หลัก 3 ประการในการเริ่มต้นความคิดริเริ่มด้าน AI ของคุณ

หลัก 3 ประการในการเริ่มต้นความคิดริเริ่มด้าน AI ของคุณ

เว็บไซต์

เป็นเวลาที่ยอดเยี่ยมในการเป็นวิศวกรแมชชีนเลิร์นนิงหรือนักวิทยาศาสตร์ข้อมูล ทรัพยากรขั้นสูงมากมายอยู่ห่างออกไปเพียงไม่กี่คลิกแป้นพิมพ์ โมเดลแมชชีนเลิร์นนิงที่ได้รับการฝึกฝนมาอย่างดีตั้งแต่การแปลไปจนถึงการจดจำภาพ เผยแพร่สู่สาธารณะและสามารถเข้าถึงได้ในวงกว้าง ผู้มาใหม่ที่กระตือรือร้นในการเรียนรู้ด้วยเครื่องหลังจากเรียนรู้ทักษะการเขียนโค้ดขั้นพื้นฐานในวันแรก สามารถใช้แบบจำลองที่มีพารามิเตอร์หลายพันล้านตัวที่ชายแดนของการวิจัย AI

การออกแบบเว็บไซต์

อย่างไรก็ตาม แม้จะมีเครื่องมือมากมาย แต่การเปิดตัวโครงการ AI ที่ประสบความสำเร็จนั้นไม่ใช่เรื่องง่าย จำเป็นต้องทำทางเลือกมากมาย คุณต้องเลือกโมเดล, อัลกอริธึม, ไลบรารี, สัญญาณ, แพลตฟอร์ม— รายการจะดำเนินต่อไป แต่ในขณะที่เอไออาจตอนนี้เป็นที่แพร่หลายก็ไม่เสมอล้างวิธีการออกแบบอย่างเหมาะสมและดำเนินการโครงการเอไอ
ลองนึกภาพสถานการณ์ต่อไปนี้: คุณเป็นผู้นำทีมความสำเร็จของลูกค้าในองค์กร ทุกวัน มีตั๋วสนับสนุนลูกค้าหลายร้อยใบเข้ามา เกินความสามารถของทีมที่จำกัดของคุณ คุณต้องการเพิ่มเลเยอร์ AI ลงในเวิร์กโฟลว์ตั๋วสนับสนุนเพื่อจัดลำดับความสำคัญของเลเยอร์ที่เร่งด่วนและสำคัญ และตอบกลับโดยอัตโนมัติตามความเหมาะสม
คุณได้รับโครงการเช่นนี้จากพื้นดินได้อย่างไร
หลัก 3 ประการในการเริ่มต้นความคิดริเริ่มด้าน AI ของคุณ
แคบไปก็ไม่เป็นไร
วางแผนความผิดพลาดของ AI
สร้างความเชื่อมั่นใน AI
มันโอเคที่จะแคบ
กฎข้อแรกคือเริ่มจากเล็กและแคบ เป้าหมายหลักอย่างหนึ่งของ AI คือความฉลาดทั่วไป ซึ่ง เป็นอัลกอริธึมที่สามารถทำงานได้หลายอย่าง เช่นเดียวกับมนุษย์ เวอร์ชันที่น้อยกว่าคือAI ที่แคบหรืออ่อนแอซึ่งได้รับการฝึกฝนมาโดยเฉพาะเพื่อทำงานบางอย่าง เช่น การเล่นหมากรุกหรือการตรวจจับการฉ้อโกงบัตรเครดิต
แม้ว่า AI แบบแคบจะฟังดูน่าดึงดูดน้อยกว่า แต่ในทางปฏิบัติ มันอาจเป็นกลยุทธ์ที่เหมาะสมก็ได้ Let ‘s กลับไปตั๋วสนับสนุนของเราสถานการณ์ ตั๋วการสนับสนุนแต่ละใบมีข้อความที่อธิบายปัญหาที่ลูกค้ามี ดังนั้นเราจึงต้องการอัลกอริทึมที่เข้าใจข้อความ
