opentext umetna inteligenca in stroj
Umetna inteligenca (AI) spreminja naš način interakcije s stroji in način interakcije strojev z nami. Ta vodnik razčlenjuje delovanje umetne inteligence, prednosti in omejitve različnih vrst strojnega učenja ter razvoj tega nenehno spreminjajočega se študijskega področja. Raziskuje tudi vlogo varnostne analitike, ki podpira AI, ali vedenjske analitike uporabnikov in subjektov (UEBA) za boljšo zaščito podjetij pred današnjimi zapletenimi grožnjami kibernetske varnosti.
Strojno proti človeškemu učenju
Umetna inteligenca (AI) je povsod – vsaj tako se zdi. Pri OpenText™ je vzpon AI vznemirljiv in zahteven. Toda ko smo sodelovali z našimi kolegi, strankami in partnerji, smo ugotovili, da koncepta umetne inteligence ni vedno enostavno razumeti. Za začetek tega vodnika o umetni inteligenci in strojnem učenju 101 bomo razvozlali uganko umetne inteligence tako, da odgovorimo na glavno vprašanje, ki si ga mnogi zastavljajo: "Kaj je pravzaprav umetna inteligenca?"
Najlažji način za razumevanje umetne inteligence je, da jo preslikamo na nekaj, kar že razumemo – našo lastno inteligenco. Kako deluje neumetna, človeška inteligenca? Na najbolj osnovni ravni naša inteligenca sledi preprostemu napredovanju: sprejmemo informacije, jih obdelamo in na koncu nam informacije pomagajo ukrepati.
Razčlenimo to v sistemski diagram. Na spodnji sliki trije splošni koraki človeške inteligence od leve proti desni: vnos, obdelava in izhod V človeških možganih poteka vnos v obliki zaznavanja in zaznavanja stvari. Vaše oči, nosu, ušesih itd., sprejmejo neobdelane vnose na levi, kot so fotoni svetlobe ali vonj po borovcih, in jih nato obdelajo. Na desni strani sistema je izhod. To vključuje govor in dejanja, oboje pa je odvisno od tega, kako obdelamo neobdelane vnose, ki jih prejmejo naši možgani. Obdelava poteka na sredini, kjer se oblikujejo in pridobivajo znanje ali spomini, sprejemajo odločitve in sklepi ter poteka učenje.
Slika 1. Človeška inteligenca
Kako deluje neumetna, človeška inteligenca? Na najosnovnejši ravni naša inteligenca sledi preprostemu napredovanju: sprejmemo informacije, jih obdelamo in na koncu nam informacije pomagajo ukrepati.
Slika, ko se ustavite v križišču. Vaše oči vidijo, da je semafor pred vami pravkar zasvetil zeleno. Glede na to, kar ste se naučili iz izkušenj (in izobrazbe voznika), veste, da zelena luč pomeni, da morate voziti naprej. Torej, pritisnite stopalko za plin Zelena luč je surov vnos, vaš pospešek je rezultat; vse vmes je obdelava
Za inteligentno krmarjenje po svetu okoli nas – javljanje na telefon, peka čokoladnih piškotov ali upoštevanje semaforjev – moramo obdelati vhodne podatke, ki jih prejmemo. To je jedro obdelave človeške inteligence in je na koncu razčlenjeno na tri različne vidike. :
- Znanje in spomin. Znanje gradimo, ko zaužijemo dejstva (npr. bitka pri Hastingsu je potekala leta 1066) in družbene norme (tj. reči »prosim« in »hvala« veljajo za vljudnost). Poleg tega nam spomin omogoča, da si prikličemo in uporabimo informacije iz situacije iz preteklosti v sedanjost, nprampEdward se spomni, da se mu Jane ni zahvalila za rojstnodnevno darilo, zato ne pričakuje, da se mu bo zahvalila, ko ji bo dal božično darilo
- Odločitev in sklepanje. Odločitve in sklepi se sprejemajo na podlagi neobdelanih vnosov v kombinaciji z znanjem in/ali spominom, nprample, Edward je lani jedel jalapeno papriko in mu ni bila všeč. Ko Johnny Edwardu ponudi papriko, se ta odloči, da je ne bo jedel
- Učenje. Ljudje se lahko učijo preko example, opazovanje ali algoritem Pri učenju po prample, povedo nam, da je ena žival pes, druga pa mačka. Pri učenju z opazovanjem sami ugotovimo, da psi lajajo in da mačke mijavkajo. Tretja učna metoda – algoritem – nam omogoča, da dokončamo nalogo tako, da sledimo zaporedje korakov ali določen algoritem (npr. izvajanje dolgega deljenja)
Ti vidiki človeške inteligence so vzporedni z umetno inteligenco Tako kot mi sprejemamo informacije, jih obdelujemo in delimo rezultate, lahko tudi stroji. Oglejmo si spodnjo sliko, da vidimo, kako je to prikazano.
