн ба талбайн зургууд (Эх сурвалж: Neural Network Follies, Neil Fraser, 1998 оны XNUMX-р сар)
1980-аад оны үед төсөөлөөгүй байсан асар их тооцооллын нөөцтэй болсноор гүн мэдрэлийн сүлжээ нь судалгааны хамгийн түгээмэл талбар болж байна. Гүнзгий суралцах нь системд олон тэрбум хослол, ажиглалтаар автоматаар "суралцах" боломжийг олгож, хүний нөөцөөс хараат байдлыг бууруулдаг.
Мэдрэлийн сүлжээ яагаад лабораторид байгаа зургуудыг гайхалтайгаар хийсэн ч хээрийн нөхцөлд бүрэн бүтэлгүйтсэн бэ? Танкгүй зургуудыг тэнгэр бүрхэг байсан өдрүүдэд авсан нь тогтоогдсон; Модны бүх зургийг нар туссан өдрүүдэд авсан. Мэдрэлийн тор нь танк биш харин нарлаг байдлыг танихаар бэлтгэгдсэн байв.
Эцэст нь гүнзгий суралцах замаар харааны таних нь үзэгнээс хамаагүй илүү төвөгтэй мэдрэлийн сүлжээгээр хөнгөвчилдөг.tag1980-аад оны мэйнфрэйм нь ажиллах боломжтой байсан—бодит болсон 2012 онд Стэнфордын профессор Эндрю Нг болон Google-ийн хамтрагч Жеф Дин нар тус бүр нь 1000 цөмтэй 16 компьютер ашиглан анхны гүн мэдрэлийн сүлжээнүүдийн нэгийг бүтээжээ Даалгавар: 10 сая YouTube видеонд дүн шинжилгээ хийх Үр дүн : муур оллоо ² "Гүнзгий суралцах" алгоритмын ачаар сүлжээ нь цаг хугацааны явцад муурыг маш сайн нарийвчлалтайгаар таних боломжтой болсон.
1980-аад оны үед төсөөлөөгүй байсан асар их тооцооллын нөөцтэй болсноор гүн мэдрэлийн сүлжээ нь судалгааны түгээмэл талбар болсон. Гүнзгий суралцах нь системд олон тэрбум хослол, ажиглалтаар автоматаар “суралцах” боломжийг олгож, үүнээс хамаарлыг бууруулж байна. Хүний нөөц Кибер аюулгүй байдлын хүрээнд энэ арга нь хортой программыг илрүүлэхэд онцгой ирээдүйтэй болсон - бид олон хуучин мэдээллийн багцтай байдаг хувилбаруудampсүлжээнээс суралцаж болох хорлонт програм хангамж
Харамсалтай нь, дотоод аюул занал гэх мэт зарим хэрэглээний тохиолдлуудад гүнзгий суралцах аргууд нь одоогоор үр дүн багатай байдаг, учир нь бидэнд эдгээр төрлийн халдлагын талаар шаардлагатай хэмжээний тоо хэмжээ хангалттай байдаггүй. Ихэнх тохиолдолд бидэнд байдаг мэдээлэл Эдгээр төрлийн мэдрэлийн сүлжээнүүд үүнийг үр ашигтайгаар ашиглах боломжгүй байдаг дотоод аюул заналхийлэл.
Бид илүү үр дүнтэй өгөгдлийн багц цуглуулах хүртэл (мөн гүнзгий сургалтын системийн өртөг, нарийн төвөгтэй байдлыг багасгах) хүртэл гүнзгий суралцах нь бүх хэрэглээний тохиолдлуудад зөв сонголт биш бөгөөд энэ нь зүгээр юм Гүнзгий суралцах нь машин сургалтын олон алгоритмуудын зөвхөн нэг нь бөгөөд эдгээр аргууд нь илүү үнэ цэнэтэй зүйл биш юм шиг - энэ бүхэн гарт байгаа ажлаас шалтгаална
Албан ёсоор "төрснөөс" хойш 60 жилийн хугацаанд бид хиймэл оюун ухаан технологийн асар их боломжийг олж харсан бөгөөд бид дөнгөж сая л маажиж, ялангуяа аюулгүй байдлын талаар олж мэдсэн. Дараа нь бид хиймэл оюун ухаан болон аналитикийн боломжит хэрэглээг илүү гүнзгий судлах болно. аюулгүй байдлын заналхийллийг тодорхойлж, хариу арга хэмжээ авах арга зам.
Урьдчилан таамаглах аналитик нь аюулгүй байдлын багуудад илүү хэрэгтэй ойлголтыг өгөх маш том оньсогоын зөвхөн нэг хэсэг юм.
Албан ёсоор "төрснөөс" хойш 60 жилийн хугацаанд хиймэл оюун ухаан технологийн асар их боломжийг бид олж харсан бөгөөд бид дөнгөж сая, ялангуяа аюулгүй байдлын тал дээр дөнгөж маажиж амжсан.
