Künstliche Intelligenz und maschinelles Lernen sind die Technologien, die an der Spitze der sogenannten Welt 4 stehenth Industrielle Revolution. Seit Beginn der Menschheit hat sich der Mensch bemüht, die Effizienz unseres Lebens und Arbeitens zu verbessern. Anfangs verließen sich die Menschen auf einfache Handarbeit und Einfallsreichtum. Wir glauben, dass der Mensch auf diese Weise Dinge wie die Pyramiden, die Chinesische Mauer und Stonehenge hervorgebracht hat. Dann kam die erste industrielle Revolution, die Mechanisierung, Dampf und Wasserkraft einführte und Fortschritte in Produktion, Reisen und Urbanisierung brachte. Die zweite Revolution wurde durch die Erfindungen der Massenproduktion und der Elektrizität ausgelöst. Die Einführung elektronischer und digitaler Technologien markierte die dritte Revolution und Dinge wie Computer und Internet. Heute treten wir in eine neue Ära ein, die durch massive Fortschritte und die praktische Anwendung von künstlicher Intelligenz und maschinellem Lernen ermöglicht wird.
MANN vs. MASCHINE
Künstliche Intelligenz soll Menschen dabei helfen, effizienter zu arbeiten, indem Zeit, Geld und die für Routineaufgaben erforderlichen menschlichen Intelligenz drastisch reduziert werden. Kurz gesagt, Computer erhalten Selbstlernfunktionen, mit denen sie Ergebnisse genau vorhersagen, Muster identifizieren und automatisch Anpassungen vornehmen können, die sowohl auf früheren als auch auf aktuellen Informationen basieren. Die Maschine wird in einigen Fällen effizienter und intelligenter als die Menschheit.
Das Potenzial von Computern, bei der Ausführung bestimmter Aufgaben so intelligent wie (oder sogar schlauer als) Menschen zu werden, wirft die Debatte über „Mensch gegen Maschine“ auf. Unabhängig von der eigenen Überzeugung können wir uns alle einig sein, dass Menschen etwas haben, das Computer wahrscheinlich niemals haben werden: Emotionen, Intuition und Bauchgefühl.
Wenn Menschen über das Thema künstliche Intelligenz diskutieren, streiten sie sich oft darüber, welche Kategorien oder Algorithmen für maschinelles Lernen am besten geeignet sind. Algorithmen für maschinelles Lernen werden im Allgemeinen in drei Typen eingeteilt: unbeaufsichtigt ohne vorherige Kenntnis der Etiketten (beschriftete Daten), überwacht mit einigen Kenntnissen der Etiketten (beschriftete Daten) und Verstärkung, die zwischen den beiden Typen liegt. Es gibt spezifischere Algorithmen dieser Kategorien, wie KNN, K-Mittel, Entscheidungsbaum, SVM, künstliche neuronale Netze, Q-Learning usw. Welcher ist also besser? Nun, wie alles im Leben hat alles Vor- und Nachteile, und wenn es um maschinelles Lernen geht, neige ich dazu, das Modell selbst nicht zu diskutieren, sondern die Konversation auf die Qualität der Daten umzuleiten. Modelle für maschinelles Lernen basieren auf Daten und ohne die entsprechenden Mengen und Qualitäten von Daten und Datentypen kann das Modell für maschinelles Lernen unbrauchbar gemacht werden, egal wie gut es theoretisch ist. Dies soll die Auswirkung der Auswahl der richtigen Algorithmen für maschinelles Lernen nicht verringern. Die Daten und die Algorithmen müssen sich ergänzen, um bestimmte Anwendungsfälle zu lösen.