Slika 2. Umetna inteligenca
Za inteligentno krmarjenje po svetu okoli nas – sprejemanje telefonskih klicev, peka čokoladnih piškotov ali upoštevanje semaforjev – moramo obdelati vnos, ki ga prejmemo.
V strojih je vhodni del umetne inteligence ponazorjen z obdelavo naravnega jezika, prepoznavanjem govora, vizualnim prepoznavanjem in še več Takšne tehnologije in algoritme vidite povsod, od samovozečih avtomobilov, ki morajo zaznavati ceste in ovire, do Alexe ali Sirija. ko prepozna vaš govor. Rezultat, ki sledi, so načini interakcije strojev s svetom okoli nas. To je lahko v obliki robotike, navigacijskih sistemov (za vodenje samovozečih avtomobilov), ustvarjanja govora (npr. Siri) itd. med njimi imamo različne oblike obdelav, ki potekajo
Podobno kot naše pridobivanje znanja in spominov lahko stroji ustvarijo predstavitve znanja (npr. grafične baze podatkov, ontologije), ki jim pomagajo pri shranjevanju informacij o svetu. Tako kot ljudje sprejemamo odločitve ali sklepamo, lahko stroji naredijo napoved, optimizirajo cilj ali rezultat in določiti najboljše naslednje korake ali odločitve za dosego določenega cilja
Končno, tako kot izvemo iz example, opazovanje ali algoritem, stroje je mogoče učiti z uporabo analognih metod. Nadzorovano strojno učenje je podobno učenju sample: računalnik dobi nabor podatkov z »oznakami« znotraj nabora podatkov, ki delujejo kot odgovori, in se sčasoma nauči razlikovati med različnimi oznakami (npr. ta nabor podatkov vsebuje fotografije, označene kot »pes« ali »mačka« in z dovolj bivšimampračunalnik bo opazil, da imajo psi na splošno daljše repe in manj koničasta ušesa kot mačke)
Nenadzorovano strojno učenje je po drugi strani kot učenje z opazovanjem. Računalnik opazuje vzorce (psi lajajo in mačke mijavkajo) in se s tem nauči sam razlikovati skupine in vzorce (npr. obstajata dve skupini živali, ki lahko ločeni po zvoku, ki ga oddajajo; ena skupina laja – psi – in druga skupina – mačke) Nenadzorovano učenje ne zahteva oznak in je zato lahko bolje, če so nabori podatkov omejeni in nimajo oznak. Končno je učenje z algoritmom kaj se zgodi, ko programer v programski opremi naroči računalniku, kaj točno naj naredi, korak za korakom.
Pravzaprav najbolj natančni in pomanjkljivi rezultati umetne inteligence zahtevajo kombinacijo učnih metod. Tako nadzorovano kot nenadzorovano strojno učenje sta uporabni metodi – vse je v uporabi pravega pristopa ali pristopov v pravem primeru uporabe
Nato bomo pod drobnogled postavili strojno učenje, da bomo razumeli, kako ta del umetne inteligence zrcali nevrone v naših možganih, da vhod pretvori v optimalen izhod.
V idealnem primeru je za najbolj natančne in učinkovite rezultate umetne inteligence potrebna kombinacija učnih metod. Tako nadzorovano kot nenadzorovano strojno učenje sta uporabni metodi – vse je v uporabi pravega pristopa ali pristopov za pravi primer uporabe.
Nevronska mreža in globoko učenje
Strojno učenje je le en del umetne inteligence, čeprav ima znotraj ogromno podmnožico algoritmov. Ena od metod, ki jo danes pogosto slišite, je "globoko učenje", algoritem, ki je v zadnjih letih prejel precej pozornosti v novicah Za razumevanje Zaradi njegove priljubljenosti in uspeha je koristno razumeti, kako deluje Globoko učenje je razvoj algoritma strojnega učenja, ki je bil priljubljen v osemdesetih letih prejšnjega stoletja in ga morda prepoznate: nevronske mreže.