แต่เมื่อพูดถึงงานเฉพาะของเราในการเพิ่มประสิทธิภาพเวิร์กโฟลว์การสนับสนุน อาจไม่เหมาะที่จะเริ่มต้นด้วยโมเดลขนาดใหญ่ทั่วไป
เพื่ออธิบายเหตุผล ลองนึกภาพว่าโมเดลภาษา “คิด” เกี่ยวกับคำอย่างไร เราสามารถขอให้นางแบบเล่นคำว่าสมาคมเกมอี G iven คำเช่น “bill” และ “freeze” คำที่เกี่ยวข้องกันมากที่สุดคืออะไร?
สำหรับโมเดลขนาดใหญ่ คำว่า “บิล” นำเสนอแนวคิดที่เกี่ยวข้องกับกฎหมาย(เช่น “การปฏิรูป” “การแก้ไข” หรือ “พรรคสองฝ่าย”) และ “การแช่แข็ง” โดยทั่วไปเกี่ยวข้องกับอุณหภูมิต่ำ(คิดว่า “เย็น” “เย็น” หรือ “ละลาย”)
แม้ว่าการเชื่อมโยงคำเหล่านี้ถูกต้องโดยพื้นฐานแล้วแต่ก็ไม่เกี่ยวข้องกับความต้องการของเรา
ในบริบทการสนับสนุนลูกค้า”บิล” และ “หยุด” มีความหมายพิเศษ ลูกค้าสอบถามเกี่ยวกับการเรียกเก็บเงินเป็นจำนวนมาก และปัญหาสำคัญประการหนึ่งของผู้ใช้คืออินเทอร์เฟซที่ไม่ตอบสนอง แม้จะมีชุดข้อมูลขนาดเล็กที่มีข้อความน้อยกว่า100,000 ข้อความ เราก็สามารถฝึกโมเดลเฉพาะทางขั้นสูงที่ “คิด” มากขึ้นตามบริบทของการสนับสนุนได้
สำหรับรูปแบบพิเศษนี้ “บิล” มีความเกี่ยวข้องกับการเรียกเก็บเงิน (เช่น“ใบแจ้งหนี้” หรือ“ใบเสร็จรับเงิน”) และ “แช่แข็ง” มีการเชื่อมโยงแนวคิดเพื่อประสบการณ์การใช้งานรถ(“ใกล้”,“ความผิดพลาด”“เลิก”)
ดังนั้นโซลูชันAI สำหรับตั๋วสนับสนุนสามารถมีวงจรการพัฒนาที่เร็วขึ้นเมื่อโมเดลภาษารับรู้กรณีการใช้งานการสนับสนุนโดยเฉพาะ
วางแผนข้อผิดพลาด AI ของคุณ
ไม่มีอัลกอริธึมที่สมบูรณ์แบบ แม้แต่ AI ที่ล้ำหน้าที่สุดก็ยังทำผิดพลาด ดังนั้น การออกแบบการนำ AI ไปใช้ควรรวมวิธีการทำผิดพลาดด้วย
มาต่อด้วยตัวอย่างตั๋วสนับสนุนกัน ในโครงการนี้ เราเสนอให้โมเดลแมชชีนเลิร์นนิงจัดประเภทตั๋วแต่ละใบว่าเร่งด่วนหรือไม่เร่งด่วน ในงานจำแนกประเภทนี้ โมเดลสามารถทำได้สองวิธี: การบอกว่าตั๋วเป็นเรื่องด่วนเมื่อเป็นเรื่องเร่งด่วนจริงๆ และการบอกว่าตั๋วไม่เร่งด่วนเมื่อไม่เร่งด่วน และรูปแบบก็อาจผิดพลาดได้สองทางคือ การบอกว่าตั๋วเป็นเรื่องด่วนเมื่อไม่เร่งด่วน และการบอกว่าตั๋วไม่เร่งด่วนเมื่อเป็นเรื่องเร่งด่วน คุณอาจจะคุ้นเคยกับกรอบนี้ – เหล่านี้สี่ผลลัพธ์เป็นสี่กริดในเมทริกซ์ความสับสน
