Opentext مصنوعي ذهانت او ماشین

مصنوعي استخبارات (AI) هغه لاره بدلوي چې موږ له ماشینونو سره تعامل کوو او هغه لاره چې ماشینونه زموږ سره تعامل کوي. دا لارښود تشریح کوي چې څنګه د AI فعالیت کوي، د ماشین زده کړې مختلف ډولونه ځواک او محدودیتونه، او د مطالعې د دې تلپاتې بدلیدونکي ساحې تکامل. دا د نن ورځې پیچلي سایبر امنیت ګواښونو څخه د تصدیو ښه ساتلو لپاره د AI فعال شوي امنیت تحلیلونو یا کارونکي او ادارې چلند تحلیلاتو (UEBA) رول هم لټوي.

ماشین د انسان زده کړه

مصنوعي هوښیارتیا (AI) هرچیرې ده — لږترلږه، داسې ښکاري چې په OpenText™ کې، د AI وده دواړه په زړه پوري او ننګونکي دي مګر لکه څنګه چې موږ د خپلو ملګرو، پیرودونکو او شریکانو سره بوخت یو، موږ پوهیږو چې د AI مفهوم تل په اسانۍ سره نه پوهیږي د دې AI او ماشین زده کړې 101 لارښود پیل کولو لپاره ، موږ به د AI معما د اصلي پوښتنې په ځوابولو سره خلاص کړو چې ډیری خلک یې پوښتنه کوي: "مصنوعي استخبارات څه شی دی؟"

د مصنوعي استخباراتو د پوهیدو ترټولو اسانه لاره دا ده چې دا هغه څه ته نقشه کړو چې موږ دمخه پوهیږو — زموږ خپل هوښیارتیا غیر مصنوعي ، انساني هوښیارتیا څنګه کار کوي؟ په خورا اساسي کچه، زموږ استخبارات یو ساده پرمختګ تعقیبوي: موږ معلومات اخلو، موږ یې پروسس کوو، او بالاخره معلومات زموږ سره مرسته کوي چې عمل وکړي.

راځئ چې دا په یو سیسټم ډیاګرام کې مات کړو، په لاندې انځور کې، د انسان د استخباراتو درې عمومي مرحلې له کیڼ څخه ښیې ته: داخلول، پروسس کول، او تولید د انسان په مغز کې، ان پټ د شیانو د حس کولو او درک کولو په بڼه ترسره کیږي ستاسو سترګې، پوزه، غوږونه او داسې نور، په کیڼ اړخ کې خام انپټ اخلي، لکه د رڼا فوټون یا د انارو د ونې بوی، او بیا یې پروسس کوي چې د سیسټم په ښي خوا کې تولید کیږي پدې کې وینا او عملونه شامل دي، دا دواړه په دې پورې اړه لري چې څنګه موږ هغه خام توکي پروسس کوو چې زموږ مغز یې ترلاسه کوي پروسس په مینځ کې پیښیږي ، چیرې چې پوهه یا یادونه رامینځته کیږي او بیرته ترلاسه کیږي ، پریکړې او توضیحات رامینځته کیږي ، او زده کړه پیښیږي.

شکل 1. د انسان هوښیارتیا

غیر مصنوعي، انساني عقل څنګه کار کوي؟ په خورا اساسي کچه، زموږ استخبارات یو ساده پرمختګ تعقیبوي: موږ معلومات اخلو، موږ یې پروسس کوو، او بالاخره معلومات زموږ سره مرسته کوي چې عمل وکړي.

د سړک په څلورلارې کې د دریدو عکس ستاسو سترګې ویني چې ستاسو په مخ کې د ترافیک څراغ یوازې شنه شوی دی د هغه څه پراساس چې تاسو د تجربې (او د موټر چلونکي زده کړې) څخه زده کړي یاست، تاسو پوهیږئ چې شنه څراغ د دې ښکارندوی کوي چې تاسو باید مخکې موټر چلوئ، نو تاسو د ګاز پیډل ووهئ شنه څراغ خام ان پټ دی، ستاسو سرعت تولید دی؛ په مینځ کې هرڅه پروسس کیږي

د دې لپاره چې زموږ شاوخوا نړۍ په هوښیارۍ سره وګرځو — تلیفون ته ځواب ویل ، د چاکلیټ چپ کوکیز پخول ، یا د ترافیکي څراغونو اطاعت کول — موږ اړتیا لرو هغه آخذه پروسس کړو چې موږ یې ترلاسه کوو دا د انساني استخباراتو پروسس کولو اساس دی ، او دا په پای کې په دریو جلا اړخونو ویشل شوي :

