分類
人工智慧

大數據和人工智慧危害網路安全的未來?

隨著物聯網設備的發展,各種裝置都可以連上網絡,使得阻斷服務攻擊 (DDoS)、勒索病毒、惡意軟體、網路釣魚等網路安全威脅日益新增。此外,網路攻擊變得更加複雜,新型惡意軟件的變種更是層出不窮。網路安全廠商 Watchguard 在2020年第一季發表的網路安全報告就指出,許多惡意軟件都是經過加密的,使其難以檢測及防禦。

然而,這可以借助大數據和人工智慧 (AI) 的科技來解决上述的問題。人工智慧可協助分析從各種設備收集到的大量數據,以實現實时威脅偵測,並可檢測更複雜的安全性漏洞,以强化對潜在威脅的防禦。以 DDoS 攻擊為例,可以事先在網絡上布建攻擊偵測器來收集網路流量等數據,通過人工智慧分析出特定的威脅模式,就能在 DDoS 發動攻擊前偵測到异常,以立即封鎖可疑的威脅。

 

了解人工智慧、機器學習、演算法、及大數據各自出現在上述案例的何處

1. 演算法:整套的計算流程可稱作蒙地卡羅求面積的演算法。

2. 機器學習:可以發現電腦學會用蒙地卡羅求面積,並且不再受限既定的幾何圖形,進步到可以計算任意圖形。

3. 大數據:可以發現當丟丟看的次數過少時,機率會不夠精準,而丟的越多次,機率就會越正確。同時也可發現只有電腦可以執行多次的快速運算,在數量及速度都遠勝於人類。

4. 人工智慧:我們讓電腦學會一個人類做不到的求面積方式,不正代表電腦有其特殊的智慧。

【為什麼早期不用蒙地卡羅法】

理由很簡單,早期沒有運算能力夠強的電腦來執行大量的反覆丟看看的運算,而現在可以,我們讓電腦學會計算任何圖形面積的方式,這就是機器學習,不就代表電腦可以獲得智慧,而且比人類更有效的計算出面積,幫助人類節省時間。

為什麼要特別討論蒙地卡羅法?因為現有的積分技巧都是建立在可以把曲線化為函數,再去進行積分運算,或進行數值分析(切長條)。而蒙地卡羅法的好處就是將要討論的圖案拿來直接做丟丟看的機率計算,就可以得到面積,所以蒙地卡羅法才如此重要。

類似的概念早在阿基米德時期就已經存在,就是排水法,我們不用把完整的物體切片算體積,只要計算水位上升多少就可以知道體積。也就是不用管原本的形態,直接找到接近的答案。換言之這也就是現在的黑盒子模式(Black box)。

以往網路安全較為著重被動安全,而通過大數據和人工智慧科技可以化被動為主動,預測攻擊者即將發動的威脅,並事先採取主動措施,封锁攻擊的發生,或減緩攻擊發生造成的風險。

當然,日常上網時的網路安全措施也非常重要。除了安裝殺毒軟體之外,上網時使用 VPN 可以保護裝置中的數據和上網活動不被有心人士存取,能進一步保護隱私和安全。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

日本砸20億補助「AI配對」,人工智慧找出另一半?

為對抗日益嚴重的少子化,日本政府預計2021年將撥20億日圓(約新台幣5.5億元)的預算,補助人工智慧配對系統;該人工智慧配對系統即使找不到合乎年齡與收入等條件的對象,也可運算選出合得來的人,日本官方盼藉人工智慧配對促進人民結婚生子。

2019年促成21對新人 日政府明年補助20億日圓

該報導指出,現在埼玉縣與愛媛縣等10幾個縣,已經引進這種人工智慧配對系統;埼玉縣在2018年度花了約1500萬日圓(約新台幣412萬元)整備人工智慧配對系統,並在2019年度促成的38對新人中,有21對是人工智慧配對系統提案的新人。日本中央政府擬補助地方政府引進與運用人工智慧配對系統,預計補助必要經費的2/3,並在2021年度的預算概算中,編列了20億日圓。

根據日本厚生勞動省統計,2000年時約有80萬對新人結婚,2019年卻僅剩60萬對,結婚人數持續下降,而少子化的主要原因便包含了未婚與晚婚,因此政府盼增加結婚人數、對抗少子化。

法律問題、社會行為與心理反應方面的新挑戰

各國有關部門在熱情地鼓勵積極發展人工智慧創新產品的同時,也可以考慮引導不同社會科學研究單位同時進行有關人工智慧設計產品有可能產生的其他科技以外問題的研究課題:比如從人類社會學角度來來檢討人工智慧的產品與設計對使用者的影響情況﹔從哲學思想界對人工智慧課題不斷提出各層面的疑問與它可能帶來的新挑戰與問題﹔從法律界考慮因著有不道德的設計者製作人工智慧產品所可能產生的可能犯罪問題與相應的法律規則、懲罰規則﹔從社會心理學界對無法適應人工智慧產品的使用者而產生各種心理障的問題進行各種探索。

