Opentext Inteligjenca Artificiale dhe Makina
Inteligjenca artificiale (AI) po transformon mënyrën se si ne ndërveprojmë me makinat dhe mënyrën se si makinat ndërveprojnë me ne. Ky udhëzues përmbledh mënyrën se si funksionon AI, pikat e forta dhe kufizimet e llojeve të ndryshme të mësimit të makinerive dhe evolucionin e kësaj fushe studimi që ndryshon vazhdimisht. Ai gjithashtu eksploron rolin e analitikës së sigurisë të mundësuar nga AI ose analitikëve të sjelljes së përdoruesve dhe subjekteve (UEBA) për të mbrojtur më mirë ndërmarrjet nga kërcënimet komplekse të sigurisë kibernetike të sotme.
Makina kundër të mësuarit njerëzor
Inteligjenca artificiale (AI) është kudo - të paktën, kështu duket Në OpenText™, rritja e AI është emocionuese dhe sfiduese, por ndërsa jemi angazhuar me kolegët, klientët dhe partnerët tanë, kemi kuptuar se Koncepti i AI nuk kuptohet gjithmonë lehtësisht Për të filluar këtë udhëzues AI dhe Machine Learning 101, ne do të shpaketojmë enigmën e AI duke iu përgjigjur pyetjes kryesore që po bëjnë shumë njerëz: "Çfarë është vërtet inteligjenca artificiale?"
Mënyra më e lehtë për të kuptuar inteligjencën artificiale është ta hartojmë atë me diçka që tashmë e kuptojmë—inteligjencën tonë Si funksionon inteligjenca njerëzore jo-artificiale? Në nivelin më themelor, inteligjenca jonë ndjek një përparim të thjeshtë: ne marrim informacionin, ne e përpunojmë atë dhe në fund informacioni na ndihmon të veprojmë
Le ta zbërthejmë këtë në një diagramë sistemi Në figurën më poshtë, tre hapat e përgjithshëm të inteligjencës njerëzore nga e majta në të djathtë: hyrja, përpunimi dhe dalja Në trurin e njeriut, hyrja bëhet në formën e ndjesisë dhe perceptimit të gjërave Sytë tuaj. hunda, veshët, etj., merrni të dhëna të papërpunuara në të majtë, si fotonet e dritës ose aroma e pishave, dhe më pas përpunoni atë Në anën e djathtë të sistemit është dalja Kjo përfshin të folurën dhe veprimet, të cilat të dyja varen nga mënyra se si ne përpunojmë inputin e papërpunuar që merr truri ynë. Përpunimi ndodh në mes, ku formohen dhe merren njohuritë ose kujtimet, merren vendimet dhe konkluzionet, dhe mësimi ndodh.
Figura 1. Inteligjenca njerëzore
Si funksionon inteligjenca njerëzore jo artificiale? Në nivelin më themelor, inteligjenca jonë ndjek një përparim të thjeshtë: ne marrim informacion, ne e përpunojmë atë dhe në fund informacioni na ndihmon të veprojmë.