1. پوهه او حافظه. موږ پوهه رامینځته کوو لکه څنګه چې موږ حقایق اخلو (د بیلګې په توګه ، د هستینګز جګړه په 1066 کې وشوه) او ټولنیز نورمونه (د بیلګې په توګه ، "مهرباني" او "مننه" ویل شریف ګڼل کیږي) سربیره پردې ، حافظه موږ ته د دې توان راکوي چې معلومات یاد کړو او پلي کړو. د پخوا لپاره اوسني حالتونهampلی، اډوارډ په یاد لري چې جین د هغې د کلیزې د ډالۍ لپاره مننه نه ده کړې، نو هغه تمه نه لري چې د هغه څخه مننه وکړي کله چې هغه هغې ته د کرسمس ډالۍ ورکوي
2. پریکړه او قیاس. پریکړې او اټکلونه د خام ان پټ پراساس جوړیږي چې د پوهې او/یا حافظې سره یوځای کیږيampلی، اډوارډ تیر کال د جالپینو مرچ وخوړل او هغه یې خوښ نه کړ کله چې جاني اډوارډ ته مرچ وړاندې کوي، هغه پریکړه وکړه چې دا ونه خوري.
3. زده کړه. انسانان د پخوا په واسطه زده کولی شيample, observation, or algorithm in learning by example، موږ ته ویل کیږي چې یو حیوان سپی دی، بل یې پیشو دی، د مشاهدې په زده کړه کې، موږ په خپله پوهیږو چې سپي ټوخیږي او پیشو میانو د زده کړې دریم میتود - الګوریتم - موږ ته وړتیا راکوي چې په تعقیب سره یو کار بشپړ کړو. د ګامونو لړۍ یا یو ځانګړی الګوریتم (د بیلګې په توګه، د اوږدې ویش ترسره کول)

د انسان د هوښیارتیا دا اړخونه موازي مصنوعي هوښیارتیا لري لکه څنګه چې موږ معلومات اخلو، پروسس کوو او محصول شریکوو، نو ماشینونه کولی شي لاندې انځور ته یو نظر وګورو ترڅو وګورو چې دا څنګه نقشه کوي.

شکل 2. مصنوعي استخبارات

د دې لپاره چې په هوښیارۍ سره زموږ شاوخوا نړۍ ته حرکت وکړو - تلیفون ته ځواب ویل ، د چاکلیټ چپ کوکیز پخول ، یا د ترافیک څراغونو اطاعت کول - موږ اړتیا لرو هغه ان پټ پروسس کړو چې موږ ترلاسه کوو.

په ماشینونو کې، د مصنوعي استخباراتو داخل برخه د طبیعي ژبې پروسس کولو، د وینا پیژندنې، بصری پیژندنې، او نور لخوا بیلګه کیږي تاسو هرچیرې داسې ټیکنالوژي او الګوریتمونه ګورئ، د ځان چلولو موټرو څخه چې د سړکونو او خنډونو احساس کولو ته اړتیا لري، الیکسا یا سری ته. کله چې دا ستاسو وینا پیژني هغه محصول چې تعقیبوي هغه لارې دي چې ماشینونه زموږ په شاوخوا کې نړۍ سره اړیکه لري دا ممکن د روبوټیکونو بڼه واخلي، د نیویګیشن سیسټمونه (د ځان چلولو موټرو لارښود کولو لپاره)، د وینا تولید (د بیلګې په توګه، سری)، او داسې نور. په منځ کې، موږ د پروسس بیلابیل ډولونه لرو چې ترسره کیږي

زموږ د پوهې او حافظې د راټولولو په څیر، ماشینونه کولی شي د پوهې نمایندګي رامینځته کړي (د بیلګې په توګه، د ګراف ډیټابیس، آنتولوژی) چې د دوی سره د نړۍ په اړه د معلوماتو ذخیره کولو کې مرسته کوي لکه څنګه چې انسانان پریکړه کوي یا انټرنېسونه راوباسي، ماشینونه کولی شي وړاندوینه وکړي، د هدف یا هدف لپاره غوره کړي. پایله، او د یو ځانګړي هدف د پوره کولو لپاره غوره راتلونکي ګامونه یا پریکړې وټاکئ

