


La demande en matière de cyberdéfense basée sur l'IA est mise en évidence, les campagnes avancées de ransomware augmentent la pression
Le CIO de Deep Instinct, Carl Frogit, a mentionné dans une interview qu'un objectif clé du budget 2024 sera transféré à la technologie de protection contre les ransomwares. Il s'attend à ce que l'intelligence artificielle, en particulier l'apprentissage profond, soit davantage intégrée aux processus commerciaux, automatisant les flux de travail et améliorant l'expérience de travail.
Quelles sont les nouvelles tendances en matière d'attaques de ransomware et comment les entreprises devraient-elles utiliser l'IA. eux ?
Les dernières données de Deep Instinct révèlent que le nombre total de victimes de ransomwares augmentera rapidement d'ici 2023. Étonnamment, il y aura plus de victimes d'attaques de ransomwares au cours du premier semestre 2023 que dans l'ensemble de 2022. En plus de la couverture médiatique de cette tendance croissante, des organisations à but non lucratif très respectées comme FS-ISAC ont également reconnu les problèmes liés à cette tendance
Cela montre que notre approche actuelle ne parvient pas à faire face à un paysage de menaces en constante évolution. L’émergence des ransomwares a modifié notre approche initiale « détecter et réagir », qui n’a pas été en mesure de suivre le développement de nouvelles variantes. En conséquence, nous constatons un nombre croissant de victimes. Pour relever ce défi, nous devons à nouveau changer nos stratégies
Les techniques des attaquants ont changé et les attaques de ransomwares sont menées sous forme de campagnes à grande échelle, affectant simultanément un nombre important de victimes, comme nous avons pu le constater cette année avec les exploits de Zimbra et MOVEit. le même. Avec l’adoption rapide de l’IA par des acteurs malveillants, nous assisterons à une évolution continue des logiciels malveillants, plus sophistiqués que jamais.
Les capacités avancées de l’IA nous permettent désormais d’éviter les ransomwares et autres cyberattaques, et non seulement de les détecter et d’y répondre. Les preuves existantes montrent que la réponse n'est plus suffisante et que nous devons revenir à une philosophie axée sur la prévention, en tirant parti de l'IA pour intégrer des capacités de prévention dans l'infrastructure, le stockage et les applications métier. C'est là que les entreprises peuvent véritablement se protéger contre les formes avancées de cybersécurité. un moyen de lutter contre les ransomwares et les menaces, notamment en tirant parti de formes d'IA plus sophistiquées telles que l'apprentissage profond
En quoi l'apprentissage profond diffère-t-il des modèles d'apprentissage automatique standard lorsqu'il s'agit d'identifier et d'atténuer les menaces de ransomware
Et toutes les IA ne sont pas égales ? , et cela est particulièrement vrai lorsque l’on compare les solutions basées sur l’apprentissage profond et l’apprentissage automatique. La plupart des outils de cybersécurité exploitent des modèles d’apprentissage automatique, mais ces modèles présentent certaines lacunes dans la prévention des menaces. Par exemple, ces produits n'utilisent qu'un sous-ensemble limité de données disponibles pour la formation (généralement 2 à 5 %), ne peuvent fournir qu'une précision de 50 à 70 % pour les menaces inconnues et produisent de nombreux faux positifs. Les solutions d'apprentissage automatique nécessitent également une intervention humaine importante et ne sont formées que sur de petits ensembles de données, ce qui les expose aux préjugés et aux erreurs humains.
Les bibliothèques numériques sont construites sur des réseaux de neurones, par rapport à d'autres moyens, son « cerveau » peut s'entraîner en continu grâce à des ressources brutes. données. Étant donné que les modèles d'apprentissage profond comprennent les éléments constitutifs des fichiers malveillants, des programmes de sécurité basés sur la prévention prédictive peuvent être mis en œuvre et déployés pour prédire les comportements malveillants futurs et détecter et prévenir les menaces inconnues, les ransomwares et les attaques zero-day
Pour une entreprise et pour ses Pour les opérations de sécurité des réseaux, l'utilisation de solutions basées sur une bibliothèque numérique présente des avantages significatifs. Premièrement, par rapport aux solutions basées sur l’apprentissage automatique, la détection continue des logiciels malveillants connus et inconnus par la solution est extrêmement efficace, avec un taux de faux positifs extrêmement faible. Le Deep Learning n'a besoin d'être mis à jour qu'une ou deux fois par an pour conserver cet effet. Il est rapide et respectueux de la vie privée grâce au fait qu'il fonctionne de manière indépendante sans avoir besoin d'une recherche constante dans le cloud ou d'un partage d'informations, sans avoir besoin d'une quelconque analyse dans le cloud.
Comment la technologie d'apprentissage profond peut-elle réduire les faux positifs, et quel est l'impact potentiel sur les économies de coûts de l'entreprise ?