Nevronske mreže – programska paradigma, v kateri urimo stroje, da se »učijo« – se zgledujejo po nevronih ali specializiranih celicah v človeškem telesu, ki tvorijo temelj našega živčnega sistema, zlasti možganov. Te celice prenašajo signale po naših telesih, sprožijo živčne sistemski odzivi in procesi Nevroni so tisti, ki nam omogočajo, da vidimo, slišimo, vohamo itd.
Slika 3. Kako nevroni sprejemajo in pošiljajo sporočila
Velik del tega, kar mislimo kot človeško učenje, je mogoče opisati s tem, kako močna je povezava med dvema nevronoma v naših možganih, skupaj z močjo obrobja naših sinaps.
V prvem delu tega vodnika smo razpravljali o osnovnem procesu človeške inteligence: vnos na levi in izhod na desni. Nevron (na zgornji sliki) igra ključno vlogo pri tem. Na levi strani nevrona telo celice zbira »Vhod« Ko prejme dovolj vnosa ali stimulacije, se akson sprosti in prenaša informacije na desno stran – sinapso. »Izhod« se nato pošlje drugim nevronom
V vsakem trenutku si naši nevroni med seboj posredujejo sporočila. Te celice so odgovorne za našo sposobnost zaznavanja okolice. In ko se učimo, naši nevroni postanejo zelo aktivni. Pravzaprav je veliko tega, kar mislimo kot človeško učenje, mogoče opisati z kako močna je povezava med dvema nevronoma v naših možganih, skupaj z močjo obrobja naših sinaps
Nevronska mreža je matematična simulacija zbirke nevronskih celic. Spodnja slika predstavlja osnovno nevronsko mrežo s 3 plastmi in 12 vozlišči
Vsako krožno vozlišče predstavlja umetni, biološko navdihnjen "nevron". Črte predstavljajo povezavo od izhoda enega umetnega nevrona na levi do vhoda drugega na desni. Signali med temi nevroni tečejo vzdolž črt od leve proti desni V teh omrežjih , vhodni podatki, kot so podatki o slikovnih pikah, tečejo od vhodne plasti skozi srednje »skrite« plasti in na koncu do izhodne plasti na način, ki ga opisujejo matematične enačbe, ki jih ohlapno navdihuje električna aktivnost v dejanskih bioloških nevronih.
Slika 4. Preprosta nevronska mreža
Nevronske mreže se učijo tako, da poskušajo nabore podatkov, predstavljene vhodni plasti, uskladiti z želenimi rezultati v izhodni plasti. Matematične enačbe izračunajo izhode, primerjajo simulirane izhode z želenim rezultatom, nastale razlike pa nato povzročijo prilagoditve moči povezav.
Nevronske mreže se učijo tako, da poskušajo nabore podatkov, predstavljene vhodni plasti, uskladiti z želenimi rezultati v izhodni plasti. Matematične enačbe izračunajo rezultate, primerjajo simulirane rezultate z želenim rezultatom, nastale razlike pa nato povzročijo prilagoditve moči povezav. Te prilagoditve se iterativno spreminjajo, dokler izračunani rezultat ni dovolj blizu želenemu izidu, na kateri točki rečemo, da se je nevronska mreža "naučila"
Slika 5. Kompleksna nevronska mreža
Te "globlje" nevronske mreže lahko izvajajo veliko bolj zapletene napovedi. Lahko je na tisoče vozlišč in na stotine plasti, kar pomeni na tisoče različnih izračunov. Modeli globokega učenja so postali zelo dobri pri specifičnih težavah, kot je prepoznavanje govora ali slike.
Vendar je treba omeniti, da globoko učenje ni srebrna paleta za strojno učenje – zlasti ne v kibernetski varnosti, kjer včasih ni velikega obsega čistih podatkov, ki so idealni za metode globokega učenja. Pomembno je izbrati pravi algoritem, podatki in načela za delo To je najboljši način za stroje, da zberejo dokaze, povežejo pike in pripravijo zaključke
Nevronske mreže se morda zdijo stvar prihodnosti, vendar obstajajo že nekaj časa. Dejansko nevronske mreže temeljijo na idejah, ki so začele krožiti že v 1940. letih prejšnjega stoletja. kako so nevronske mreže in strojno učenje prodrli v številne dele sodobnega življenja.