په پای کې، لکه څنګه چې موږ د پخواني لخوا زده کووampلی، مشاهده، یا الګوریتم، ماشینونه د مشابه میتودونو په کارولو سره تدریس کیدی شي د څارنې ماشین زده کړه د پخوانۍ زده کړې په څیر ده.ample: کمپیوټر ته د ډیټا سیټ دننه د "لیبلونو" سره ډیټا سیټ ورکول کیږي چې د ځوابونو په توګه عمل کوي ، او په پای کې زده کوي چې د مختلف لیبلونو ترمینځ توپیر ووایی (د مثال په توګه ، دا ډیټاسیټ هغه عکسونه لري چې د "سپي" یا "پیشو" په توګه لیبل شوي وي ، او کافي پخواني سرهampلیس، کمپیوټر به په دې پوه شي چې سپي په عمومي ډول د پیشوګانو په پرتله اوږده لکۍ او لږ ټکي غوږونه لري)

له بلې خوا د ماشینونو نه څارل زده کول د مشاهدې په واسطه د زده کړې په څیر دي، کمپیوټر نمونې څاري (د سپي ږیره او پیشو میاو) او له دې لارې په خپله د ډلو او نمونو توپیر زده کوي (د بیلګې په توګه، د څارویو دوه ډلې شتون لري چې کولی شي د هغه غږ له مخې چې دوی یې کوي جلا شي؛ یوه ډله د سپي او بله ډله میوز- پیشوګانې) غیر څارل شوي زده کړې لیبلونو ته اړتیا نلري او له همدې امله غوره کیدی شي کله چې د معلوماتو سیټونه محدود وي او لیبلونه نلري په پای کې، د الګوریتم لخوا زده کړه څه پیښیږي کله چې یو پروګرامر کمپیوټر ته لارښوونه وکړي چې څه وکړي، ګام په ګام، د سافټویر پروګرام کې.

په حقیقت کې، د مصنوعي استخباراتو خورا دقیقې او نیمګړتیاوې د زده کړې میتودونو ترکیب ته اړتیا لري دواړه نظارت شوي او غیر څارل شوي ماشین زده کړه ګټورې میتودونه دي - دا ټول د سمې طریقې پلي کولو یا د سمې کارونې قضیې لپاره د تګلارو په اړه دي.

بیا به موږ د مایکروسکوپ لاندې د ماشین زده کړه واچوو ترڅو پوه شو چې د AI دا برخه زموږ په مغز کې نیورونونه څنګه منعکس کوي ترڅو ان پټ غوره محصول ته واړوي.

په عین حال کې، د مصنوعي استخباراتو خورا دقیقې او اغیزمنې پایلې د زده کړې میتودونو ترکیب ته اړتیا لري. دواړه څارل شوي او نه څارل شوي ماشین زده کړه ګټورې میتودونه دي - دا ټول د سمې طریقې پلي کولو یا د سمې کارونې قضیې ته د تګلارې په اړه دي.

عصبي شبکه او ژوره زده کړه

د ماشین زده کړه د AI یوازې یوه برخه ده، که څه هم دا په دننه کې د الګوریتمونو لویه برخه لري یوه طریقه چې تاسو یې نن ورځ په مکرر ډول اورئ "ژوره زده کړه" ده، یو الګوریتم چې په وروستیو کلونو کې په خبرونو کې د پام وړ برخه اخیستې ده د پوهیدو لپاره. د دې شهرت او بریا، دا ګټوره ده چې پوه شي چې دا څنګه کار کوي ژوره زده کړه د ماشین زده کړې الګوریتم یو تکامل دی چې په 1980s کې مشهور و چې تاسو یې پیژنئ: عصبي شبکې.

عصبي شبکې — د پروګرام کولو یوه بیلګه چې په هغه کې موږ ماشینونه د "زده کړې" لپاره روزو - د انسان په بدن کې د نیورونونو، یا د ځانګړو حجرو څخه الهام اخیستل کیږي چې زموږ د عصبي سیسټم بنسټ جوړوي، او دماغونه په ځانګړې توګه دا حجرې زموږ په بدن کې سیګنالونه لیږدوي عصبي حرکتونه. د سیسټم غبرګونونه او پروسې نیورونونه هغه څه دي چې موږ ته د لیدلو، اوریدلو، بوی کولو او داسې نورو وړتیا ورکوي.

شکل 3. څنګه نیورون پیغامونه ترلاسه کوي او لیږل کیږي

ډیری هغه څه چې موږ یې د انساني زده کړې په توګه فکر کوو د دې له مخې تشریح کیدی شي چې زموږ په مغز کې د دوه نیورونونو ترمینځ اړیکه څومره قوي ده ، زموږ د Synapses د کندې د ځواک سره.