Les équipes du centre d'opérations de sécurité (SOC) sont inondées d'alertes et de menaces de sécurité potentielles qui doivent faire l'objet d'une enquête, à l'aide d'outils d'apprentissage automatique traditionnels. Comme les solutions antivirus traditionnelles, les équipes ont du mal à déterminer quelles alertes valent vraiment la peine d'être étudiées, par opposition au bruit. Il y a de nombreuses raisons à cela, mais la philosophie « détecter et répondre » signifie que vous devez collecter beaucoup de données, ce qui coûte cher à stocker et à maintenir, et comme le dira tout membre du SOC, le taux de faux positifs est très élevé.
Cela a un impact sur l'efficacité du SOC : ils ne peuvent pas protéger l'entreprise, et cela a également d'autres impacts sur la capacité à soutenir l'équipe SOC. Le volume et le temps consacré au traitement des alertes faussement positives ont des conséquences néfastes sur la santé mentale des équipes de sécurité, avec plus de la moitié des équipes SOC affirmant que leur niveau de stress a augmenté au cours des 12 derniers mois en raison de « contraintes de personnel et de ressources ». ". Sans la bonne technologie en place, les équipes SOC, déjà aux prises avec des contraintes de talents, sont obligées de se concentrer sur des tâches de surveillance banales.
Une solution basée sur l'apprentissage profond résout ce problème avec une très grande précision et un taux de fausses alarmes extrêmement faible, ce qui donne à l'équipe SOC plus de temps pour se concentrer sur des alertes véritablement exploitables et répondre de manière plus efficace pour localiser les menaces plus rapidement. En consacrant du temps aux menaces réelles, ils peuvent optimiser leur posture de menace et s'engager dans une chasse aux menaces plus proactive, améliorant ainsi considérablement la posture de risque d'une entreprise.
Alors que les entreprises commencent à établir leur budget pour 2024, elles devraient donner la priorité à l'investissement dans la technologie de prévention des logiciels contre les ransomwares
Avec 62 ? Pourcentage de PDG confirmant que les ransomwares sont leur principale préoccupation au cours de l'année écoulée, les entreprises devraient ajuster leurs budgets et augmenter leurs investissements dans les technologies de prévention pour se protéger contre les ransomwares d'ici 2024. Logiciels, menaces connues et inconnues et autres logiciels malveillants
Le secteur s'est appuyé sur des solutions obsolètes et réactives, telles que Endpoint Detection and Response (EDR), pour assurer la protection. Même si les outils EDR restent utiles du point de vue du suivi, si les entreprises investissent uniquement dans ces outils, elles « supposent qu'il y a une violation » et espèrent que les efforts de remédiation porteront leurs fruits. De toute évidence, cette approche échoue rapidement chaque année en raison de l’évolution du paysage des menaces. Tout comme la solution Signature a finalement échoué et que nous sommes passés à EDR, EDR est au même point de rupture. Par conséquent, l'industrie dans son ensemble doit adopter une approche plus avancée et proactive en matière de sécurité.
En fait, IDC a récemment prédit que la protection des points finaux émergerait sous une forme ou une autre à mesure que les entreprises recherchent de meilleures capacités EDR et tendent à proposer des produits de renaissance plus efficaces. Nous sommes dans la période de lune de miel post-EDR, avec une prévention prédictive pleinement efficace, stoppant les attaques avant qu’elles n’atteignent votre réseau.
La seule façon de lutter contre les menaces de plus en plus sophistiquées de l’IA est de passer d’une mentalité de « et en cas de violation » à une approche proactive et préventive de la cybersécurité. Les équipes de sécurité ne peuvent pas s’appuyer uniquement sur des outils obsolètes pour relever les défis de l’IA. Les entreprises doivent plutôt adopter des solutions de cybersécurité natives basées sur des modèles d’apprentissage profond pour ralentir l’évolution des menaces liées à l’IA. D'ici 2024, nous verrons les entreprises dégager de la place dans leurs budgets pour intégrer des technologies avancées d'IA dans leurs stratégies de cybersécurité afin d'augmenter la résilience de la sécurité et de réduire la probabilité d'attaques réussies.
Comment prédisez-vous que l'IA et les modèles d'apprentissage profond, en particulier, seront plus intégrée dans les processus commerciaux au cours de l'année à venir ?
En 2023, nous voyons l'IA apparaître, et en 2024, l'IA fera partie de la planification, des processus et de la prise de décision de l'entreprise. Cela inclut l'automatisation, par exemple les flux de travail, l'optimisation des processus et. donner la priorité aux alertes que nous voyons dans l'assistant AI sont des fonctionnalités supplémentaires qui n'empêchent pas, mais aident seulement sur le moment.
De plus, à mesure que l'IA devient pleinement intégrée, la jeune génération n'aura pas la même expérience pratique des tâches sur le lieu de travail telles que le dépannage, les pannes et les incidents de sécurité, car la plupart de ces tâches seront automatisées par l'IA. Pour les dirigeants, la question deviendra : comment pouvons-nous continuer à développer et à façonner les compétences et les carrières des gens alors que la possibilité d’apprendre les bases du marché du travail est supprimée ? J’espère que cette question trouvera une réponse d’ici la fin de l’année prochaine.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