Nevronske mreže se morda zdijo stvar prihodnosti, vendar obstajajo že nekaj časa. Pravzaprav nevronske mreže temeljijo na idejah, ki so začele krožiti že v štiridesetih letih prejšnjega stoletja.
Kratka zgodovina umetne inteligence
Nekaterim ljudem lahko izraz umetna inteligenca (AI) prikliče podobe futurističnih mest z letečimi avtomobili in gospodinjskimi roboti. Toda AI ni futurističen koncept, vsaj ne več. sega v antiko (tj. govoreče mehanske služabnice grškega boga Hefajsta) ¹ Od tridesetih let 1930. stoletja si tako znanstveniki kot matematiki želijo raziskati ustvarjanje prave inteligence, ločene od ljudi
Odločilni trenutek umetne inteligence sredi 20. stoletja je bilo srečno sotočje matematike in biologije, pri čemer so raziskovalci, kot so Norbert Wiener, Claude Shannon in Alan Turing, že odrezali stičišče električnih signalov in računalništva. Leta 1943 sta Warren McCulloch in Walter Pitts je ustvaril model za nevronske mreže Nevronske mreže so utrle pot pogumnemu novemu svetu računalništva z večjo konjsko močjo in leta 1956 je bilo področje raziskav AI uradno ustanovljeno kot akademska disciplina
Druga polovica stoletja je bila vznemirljiva doba za raziskave in napredek umetne inteligence, ki so jo občasno prekinile »zime umetne inteligence« sredi 70. in poznih 80. let, ko umetna inteligenca ni izpolnila pričakovanj javnosti, naložbe v to področje pa so se zmanjšale. Toda kljub neuspehom, različne aplikacije za umetno inteligenco in strojno učenje so se pojavljale levo in desno. Ena posebna anekdota o taki aplikaciji je postala priljubljena prispodoba v znanstveni skupnosti, ki precej učinkovito govori o preizkušnjah in težavah raziskav in implementacije umetne inteligence.
Zgodba gre nekako takole:
V osemdesetih letih je Pentagse je odločil uporabiti nevronsko mrežo za identifikacijo kamufliranih tankov. Pri delu s samo enim glavnim računalnikom (iz osemdesetih let prejšnjega stoletja, ne pozabite) je bila nevronska mreža usposobljena z 1980 slikami – 200 tanki in 100 drevesi. Kljub razmeroma majhni nevronski mreži (zaradi osemdesetih let prejšnjega stoletja) omejitve pri računanju in spominu), je laboratorijsko usposabljanje privedlo do 100-odstotne natančnosti. Zaradi takšnega uspeha se ekipa odloči, da bo šla na teren. Rezultati niso bili odlični.
Slika 6. Laboratorijske in terenske slike (Vir: Neural Network Follies, Neil Fraser, september 1998)
Z razpoložljivostjo obsežnih računalniških virov, o katerih v osemdesetih letih prejšnjega stoletja niso niti sanjali, so globoke nevronske mreže hitro postale priljubljeno področje za raziskovanje. Globoko učenje daje sistemu možnost samodejnega »učenja« z milijardami kombinacij in opazovanj, kar zmanjšuje odvisnost od človeških virov.
Zakaj se je nevronska mreža tako fantastično odrezala na fotografijah v laboratoriju, na polju pa tako popolnoma odpovedala? Izkazalo se je, da so bile vse fotografije brez tankov posnete v dneh, ko je bilo nebo oblačno; vse slike dreves so bile posnete ob dnevih, ko je sijalo sonce Nevronska mreža je bila usposobljena za prepoznavanje sonca, ne tankov
Sčasoma pa vizualno prepoznavanje s pomočjo globokega učenja – ki ga omogočajo nevronske mreže, ki so veliko bolj zapletene od peresatagglavni računalnik iz 1980-ih bi bil zmožen – postalo je resničnost. Leta 2012 sta stanfordski profesor Andrew Ng in Googlov sodelavec Jef Dean ustvarila eno prvih globokih nevronskih mrež z uporabo 1000 računalnikov s 16 jedri. Naloga: analizirajte 10 milijonov videoposnetkov YouTube Rezultat : našlo je mačke ² Zahvaljujoč algoritmu »globokega učenja« je omrežje sčasoma prepoznalo mačke z zelo dobro natančnostjo
Z razpoložljivostjo obsežnih računalniških virov, o katerih v osemdesetih letih prejšnjega stoletja niso mogli niti sanjati, so globoke nevronske mreže hitro postale priljubljeno področje za raziskave. Globoko učenje daje sistemu možnost samodejnega »učenja« z milijardami kombinacij in opazovanj, kar zmanjšuje odvisnost od človeški viri Na področju kibernetske varnosti je metoda postala še posebej obetavna za odkrivanje zlonamerne programske opreme – scenariji, v katerih imamo velike nabore podatkov s številnimiampzlonamerne programske opreme, iz katere se lahko omrežje uči
Na žalost so metode globokega učenja trenutno manj učinkovite, ko gre za določene primere uporabe, kot je notranja grožnja, ker preprosto nimamo pravih podatkov o teh vrstah napadov v zahtevanem obsegu Najpogosteje informacije, ki jih imamo o notranjih grožnjah so anekdotične, ki jih te vrste nevronskih mrež ne morejo učinkovito uporabiti.