د دې لارښود په یوه برخه کې، موږ د انسان د استخباراتو بنسټیز بهیر په اړه بحث وکړ: په کیڼ اړخ کې داخل، او ښي خوا ته محصول نیورون (پورته انځور شوی) په دې کې مهم رول لوبوي د نیورون په چپ اړخ کې، د حجرو بدن راټولوي. "input" یوځل چې دا کافي آخذه یا محرک ترلاسه کړي، اکسون فریس، معلومات ښي لوري ته لیږدوي - Synapse "output" بیا نورو نیورونونو ته لیږل کیږي.

په هر وخت کې، زموږ نیورونونه یو بل ته پیغامونه لیږدوي دا حجرې زموږ د چاپیریال د پوهیدو لپاره زموږ د وړتیا مسولیت لري او کله چې موږ زده کوو، زموږ نیورونونه خورا فعال کیږي، په حقیقت کې، ډیری هغه څه چې موږ یې فکر کوو د انسان زده کړې لخوا تشریح کیدی شي. زموږ په مغز کې د دوه نیورونونو تر مینځ اړیکه څومره قوي ده ، زموږ د Synapses د کنډک ځواک سره

عصبي شبکه د نیورون حجرو د راټولولو ریاضيیک انډول دی چې لاندې عکس د 3 پرتونو او 12 نوډونو سره د لومړني عصبي شبکې استازیتوب کوي

هر سرکلر نوډ د مصنوعي، بیولوژیکي پلوه الهام شوي "نیورون" استازیتوب کوي دا کرښې د یو مصنوعي نیورون د تولید څخه د کیڼ اړخ څخه بل ته د ښي خوا ته د بل انپټ سره د ارتباط استازیتوب کوي، د دې نیورونونو ترمنځ سیګنالونه د لینونو په اوږدو کې له کیڼ څخه ښیې ته تیریږي. , انپټ—لکه د پکسل ډیټا — د ان پټ پرت څخه د مینځنۍ "پټ" پرتونو له لارې تیریږي او په نهایت کې د محصول پرت ته په داسې طریقه بیان شوي چې د ریاضيکي معادلو لخوا په ریښتیني بیولوژیکي نیورونونو کې د بریښنایی فعالیت څخه الهام اخیستل کیږي.

شکل 4. ساده عصبي شبکه

عصبي شبکې د ان پټ پرت ته وړاندې شوي ډیټا سیټونو سره د محصول په پرت کې مطلوب پایلو سره د میچ کولو هڅه کولو سره زده کوي. د ریاضيکي معادلې پایلې محاسبه کوي، د مطلوب پایلې سره سمول شوي محصول پرتله کوي، او د پایلې توپیرونه بیا د اړیکو پیاوړتیا ته ټیکونه تولیدوي.

عصبي شبکې هڅه کوي چې د ان پټ پرت ته وړاندې شوي ډیټا سیټونه د محصول په پرت کې مطلوب پایلو سره میچ کړي د ریاضيکي معادلې محصول محاسبه کوي ، سمول شوي محصول د مطلوب پایلې سره پرتله کوي ، او پایله شوي توپیرونه بیا د ارتباط ځواک ته ټیکونه رامینځته کوي. دا ټیکونه په تکراري ډول تعدیل شوي تر هغه چې محاسبه شوي محصول مطلوب پایلې ته نږدې وي، په کوم ځای کې چې موږ وایو عصبي شبکه "زده کړې" ده.

انځور 5. پیچلي عصبي شبکه

دا "ژور" عصبي شبکې کولی شي ډیر پیچلي وړاندوینې وکړي دلته په زرګونو نوډونه او په سلګونو پرتونه شتون لري، پدې معنی چې په زرګونو مختلف محاسبې د ژورې زده کړې ماډلونه په ځانګړو ستونزو لکه وینا یا عکس پیژندنه کې خورا ښه شوي.

په هرصورت، دا د یادولو وړ ده چې ژوره زده کړه د ماشین زده کړې لپاره د سپینو زرو ګولۍ نه ده - په ځانګړې توګه په سایبر امنیت کې نه، چیرې چې ځینې وختونه د پاکو معلوماتو لوی مقدار شتون نلري چې د ژورې زده کړې میتودونو لپاره غوره وي دا مهمه ده چې سم الګوریتم غوره کړئ، ډاټا، او د دندې لپاره اصول دا د ماشینونو لپاره ترټولو غوره لاره ده چې شواهد راټول کړي، نقطې سره وصل کړي، او یوه پایله وټاکي

عصبي شبکې ممکن د راتلونکي توکو په څیر بریښي ، مګر دا د یو څه مودې لپاره تیریږي په حقیقت کې ، عصبي شبکې د نظرونو پراساس دي چې په 1940s کې بیرته جریان پیل کړی په راتلونکي برخه کې ، موږ به د پوهیدو لپاره یو لنډ سفر بیرته وکړو. څنګه عصبي شبکې او ماشین زده کړه د عصري ژوند ډیری برخو ته رسیدلي.