Foto e ndalimit në një kryqëzim rrugor Sytë e tu shohin se semafori përpara jush sapo është bërë jeshil Bazuar në atë që keni mësuar nga përvoja (dhe edukimi i shoferit), ju e dini që një dritë jeshile tregon se duhet të ecni përpara Pra, ju goditni pedalin e gazit Drita jeshile është hyrja e papërpunuar, nxitimi juaj është dalja; çdo gjë në mes është duke u përpunuar
Për të lundruar në mënyrë inteligjente në botën përreth nesh - duke iu përgjigjur telefonit, duke pjekur biskota me çokollatë ose duke iu bindur semaforëve - duhet të përpunojmë të dhënat që marrim. Ky është thelbi i përpunimit të inteligjencës njerëzore dhe në fund ndahet në tre aspekte të dallueshme :
- Dituria dhe kujtesa. Ne ndërtojmë njohuri ndërsa gëlltisim fakte (d.m.th., Beteja e Hastings u zhvillua në 1066) dhe normat shoqërore (d.m.th., thënia "Ju lutem" dhe "Faleminderit" konsiderohet e sjellshme) Përveç kësaj, kujtesa na mundëson të kujtojmë dhe zbatojmë informacionin nga situata nga e shkuara në të tashmen Për shembullampLe, Edward kujton se Jane nuk e falenderoi për dhuratën e saj të ditëlindjes, kështu që ai nuk pret që ajo ta falënderojë atë kur ai i bën asaj një dhuratë për Krishtlindje
- Vendimi dhe përfundimi. Vendimet dhe konkluzionet merren në bazë të të dhënave të papërpunuara të kombinuara me njohuri dhe/ose memorie Për shembullample, Edward hëngri një piper jalapeno vitin e kaluar dhe nuk e pëlqeu Kur Johnny i ofron një piper Eduardit, ai vendos të mos e hajë
- Të mësuarit. Njerëzit mund të mësojnë nga ishample, vëzhgimi ose algoritmi Në të nxënit nga p.shample, na thuhet se një kafshë është një qen, tjetra është një mace Duke mësuar nga vëzhgimi, ne kuptojmë vetë se qentë lehin dhe macet mjaullijnë Metoda e tretë e të mësuarit - algoritmi - na mundëson të përfundojmë një detyrë duke ndjekur një seri hapash ose një algoritëm specifik (p.sh. kryerja e ndarjes së gjatë)
Këto aspekte të inteligjencës njerëzore janë paralele me inteligjencën artificiale Ashtu si ne marrim informacione, përpunojmë dhe ndajmë rezultate, po ashtu edhe makinat. Le t'i hedhim një vështrim figurës më poshtë për të parë se si hartohet kjo.
Figura 2. Inteligjenca artificiale
Për të lundruar në mënyrë inteligjente në botën përreth nesh—duke iu përgjigjur telefonit, pjekja e biskotave me çokollatë ose duke iu bindur semaforëve—ne duhet të përpunojmë të dhënat që marrim.
Në makineri, pjesa hyrëse e inteligjencës artificiale ilustrohet nga përpunimi i gjuhës natyrore, njohja e të folurit, njohja vizuale dhe më shumë. Ju shihni teknologji dhe algoritme të tilla kudo, nga makinat me vetëdrejtim që duhet të ndjejnë rrugët dhe pengesat, te Alexa ose Siri. kur e njeh fjalimin tënd Rezultatet që vijojnë janë mënyra në të cilat makinat ndërveprojnë me botën përreth nesh. Kjo mund të marrë formën e robotikës, sistemeve të navigimit (për të drejtuar ato makina që drejtojnë vetë), gjenerimi i të folurit (p.sh. Siri), etj. ndërmjet, kemi forma të ndryshme të përpunimit që ndodhin
Ngjashëm me grumbullimin tonë të njohurive dhe kujtimeve, makinat mund të krijojnë përfaqësime njohurish (p.sh., bazat e të dhënave grafike, ontologjitë) që i ndihmojnë ata të ruajnë informacione rreth botës Ashtu si njerëzit marrin vendime ose nxjerrin përfundime, makinat mund të bëjnë një parashikim, të optimizojnë për një objektiv ose rezultatin dhe përcaktoni hapat ose vendimet më të mira të ardhshme për të përmbushur një qëllim specifik
Së fundi, ashtu siç mësojmë nga ishample, vëzhgimi ose algoritmi, makinat mund të mësohen duke përdorur metoda analoge Mësimi i mbikëqyrur i makinerive është shumë si të mësuarit nga ish.ample: kompjuterit i jepet një grup të dhënash me "etiketa" brenda grupit të të dhënave që veprojnë si përgjigje, dhe përfundimisht mëson të tregojë dallimin midis etiketave të ndryshme (p.sh., ky grup të dhënash përmban foto të etiketuara si "qen" ose "mace", dhe me mjaft ishampPër më tepër, kompjuteri do të vërejë se qentë në përgjithësi kanë bisht më të gjatë dhe veshë më pak të mprehtë se macet)
Mësimi i pambikëqyrur i makinerive, nga ana tjetër, është si të mësuarit me vëzhgim. të ndahen nga tingulli që lëshojnë njëri grup—qentë—dhe grupi tjetër mjaullitë—macet) Mësimi i pambikëqyrur nuk kërkon etiketa dhe për këtë arsye mund të preferohet kur grupet e të dhënave janë të kufizuara dhe nuk kanë etiketa Së fundi, të mësuarit sipas algoritmit është; çfarë ndodh kur një programues udhëzon një kompjuter saktësisht se çfarë të bëjë, hap pas hapi, në një program softuerik.
