Όσοι μιλάμε για την μηχανική μάθηση σε συνέδρια ή σε σεμινάρια γνωρίζουμε ότι διατρέχουμε τον κίνδυνο να κάνουμε το μισό κοινό μας να δυσανασχετήσει. Και από ορισμένες απόψεις, δεν μπορούμε να το κατηγορήσουμε.

Η μηχανική εκμάθηση, μαζί με την τεχνητή νοημοσύνη, έχουν γίνει τόσο υπερβολικοί όροι στους κλάδους του κυβερνοχώρου που η απλή ρητορική αυτών των λέξεων τείνει να προσελκύσει περισσότερο σκεπτικισμό παρά ενθουσιασμό. Αλλά, υπάρχουν πραγματικοί λόγοι για να είμαστε ενθουσιασμένοι για την μηχανική εκμάθηση ή την τεχνητή νοημοσύνη. Στην πραγματικότητα, βλέπουμε ήδη πραγματικά οφέλη από την εφαρμογή τους.

Η μηχανική μάθηση βοηθάει να αλλάξουμε και να μεταβούμε από μια ενεργητική προσέγγιση, σε μια προληπτική προσέγγιση πάνω στην κυβερνοασφάλεια. Αυτό για παράδειγμα είναι ολοφάνερο μόλις εφαρμοστεί βαθιά εκμάθηση (μια προηγμένη μορφή μηχανικής εκμάθησης) στο πρόβλημα του άγνωστου κακόβουλου λογισμικού.

Στο παρελθόν, θα έπρεπε να περιμένουμε ωσότου δούμε το στέλεχος του malware προτού μπορέσουμε να το μπλοκάρουμε. Τώρα, μπορούμε να «προβλέψουμε» αν ένα αρχείο είναι κακόβουλο χρησιμοποιώντας μία μηχανή ανίχνευσης κακόβουλου λογισμικού, σαν αυτή που βρίσκεται στο Intercept X, και μάλιστα χωρίς ποτέ να το έχει ξαναδεί, και με σημαντικά υψηλότερο ποσοστό ανίχνευσης.

Μακροπρόθεσμα, η μηχανική εκμάθηση θα έχει ακόμα μεγαλύτερα οφέλη. Δεν είναι μυστικό ότι, ως βιομηχανία, έχουν γίνει μεγάλοι αγώνες ωσότου καταφέρει να συμβαδίσει με τις απειλές στον κυβερνοχώρο. Η κοινή λύση ήταν να συλλέξει όσο το δυνατόν περισσότερα δεδομένα για να αποκτήσει ορατότητα και γνώση.

Η ιδέα είναι ότι αν είμαστε σε θέση να έχουμε καλύτερη εικόνα του περιβάλλοντός μας, και να αποκτήσουμε πρόσβαση σε περισσότερα δεδομένα, τότε θα μπορούμε να χρησιμοποιήσουμε αυτά τα δεδομένα για την ανίχνευση απειλών που διαφορετικά θα μας ήταν αόρατες. Αυτή είναι η στρατηγική των “big data ” (ένας ακόμη υπερβολικά χρησιμοποιούμενος όρος που είχαμε βαρεθεί να… ακούμε πριν από την “μηχανική εκμάθηση”).

Η στρατηγική των “big data” είναι μία καλή στρατηγική. Παρόλα αυτά, οι εταιρείες και οργανισμοί προσπαθούν να την εφαρμόσουν καθολικά. Ένας λόγος θα μπορούσε να είναι ότι η βιομηχανία μας αντιμετωπίζει τεράστια έλλειψη δεξιοτήτων, καθιστώντας δύσκολη την χρήση σε πρακτικό επίπεδο όλων των δεδομένων που συλλέγουμε. Όσοι διαθέτουν μια τέτοια ομάδα εξειδικευμένων αναλυτών, συχνά βρίσκονται να είναι πνιγμένοι σε μια θάλασσα “big data”, με αποτέλεσμα την υπερφόρτωση πληροφοριών. Αντί λοιπόν να βοηθήσουμε να βρεθεί η βελόνα στα άχυρα, μπορεί να νιώσουμε ότι αυξήσαμε την ποσότητα του άχυρου.

Με την μηχανική εκμάθηση, έχουμε στη διάθεσή μας μία τεχνολογία που μπορεί να αυτοματοποιήσει την ανάλυση των πληροφοριών έτσι ώστε να μπορέσουμε να χρησιμοποιήσουμε καλύτερα τα δεδομένα που συλλέγουμε – και να κερδίσουμε περισσότερη και πιο χρήσιμη γνώση. Αν χρησιμοποιείτε τον σωστό τύπο μηχανικής εκμάθησης, είστε στην ουσία σε θέση να συλλέξετε άπειρες ποσότητες δεδομένων.

Η χρήση αυτής της τεχνολογίας για την ανάλυση και τον αυτοματισμό μπορεί να γεφυρώσει το χάσμα εργατικού δυναμικού στον κυβερνοχώρο, δίνοντάς μας πλεονέκτημα έναντι των επιτιθέμενων, αντί να κάνουμε ένα βήμα πίσω.

Γνωρίζουμε ότι δεν μπορούμε να εξαπλώσουμε την μαγική σκόνη της μηχανικής εκμάθησης παντού και να πούμε ότι τελειώσαμε, ωστόσο κάτι τέτοιο δεν μπορεί να μας κάνει να νιώσουμε και λιγότερο ενθουσιασμό για τις δυνατότητές της.

Μπορείτε να διαβάσετε το πρωτότυπο άρθρο, εδώ.