عصبي شبکې ممکن د راتلونکي توکو په څیر ښکاري ، مګر دا د یو څه مودې لپاره شاوخوا و. په حقیقت کې، عصبي شبکې د نظرونو پراساس دي چې په 1940s کې بیرته جریان پیل کړی.

د مصنوعي استخباراتو لنډ تاریخ

د ځینو خلکو لپاره، د مصنوعي استخباراتو اصطلاح (AI) ممکن د الوتونکو موټرو او کورنیو روبوټونو سره د راتلونکي ښارونو عکسونه رامینځته کړي مګر AI یو راتلونکي مفهوم ندی ، لږترلږه نور نه ، که څه هم ورته ورته نه ویل کیږي ، د مصنوعي استخباراتو نظریه کیدی شي. د لرغونو زمانو (یعني د یوناني خدای هیفاسټوس خبرې کول میخانیکي لاسوندونه) ¹ د 1930 لسیزې راهیسې ساینس پوهان او ریاضي پوهان په ورته ډول لیواله دي چې د ریښتیني استخباراتو رامینځته کولو لپاره له انسانانو څخه جلا وي.

د شلمې پیړۍ په نیمایي کې د AI تعریفونکې شیبه د ریاضیاتو او بیولوژي یو خوشحاله ترکیب و، چې څیړونکي لکه نوربرټ وینر، کلاډ شینن او الان تورینګ لا دمخه په 20 کې د بریښنایی سیګنالونو او محاسبې په تقاطع کې له مینځه تللي وو، وارن مک کلوچ او والټر پیټس د عصبي شبکو لپاره یو ماډل رامینځته کړی عصبي شبکې د کمپیوټري نوي زړورې نړۍ لپاره د لوی هارس پاور سره لاره هواره کړه ، او په 1943 کې ، د AI څیړنې ساحه په رسمي ډول د اکاډمیک ډسپلین په توګه تاسیس شوه.

د پیړۍ وروستۍ نیمه د AI څیړنې او پرمختګ لپاره یو په زړه پوری عمر و، کله ناکله د 70s او د 80s په وروستیو کې د "AI ژمي" لخوا مداخله وشوه چیرې چې AI د خلکو تمې پوره کولو کې پاتې راغلل، او په ساحه کې پانګه اچونه کمه شوه، مګر د خنډونو سره سره، د AI او ماشین زده کړې لپاره مختلف غوښتنلیکونه کیڼ او ښي خوا ته څرګندیدل د داسې غوښتنلیک یوه ځانګړې کیسه په ساینسي ټولنه کې یو مشهور تمثیل ګرځیدلی ، چې د AI څیړنې او پلي کولو آزموینې او کړاوونو ته خورا مؤثره خبرې کوي.

کیسه داسې ده:

په 1980 لسیزه کې، قلمtagکله چې پریکړه وشوه چې د عصبي جال څخه کار واخلئ د پټو ټانکونو پیژندلو لپاره یوازې د یو مین فریم سره کار کول (د 1980 لسیزې راهیسې، په پام کې ونیسئ)، عصبي جال د 200 انځورونو سره روزل شوي - 100 ټانکونه او 100 ونې سره له دې چې نسبتا کوچنۍ عصبي شبکه (د 1980 له امله) د محاسبې او حافظې محدودیتونه)، د لابراتوار روزنه د 100٪ دقت په پایله کې د داسې بریا سره، ټیم پریکړه وکړه چې دا په ساحه کې پریږدي چې پایلې یې عالي نه وې.

شکل 6. د لابراتوار په وړاندې د ساحې انځورونه (سرچینه: د عصبي شبکې فولیز، نیل فریزر، سپتمبر 1998)

د پراخو کمپیوټري سرچینو په شتون سره چې په 1980 لسیزه کې یې هیڅ خوب نه لیدل کیده، ژورې عصبي شبکې په چټکۍ سره د څیړنې لپاره یوه مشهوره سیمه شوه. ژوره زده کړه یو سیسټم ته دا وړتیا ورکوي چې د ملیاردونو ترکیبونو او مشاهدو له لارې په اتوماتيک ډول "زده کړي" وکړي، په بشري سرچینو باندې تکیه کموي.

