La Inteligencia Artificial y el Aprendizaje Automático son las tecnologías que están a la vanguardia de las llamadas 4 del mundo.th revolución industrial. Desde el comienzo de la raza humana, el hombre se ha esforzado por mejorar la eficiencia con la que vivimos y trabajamos. Al principio, los seres humanos se basaron en el simple trabajo manual y el ingenio. Creemos que así es como el hombre ha producido cosas como las pirámides, la Gran Muralla China y Stonehenge. Luego vino la primera revolución industrial, que introdujo la mecanización, el vapor y la energía hidráulica y trajo avances en la producción, los viajes y la urbanización. La segunda revolución fue provocada por los inventos de la producción en masa y la electricidad. La introducción de tecnologías electrónicas y digitales marcó la tercera revolución y cosas como las computadoras e Internet. Hoy estamos entrando en una nueva era habilitada por avances masivos y la aplicación práctica de la Inteligencia Artificial y el Aprendizaje Automático.
HOMBRE CONTRA MÁQUINA
La inteligencia artificial tiene como objetivo ayudar a los humanos a operar de manera más eficiente al reducir drásticamente el tiempo, el dinero y la inteligencia humana necesarios para realizar tareas rutinarias. En pocas palabras, las computadoras están recibiendo capacidades de autoaprendizaje para que puedan predecir con precisión los resultados, identificar patrones y hacer ajustes automáticamente, basándose en información pasada y actual. La máquina comienza a ser más eficiente y tan inteligente como la raza humana en algunos casos.
El potencial de que las computadoras se vuelvan tan inteligentes (o incluso más inteligentes que) que los humanos en la realización de ciertas tareas suscita el debate de “hombre contra máquina”. Independientemente de la creencia de uno, una cosa en la que todos podemos estar de acuerdo es que los humanos tienen algo que las computadoras probablemente nunca tendrán: emoción, intuición e instinto.
Cuando las personas debaten el tema de la inteligencia artificial, a menudo discuten sobre qué categorías o algoritmos de aprendizaje automático son los mejores. Los algoritmos de aprendizaje automático generalmente se clasifican en 3 tipos, sin supervisión sin conocimiento previo de las etiquetas (datos etiquetados), supervisados con algún conocimiento de las etiquetas (datos etiquetados) y refuerzo, que se encuentra entre los dos tipos. Hay algoritmos más específicos de estas categorías, como KNN, K-means, Decision Tree, SVM, Artificial Neural Networks, Q-learning, etc. Entonces, ¿cuál es mejor? Bueno, como todo en la vida, todo tiene pros y contras, y cuando se trata de aprendizaje automático, no suelo debatir el modelo en sí, sino que redirijo la conversación a la calidad de los datos. Los modelos de aprendizaje automático se ejecutan sobre datos y sin las cantidades y la calidad adecuadas de datos y tipos de datos, el modelo de aprendizaje automático puede volverse inútil sin importar cuán bueno sea en teoría. No se trata de disminuir el impacto de seleccionar los algoritmos de aprendizaje automático adecuados. Los datos y los algoritmos deben complementarse entre sí para resolver casos de uso específicos.
LOS DATOS SON PARAMOUNT
At Stellar Cyber Comenzamos nuestra empresa con una misión prioritaria de recopilar datos (muchos datos) y, lo que es más el valor correcto tipos de datos para resolver el problema de detección de infracciones. Una vez que se recopilan los datos, los desinfectamos mediante la deduplicación, la normalización y una serie de otras cosas. A continuación, correlacionamos los datos con otros bits de información, como la inteligencia de amenazas, la disposición de la descarga de un archivo, la ubicación geográfica de una dirección IP y más. Este enriquecimiento brinda un mejor contexto al conjunto de datos en su conjunto. El resultado de este proceso produce datos limpios enriquecidos con contexto. Solo después de completar estas importantes tareas, realizamos el aprendizaje automático.
IA CON DATOS LIMITADOS VS COMPLETOS
Veamos más de cerca un ejemplo de cómo los bancos realizan la detección de fraudes con tarjetas de crédito. Si un cliente normalmente solo usa su tarjeta de crédito en San José, California, pero viaja a Tokio, Japón, por primera vez, e intenta usar esta tarjeta, algunos bancos lo marcarán como una anomalía y desactivarán la tarjeta de crédito. Esto a menudo deja al cliente avergonzado y frustrado cuando un comerciante les dice que la tarjeta fue rechazada. Si bien esto realmente puede ser una anomalía de "aprendizaje automático", es posible que no justifique la desactivación de la tarjeta de crédito, ya que puede ser un uso legítimo de la tarjeta.
La raíz del problema anterior suele surgir porque los datos en sí son singulares (solo la ubicación del uso de la tarjeta) y carecen de contexto, como la hora en que se usó la tarjeta por última vez, dónde se usó o cómo se usó. Si un sistema correlacionara otros bits de información como la hora, la ubicación, la distancia entre ubicaciones, la reputación de una ubicación o cómo se usó (terminal de tarjetas o sitio web, por ejemplo), un algoritmo de aprendizaje automático podría determinar mejor el fraude real.
Tomemos otro ejemplo de una tarjeta que se usa en San José, California, a las 4:00 p.m. PST, pero luego se usa nuevamente en una pequeña ciudad de Ucrania a las 5:00 p.m. PST el mismo día. La probabilidad de que se trate de un fraude sería mucho mayor que en el ejemplo anterior. Los datos correlacionados para llegar a una conclusión como ésta serían los time se necesitaría para viajar el distancia a la parte superior Ucrania, después de su uso en San Jose, y el uso de la tarjeta en una ciudad pequeña (reputación pequeña ciudad poco frecuentada) en Ucrania.
OBSERVACIONES FINALES
Esto ilustra cómo la inteligencia artificial puede ser muy útil para completar tareas repetitivas que involucran muchos datos que los humanos se cansan de realizar y analizar esos datos para resolver problemas. Pero, ¿reemplazará la tecnología a los humanos? Tiendo a pensar que no. La IA puede llevarlo al 90% o más en la resolución de tareas repetitivas, pero siempre se necesitará un 10% o más del esfuerzo para tomar la decisión final sobre un problema. Además, al igual que con otros avances en eficiencia, podemos reutilizar nuestro tiempo libre para hacer aún más trabajo que antes. ¿Es un algoritmo de aprendizaje automático mejor que otro? Creo que la respuesta está en la comprensión del problema que se está tratando de resolver, y también creo que la calidad de los datos es tan importante como el algoritmo en sí.
John Peterson
Vicepresidente senior de gestión de la línea de productos
Stellar Cyber