นักวิทยาศาสตร์ข้อมูลใช้เวลาอย่างมากในการปรับปรุงตัววัดประสิทธิภาพของแบบจำลอง แต่t เขาวิธีที่เกี่ยวข้องมากที่สุดในการประเมินรูปแบบที่ควรจะเป็นผลกระทบทางธุรกิจ และเมื่อพูดถึงผลกระทบทางธุรกิจ ความสมดุลระหว่างความแม่นยำและการเรียกคืนจะมีความละเอียดอ่อนมากกว่าการนับข้อผิดพลาดเพียงอย่างเดียว
ตัวอย่างเช่นมีข้อผิดพลาดสองวิธี แต่ค่าใช้จ่ายของแต่ละวิธีอาจแตกต่างกันมาก การคาดคะเนตั๋วสนับสนุนเป็นเรื่องเร่งด่วนเมื่อไม่ได้สร้างภาระเพิ่มเติมให้กับทีม ในทางกลับกัน การคาดคะเนตั๋วไม่ใช่เรื่องเร่งด่วนเมื่อจริง ๆ แล้วสามารถลดความพึงพอใจของลูกค้าและเพิ่มการเลิกราได้
การสร้างสมดุลระหว่างต้นทุนและผลประโยชน์ทางธุรกิจประเภทนี้มีความเกี่ยวข้องมากกว่าเพียงแค่การซื้อขายที่แม่นยำและการเรียกคืน ในสถานการณ์ที่การกระทำโดยไม่ได้ตั้งใจมีราคาแพงเกินไปเราอาจต้องการขั้นตอนวิธีการของเราที่จะเข้มงวด – หมายถึงไม่มีการดำเนินการจะได้รับการยกเว้นในกรณีที่เราเป็นจริงๆว่าแม้ว่าที่นี้หมายถึงโอกาสที่ขาดหายไป
สร้างความเชื่อมั่นใน AI
ลองนึกภาพคุณมีความคืบหน้าอย่างมากกับโครงการ AI ตั๋วสนับสนุน คุณได้รวบรวมข้อมูลจำนวนมากเกี่ยวกับตั๋วคำร้องในอดีต สร้างอัลกอริทึมที่คาดการณ์ว่าตั๋วเป็นเรื่องเร่งด่วน และอัลกอริทึมยังเลือกการตอบสนองที่ดีที่สุดจากเทมเพลตสองสามแบบ โมเดลทำงาน.
แต่จะใช้ได้หรือไม่? คุณฝังอัลกอริทึมดังกล่าวไว้ในเวิร์กโฟลว์ของทีมได้อย่างไร
เมื่อออกแบบโครงการ AI คุณควรพิจารณาปฏิสัมพันธ์ระหว่างมนุษย์กับอัลกอริทึม แง่มุมที่สำคัญที่สุดประการหนึ่งของโครงการ AI คือประสิทธิภาพของอัลกอริทึมและความสามารถในการใช้งาน — อัลกอริธึมจะไม่มีผลหากผู้ใช้ไม่ได้นำไปใช้ โดยไม่คำนึงถึงความถูกต้องของแบบจำลอง ผู้ใช้และผู้เชี่ยวชาญที่เป็นมนุษย์สามารถปรับปรุงประสิทธิภาพของอัลกอริทึมได้อย่างมาก อาจเป็นเพราะความรู้ในโดเมนไม่ได้เก็บข้อมูลเช่นพนักงานขายที่มีความสัมพันธ์ส่วนตัวกับลูกค้า
นอกจากนี้ยังมีบางสิ่งที่มนุษย์ทำได้อย่างง่ายดายซึ่งอัลกอริธึมยังไม่สามารถ (ยัง) ทำงานอัตโนมัติได้ มนุษย์สามารถวิเคราะห์สาเหตุและผลได้ดีกว่ามากและสามารถอธิบายสาเหตุได้ แม้ว่าเราจะไม่ถูกต้องเสมอไป แต่การตีความทางกลไกของเรา— หรือสามัญสำนึก— ให้การป้องกันบางอย่างกับสหสัมพันธ์ปลอมซึ่งในชุดข้อมูลที่มีตัวแปรจำนวนมาก บางส่วนจะแสดงความสัมพันธ์โดยบังเอิญ