DATEN SIND PARAMOUNT
At Sternen-Cyber Wir haben unser Unternehmen mit der vorrangigen Aufgabe gegründet, Daten zu sammeln - viele Daten - und vor allem die Recht Arten von Daten, um das Problem der Erkennung von Sicherheitsverletzungen zu lösen. Sobald die Daten gesammelt sind, bereinigen wir sie, indem wir Deduplizierung, Normalisierung und eine Reihe anderer Dinge durchführen. Als Nächstes korrelieren wir die Daten mit anderen Informationen, wie z. B. der Bedrohungsinformationen, der Anordnung eines Dateidownloads, dem geografischen Standort einer IP-Adresse und vielem mehr. Diese Anreicherung bietet einen besseren Kontext für den gesamten Datensatz. Das Ergebnis dieses Prozesses liefert saubere Daten, die mit Kontext angereichert sind. Erst wenn diese wichtigen Aufgaben erledigt sind, führen wir maschinelles Lernen durch.
AI MIT BEGRENZTEN GEGEN VOLLSTÄNDIGEN DATEN
Schauen wir uns ein Beispiel genauer an, wie Banken die Erkennung von Kreditkartenbetrug durchführen. Wenn ein Kunde normalerweise nur seine Kreditkarte in San Jose, Kalifornien, verwendet, aber zum ersten Mal nach Tokio, Japan, reist und versucht, diese Karte zu verwenden, werden einige Banken dies als Anomalie kennzeichnen und die Kreditkarte deaktivieren. Dies führt oft dazu, dass der Kunde verlegen und frustriert ist, wenn ein Händler ihm mitteilt, dass die Karte abgelehnt wird. Dies kann zwar eine „maschinell erlernte“ Anomalie sein, rechtfertigt jedoch möglicherweise nicht die Deaktivierung der Kreditkarte, da dies eine legitime Verwendung der Karte sein kann.
Die Wurzel des oben genannten Problems tritt normalerweise auf, weil die Daten selbst singulär sind (nur Ort der Kartennutzung) und kein Kontext vorhanden ist, z. B. der Zeitpunkt, zu dem die Karte zuletzt verwendet wurde, wo sie verwendet wurde oder wie sie verwendet wurde. Wenn ein System andere Informationen wie Zeit, Ort, Entfernung zwischen Orten, Ruf eines Ortes oder dessen Verwendung (z. B. Kartenterminal oder Website) korrelieren würde, könnte ein Algorithmus für maschinelles Lernen den tatsächlichen Betrug besser bestimmen.
Nehmen Sie ein weiteres Beispiel für eine Karte, die in San Jose, Kalifornien, um 4:00 Uhr PST verwendet wird, aber am selben Tag um 5:00 Uhr PST in einer kleinen Stadt in der Ukraine erneut verwendet wird. Die Wahrscheinlichkeit, dass dies Betrug ist, wäre viel höher als im vorherigen Beispiel. Die korrelierten Daten, um zu einer solchen Schlussfolgerung zu gelangen, wären die Zeit es würde dauern, um die zu reisen Abstand zu den Ukraine, nach seiner Verwendung in Sankt Joseph, und die Verwendung oder die Karte in einer kleinen Stadt (Ruf kleine seltene Stadt) in der Ukraine.
SCHLUSSBEMERKUNGEN
Dies zeigt, wie künstliche Intelligenz sehr nützlich sein kann, um sich wiederholende Aufgaben mit vielen Daten zu erledigen, die Menschen müde werden, diese Daten auszuführen und zu analysieren, um Probleme zu lösen. Aber wird die Technologie den Menschen ersetzen? Ich neige dazu, nicht zu denken. KI kann Sie bei der Lösung sich wiederholender Aufgaben zu mehr als 90% unterstützen, aber immer mehr als 10% des Aufwands sind erforderlich, um die endgültige Entscheidung für ein Problem zu treffen. Darüber hinaus können wir wie bei anderen Effizienzfortschritten unsere frei gewordene Zeit wiederverwenden, um noch mehr Arbeit als zuvor zu erledigen. Ist ein Algorithmus für maschinelles Lernen besser als ein anderer? Ich glaube, dass die Antwort im Verständnis des Problems liegt, das man zu lösen versucht, und ich glaube auch, dass die Qualität der Daten genauso wichtig ist wie der Algorithmus selbst.
John Peterson
SVP-Produktlinienmanagement
Sternen-Cyber