Dokler ne moremo zbrati učinkovitejših naborov podatkov (ter zmanjšati stroške in zapletenost sistemov globokega učenja), globoko učenje ni prava izbira za vse primere uporabe. In to je v redu. Globoko učenje je le eden od mnogih algoritmov strojnega učenja in ti pristopi so lahko tako kot če ne več vredno - vse je odvisno od dela
Videli smo ogromen potencial tehnologij umetne inteligence v šestih desetletjih od njenega uradnega »rojstva« in šele smo opraskali površino, zlasti na področju varnosti. Nato se bomo globlje poglobili v potencialne aplikacije za umetno inteligenco in analitiko za spremembo način, kako prepoznamo varnostne grožnje in se nanje odzovemo.
Prediktivna analitika je le en kos veliko večje sestavljanke, ki nam lahko da veliko bolj uporaben vpogled za varnostne ekipe.
Videli smo ogromen potencial tehnologij umetne inteligence v šestih desetletjih od njenega uradnega "rojstva" in smo šele opraskali po površini, zlasti na področju varnosti.
Nova vizija za varnostno analitiko
Doslej je ta vodnik natančno preučil strojno učenje, razumel njegove omejitve in prednosti. Strojno učenje ima ogromen potencial za olajšanje umetne inteligence, vendar je vredno omeniti, da širša igra odkrivanja groženj ni le globoko učenje ali strojno učenje. kot ga poznamo danes. Nove analitične metode v kombinaciji z novimi vrstami podatkov nam lahko dajo popolnoma nove okvire za analizo in ukrepanje v zvezi z varnostnimi grožnjami.
| Nove metode | Prilagodljiva analiza Kontinuirana analiza Optimizacija v negotovosti | Odziv na kontekst Odziv na lokalne spremembe/povratne informacije Kvantificiranje ali ublažitev tveganja |
| Tradicionalno | Optimizacija Prediktivno modeliranje Simulacija Napovedovanje Opozorila Poizvedba/Drill Down Ad hoc poročanje Standardno poročanje | Kompleksnost odločitev, hitrost rešitve Priložnostno, verjetnostno, stopnje zaupanja Visoka zvestoba, igre, kmetovanje podatkov Večji nabori podatkov, nelinearna regresija Pravila/sprožilci, občutljivi na kontekst, zapleteni dogodki V pomnilniških podatkih, mehko iskanje, geoprostorska poizvedba po example, uporabniško zaščitena poročila Realni čas, vizualizacije, interakcija uporabnika |
| Novi podatki | Razmerje razrešitve entitete, opombe ekstrakcije funkcij in tokenizacija | Ljudje, vloge, lokacije, stvari Pravila, semantično sklepanje, ujemanje Avtomatizirano, izvirno iz množice |
Videli smo, kaj lahko analitika naredi za druge industrije, in obstaja možnost, da analitika močno vpliva tudi na kibernetsko varnost. Vidimo, da se to oblikuje na novem področju, ki ga imenujemo varnostna analitika, ki v bistvu prevzema v bitkah preizkušeno algoritmi in metodologije, o katerih smo razpravljali (in še več) in jih uporabljamo, pomagajo rešiti resnično težke probleme v varnosti
Najpogostejša analitika, ki jo danes vidimo na področju varnosti, vključuje napovedne modele, ki nam omogočajo, da ugotovimo, kje bi lahko bila tveganja v velikih količinah podatkov (tu je zaznavanje anomalij). Na kratko, napovedno modeliranje združuje zgodovinske podatke z vedenjem v realnem času razumeti ali predvideti prihodnje vedenje. S tem lahko odgovorimo na vprašanje: "Kaj se zgodi potem?"