對抗少子化趨勢 日本推人工智慧配對系統

根據《讀賣新聞》報導,日本內閣府表示,目前約有25個縣政府支援民眾的「結婚活動」,包含聯誼、相親等,同時為希望結婚的民眾提供配對服務。配對服務一般的方式,是幫忙介紹符合年齡、學歷、收入等各種條件的對象。除了這種一般介紹方式,也有人工智慧配對系統,若是沒有找到符合年收等客觀條件的對象,人工智慧(AI)將基於民眾輸入的興趣、價值觀等內容,及在系統內的搜尋偏好等進行計算,提案出「可能會對自己有好感的的對象」。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

人工智慧在更少資料量情況下 完成高精度訓練學習:NVIDIA

針對研究資料不足情況,NVIDIA提出能以少量資料生成更龐大資料量的動態識別增強技術 (adaptive discriminator augmentation,ADA),讓更多人工智慧技術應用能以少數資料量即可順利運作。此外,NVIDIA也宣布推出應用研究加速器計畫 (Applied Research Accelerator Program),讓更多學術研究人工智慧技術應用成果,可以更快藉由以NVIDIA旗下GPU建置平台投入商業或政府應用環境。

依照NVIDIA說明,人工智慧運作基礎多半在於足夠的資料量,但在部分人工智慧分析研究時,往往卻因為資料量不足導致學習成果不佳。

因此,在NVIDIA提出的動態識別增強技術裡,則是讓人工智慧能藉由既有資料量進行一定程度調整,進而產生更多可供學習資料數量。

例如在一般影像識別應用裡,通常需要使用5萬至10萬張影像才能順利訓練高品質的生成對抗網路。藉由動態識別增強技術,則可將幾千張的影片內容透過裁剪、翻轉、變形,以及調整對比、色調、光亮等細節,讓可供人工智慧學習訓練使用影像數量大幅增加,進而提升人工智慧學習精度表現。

專業技術領域的人工智慧只能當作輔助

弗蘭克•帕斯誇里認為,有了新的機器人法規之後人工智慧可以更完善地為人類服務,而不是被矽谷工程師封閉起來再決定該用它做什麼,而他對於新機器人法規的建議是,第一作為人工智慧技術人員應該要好好的待在補充專業人士知識的位置上,而不是取代專業人士,第二人工智慧和機器人系統不允許假冒人類,第三我們應該阻止人工智慧參與任何軍事任務,而且機器人和人工智慧系統需要強制地公開自己的身份。

不過可以發現這些法則也有針對到開發或使用人工智慧的人來進行規範,而不僅只有機器人本身,因為這些雇用或開發人工智慧的人才是真正掌握權力的。弗蘭克•帕斯誇里補充說:「在我看來,許多專業技術領域或許需要人工智慧但是人工智慧最恰當的角色是輔助這些專業人士,而不是取代他們。」

在NVIDIA的StyleGAN2模型示範中,便是利用數千張的藝術畫作作品,讓人工智慧能以有限資料量完成高精度的分析識別效果,同時也不會出現將相似影像判斷為相同內容的誤判結果。就整體結果來看,藉由動態識別增強技術提高學習精度的表現,實際上與透過足夠影像數量的學習結果幾乎相同。

雖然過去研究中也應用類似作法,但當時並未增加生成對抗網路模式,使得人工智慧後續開始模仿調整後的影像內容,導致產生全新不同影像學習結果,造成學習分析精度受到影響。在後來提出的動態識別增強技術,則是透過動態調整方式避免此類問題,並且讓學習精度可以大幅提升。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

要多少數據才能訓練AI模型?拆解企業人工智慧專案為何難落地

訓練一個AI數據模型,需要多少數據?

訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度 、 AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。

因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。

但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。

數據哪裡來?發展AI人工智慧之前,先建立數據流

很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。

AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。

發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。

AI模型訓練,記得校準商業目標

企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。

所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。

比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。

加快學術研究的人工智慧投入商業與政府應用

而為了協助更多學術研究的人工智慧技術能快速進入市場應用,NVIDIA此次提出的應用研究加速器計畫,則是可讓透過NVIDIA旗下GPU建置平台打造的人工智慧技術,能在更短時間內投入商業或政府應用環境。

在此項計畫中,將讓研究人員及合作組織能取得NVIDIA技術指導、硬體贊助、獎助金、應用支援、人工智慧訓練計畫,甚至包含各項建立人脈網路及行銷機會。同時,此項計畫初期會先聚焦在機器人與無人機應用領域,未來幾個月後則會接續加入資料科學應用、自然語言處理,以及包含語音識別與對話式人工智慧技術發展。

目前包含佛羅里達大學已經藉由Jetson平台,並且與Chemical Containers合作打可用於農業的造智慧噴灑器,而德國埃爾朗根紐倫堡大學則以Jetson平台打造倉庫自動化管理應用的無人機設備,另外麻省理工學院也同樣透過Jetson平台打造能以UV-C紫外線對物體表面進行消毒的應用設計。

※本文章屬於TNZE天擇集團所有嚴禁轉載※