ولې عصبي شبکه په لابراتوار کې په عکسونو کې دومره په زړه پوري کار وکړ ، مګر په ساحه کې دومره په بشپړ ډول ناکام شو؟ دا معلومه شوه چې بې ټانګ عکسونه ټول په هغو ورځو کې اخیستل شوي چې اسمان ورېځ و. د ونو ټول عکسونه په هغو ورځو کې اخیستل شوي چیرې چې لمر روښانه و ، عصبي جال د لمر پیژندلو لپاره روزل شوي و ، نه ټانکونه

په نهایت کې، که څه هم، د ژورې زده کړې له لارې بصری پیژندنه - د عصبي شبکو لخوا اسانه شوي چې د قلم په پرتله خورا پیچلي ديtagد 1980s مین فریم به د دې توان درلود چې اداره کړي - یو حقیقت شو په 2012 کې ، د سټینفورډ پروفیسور انډریو نګ او د ګوګل ملګري جیف ډین د 1000 کمپیوټرونو په کارولو سره یو له لومړۍ ژورې عصبي شبکې څخه رامینځته کړ چې هر یو یې 16 کورونه لري دنده: د 10 ملیون یوټیوب ویډیوګانو تحلیل پایله : دا پیشوګانې وموندل

د پراخو کمپیوټري سرچینو په شتون سره چې په 1980 لسیزه کې یې هیڅ خوب نه لیدل کیده، ژورې عصبي شبکې په چټکۍ سره د څیړنې لپاره په یوه مشهوره سیمه بدله شوې ژوره زده کړه یو سیسټم ته دا وړتیا ورکوي چې د ملیاردونو ترکیبونو او مشاهدو له لارې په اتوماتيک ډول "زده کړي" وکړي، د انحصار کموي. بشري سرچینې د سایبر امنیت په ډومین کې، دا طریقه په ځانګړې توګه د مالویر د موندلو لپاره ژمنه شوې - سناریوګانې چې موږ د ډیری پخوانیو سره لوی ډیټاسیټونه لرو.ampد مالویر څخه چې شبکه یې زده کولی شي

له بده مرغه، د ژورې زده کړې میتودونه اوس مهال لږ اغیزمن دي کله چې دا د ځینې کارولو قضیو کې راځي، لکه د داخلي ګواښ په څیر، ځکه چې موږ په ساده ډول د دې ډول بریدونو په اړه سم ډول معلومات نلرو، په اړین مقدار کې ډیری وختونه، هغه معلومات چې موږ یې لرو. د داخلي ګواښونو په اړه افسانې دي، چې د دې ډول عصبي شبکو لخوا په اغیزمنه توګه نشي کارول کیدی.

تر هغه چې موږ کولی شو ډیر اغیزمن ډیټاسیټونه راټول کړو (او د ژورې زده کړې سیسټمونو لګښت او پیچلتیا کمه کړو)، ژوره زده کړه د کارولو ټولو قضیو لپاره سم انتخاب نه دی او دا سمه ده چې ژوره زده کړه یوازې د ماشین زده کړې الګوریتمونو څخه یو دی، او دا طریقې کیدی شي. لکه څنګه چې ډیر ارزښت نلري - دا ټول په لاس کې په دنده پورې اړه لري

موږ په شپږو لسیزو کې د AI ټیکنالوژۍ خورا لوی ظرفیت لیدلی چې د هغې د رسمي "پیدایښت" راهیسې، او موږ یوازې یوازې سطحه کښلې ده، په ځانګړې توګه په امنیت کې بیا، موږ به د AI او تحلیلاتو لپاره د احتمالي غوښتنلیکونو په اړه ژوره غوطه ونیسو ترڅو د بدلون لپاره. هغه لاره چې موږ امنیتي ګواښونه پیژنو او ځواب ووایو.

وړاندوینې تحلیلونه د خورا لوی معما یوازې یوه برخه ده چې کولی شي موږ ته د امنیت ټیمونو لپاره خورا ګټور بصیرت راکړي.

موږ په شپږو لسیزو کې د دې رسمي "زیږون" راهیسې د AI ټیکنالوژیو خورا لوی ظرفیت لیدلی او موږ یوازې سطحه په ځانګړي توګه په امنیت کې خړوب کړې.

