国产超碰人人爽人人做人人爱,久久天天躁狠狠躁夜夜婷,无码国产偷倩在线播放

主頁 > 知識庫 > AI打擊網絡犯罪？缺了人還是不行

AI打擊網絡犯罪？缺了人還是不行

據VentureBeat報道，隨著網絡犯罪的興起，從金融、保險、醫療到大型電子零售商等各個行業的公司，都對其擔心不已。僅2017年上半年，就有超過20億條用戶記錄被泄露。從這些被黑客竊取的PII(個人可識別信息)之中，詐騙者可以獲得用戶賬戶的訪問權、創建合成身份，甚至還可以制作虛假企業信息來進行各種形式的欺詐行為。所以，企業正瘋狂地尋求加強自家安全團隊的方法。但巨大的人才缺口導致網絡安全行業招聘十分困難，信息系統審計和控制協會（ISACA）發現，申請網絡安全工作的求職者中，只有不到1/4的人符合資格。ISACA預測，到2019年，全球網絡安全專業人才缺口將達到200萬人。作為應對之策，許多公司都轉向人工智能（AI），希望用AI來填補這些空缺。這就產生一個非常重要問題：AI警察準備好了嗎？培訓和監督最重要 AI顯而易見的好處之一是在不需要人工介入的情況下提供身份驗證。通過監控隱形數據點(即用戶環境或地理位置）、設備特性(電話元數據)、生物識別技術(心跳)以及用戶行為(打字速度和風格)等，AI可以比人眼更快地驗證個人的身份。許多企業已經看中AI的巨大潛力，正如FICO最新的獵鷹聯盟模型所展示的那樣，在不增加假陽性率（即用戶未進行網絡犯罪，但將其判定為犯罪的比例）的情況下，將CNP（生成對抗性網絡）的欺詐檢測率提高了30%。雖然AI的身份驗證能力可能超過人類，但沒有人類的戰略指導來緩解前期沒有足夠數據積累的問題，識別網絡犯罪依然顯得太過復雜以至于無法解決。考慮到網絡安全環境的復雜和基礎設施的匱乏，從AI警察那里獲得無監督的網絡監測依然無法成為現實。對AI來說，識別大數據中的模式是個令人印象深刻的壯舉，但這些分析本身并不具備對抗欺詐和消除低效CX的能力。與此同時，監督機器學習技術依賴于人力提供的測試用例，以便幫助訓練算法。舉例來說，受監督算法只是計算出給定汽車模型和天氣條件的最佳輪胎周長，而不是重新發明輪子。雖然在某些領域監督學習的作用有限，但它可以從大數據中提取有效模式，并提供可操作的方法。 AI和機器學習能夠分析大量數據，并在數據中識別出人類永遠無法提取出來的模式。但是，為了能更好地檢測欺詐和提供更好的客戶服務，仍然需要人類來把握方向，并對AI進行正確的設定。準備與AI首次接觸當AI遇到不符合其已歸納出模型的新數據集實例時，可能需要人類介入來幫助解決這個問題，并訓練算法如何在未來做出反應。為了更好地理解這種相互作用，我們用一個軍事上的例子來進行說明。在戰爭中，俗話說沒有任何計劃能在遇敵后繼續執行。當然，你可能會提前接觸敵軍，但這是否意味著你應該在戰斗開始前就放棄原定計劃呢？不，你應該遵循指揮官的意圖，尋找計劃細節和執行背后的原因。這樣，即使你的計劃失敗了，你仍然可以完成你的任務。同樣，在身份驗證中，敵人(騙子)試圖竊取你的信息，他們會在你的全通道防御中找到新的缺口。這與機器學習的許多常見應用形成了鮮明的對比。例如，氣象學家的機器學習算法在過去幾年中大大提高了預測精度。然而，颶風并沒有試圖愚弄氣象學家的模型。它們的表現與模型相符，盡管有時程度會更強烈，但也是由于氣候變化所致。合格的AI需要能夠識別欺詐者的新手段。如果不了解網絡安全指揮官的意圖，AI將無法適應這一過程。因此，需要人類來不斷地指導和完善這些強大的算法。有人可能會問，GAN（生成對抗性網絡）是不是一個替代手段呢?在機器學習中，GAN（生成對抗性網絡）是個相對較新的概念。本質上，他們涉及到兩種機器學習算法。算法A做一項工作，而算法B則積極地嘗試尋找算法A的漏洞。舉例來說，在某個GAN圖像處理算法中，算法A試圖識別給定圖像中是否包含一只鳥。隨著所看的圖片越來越多，它提高了從無鳥圖片中區分出有鳥圖片的能力。與此同時，算法B努力創建導致算法A識別錯誤的圖片。應用于身份認證領域，算法A代表AI認證，算法B則代表試圖在你的系統中尋找漏洞的黑客。在有效部署的情況下，GAN在生產模型性能方面的表現優于傳統技術，可以幫助AI主動防范未來的犯罪網絡活動。然而，即使是GAN中，一個算法也不能理解網絡安全指揮官的意圖。而這就是監督人類再次發揮作用的地方。防止誤報哪怕最好的算法也無法識別某些邊緣案例，因為算法僅僅基于歸納決策和過去的經驗。對于那些歸納規則的例外，我們需要人類眼睛幫助。否則，看似無辜的客戶互動可能會產生非常糟糕的后果。機器學習算法正在分析大量的數據，并在這方面做得很好。但其得出的結論依然是概率性的，因為規則總是有例外的。就像我們不能百分之百地識別騙子一樣，即使在制定了無窮無盡的應急計劃之后，有些被疑詐騙的客戶實際上可能是真正的客戶，這是情有可原的情況。舉個例子：客戶喬斯（Jose）經常使用來自墨西哥的VoIP連接從休斯頓打電話。他在電話里緊張不安，而你的生物識別行為傳感器也會發現。此外，他還試圖從他的賬戶中激活5000美元的電匯。大多數機器學習算法（即使在被監督的情況下）都會將其標記為欺詐。然而，喬斯解釋說，在他的房子被哈維颶風淹沒后，他去了墨西哥和家人住在一起。他需要錢來為他在墨西哥的祖母支付醫院賬單，而他的祖母從來沒有告訴家人自己的健康狀況有多糟糕。你要怎么做？這是一個非常棘手的情況，因為如果你拒絕這個請求，你可能會損毀公司形象。更糟的是，間接傷害了你的客戶祖母。但欺詐者也經常利用天災人禍。對于這些情況，算法無法給出令人滿意的答案。雖然在不久的將來，網絡安全部隊可能主要由AI組成。但今天，人類在打擊欺詐和追求客戶體驗方面仍然是至關重要的。我們需要能夠識別出網絡安全背后的原因，定義關鍵的指標來監控我們算法中的錯誤，并對那些不適合AI模型的錯誤和誤報繼續交給人類決定。王華春

標簽：常德巴中保定海西焦作酒泉玉樹六盤水

巨人網絡通訊聲明：本文標題《AI打擊網絡犯罪？缺了人還是不行》，本文關鍵詞打擊,網絡,犯罪,缺,了,人,；如發現本文內容存在版權問題，煩請提供相關信息告之我們，我們將及時溝通與處理。本站內容系統采集于網絡，涉及言論、版權與本站無關。