深度學習+人臉辨識:將成未來安全標準!

深度學習+人臉辨識:將成未來安全標準!

深度學習+人臉辨識:將成未來安全標準!

AI 人工智能其實大家都聽了很多年,但礙於以往先天條件不足,例如硬件配置不足夠推動 AI 運算;機器深度學習的 Sample 不足;大數據分析能力欠佳等,因此一直以來都只停留在科研層面,不過近年來很多雲端服務例如是 Azure、Google 等,她們都將收集多年來的 Sample 以 Pay As You Go 的方式為開發者提供,此舉不但解決了深度學習所需要的 Sample 問題,同時亦可將 AI 的運行環境要求降低。

又 AI 又機器學習又深度學習?

AI 與機器學習、深度學習關係密不可分。機器學習通過演算法來分析資料並進行學習,最後作出相關的決定;而在這過程之中,它需要大量的資料以及演算法以完成學習的過程,愈準確的結果便需要愈大量的 Sample 讓它進行學習及演算。在早期的機器學習技術之中,它只可在有限的預先定義範圍內行動,沒有自我意識以及智慧,因此背後採用機器學習的人工智能我們會稱之為 Weak AI。現時 iPhone Siri 以及人臉辨識等,都是 Weak AI 的例子。

Weak AI 應用:AI 防火牆

很明顯,Weak AI 未必適合應用在廣泛的資安防禦問題上,事關 Weak AI 本身只可在預先定義的範圍內行動!儘管如此,採用 Weak AI 卻已可用來針對資安防禦之中狹窄的範圍,例如判斷網絡設備之中的 In/Out 流量是否可疑、判斷風險高低並自行定立規則等,從而成為一款 AI Managed Firewall 產品。

另一個 Weak AI 的例子就是人臉辨識。現今人臉辨識已可通過機器學習後懂得準確地區分出人類的性別、年紀、心情、動作以及特定的 Object,例如我們可通過臉孔作為安全登入或進出大廈的憑證。

深度學習最強 AI?

接下來到深度學習了。深度學習的原理很簡單,其實就是依照人類對生物大腦的理解而成。在大腦之中,所有神經元在一定的距離內均可連接到其他神經元,而人工的神經網絡會先將一個目標例如是影象進行抽離,例如是顏色、數字、是否移動中、高度等,抽離後的每個項目都會儲存到不同的單一神經元之中,每個單一神經元會有各自的分配權重,最終輸出的決定是綜合了所有神經元的決定而得出的。

基於這種設計,深度學習同樣地需要像人類一樣,需要參考大量的 Sample 以學懂某一樣事情!然而它會將一個物件自動抽離成多個部份,因此當該目標物件的其中一部份被遮蓋時,亦可照常辨識到該物件;再加上剛才都提過,每一個神經元都有獨立的思考模式,因此相比起 Weak AI,基於深度學習的 AI 本身將擁有更強的靈活性、更準確的判斷能力,而且更可通過不斷學習而令其判斷比人類更為準確,其中一個例子就是 Google 的 AlphaGo。

這種超強 AI 暫時仍未被應用到資安防禦範圍,現時很大程度上各家資安廠商都是以 Weak AI 的方式來開發針對指定範圍的 AI 防禦功能!未來採用深度學習的強 AI,將會製造出一種前所未見的方式以針對資安防禦,例如是一個與真人無異的機械人,以鍵盤配合上滑鼠以每秒數千次的方式檢視網絡各種活動;又或者通過採用一種 AI 封包隨時或更快一步得知可疑行為從而作出破壞,以上純粹推測,不過未來科技,甚麼都有可能;2018 年將會是 AI 以及深度學習,由研究轉向真正應用的重要一年,十分期待!

 

Tags: , , , , , , , , , , , ,

 

About the author

More posts by

 

 

 

Add a comment

You must be logged in to post a comment.