Аюулгүй байдлын аналитикийн шинэ алсын хараа
Одоогийн байдлаар энэхүү гарын авлага нь машин сургалтын талаар нарийвчлан судалж, түүний хязгаарлалт, давуу талуудыг ойлгох болно. Хиймэл оюун ухааныг хөнгөвчлөх машин сурах асар их боломж байгаа боловч аюулыг илрүүлэх өргөн хүрээний тоглоом нь зөвхөн гүнзгий суралцах эсвэл машин сурах тухай биш гэдгийг тэмдэглэх нь зүйтэй. Өнөөдрийн бидний мэдэж байгаагаар шинэ өгөгдлийн төрлүүдтэй хослуулсан шинэ аналитик аргууд нь аюулгүй байдлын заналхийллийг шинжлэх, хариу арга хэмжээ авах цоо шинэ тогтолцоог бидэнд өгч чадна.
| Шинэ аргууд | Дасан зохицох шинжилгээ Тодорхой бус байдлын дор тасралтгүй шинжилгээг оновчтой болгох | Нөхцөл байдалд хариу үйлдэл үзүүлэх Орон нутгийн өөрчлөлт/санал хүсэлтэд хариу өгөх Эрсдэлийн хэмжээг тодорхойлох эсвэл бууруулах |
| Уламжлалт | Оновчлолын Урьдчилан таамаглах загварчлал Загварчлалын таамаглал сэрэмжлүүлэг Асуулга/Өөрөөдлийн түр тайлангийн стандарт тайлан | Шийдвэр гаргах нарийн төвөгтэй байдал, шийдлийн хурд Санамсаргүй, магадлал, итгэлийн түвшин Өндөр үнэнч байдал, тоглоом, өгөгдлийн аж ахуй Илүү том өгөгдлийн багц, шугаман бус регресс Дүрэм/триггер, контекст мэдрэмтгий, төвөгтэй үйл явдлууд Санах ойн өгөгдөл, бүдэг хайлт, гео орон зайн хүсэлтample, хэрэглэгчийн хамгаалах тайлан Бодит цаг, дүрслэл, хэрэглэгчийн харилцан үйлчлэл |
| Шинэ өгөгдөл | Аж ахуйн нэгжийн тогтоолын харилцаа, онцлогийг задлах тайлбар болон токенжуулалт | Хүмүүс, үүрэг, байршил, зүйлс Дүрэм, утгын дүгнэлт, тохирох автоматжуулсан, олон хүнээс эх сурвалж |
Аналитик нь бусад салбаруудад юу хийж болохыг бид харсан бөгөөд аналитик нь кибер аюулгүй байдалд гүнзгий нөлөө үзүүлэх боломжтой гэдгийг бид олж харсан бөгөөд энэ нь бидний хэлдэг аюулгүй байдлын аналитик гэж нэрлэгддэг шинэ салбарт хэлбэржиж байгааг харж байна. Бидний хэлэлцсэн (ба түүнээс дээш) алгоритм, аргачлалууд нь аюулгүй байдлын үнэхээр хэцүү асуудлуудыг шийдвэрлэхэд тусалдаг.
Өнөөдөр бидний аюулгүй байдлын хамгийн түгээмэл аналитик нь урьдчилан таамаглах загваруудыг агуулдаг бөгөөд энэ нь их хэмжээний өгөгдлийн доторх эрсдэл хаана байж болохыг тодорхойлох боломжийг олгодог (энэ нь гажиг илрүүлэх явдал юм) Товчхондоо, урьдчилан таамаглах загварчлал нь түүхэн өгөгдлийг бодит цагийн зан төлөвтэй хослуулдаг. ирээдүйн зан үйлийг ойлгох эсвэл урьдчилан таамаглахын тулд "Дараа нь юу болох вэ?" Гэсэн асуултад бид хариулж чадна.
Гэхдээ аюулгүй байдлын аналитикийн талаарх бидний алсын хараа энд зогсохгүй Урьдчилан таамаглах аналитик нь бидэнд аюулгүй байдлын багуудад илүү хэрэгтэй ойлголтыг өгөх маш том оньсогоны зөвхөн нэг хэсэг юм. Хамгийн тохиромжтой аналитик парадигм нь ухаалаг мэдрэгч болон хаа сайгүй байдаг мэдээллийн эх үүсвэрийг - ширээний компьютер, сервер, гар утас зэргийг нэгтгэдэг. , үүл, нийгмийн сүлжээ, нээлттэй өгөгдөл гэх мэт - зан байдал, аюул заналхийллийн шинжилгээний олон дэвшилтэт аналитик арга барилтай, үүнд шүүх эмнэлгийн шинжилгээ, эрсдэлийн загварчлал, гажиг илрүүлэх, зан үйл, хариу үйлдлийг оновчтой болгох гэх мэт.