Në fakt, rezultatet më të sakta dhe më të mangëta të inteligjencës artificiale kërkojnë një kombinim të metodave të të mësuarit Të dyja, mësimi i makinerive i mbikëqyrur dhe i pambikëqyrur janë metoda të dobishme - gjithçka ka të bëjë me aplikimin e qasjes ose qasjeve të duhura për rastin e duhur të përdorimit
Më pas, ne do të vendosim mësimin e makinerive nën mikroskop për të kuptuar se si kjo pjesë e AI pasqyron neuronet në trurin tonë për ta kthyer hyrjen në një dalje optimale.
Në mënyrë ideale, rezultatet më të sakta dhe efikase të inteligjencës artificiale kërkojnë një kombinim të metodave të të mësuarit. Të dyja, mësimi i makinerive i mbikëqyrur dhe i pambikëqyrur janë metoda të dobishme - gjithçka ka të bëjë me aplikimin e qasjes ose qasjeve të duhura për rastin e duhur të përdorimit.
Rrjeti nervor dhe mësimi i thellë
Mësimi i makinerive është vetëm një pjesë e AI, megjithëse ka një nëngrup masiv algoritmesh brenda saj Një metodë që ju dëgjoni shpesh sot është "të mësuarit e thellë", një algoritëm që ka marrë një pjesë të mirë të vëmendjes në lajmet vitet e fundit Për ta kuptuar popullariteti dhe suksesi i tij, është e dobishme të kuptoni se si funksionon Mësimi i thellë është një evolucion i një algoritmi të mësimit të makinerive që ishte i popullarizuar në vitet 1980 që mund ta njihni: rrjetet nervore.
Rrjetet nervore - një paradigmë programimi në të cilën ne trajnojmë makinat për të "mësuar" - frymëzohen nga neuronet, ose qelizat e specializuara në trupin e njeriut që formojnë themelin e sistemit tonë nervor, dhe trurit në veçanti. përgjigjet dhe proceset e sistemit Neuronet janë ato që na mundësojnë të shohim, dëgjojmë, nuhasim, etj.
Figura 3. Si neuronet marrin dhe dërgojnë mesazhe
Pjesa më e madhe e asaj që ne mendojmë si të mësuarit njerëzor mund të përshkruhet nga sa e fortë është lidhja midis dy neuroneve në trurin tonë, së bashku me forcën e skajit të sinapseve tona.
Në pjesën e parë të këtij udhëzuesi, ne diskutuam procesin bazë të inteligjencës njerëzore: hyrje në të majtë dhe dalje në të djathtë Neuroni (foto më lart) luan një rol kritik në këtë Në anën e majtë të neuronit, trupi qelizor mblidhet "Hyrje" Pasi merr hyrje ose stimulim të mjaftueshëm, akson freskohet, duke transmetuar informacionin në anën e djathtë - sinapsi "Dalja" më pas dërgohet te neuronet e tjera
Në çdo moment, neuronet tona po kalojnë mesazhe mes njëri-tjetrit. Këto qeliza janë përgjegjëse për aftësinë tonë për të perceptuar rrethinën tonë dhe kur mësojmë, neuronet tona bëhen shumë aktive Në fakt, shumica e asaj që ne mendojmë si mësim njerëzor mund të përshkruhet nga sa e fortë është lidhja midis dy neuroneve në trurin tonë, së bashku me forcën e skajit të sinapseve tona
Një rrjet nervor është një simulim matematikor i një koleksioni qelizash neurone. Imazhi më poshtë paraqet një rrjet nervor bazë me 3 shtresa dhe 12 nyje
Çdo nyje rrethore përfaqëson një "neuron" artificial, të frymëzuar biologjikisht. Linjat përfaqësojnë një lidhje nga dalja e një neuroni artificial në të majtë me hyrjen e një tjetri në të djathtë Sinjalet midis këtyre neuroneve rrjedhin përgjatë vijave nga e majta në të djathtë në këto rrjete. , hyrja - të tilla si të dhënat e pikselit - rrjedh nga shtresa hyrëse, përmes shtresave të mesme "të fshehura" dhe përfundimisht në shtresën dalëse në një mënyrë të përshkruar nga ekuacionet matematikore të frymëzuara lirshëm nga aktiviteti elektrik në neuronet aktuale biologjike.
