Saat aplikasi pembelajaran mesin beralih ke arus utama, era baru ancaman dunia maya muncul — era yang menggunakan kecerdasan buatan (AI) ofensif untuk meningkatkan kampanye serangan. AI ofensif memungkinkan penyerang untuk mengotomatiskan pengintaian, membuat serangan peniruan yang disesuaikan dengan kebutuhan, dan bahkan menyebar sendiri untuk menghindari deteksi. Tim keamanan dapat bersiap dengan beralih ke AI defensif untuk melawan — menggunakan pertahanan cyber otonom yang belajar di tempat kerja untuk mendeteksi dan merespons bahkan indikator serangan yang paling halus, di mana pun ia muncul.
Marcy Rizzo, dari MIT Technology Review, mewawancarai Marcus Fowler dan Max Heinemeyer dari Darktrace pada Januari 2021.
MIT Technology Review baru-baru ini duduk bersama para ahli dari Darktrace — Marcus Fowler, direktur ancaman strategis, dan Max Heinemeyer, direktur perburuan ancaman — untuk membahas aplikasi AI ofensif, AI defensif, dan pertempuran algoritme yang sedang berlangsung antara dua. Daftar untuk menonton webcast.Konten ini diproduksi oleh Insights, lengan konten kustom MIT Technology Review. Itu tidak ditulis oleh staf editorial MIT Technology Review.
Ketergantungan kita pada teknologi telah melonjak selama pandemi. Perusahaan analisis aplikasi App Annie menemukan bahwa orang menghabiskan sekitar 4 jam dan 18 menit per hari di perangkat seluler pada bulan April 2020. Itu meningkat 20% dari tahun sebelumnya, setara dengan tambahan 45 menit per hari waktu layar. Penelitian menunjukkan bahwa secara intrinsik tidak ada yang salah dengan menghabiskan lebih banyak waktu di layar — terutama saat ini. Terlepas dari manfaat terhubung dengan teman, keluarga, dan rekan kerja, beralih ke teknologi dapat membantu kita mengelola emosi yang sulit dan bahkan mengurangi stres . Namun, tidak semua waktu layar dibuat sama. Beberapa aktivitas online memang membawa risiko tertentu. Menghabiskan waktu lama secara pasif menelusuri media sosial, misalnya, terkait dengan perasaan iri dan kesepian yang lebih besar, serta risiko depresi yang lebih tinggi. Lalu, apa yang harus kita lakukan di bulan-bulan mendatang untuk memastikan hubungan kita dengan tekn...
Sebagian besar sistem pengenalan gambar dilatih menggunakan database besar yang berisi jutaan foto objek sehari-hari, dari ular hingga getar hingga sepatu. Dengan eksposur berulang, AI belajar membedakan satu jenis objek dari yang lain. Sekarang para peneliti di Jepang telah menunjukkan bahwa AI dapat mulai belajar mengenali objek sehari-hari dengan "dilatih sebelumnya" terlebih dahulu pada fraktal yang dihasilkan komputer . Pendekatan ini menghindari beberapa masalah etika dengan kumpulan data yang dibuat dengan tangan. Masalah pelatihan: Pra-pelatihan adalah fase di mana AI mempelajari beberapa keterampilan dasar sebelum dilatih pada data yang lebih terspesialisasi. Misalnya, sistem untuk mendiagnosis pemindaian medis mungkin pertama-tama belajar mengidentifikasi fitur visual dasar, seperti bentuk dan garis besar, dengan dilatih sebelumnya pada database objek sehari-hari — seperti ImageNet , yang berisi lebih dari 14 juta foto. Kemudian akan disesuaikan dengan database g...
Komentar
Posting Komentar