Энэ нь бид аюулыг урьдчилан таамаглах, тодорхойлохоос хамаагүй илүү зүйлийг хийж чадна гэсэн үг юм. Энэ нь бидэнд зөвхөн ахисан түвшний илрүүлэлт төдийгүй хэрхэн хамгийн үр дүнтэй хариу арга хэмжээ авах талаар ойлголт өгөх боломжийг олгодог. Олон аюул заналхийлж байна уу?" болон "Хамгийн сайн хариу үйлдэл юу вэ?"
Бид кибер аюулгүй байдалд хэрэглэгдэх оновчлолын аргууд зэрэг аналитикийн өөр ангиллыг хараахан хараагүй байгаа боловч асар их нөөц бололцоотой Эдгээр аргууд нь аюулгүй байдлын эрсдэлд үзүүлж болох бүх хариу үйлдлийг авч үзэж, хамгийн сайн хариу арга хэмжээ авах боломжтой. Тийм ээ, үүнийг математикийн аргаар хийх аргууд байдаг.
Жишээ ньample, та гар утасны үйлчилгээ үзүүлэгч рүүгээ асуудалтай дуудлага хийх үед оновчлолын аргуудыг ашигладаг. Тэд таны үйлчилгээний төлөвлөгөөг хөнгөлөлттэй үнээр шинэчлэх эсэх талаар санамсаргүй зөвлөмж өгдөггүй; Тэд таны дуудлагын бүртгэл, тасалдсан дуудлагын тоо, таны түүхийг бусад хэрэглэгчдийнхтэй харьцуулах гэх мэт математикийн багцад тулгуурладаг. Энэ нь таныг өөр үйлчилгээ үзүүлэгч рүү шилжих магадлалыг хүртэл тооцдог. дараагийн боломжит бүх алхмуудын дотроос үйлчлүүлэгчийг хадгалах хамгийн сайн дараагийн алхамыг тооцдог
Аюулгүй байдлын багт эрсдэлийг тодорхойлох, хариу арга хэмжээ авах хэд хэдэн арга замыг зааж өгөх, энэ эрсдэлийг хамгийн их байлгах хамгийн сайн хариу арга хэмжээг математикийн хувьд тодорхойлохын тулд ижил математикийг ашиглаж болно.
Аюулгүй байдлын аюул заналхийллийн хурдацтай өсөлт, хувьсал нь энэ төрлийн хариу арга хэмжээний үр ашгийг чухалчилж байна. Бид өнөөдөр урьд өмнөхөөсөө илүү их мэдээлэлтэй болсонд талархаж байна, бид мөн энэ өгөгдлийг ойлгоход туслах илүү тооцоолох хүч, илүү сайн алгоритм, судалгаа, технологид илүү өргөн хөрөнгө оруулалт хийж байна. Математикаар дамжуулан бид аюулгүй байдлын аналитик дөнгөж эхэлж байна гэж үзэж байна.
Өнөөдөр бид урьд өмнөхөөсөө илүү их мэдээлэлтэй байна. Баярлалаа, бид математикийн тусламжтайгаар энэ өгөгдлийг ойлгоход туслах илүү их тооцоолох хүч, илүү сайн алгоритм, судалгаа, технологид илүү өргөн хөрөнгө оруулалт хийж байна. Бүх тооцоогоор бид аюулгүй байдлын аналитик дөнгөж эхэлж байна гэж үзэж байна.
Хэрэглэгчийн дэмжлэг
Бидэнтэй холбогдоорой
www.opentext.com
OpenText Cybersecurity нь бүх төрлийн компаниуд болон түншүүдэд аюулгүй байдлын цогц шийдлүүдийг санал болгодог. Урьдчилан сэргийлэх, илрүүлэх, хариу арга хэмжээ авахаас эхлээд сэргээх, мөрдөн шалгах, дагаж мөрдөх хүртэл бидний нэгдсэн нэгдсэн платформ нь үйлчлүүлэгчдэд аюулгүй байдлын цогц багцаар дамжуулан кибер уян хатан байдлыг бий болгоход тусалдаг. бодит цагийн болон контекст аюулын тагнуул, OpenText Cybersecurity хэрэглэгчид бизнесийн эрсдэлийг удирдахад туслах өндөр үр ашигтай бүтээгдэхүүн, нийцсэн туршлага, хялбаршуулсан аюулгүй байдлын ашиг тусыг хүртдэг.
762-000016-003 | О | 01/24 | © 2024 Нээлттэй Текст
Баримт бичиг / нөөц
 |
opentext Хиймэл оюун ухаан ба машин сургалт [pdf] Заавар Хиймэл оюун ухаан ба машин сургалт, оюун ухаан ба машин сургалт, машин сургалт |