Figura 4. Rrjet i thjeshtë nervor
Rrjetet nervore mësojnë duke u përpjekur të përputhin grupet e të dhënave të paraqitura në shtresën hyrëse me rezultatet e dëshiruara në shtresën e daljes. Ekuacionet matematikore llogaritin rezultatet, krahasojnë daljen e simuluar me rezultatin e dëshiruar dhe diferencat që rezultojnë më pas prodhojnë ndryshime në fuqinë e lidhjeve.
Rrjetet nervore mësojnë duke u përpjekur të përputhin grupet e të dhënave të paraqitura në shtresën hyrëse me rezultatet e dëshiruara në shtresën e daljes. Këto rregullime modifikohen në mënyrë të përsëritur derisa dalja e llogaritur të jetë mjaft afër rezultatit të dëshiruar, në të cilën pikë themi se rrjeti nervor ka "mësuar"
Figura 5. Rrjeti nervor kompleks
Këto rrjete nervore "më të thella" mund të bëjnë parashikime shumë më komplekse. Mund të ketë mijëra nyje dhe qindra shtresa, që do të thotë mijëra llogaritje të ndryshme Modelet e të mësuarit të thellë janë bërë shumë të mira në probleme specifike, si njohja e të folurit ose imazhit.
Sidoqoftë, vlen të përmendet se mësimi i thellë nuk është një plumb i argjendtë për mësimin e makinerive – veçanërisht jo në sigurinë kibernetike, ku ndonjëherë nuk ka vëllim të madh të të dhënave të pastra që është ideale për metodat e të mësuarit të thellë. Është e rëndësishme të zgjidhni algoritmin e duhur, të dhënat dhe parimet për punën Kjo është mënyra më e mirë që makinat të mbledhin prova, të lidhin pikat dhe të nxjerrin një përfundim
Rrjetet nervore mund të duken si gjërat e së ardhmes, por kanë ekzistuar për një kohë. se si rrjetet nervore dhe mësimi i makinerive kanë arritur të përshkojnë shumë pjesë të jetës moderne.
Rrjetet nervore mund të duken si gjërat e së ardhmes, por ka kohë që ekziston. Në fakt, rrjetet nervore bazohen në idetë që filluan të qarkullojnë në vitet 1940.
Një histori e shkurtër e inteligjencës artificiale
Për disa njerëz, termi inteligjencë artificiale (AI) mund të ngjall imazhe të qyteteve futuriste me makina fluturuese dhe robotë shtëpiak Por AI nuk është një koncept futurist, të paktën jo më Edhe pse nuk përmendet si e tillë, ideja e inteligjencës artificiale mund të jetë gjurmuar në antikitet (dmth., shërbëtoret mekanike që flasin perëndinë greke Hephaestus) ¹ Që nga vitet 1930, shkencëtarët dhe matematikanët kanë qenë të etur për të eksploruar krijimin e inteligjencës së vërtetë të ndarë nga njerëzit
Momenti përcaktues i inteligjencës artificiale në mesin e shekullit të 20-të ishte një ndërthurje e lumtur e matematikës dhe biologjisë, me studiues si Norbert Wiener, Claude Shannon dhe Alan Turing që tashmë ishin larguar në kryqëzimin e sinjaleve elektrike dhe llogaritjeve Deri në vitin 1943, Warren McCulloch dhe Walter Pitts kishte krijuar një model për rrjetet nervore Rrjetet nervore hapën rrugën për një botë të re të guximshme të informatikës me kuaj-fuqi më të madhe dhe, në vitin 1956, fusha e kërkimit të AI u krijua zyrtarisht si një disiplinë akademike
Gjysma e dytë e shekullit ishte një epokë emocionuese për kërkimin dhe përparimin e AI, e ndërprerë herë pas here nga "dimrat e AI" në mesin e viteve '70 dhe fund të viteve '80 ku AI nuk arriti të përmbushte pritshmëritë e publikut dhe investimet në fushë u zvogëluan, por pavarësisht pengesave, aplikacione të ndryshme për AI dhe mësimin e makinerive po shfaqeshin majtas dhe djathtas Një anekdotë e veçantë e një aplikacioni të tillë është bërë një shëmbëlltyrë popullore brenda komunitetit shkencor, duke folur mjaft efektivisht për sprovat dhe vështirësitë e kërkimit dhe zbatimit të AI
Historia shkon diçka si kjo:
Në vitet 1980, Pentagmë vendosi të përdorte një rrjet nervor për të identifikuar rezervuarët e kamufluar Duke punuar me vetëm një mainframe (nga vitet 1980, mbani në mend), rrjeta nervore u trajnua me 200 fotografi—100 tanke dhe 100 pemë Pavarësisht rrjetit nervor relativisht të vogël (për shkak të viteve 1980 kufizimet në llogaritje dhe memorie), trajnimi laboratorik rezultoi me saktësi 100% Me një sukses të tillë, ekipi vendos t'i japë asaj një dalje në fushë. Rezultatet nuk ishin të shkëlqyera.