د امنیت تحلیلونو لپاره نوی لید

تر دې دمه، دې لارښود د ماشین زده کړې ته نږدې کتنه کړې، د دې محدودیتونو او قوتونو باندې پوهیدل د AI اسانتیا لپاره د ماشین زده کړې لپاره خورا لوی امکانات شتون لري، مګر دا د یادونې وړ ده چې د ګواښ کشف کولو پراخه لوبه یوازې د ژورې زده کړې یا ماشین زده کړې پورې اړه نلري. لکه څنګه چې موږ پوهیږو نن ورځ نوي تحلیلي میتودونه د نوي ډیټا ډولونو سره یوځای کولی شي موږ ته په بشپړ ډول نوي چوکاټونه راکړي چې په هغه کې د امنیتي ګواښونو تحلیل او عمل وکړو.

نوې طریقې	تطابق تحليل دوامداره تجزيه اصلاح کول د ناڅرګندتيا لاندې	شرایطو ته ځواب ویل سیمه ایز بدلون/فیډبیک ته ځواب ویل د خطر اندازه کول یا کمول
دودیز	د اصلاح وړاندوینې ماډلینګ سمولیشن وړاندوینې خبرتیاوې پوښتنې/ډرل ڈاون اډ هاک راپور ورکول معیاري راپور ورکول	د پریکړې پیچلتیا، د حل سرعت په عمدي توګه، احتمالي، د باور کچه لوړه وفاداري، لوبې، د معلوماتو کرنه لوی ډیټا سیټونه، غیر خطي ریګریشن قواعد/ محرکونه، د شرایطو حساس، پیچلې پیښې په حافظه ډاټا، فزي لټون، د جیو ځایي پوښتنې د پخواني لخواample، د کاروونکي دفاع راپورونه حقیقي وخت، لید، د کاروونکي تعامل
نوي معلومات	د ادارې ریزولوشن اړیکه، د فیچر استخراج تشریح او ټوکن کول	خلک، رولونه، ځایونه، شیان قواعد، سیمانټیک اټکل، مطابقت اتوماتیک، د خلکو سرچینه

موږ ولیدل چې تحلیلونه د نورو صنعتونو لپاره څه کولی شي ، او د تحلیلونو احتمال شتون لري چې په سایبر امنیت باندې ژوره اغیزه ولري ، هم موږ ګورو چې دا په یوه نوي ډګر کې شکل اخلي چې موږ یې د امنیت تحلیلونو ته اشاره کوو ، کوم چې په اصل کې د جګړې ازموینه اخلي. الګوریتمونه او میتودونه چې موږ یې بحث کړی (او نور) او د دوی پلي کول په امنیت کې واقعیا سختې ستونزې حل کولو کې مرسته کوي

ترټولو عام تحلیلونه چې موږ یې نن په امنیت کې ګورو د وړاندوینې ماډلونه پکې شامل دي، کوم چې موږ ته اجازه راکوي چې وپیژندل شي چې خطرونه د ډیټا په لوی مقدار کې شتون لري (دا هغه ځای دی چیرې چې د بې نظمۍ کشف fts) په لنډه توګه ، وړاندوینې ماډلینګ تاریخي معلومات د ریښتیني وخت چلند سره ترکیب کوي د دې سره د راتلونکي چلند د پوهیدو یا وړاندوینې لپاره، موږ کولی شو دې پوښتنې ته ځواب ووایو، "بیا څه پیښیږي؟"

مګر د امنیتي تحلیلونو لپاره زموږ لید دلته نه ودریږي د وړاندوینې تحلیلونه د خورا لوی معما یوازې یوه برخه ده چې کولی شي موږ ته د امنیت ټیمونو لپاره خورا ګټور بصیرت راکړي مثالي تحلیلي تمثیل د هوښیار سینسر او هر اړخیز ډیټا سرچینې سره ترکیب کوي — ډیسټاپونه او سرورونه ، ګرځنده بادل، ټولنیزې شبکې، پرانیستې ډاټا، او نور - د چلند او ګواښ تحلیل لپاره د ډیری پرمختللو تحلیلي طریقو سره، پشمول د عدلي تحلیل، د خطر ماډلینګ، د بې نظمۍ کشف، چلند او غبرګون اصلاح کول، او نور ډیر څه

دا پدې مانا ده چې موږ کولی شو د وړاندوینې یا ګواښ پیژندلو څخه ډیر څه وکړو دا موږ ته اجازه راکوي چې نور هم پرمخ لاړ شو نه یوازې پرمختللي کشف وړاندیز وکړو بلکه د خورا مؤثره ځواب ویلو څرنګوالي په اړه بصیرت د امنیت تحلیل موږ ته ځواک راکوي چې نورو کلیدي پوښتنو ته ځواب ووایو ، لکه "څنګه ډیر ګواښونه شته؟" او "غوره ممکن عکس العمل څه شی دی؟"

