使用 AI、ML 和數(shù)據(jù)融合調(diào)查未來(lái)的安全威脅 | 專(zhuān)家視點(diǎn)

人工智能(AI)和機(jī)器學(xué)習(xí)(ML)技術(shù)的出現(xiàn)為安全組織帶來(lái)了變革。隨著他們的到來(lái)，組織不再局限于被動(dòng)地調(diào)查和解決已經(jīng)發(fā)生的犯罪行為。人工智能和機(jī)器學(xué)習(xí)——輔以復(fù)雜的數(shù)據(jù)融合和分析能力——引入了主動(dòng)、預(yù)測(cè)性威脅評(píng)估的新時(shí)代，可以幫助我們?cè)谕{發(fā)生之前識(shí)別和緩解威脅。

當(dāng)然，分析過(guò)去犯罪行為的能力仍然非常重要。AI/ML的變化在于，通過(guò)過(guò)去的調(diào)查獲得的數(shù)據(jù)和情報(bào)現(xiàn)在可以有效地用于預(yù)測(cè)未來(lái)的犯罪趨勢(shì)。這可以通過(guò)新發(fā)現(xiàn)的利用大量不同數(shù)據(jù)源（結(jié)構(gòu)化和非結(jié)構(gòu)化）的能力來(lái)實(shí)現(xiàn)，以前分析師可能很難通過(guò)傳統(tǒng)方法處理數(shù)量相當(dāng)少的數(shù)據(jù)點(diǎn)。

借助AI/ML和數(shù)據(jù)融合，我們現(xiàn)在能夠以自動(dòng)化的效率和精度來(lái)定義和關(guān)聯(lián)無(wú)數(shù)數(shù)據(jù)源，例如人口和車(chē)輛登記、財(cái)務(wù)記錄，甚至圖像和視頻。這為未來(lái)對(duì)威脅向量進(jìn)行更全面、多維的理解打開(kāi)了大門(mén)，因?yàn)槲覀冋趶母鞣N來(lái)源獲得整體視圖并消除“盲點(diǎn)”。

然而，人工智能/機(jī)器學(xué)習(xí)并不預(yù)示未來(lái)會(huì)出現(xiàn)類(lèi)似《少數(shù)派報(bào)告》的刑事調(diào)查，即犯罪嫌疑人在犯罪發(fā)生之前就被指控和逮捕。相反，AI/ML聚合可用的情報(bào)，以幫助執(zhí)法和安全人員根據(jù)所有可用數(shù)據(jù)做出數(shù)據(jù)驅(qū)動(dòng)的決策，而不是簡(jiǎn)單地依賴(lài)過(guò)去的經(jīng)驗(yàn)和預(yù)感。因此，理想情況下，決策將以更客觀的方式做出，這也將有助于在具有高度不確定性的動(dòng)態(tài)、快速變化的環(huán)境中運(yùn)營(yíng)。

越來(lái)越精確地識(shí)別與個(gè)人、企業(yè)和對(duì)象相關(guān)的趨勢(shì)的能力——人工智能和機(jī)器學(xué)習(xí)在高級(jí)分析中的核心承諾——非常適合預(yù)測(cè)犯罪活動(dòng)。人類(lèi)本質(zhì)上是可以預(yù)測(cè)的，容易出現(xiàn)行為模式，研究證明了這一點(diǎn)。同樣，犯罪通常不會(huì)憑空出現(xiàn)。它們主要基于犯罪分子過(guò)去的行為，這些犯罪分子隨著時(shí)間的推移逐漸建立了犯罪舒適區(qū)。

這種犯罪“先兆”情報(bào)現(xiàn)在可以有效地從大數(shù)據(jù)中提取出來(lái)，利用AI和ML將犯罪行為模式呈現(xiàn)給分析師的注意。但AI/ML算法必須首先知道他們?cè)趯ふ沂裁?。這需要事先仔細(xì)注意；編寫(xiě)ML模型時(shí)必須牢記精確定義的數(shù)據(jù)參數(shù)。

為了通過(guò)執(zhí)法示例進(jìn)行說(shuō)明，可以考慮一下對(duì)有組織犯罪的調(diào)查。AI/ML算法可以幫助分析師識(shí)別相似的實(shí)體，例如，在他們不僅需要識(shí)別已知嫌疑人，還需要識(shí)別具有相似特征的嫌疑人的情況下。這種相似性體現(xiàn)在類(lèi)似的可疑匯款模式、在同一時(shí)間和同一地點(diǎn)撥打同一目的地的電話等等。相似性算法分析可用數(shù)據(jù)，從中提取數(shù)百個(gè)特征，并呈現(xiàn)給分析師實(shí)體，這些實(shí)體可能與已知嫌疑人相似，因此與同一組織或非法活動(dòng)相關(guān)聯(lián)。當(dāng)相似性算法與威脅評(píng)分算法相結(jié)合時(shí)，分析師還可以?xún)?yōu)先考慮哪些潛在嫌疑人可能構(gòu)成最高威脅。