Toda naša vizija varnostne analitike se tu ne ustavi. Prediktivna analitika je le delček veliko večje sestavljanke, ki nam lahko da veliko bolj uporaben vpogled za varnostne ekipe. Idealna paradigma analitike združuje inteligentne senzorje in vseprisotne vire podatkov – namizne računalnike in strežnike, mobilne , oblak, družabna omrežja, odprti podatki itd. — z več naprednimi analitičnimi pristopi k vedenjski analizi in analizi groženj, vključno s forenzično analizo, modeliranjem tveganja, odkrivanjem nepravilnosti, vedenjsko optimizacijo in optimizacijo odziva ter več
To pomeni, da lahko storimo veliko več kot predvidimo ali prepoznamo grožnjo. Omogoča nam, da gremo še dlje, da ne ponudimo le naprednega odkrivanja, temveč tudi vpogled v to, kako se najučinkoviteje odzvati. Varnostna analitika nam daje moč, da odgovorimo na druga ključna vprašanja, kot je »Kako obstaja veliko groženj?" in "Kakšna je najboljša možna reakcija?"
Za kibernetsko varnost še nismo videli drugih razredov analitike, kot so optimizacijske metode, vendar imajo ogromen potencial. Te tehnike preučujejo vse možne reakcije na varnostno tveganje in določajo najboljši odziv. Da, obstajajo načini, kako to storiti z matematiko
Na primerample, metode optimizacije se uporabljajo, ko pokličete svojega ponudnika storitev mobilne telefonije s težavo. Ne dajejo naključno priporočila o tem, ali naj vaš paket storitev nadgradijo s popustom ali ne; zanašajo se na nabor matematike v ozadju, ki pregleduje vaše dnevnike klicev, število prekinjenih klicev, primerjavo vaše zgodovine z zgodovino drugih uporabnikov itd. Izračuna celo verjetnost, da boste morda preklopili na drugega ponudnika storitev. izmed vseh možnih naslednjih korakov izračuna najboljši naslednji korak za čim večje ohranjanje strank
Enako matematiko lahko uporabimo za varnostno ekipo, da prepoznamo tveganje, zagotovimo številne načine za odzivanje in matematično določimo najboljši odziv za čim večje obvladovanje tega določenega tveganja.
Zaradi hitrega porasta in razvoja varnostnih groženj je ta vrsta odzivne učinkovitosti kritična. Danes imamo več podatkov kot kdaj koli prej. K sreči imamo tudi več računalniške moči, boljše algoritme ter širše naložbe v raziskave in tehnologije, ki nam pomagajo razumeti te podatke skozi matematiko Po vsem mnenju verjamemo, da se varnostna analitika šele začenja.
Danes imamo več podatkov kot kdaj koli prej. Na srečo imamo tudi več računalniške moči, boljše algoritme in širše naložbe v raziskave in tehnologije, ki nam pomagajo razumeti te podatke z matematiko. Po vsem mnenju verjamemo, da se varnostna analitika šele začenja.
Podpora uporabnikom
Povežite se z nami
www.opentext.com
OpenText Cybersecurity zagotavlja celovite varnostne rešitve za podjetja in partnerje vseh velikosti Od preprečevanja, odkrivanja in odzivanja do obnovitve, preiskave in skladnosti, naša enotna platforma od konca do konca pomaga strankam zgraditi kibernetsko odpornost prek celostnega varnostnega portfelja, ki ga poganjajo uporabni vpogledi iz našega obveščanje o grožnjah v realnem času in kontekstualno, imajo stranke OpenText Cybersecurity koristi od visoko učinkovitih izdelkov, skladne izkušnje in poenostavljene varnosti za pomoč pri obvladovanju poslovnega tveganja
762-000016-003 | O | 01. 24. | © 2024 Odprto besedilo
Dokumenti / Viri
 |
opentext umetna inteligenca in strojno učenje [pdfNavodila Umetna inteligenca in strojno učenje, inteligenca in strojno učenje, strojno učenje |