Figura 6. Fotot e laboratorit kundër terrenit (Burimi: Neural Network Follies, Neil Fraser, shtator 1998)
Me disponueshmërinë e burimeve të mëdha kompjuterike që nuk ëndërroheshin në vitet 1980, rrjetet e thella nervore janë bërë shpejt një zonë e njohur për kërkime. Të mësuarit e thellë i jep një sistemi aftësinë për të "mësuar" automatikisht përmes miliarda kombinimeve dhe vëzhgimeve, duke reduktuar varësinë nga burimet njerëzore.
Pse rrjeti nervor bëri kaq fantastikisht fotot në laborator, por dështoi kaq plotësisht në fushë? Doli se fotot jo-tank janë bërë të gjitha në ditët ku qielli ishte me re; të gjitha fotot e pemëve janë bërë në ditët kur dielli po shkëlqente. Rrjeti nervor ishte trajnuar për të njohur diellin, jo tanket
Përfundimisht, megjithatë, njohja vizuale nëpërmjet të mësuarit të thellë - e lehtësuar nga rrjetet nervore që janë shumë më komplekse se Penatagmainframe-i i viteve 1980 do të ishte në gjendje të përballonte—u bë realitet Në vitin 2012, profesori i Stanfordit, Andrew Ng dhe shoku i Google, Jef Dean krijuan një nga rrjetet e para nervore të thella duke përdorur 1000 kompjuterë me 16 bërthama secili. Detyra: analizoni 10 milionë video në YouTube Rezultati : gjeti macet ² Falë algoritmit të tij të "mësimit të thellë", rrjeti ishte në gjendje të njihte macet me kalimin e kohës dhe me saktësi shumë të mirë
Me disponueshmërinë e burimeve të mëdha kompjuterike që nuk i ëndërroheshin në vitet 1980, rrjetet nervore të thella janë bërë shpejt një zonë e njohur për kërkime Të mësuarit e thellë i jep një sistemi aftësinë për të "mësuar" automatikisht përmes miliarda kombinimeve dhe vëzhgimeve, duke reduktuar varësinë nga burimet njerëzore Brenda fushës së sigurisë kibernetike, metoda është bërë veçanërisht premtuese për zbulimin e malware-skenarëve në të cilët ne kemi grupe të dhënash të mëdha me shumë ishampdisa malware nga të cilët rrjeti mund të mësojë
Fatkeqësisht, metodat e të mësuarit të thellë janë aktualisht më pak efektive kur bëhet fjalë për raste të caktuara përdorimi, si kërcënimi i brendshëm, sepse thjesht nuk kemi llojin e duhur të të dhënave për këto lloj sulmesh, në vëllimet e kërkuara Më shpesh, informacioni që kemi. Kërcënimet e brendshme janë anekdotike, të cilat nuk mund të përdoren në mënyrë efikase nga këto lloje të rrjeteve nervore.