เว็บแอพพลิเคชั่น

ยกตัวอย่างปัญหาของ jellybean นี้ เราจะพบความคิดที่ว่าประพฤติจะเชื่อมโยงกับสิวไร้สาระอย่างที่เราไม่สามารถเกิดขึ้นกับคำอธิบายกลไกที่เป็นไปได้ดังกล่าวสัมพันธ์ทำให้เกิดผลกระทบ
ดังนั้นวิธีที่สามารถที่เราใส่มนุษย์ในความไว้วางใจกลางและสร้างระหว่างเอไอและผู้ใช้?
ขั้นตอนวิธีการเลือกรูปแบบที่ง่ายต่อการตีความโดยเฉพาะอย่างยิ่งที่ช่วยให้ deriving กฎที่ใช้งานง่ายที่สามารถถูกตรวจสอบโดยผู้เชี่ยวชาญ (L Ike นี้รูปแบบการเติมผู้เชี่ยวชาญที่รวมขั้นตอนวิธีต้นไม้ตัดสินใจกับผู้เชี่ยวชาญด้านการแพทย์ที่จะคาดการณ์ความเสี่ยงของหน่วยดูแลผู้ป่วยหนักผู้ป่วย)
ให้มนุษย์มีส่วนร่วมในการแปลคะแนน AI และคำแนะนำเป็นคำอธิบายตัวอย่าง นี่คือตัวอย่าง: “กรณีการสนับสนุนนี้เป็นกรณีเร่งด่วนเนื่องจากผู้ใช้เป็นลูกค้าที่ชำระเงินเป็นเวลาสองปี และกิจกรรมผลิตภัณฑ์ของพวกเขาลดลง 50 เปอร์เซ็นต์ในเดือนที่แล้ว”
มีอินเทอร์เฟซแบบโต้ตอบที่ยอมรับอินพุตของผู้ใช้และปรับพฤติกรรมของโมเดลได้ทันที หากกรณีการสนับสนุนจัดเป็นประเภทเร่งด่วนเช่นอนุญาตให้ผู้ตรวจสอบที่เป็นเจ้าหน้าที่อนุมัติหรือดาวน์เกรด
อย่าคาดหวังว่าอัลกอริทึมจะคงที่ รวมอินพุตของผู้ใช้เข้ากับอัลกอริธึมการเรียนรู้อย่างต่อเนื่อง (เช่น การเรียนรู้แบบเสริมกำลัง) อย่างต่อเนื่องเพื่ออัปเดตโมเดล ตัวอย่างเช่น อัลกอริธึมสามารถตรวจจับและเรียนรู้เมื่อผู้ตรวจสอบที่เป็นเจ้าหน้าที่ปรับลดรุ่นกรณีการสนับสนุนบางกรณีซึ่งจัดว่าเร่งด่วนอย่างสม่ำเสมอ
ดังนั้นจำไว้ว่า การเริ่มต้นเล็กและแคบเป็นเรื่องปกติ ออกแบบอัลกอริธึมเฉพาะสำหรับงานเฉพาะของคุณ และวางแผน AI ของคุณเกี่ยวกับข้อผิดพลาดที่คาดการณ์ไว้เพื่อเพิ่มผลกระทบทางธุรกิจ แทนที่จะต้องปรับรอบพารามิเตอร์เพื่อให้ได้ความแม่นยำที่สูงขึ้น ลงทุนในการออกแบบวิธีที่อัลกอริธึมและผู้ใช้โต้ตอบกันในระบบที่ใช้งานจริง หวังว่าหลักการเหล่านี้จะช่วยเริ่มต้นความคิดริเริ่มด้าน AI ใหม่ของเรา
การโจมตีของแรนซัมแวร์มีความถี่เพิ่มขึ้นและมีผลกระทบเพิ่มขึ้น คุกคามที่จะทำให้ธุรกิจของคุณตกอยู่ในความเสี่ยง หรือแม้แต่ทำให้เศรษฐกิจของเราเสียหาย
นี่คือตัวอย่างบางส่วน: ในเดือนพฤษภาคม 2021 การโจมตี Colonial Pipeline นำไปสู่การขาดแคลนเชื้อเพลิงที่ปั๊มน้ำมันทั่วสหรัฐอเมริกา ในช่วงต้นปี 2020 การโจมตีซอฟต์แวร์ Orion ของ SolarWindsทำให้แฮกเกอร์สามารถเข้าถึงบันทึกของบริษัทและหน่วยงานรัฐบาลที่ติดอันดับ Fortune 500 กระทรวงความมั่นคงแห่งมาตุภูมิ รัฐ การพาณิชย์ และกระทรวงการคลังของสหรัฐฯ ได้รับผลกระทบทั้งหมด โดยผู้โจมตีจะลบอีเมลออกจากระบบของตน
คิดว่าการแฮ็กแบบนี้ไม่ก่อให้เกิดภัยคุกคามต่อการดำเนินงานของคุณใช่หรือไม่ คิดอีกครั้ง.
ผู้เชี่ยวชาญคาดว่ามากกว่า 2,200 cyberattacks เกิดขึ้นทุกวัน นั่นคือการโจมตีทางไซเบอร์หนึ่งครั้งทุกๆ 39 วินาที ในปี 2020 บริษัทอเมริกัน 69%รายงานว่าได้รับผลกระทบจากแรนซัมแวร์ เราเชื่อว่าการโจมตีจะเพิ่มขึ้นเพราะพวกเขามีกำไรมากขึ้น: การชำระเงินค่าไถ่เฉลี่ยเพิ่มขึ้นร้อยละ 171 จาก $ 115,123 ใน 2,019 ถึง $ 312,493 ในปี 2020
แฮ็กเกอร์ก็มีความซับซ้อนมากขึ้นเช่นกัน — มากจนบริษัทประกันภัยปฏิเสธที่จะจ่ายเบี้ยประกันภัยสำหรับการโจมตีแรนซัมแวร์ แฮ็กเกอร์ที่มีความซับซ้อนได้แสดงให้เห็นเส้นทางต่างๆ ในการสร้างรายได้ ตั้งแต่การประมูลข้อมูลที่ถูกกรองออกไป ไปจนถึงการให้การกู้คืนบางส่วนของพื้นที่ข้อมูลที่เรียกค่าไถ่หลังจากที่เหยื่อจ่ายเงินค่าไถ่ ( โดยมีเพียง 8 เปอร์เซ็นต์ของผู้จ่ายเงินค่าไถ่ที่ได้รับข้อมูลทั้งหมดต่อ Help Net Security)