這樣的調(diào)查至少會(huì)利用現(xiàn)有的執(zhí)法記錄，例如逮捕記錄和監(jiān)獄記錄，來(lái)解釋給定地理區(qū)域過(guò)去的犯罪活動(dòng)。然而，如果調(diào)查人員結(jié)合從開(kāi)源數(shù)據(jù)、商業(yè)和財(cái)務(wù)報(bào)告、交通基礎(chǔ)設(shè)施和旅行模式以及犯罪分布模式等提煉出來(lái)的數(shù)據(jù)點(diǎn)，就會(huì)得到更全面的理解。這些數(shù)據(jù)可用于幫助執(zhí)法機(jī)構(gòu)更好地分析和準(zhǔn)備未來(lái)的有組織犯罪趨勢(shì)。

另一個(gè)例子可以在金融領(lǐng)域找到。在這里，人工智能/機(jī)器學(xué)習(xí)也可用于應(yīng)用精心收集的統(tǒng)計(jì)數(shù)據(jù)，以尋找表明未來(lái)金融犯罪潛在風(fēng)險(xiǎn)的相似性。這體現(xiàn)在風(fēng)險(xiǎn)評(píng)分技術(shù)上，可以幫助稅務(wù)機(jī)關(guān)調(diào)查逃稅、評(píng)估風(fēng)險(xiǎn)并通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法改進(jìn)決策過(guò)程，例如評(píng)估銀行記錄、財(cái)務(wù)文件、發(fā)票等。

在洗錢(qián)調(diào)查的情況下，可以訓(xùn)練ML模型來(lái)發(fā)現(xiàn)無(wú)數(shù)金融交易和活動(dòng)中的異常情況。機(jī)器學(xué)習(xí)算法旨在進(jìn)行風(fēng)險(xiǎn)評(píng)分，計(jì)算與潛在實(shí)體相關(guān)的數(shù)百種不同特征。計(jì)算出的數(shù)據(jù)與ML算法一起對(duì)潛在實(shí)體的風(fēng)險(xiǎn)進(jìn)行評(píng)分，并向分析師展示洞察力，然后分析師可以專(zhuān)注于他們的決策過(guò)程，現(xiàn)在僅基于相關(guān)數(shù)據(jù)。

綜合結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的能力長(zhǎng)期以來(lái)一直是研究的癥結(jié)所在。但這里已經(jīng)取得了很大進(jìn)展，安全分析師不再局限于分析表格和電子表格中的結(jié)構(gòu)化數(shù)據(jù)。借助先進(jìn)的數(shù)據(jù)融合功能，分析師現(xiàn)在還能夠利用包括文本文檔、音頻、視頻和圖像在內(nèi)的非結(jié)構(gòu)化數(shù)據(jù)。此類(lèi)資產(chǎn)通常在刑事和國(guó)土安全調(diào)查中非常寶貴。

通過(guò)AI/ML和數(shù)據(jù)融合，分析師獲得了以有意義的方式獲取、標(biāo)記和組織大量數(shù)據(jù)的能力。僅此一項(xiàng)就是決策情報(bào)向前邁出的重要一步，因?yàn)榉治鰩熀蜎Q策者現(xiàn)在擁有全面的情報(bào)圖，而不是可能導(dǎo)致他們做出錯(cuò)誤決策的零散數(shù)據(jù)點(diǎn)——這只是冰山一角。今天，許多組織已經(jīng)準(zhǔn)備好在他們的分析中使用機(jī)器學(xué)習(xí)。從我們最近對(duì)來(lái)自14個(gè)國(guó)家/地區(qū)的200多名CIO進(jìn)行的一項(xiàng)調(diào)查中，我們了解到88%的人積極使用ML或?qū)⑵浼{入他們的技術(shù)路線圖。

這使分析師可以自由地處理對(duì)已經(jīng)融合、聚合、切片和切塊的傳入信息的實(shí)際分析，從而顯著提高分析師的效率。隨著AI/ML能力的提高，分析師不僅能夠調(diào)查過(guò)去的事件，還能指出可能的未來(lái)，并做出明智的數(shù)據(jù)驅(qū)動(dòng)決策。

我們還預(yù)計(jì)，人工智能/機(jī)器學(xué)習(xí)引導(dǎo)的刑事調(diào)查的全面發(fā)展將在未來(lái)帶來(lái)一些重大挑戰(zhàn)。AI/ML不會(huì)取代調(diào)查人員和分析師的經(jīng)驗(yàn)，它們使他們能夠做出有數(shù)據(jù)支持的決策，而不是依賴(lài)直覺(jué)。然而，安全組織必須確保他們使用的數(shù)據(jù)模型和算法是在高質(zhì)量數(shù)據(jù)集上進(jìn)行訓(xùn)練的，以避免無(wú)意的偏見(jiàn)——并且它們應(yīng)該盡可能透明，以避免分析師依賴(lài)“黑匣子”的情況簡(jiǎn)單地得出結(jié)論。

預(yù)測(cè)犯罪趨勢(shì)的能力已經(jīng)到來(lái)，而且是變革性的。AI/ML和數(shù)據(jù)融合可以實(shí)現(xiàn)復(fù)雜的統(tǒng)計(jì)分析，利用跨眾多數(shù)據(jù)源的精確定義的參數(shù)來(lái)幫助通知、增強(qiáng)威脅評(píng)估并確定其優(yōu)先級(jí)。

這是決策智能的未來(lái)，現(xiàn)在是準(zhǔn)備的時(shí)候了。

本文作者：NoamZitzman，Cognyte情報(bào)方法學(xué)主管

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。