Derisa të mund të mbledhim grupe të dhënash më efektive (dhe të zvogëlojmë koston dhe kompleksitetin e sistemeve të të mësuarit të thellë), të mësuarit e thellë nuk është zgjidhja e duhur për të gjitha rastet e përdorimit Dhe kjo është në rregull Të mësuarit e thellë është vetëm një nga shumë algoritmet e mësimit të makinerive, dhe këto qasje mund të jenë sikur të mos ishte më e vlefshme - gjithçka varet nga puna në fjalë
Ne kemi parë potencial të jashtëzakonshëm të teknologjive të AI në gjashtë dekada që nga "lindja" e saj zyrtare dhe sapo kemi gërvishtur sipërfaqen, veçanërisht në fushën e sigurisë. mënyrën se si ne identifikojmë dhe reagojmë ndaj kërcënimeve të sigurisë.
Analitika parashikuese është vetëm një pjesë e një enigme shumë më të madhe që mund të na japë një pasqyrë shumë më të dobishme për ekipet e sigurisë.
Ne kemi parë potencial të jashtëzakonshëm të teknologjive të AI në gjashtë dekada që nga "lindja" e saj zyrtare, dhe ne sapo kemi gërvishtur sipërfaqen, veçanërisht në fushën e sigurisë.
Një vizion i ri për analitikën e sigurisë
Deri më tani, ky udhëzues ka hedhur një vështrim nga afër në mësimin e makinerive, duke kuptuar kufizimet dhe pikat e forta të tij. Ka potencial të madh për të mësuarit e makinerive për të lehtësuar AI, por vlen të përmendet se loja më e gjerë e zbulimit të kërcënimeve nuk ka të bëjë vetëm me mësimin e thellë ose mësimin e makinerive siç e njohim sot Metodat e reja analitike të kombinuara me lloje të reja të dhënash mund të na japin korniza krejtësisht të reja në të cilat të analizojmë dhe të veprojmë ndaj kërcënimeve të sigurisë.
| Metodat e reja | Analiza adaptive Optimizimi i vazhdueshëm i analizës nën pasiguri | Përgjigjja ndaj kontekstit Përgjigjja ndaj ndryshimit/feedback-ut lokal Kuantifikimi ose zbutja e rrezikut |
| Tradicionale | Optimizimi Parashikues Simulimi Simulimi Parashikimi Sinjalizime Pyetje/Drejtim Ad hoc Raportim Standard Raportimi | Kompleksiteti i vendimit, shpejtësia e zgjidhjes Në mënyrë të rastësishme, probabiliste, nivele besimi Besueshmëri e lartë, lojëra, grumbullim të dhënash Grupe më të mëdha të dhënash, rregulla/shkaktues të regresionit jolinear, ngjarje komplekse të ndjeshme në kontekst, në të dhënat e memories, kërkim fuzzy, pyetje gjeo-hapësinore nga ishample, raportet e mbrojtjes së përdoruesit në kohë reale, vizualizime, ndërveprimi me përdoruesit |
| Të dhëna të reja | Marrëdhënia e Rezolucionit të Njësisë, Shënimi i Nxjerrjes së Veçorisë dhe Tokenizimi | Njerëzit, rolet, vendndodhjet, gjërat Rregullat, konkluzionet semantike, përputhja e automatizuar, me burim nga turma |
Ne kemi parë se çfarë mund të bëjë analitika për industritë e tjera, dhe ka potencial që analitika të ketë një ndikim të thellë në sigurinë kibernetike, gjithashtu. algoritmet dhe metodologjitë që kemi diskutuar (dhe më shumë) dhe i zbaton ato ndihmojnë në zgjidhjen e problemeve vërtet të vështira në siguri
Analitika më e zakonshme që shohim sot në siguri përfshin modele parashikuese, të cilat na lejojnë të identifikojmë se ku mund të jenë rreziqet brenda sasive të mëdha të të dhënave (këtu hyn zbulimi i anomalive) Me pak fjalë, modelimi parashikues kombinon të dhënat historike me sjelljen në kohë reale për të kuptuar ose parashikuar sjelljen e ardhshme Me këtë, ne mund t'i përgjigjemi pyetjes, "Çfarë ndodh më pas?"
