Штучний інтелект та машинне навчання – це технології, що знаходяться на передовій того, що називають 4- ю промисловою революцією у світі. З початку існування людства людина прагнула покращити ефективність свого життя та роботи. Спочатку люди покладалися на просту ручну працю та винахідливість. Ми вважаємо, що саме так людина створила такі речі, як піраміди, Велика Китайська стіна та Стоунхендж. Потім відбулася перша промислова революція, яка запровадила механізацію, пару та водну енергію та принесла прогрес у виробництві, подорожах та урбанізації. Друга революція була започаткована винаходами масового виробництва та електрики. Впровадження електронних та цифрових технологій ознаменувало третю революцію та такі речі, як комп'ютери та Інтернет. Сьогодні ми вступаємо в нову еру, що стала можливим завдяки масштабному прогресу та практичному застосуванню штучного інтелекту та машинного навчання.
ЛЮДИНА проти МАШИНИ
Штучний інтелект має на меті допомогти людям працювати ефективніше, значно скоротивши час, гроші та людський розум, необхідний для виконання рутинних завдань. Коротко кажучи, комп'ютери отримують можливості самонавчання, щоб вони могли точно прогнозувати результати, виявляти закономірності та автоматично вносити корективи на основі як минулої, так і поточної інформації. Машина починає ставати ефективнішою та в деяких випадках такою ж розумною, як і людська раса.
Потенціал комп'ютерів стати такими ж розумними, як люди (або навіть розумнішими за них), у виконанні певних завдань викликає дискусію «людина проти машини». Незалежно від чиїхось переконань, одне, з чим ми всі можемо погодитися, це те, що люди мають те, чого комп'ютери, ймовірно, ніколи не матимуть: емоції, інтуїція та інтуїція.
Коли люди обговорюють тему штучного інтелекту, вони часто сперечаються про те, які категорії або алгоритми машинного навчання є найкращими. Алгоритми машинного навчання зазвичай поділяються на 3 типи: без учителя, без попереднього знання міток (мічені дані), з учителем та з певним знанням міток (мічені дані) та з підкріпленням, що знаходиться між цими двома типами. Існують більш специфічні алгоритми цих категорій, такі як KNN, K-середні, дерево рішень, SVM, штучні нейронні мережі, Q-навчання тощо. Отже, який з них кращий? Ну, як і все в житті, все має свої плюси та мінуси, і коли справа доходить до машинного навчання, я схильний не обговорювати саму модель, а радше перенаправляти розмову на якість даних. Моделі машинного навчання працюють на основі даних, і без відповідної кількості та якості даних і типів даних модель машинного навчання може бути марною, незалежно від того, наскільки вона хороша в теорії. Це не применшує вплив вибору правильних алгоритмів машинного навчання. Дані та алгоритми повинні доповнювати один одного для вирішення конкретних випадків використання.
ДАНІ – НАЙВАЖЛИВІШЕ
У Stellar Cyber ми розпочали нашу компанію з пріоритетною місією збору даних – великої кількості даних – і, що ще важливіше, правильних типів даних для вирішення проблеми виявлення порушень. Після збору даних ми їх очищуємо, виконуючи дедуплікацію, нормалізацію та низку інших дій. Далі ми співвідносимо дані з іншими фрагментами інформації, такими як розвідка про загрози, розташування завантаженого файлу, географічне розташування IP-адреси тощо. Таке збагачення надає кращого контексту набору даних в цілому. Результатом цього процесу є чисті дані, збагачені контекстом. Тільки після виконання цих важливих завдань ми виконуємо машинне навчання.
Штучний інтелект з обмеженими та повними даними
Давайте детальніше розглянемо приклад того, як банки виявляють шахрайство з кредитними картками. Якщо клієнт зазвичай користується своєю кредитною карткою лише в Сан-Хосе, Каліфорнія, але вперше подорожує до Токіо, Японія, і намагається скористатися цією карткою, деякі банки позначають це як аномалію та деактивують кредитну картку. Часто це викликає збентеження та розчарування клієнта, коли продавець повідомляє йому, що картку відхилено. Хоча це дійсно може бути «машинно-навчальною» аномалією, це може не виправдовувати деактивацію кредитної картки, оскільки це може бути законним використанням картки.
Корінь вищезгаданої проблеми зазвичай виникає через те, що самі дані є одиничними (лише місце використання картки) та не мають контексту, такого як час останнього використання картки, де вона використовувалася або як вона використовувалася. Якби система співвідносила інші фрагменти інформації, такі як час, місцезнаходження, відстань між місцями розташування, репутація місця розташування або спосіб його використання (наприклад, термінал картки або веб-сайт), алгоритм машинного навчання міг би краще визначати фактичне шахрайство.
Візьмемо ще один приклад: картку використовують у Сан-Хосе, Каліфорнія, о 4:00 за тихоокеанським стандартним часом, а потім знову використовують у маленькому місті в Україні о 5:00 за тихоокеанським стандартним часом того ж дня. Ймовірність того, що це шахрайство, буде набагато вищою, ніж у попередньому прикладі. Кореляційними елементами даних, щоб дійти такого висновку, будуть час, необхідний для подолання відстані до України після її використання в Сан-Хосе, та використання картки в маленькому місті ( з репутацією маленького малолюдного міста) в Україні.
ЗАКЛЮЧНИМИ ЗАУВАЖЕННЯМИ
Це ілюструє, як штучний інтелект може бути дуже корисним для виконання повторюваних завдань, що включають велику кількість даних, від яких люди втомлюються, та аналізуючи ці дані для вирішення проблем. Але чи замінить ця технологія людей? Я схильний думати, що ні. Штучний інтелект може допомогти вам досягти результату понад 90% у вирішенні повторюваних завдань, але для прийняття остаточного рішення щодо проблеми завжди буде потрібно понад 10% зусиль. Крім того, як і з іншими досягненнями в ефективності, ми можемо повторно використати наш вивільнений час для виконання ще більшого обсягу роботи, ніж раніше. Чи є один алгоритм машинного навчання кращим за інший? Я вважаю, що відповідь полягає в розумінні проблеми, яку намагаються вирішити, і я також вважаю, що якість даних така ж важлива, як і сам алгоритм.
Джон Петерсон
Старший віце-президент з управління продуктовою лінійкою
Зоряний кібер
