L'intelligenza artificiale e l'apprendimento automatico sono le tecnologie in prima linea in quello che viene chiamato il mondo 4th rivoluzione industriale. Fin dall'inizio della razza umana, l'uomo ha cercato di migliorare l'efficienza con cui viviamo e lavoriamo. All'inizio gli esseri umani si affidavano al semplice lavoro manuale e all'ingegno. Crediamo che questo sia il modo in cui l'uomo ha prodotto cose come le Piramidi, la Grande Muraglia Cinese e Stonehenge. Poi arrivò la prima rivoluzione industriale, che introdusse la meccanizzazione, il vapore e l'energia idrica e portò progressi nella produzione, nei viaggi e nell'urbanizzazione. La seconda rivoluzione è stata innescata dalle invenzioni della produzione di massa e dell'elettricità. L'introduzione delle tecnologie elettroniche e digitali ha segnato la terza rivoluzione e cose come i computer e Internet. Oggi stiamo entrando in una nuova era abilitata da enormi progressi e dall'applicazione pratica dell'intelligenza artificiale e dell'apprendimento automatico.
UOMO vs. MACCHINA
L'intelligenza artificiale mira ad aiutare gli esseri umani a operare in modo più efficiente riducendo drasticamente tempo, denaro e intelligenza umana necessari per eseguire attività di routine. In poche parole, ai computer vengono fornite capacità di autoapprendimento in modo che possano prevedere con precisione i risultati, identificare i modelli e apportare automaticamente modifiche, sulla base di informazioni sia passate che attuali. La macchina inizia a diventare più efficiente e intelligente come la razza umana in alcuni casi.
Il potenziale dei computer che diventano intelligenti quanto (o addirittura più intelligenti) degli esseri umani nello svolgimento di determinati compiti solleva il dibattito "uomo contro macchina". Indipendentemente dalle proprie convinzioni, una cosa su cui possiamo essere tutti d'accordo è che gli esseri umani hanno qualcosa che i computer probabilmente non avranno mai: emozione, intuizione e istinto.
Quando le persone discutono l'argomento dell'intelligenza artificiale, spesso discutono su quali categorie o algoritmi di apprendimento automatico siano i migliori. Gli algoritmi di apprendimento automatico sono generalmente classificati in 3 tipi, non supervisionati senza una conoscenza preliminare delle etichette (dati etichettati), supervisionati con una certa conoscenza delle etichette (dati etichettati) e rinforzo, che si trova tra i due tipi. Esistono algoritmi più specifici di queste categorie, come KNN, K-means, Decision Tree, SVM, Artificial Neural Networks, Q-learning, ecc. Allora, qual è il migliore? Bene, come qualsiasi cosa nella vita, tutto ha pro e contro, e quando si tratta di machine learning, tendo a non dibattere sul modello in sé, ma piuttosto reindirizzare la conversazione sulla qualità dei dati. I modelli di apprendimento automatico vengono eseguiti sulla base dei dati e senza la quantità e la qualità appropriate dei dati e dei tipi di dati, il modello di apprendimento automatico può essere reso inutile, indipendentemente da quanto sia buono in teoria. Questo non per diminuire l'impatto della selezione degli algoritmi di apprendimento automatico giusti. I dati e gli algoritmi devono completarsi a vicenda per risolvere casi d'uso specifici.
I DATI SONO PARAMOUNT
At Cyber stellare abbiamo avviato la nostra azienda con la missione prioritaria di raccogliere dati - molti dati - e, cosa più importante, il right tipi di dati per risolvere il problema di rilevamento delle violazioni. Una volta raccolti i dati, li disinfettiamo eseguendo la deduplicazione, la normalizzazione e una serie di altre cose. Successivamente, correliamo i dati con altri bit di informazioni, come l'intelligence sulle minacce, la disposizione di un download di file, la posizione geografica di un indirizzo IP e altro ancora. Questo arricchimento fornisce un contesto migliore al set di dati nel suo complesso. Il risultato di questo processo produce dati puliti arricchiti con il contesto. Solo dopo che queste importanti attività sono state completate, eseguiamo l'apprendimento automatico.
AI CON DATI LIMITATI VS COMPLETI
Diamo un'occhiata più da vicino a un esempio di come le banche eseguono il rilevamento delle frodi con carte di credito. Se un cliente normalmente utilizza la propria carta di credito solo a San Jose, in California, ma si reca a Tokyo, in Giappone, per la prima volta e tenta di utilizzare questa carta, alcune banche la segnaleranno come un'anomalia e la disattiveranno. Questo spesso lascia il cliente imbarazzato e frustrato quando un commerciante dice loro che la carta è stata rifiutata. Sebbene questa possa essere veramente un'anomalia "appresa dalla macchina", potrebbe non garantire la disattivazione della carta di credito, poiché potrebbe trattarsi di un utilizzo legittimo della carta.
La radice del problema di cui sopra in genere emerge perché i dati stessi sono singolari (solo posizione dell'utilizzo della scheda) e mancano di contesto, come l'ora in cui la scheda è stata utilizzata l'ultima volta, dove è stata utilizzata o come è stata utilizzata. Se un sistema dovesse correlare altri bit di informazioni come l'ora, la posizione, la distanza tra le posizioni, la reputazione di una posizione o il modo in cui è stata utilizzata (terminale della carta o sito Web, ad esempio), un algoritmo di apprendimento automatico potrebbe determinare meglio le frodi effettive.
Prendiamo un altro esempio di una carta utilizzata a San Jose, California, alle 4:00 PST, ma poi riutilizzata in una piccola città in Ucraina alle 5:00 PST dello stesso giorno. La probabilità che si tratti di una frode sarebbe molto più alta rispetto all'esempio precedente. I dati correlati per arrivare a una conclusione come questa sarebbero i file tempo ci vorrebbe per viaggiare in distanza ai Ucraina, dopo il suo utilizzo in San Giuseppe, e l'uso o la carta in una piccola città (reputazione piccola città poco frequentata) in Ucraina.
COMMENTI FINALI
Questo illustra come l'Intelligenza Artificiale può essere molto utile nel completare attività ripetitive che coinvolgono molti dati che gli umani si stancano di eseguire e analizzare quei dati per risolvere i problemi. Ma la tecnologia sostituirà gli umani? Tendo a pensare di no. L'intelligenza artificiale può portarti più del 90% a risolvere compiti ripetitivi, ma il 10% + dello sforzo sarà sempre necessario per prendere la decisione finale su un problema. Inoltre, come con altri progressi nell'efficienza, possiamo riutilizzare il nostro tempo liberato per fare ancora più lavoro di prima. Un algoritmo di apprendimento automatico è migliore di un altro? Credo che la risposta stia nella comprensione del problema che si sta cercando di risolvere e credo anche che la qualità dei dati sia importante quanto l'algoritmo stesso.
John Peterson
SVP Gestione della linea di prodotti
Cyber stellare