Por vizioni ynë për analitikën e sigurisë nuk ndalet këtu Analitika parashikuese është vetëm një pjesë e një enigmë shumë më të madhe që mund të na japë njohuri shumë më të dobishme për ekipet e sigurisë. , cloud, rrjete sociale, të dhëna të hapura, etj — me qasje të shumta analitike të avancuara për analizën e sjelljes dhe kërcënimeve, duke përfshirë analizën mjekoligjore, modelimin e rrezikut, zbulimin e anomalive, optimizimin e sjelljes dhe përgjigjes, dhe më shumë
Kjo do të thotë se ne mund të bëjmë shumë më tepër sesa të parashikojmë ose identifikojmë një kërcënim. Kjo na lejon të shkojmë edhe më tej për të ofruar jo vetëm zbulim të avancuar, por njohuri se si të përgjigjemi në mënyrë më efektive Analiza e sigurisë na jep fuqinë për t'iu përgjigjur pyetjeve të tjera kryesore, si "Si ka shumë kërcënime?” dhe "Cili është reagimi më i mirë i mundshëm?"
Ne nuk kemi parë ende klasa të tjera analitike si metodat e optimizimit të aplikuara për sigurinë kibernetike, por ato kanë potencial të jashtëzakonshëm.
Për shembullampKështu, metodat e optimizimit përdoren kur bëni një telefonatë me ofruesin tuaj të shërbimit të telefonit celular me një problem. Ata nuk po bëjnë në mënyrë të rastësishme një rekomandim nëse duhet të përmirësoni ose jo planin tuaj të shërbimit me një zbritje; ata mbështeten në një grup matematikash në sfond që shikon regjistrat e telefonatave tuaja, numrin e telefonatave të ndërprera, se si historia juaj krahasohet me atë të përdoruesve të tjerë, etj. Madje llogarit probabilitetin që ju mund të kaloni te një ofrues tjetër shërbimi Më pas, jashtë Nga të gjithë hapat e ardhshëm të mundshëm, ai llogarit hapin tjetër më të mirë për të maksimizuar mbajtjen e klientit
E njëjta matematikë mund të zbatohet për një ekip sigurie për të identifikuar një rrezik, për të ofruar një sërë mënyrash për të reaguar dhe për të përcaktuar matematikisht përgjigjen më të mirë për të maksimizuar kontrollin e këtij rreziku të veçantë.
Rritja e shpejtë dhe evolucioni i kërcënimeve të sigurisë e bëjnë këtë lloj të efikasitetit të reagimit kritik. Ne kemi më shumë të dhëna sot se kurrë më parë Fatmirësisht, ne gjithashtu kemi më shumë fuqi llogaritëse, algoritme më të mira dhe investime më të gjera në kërkime dhe teknologji për të na ndihmuar të kuptojmë këto të dhëna përmes matematikës Nga të gjitha llogaritë, ne besojmë se analitika e sigurisë sapo ka filluar.
Sot kemi më shumë të dhëna se kurrë më parë. Fatmirësisht, ne kemi gjithashtu më shumë fuqi llogaritëse, algoritme më të mira dhe investime më të gjera në kërkime dhe teknologji për të na ndihmuar të kuptojmë këto të dhëna përmes matematikës. Nga të gjitha llogaritë, ne besojmë se analitika e sigurisë sapo ka filluar.
Mbështetja e klientit
Lidhu me Ne
www.opentext.com
OpenText Cybersecurity ofron zgjidhje gjithëpërfshirëse sigurie për kompanitë dhe partnerët e të gjitha madhësive, që nga parandalimi, zbulimi dhe reagimi deri te rikuperimi, hetimi dhe pajtueshmëria, platforma jonë e unifikuar nga fundi në fund i ndihmon klientët të ndërtojnë elasticitet kibernetik nëpërmjet një portofoli holistik të sigurisë Mundësuar nga njohuri të veprueshme nga inteligjenca e kërcënimeve në kohë reale dhe kontekstuale, klientët e OpenText Cybersecurity përfitojnë nga produkte me efikasitet të lartë, një përvojë e përputhshme dhe siguri e thjeshtuar për të ndihmuar në menaxhimin e rrezikut të biznesit
762-000016-003 | O | 01/24 | © 2024 Open Text
Dokumentet / Burimet
 |
Opentext Inteligjenca Artificiale dhe Mësimi i Makinerisë [pdfUdhëzime Inteligjenca Artificiale dhe Mësimi i Makinerisë, Inteligjenca dhe Mësimi i Makinerisë, Mësimi i Makinerisë |