موږ تر اوسه د تحلیلاتو نور ټولګي نه دي لیدلي لکه د سایبر امنیت لپاره د اصلاح کولو میتودونه پلي شوي، مګر دوی خورا لوی ظرفیت لري دا تخنیکونه د امنیتي خطر په اړه ټول احتمالي عکس العملونه ګوري او د غوره ځواب ټاکلو لپاره هو، د ریاضی سره د دې کولو لپاره لارې شتون لري.

د مثال لپارهample، د اصلاح کولو میتودونه کارول کیږي کله چې تاسو د یوې مسلې سره د خپل ګرځنده تلیفون خدماتو چمتو کونکي ته زنګ ووهئ دوی په تصادفي ډول وړاندیز نه کوي چې ایا ستاسو د خدماتو پلان په تخفیف کې لوړ کړئ یا نه؛ دوی په شالید کې د ریاضیاتو په یوه سیټ تکیه کوي چې ستاسو د زنګونو لاګونو ته ګوري ، د ورک شوي تلیفونونو شمیر ، ستاسو تاریخ څنګه د نورو کاروونکو سره پرتله کوي ، او داسې نور دا حتی احتمال محاسبه کوي چې تاسو ممکن بل خدمت چمتو کونکي ته لاړشئ ، بیا بهر. د ټولو ممکنه راتلونکو ګامونو څخه، دا د پیرودونکو ساتلو اعظمي کولو لپاره غوره راتلونکی ګام محاسبه کوي

ورته ریاضی د خطر پیژندلو لپاره د امنیت ټیم ته پلي کیدی شي ، یو شمیر لارې چمتو کړي چې عکس العمل وښیې ، او د دې ځانګړي خطر کنټرول اعظمي کولو لپاره په ریاضي ډول غوره ځواب وټاکي.

د امنیتي ګواښونو ګړندی وده او تکامل د دې ډول غبرګون موثریت مهم کوي موږ نن ورځ د پخوا په پرتله ډیر ډیټا لرو مننه ، موږ ډیر کمپیوټري ځواک ، غوره الګوریتمونه او په څیړنو او ټیکنالوژیو کې پراخه پانګونه هم لرو ترڅو د دې معلوماتو احساس کولو کې زموږ سره مرسته وکړي. د ریاضیاتو له لارې په ټولو حسابونو کې، موږ باور لرو چې امنیتي تحلیلونه یوازې پیل کیږي.

موږ نن ورځ د پخوا په پرتله ډیر معلومات لرو. خوشبختانه، موږ د محاسبې ډیر ځواک، غوره الګوریتمونه، او په څیړنه او ټیکنالوژیو کې پراخه پانګونه هم لرو ترڅو د ریاضیاتو له لارې د دې معلوماتو احساس کولو کې مرسته وکړي. د ټولو حسابونو سره، موږ باور لرو چې امنیتي تحلیلونه یوازې پیل کیږي.

د پیرودونکي ملاتړ

له موږ سره اړیکه ونیسئ
www.opentext.com
د OpenText Cybersecurity د شرکتونو او شریکانو لپاره د ټولو اندازو هر اړخیز امنیتي حلونه وړاندې کوي، د مخنیوي، کشف او بیا رغونې، تفتیش او اطاعت ته ځواب، زموږ متحد پای څخه تر پایه پلیټ فارم له پیرودونکو سره مرسته کوي چې د هولیسټیک امنیت پورټ فولیو له لارې د سایبر انعطاف رامینځته کولو کې مرسته وکړي چې زموږ د عمل وړ لیدونو لخوا پرمخ وړل کیږي. د ریښتیني وخت او متناسب ګواښ استخباراتو ، د OpenText Cybersecurity پیرودونکي د لوړ موثریت محصولاتو څخه ګټه پورته کوي ، د موافقت تجربه او ساده امنیت د سوداګرۍ خطر اداره کولو کې مرسته کوي
762-000016-003 | او | 01/24 | © 2024 خلاص متن

اسناد / سرچینې

Opentext مصنوعي ذهانت او ماشین زده کړه [pdf] لارښوونې مصنوعي ذهانت او ماشین زده کړه، هوښیارتیا او ماشین زده کړه، ماشین زده کړه

حوالې

• د کارن لارښود