并非所有AI和ML都是平等的

在整個技術社區(qū)中，“人工智能”已經成為一個籠統(tǒng)的術語，通常用于描述幾乎不需要人工輸入的任何計算過程。常規(guī)數(shù)據庫功能，計劃的系統(tǒng)掃描以及將自動化添加到重復動作的軟件等任務通常稱為AI。

實際上，人工智能可以在這些過程中發(fā)揮作用，但是基礎機器學習和真正的人工智能之間存在一些主要差異。

在閱讀旨在概述AI關鍵方面并客觀分析某些類型AI固有缺點的博客和文章時，考慮這種區(qū)別至關重要。

MixMode憑借其在網絡安全行業(yè)中功能最強大和最先進的AI成為AI驅動的網絡流量分析的領導者而聲名a起，并希望在研究聲稱使用AI和ML的產品時分享一些注意事項。

有監(jiān)督與無監(jiān)督的AI

過去幾年中機器學習的進步，增強了面部識別技術等流程，并徹底改變了自動駕駛汽車行業(yè)。這些“監(jiān)督學習”的AI應用程序非常出色，標志著人類與技術交互方式的社會轉變。

但是，監(jiān)督式學習在處理復雜的，分散的任務(如發(fā)現(xiàn)組織網絡中潛伏的威脅)的能力方面受到限制。受監(jiān)督的AI只能找到它之前已經看到或標記的特定威脅。另一方面，無監(jiān)督學習永遠不會停止對網絡異常的搜索。

標記與學習之間的重要區(qū)別

監(jiān)督學習依賴于標簽來“理解”信息。一旦SecOps專業(yè)人員為數(shù)據添加了標簽，監(jiān)督學習就可以“識別”數(shù)據并根據設置的參數(shù)做出響應。受監(jiān)督的學習平臺可能會自動將提醒安全團隊注意相關數(shù)據點的消息自動發(fā)送出去。但是，它不能自己標記數(shù)據。

如果SecOps團隊確切知道要告訴受監(jiān)督的學習平臺要查找的內容，則這些限制足以確保網絡安全。現(xiàn)實情況是，網絡安全無法正常工作。壞演員總是比游戲領先幾步，一直在想出新的攻擊方法。