Web​ application

เพื่อป้องกันการสูญเสียทางธุรกิจที่สำคัญหรือการละเมิดความไว้วางใจของลูกค้า ให้นำหน้าแฮ็กเกอร์โดยให้ความรู้เกี่ยวกับเวกเตอร์การโจมตีที่เป็นไปได้และทำตามขั้นตอนเพื่อปกป้องธุรกิจของคุณ
ความแตกต่างระหว่างการโจมตีของแรนซัมแวร์และการโจมตีทางไซเบอร์ทั่วไป:
Ransomware เป็นประเภทของการโจมตีทางไซเบอร์ที่มัลแวร์ติดคอมพิวเตอร์หรือระบบ เข้ารหัสข้อมูล ปิดการใช้งานแอปพลิเคชันและผู้โจมตีเรียกร้องการชำระเงินสำหรับเหยื่อเพื่อแลกกับยูทิลิตี้ถอดรหัส ผู้โจมตีมักจะแสดงนาฬิกาให้เหยื่อดูซึ่งจะนับถอยหลังเมื่อพวกเขาจะลบข้อมูลที่ได้รับผลกระทบทั้งหมด เว้นแต่เหยื่อจะจ่ายค่าไถ่ ก่อนที่จะเข้ารหัสข้อมูลและทำให้ทราบสถานะ ผู้โจมตีจะทำการกรองข้อมูลให้ได้มากที่สุดสำหรับการประมูล
การโจมตีทางไซเบอร์ได้เปลี่ยนจากการโจมตีแบบปฏิเสธบริการ (DDoS) แบบกระจาย ซึ่งสร้างรายได้น้อยกว่า เนื่องจากการโจมตีเหล่านั้นไม่อนุญาตให้ผู้โจมตีเข้าถึงระบบและข้อมูลของเหยื่อ ไปเป็นการโจมตีของแรนซัมแวร์ที่สร้างผลกระทบในระยะยาวโดยทำลายความสามารถ ของธุรกิจ โรงพยาบาล หรือรัฐบาล เพื่อให้บริการที่จำเป็น
ที่เลวร้ายที่สุด การโจมตีของแรนซัมแวร์อาจใช้เวลาหลายเดือน (และบางครั้งหลายปี) ในการตรวจจับ ตัวอย่างเช่น ผู้เชี่ยวชาญกล่าวว่าการโจมตีของCambridge Analyticaส่งผลให้มีการรั่วไหลของข้อมูลจำนวนมหาศาลถึง 533 ล้านคนบน Facebook และใช้เวลากว่า 200 วันในการตรวจจับ — และสังเกตเห็นได้เพียงเพราะทีมวิศวกรของ Facebook เชื่อมโยงการใช้ API ที่ไม่ดีกับการรั่วไหลของข้อมูล และนั่นคือบริษัทเทคโนโลยีขนาดใหญ่ที่สามารถเข้าถึงแหล่งข้อมูลทางเทคโนโลยีมากมาย
ไม่ใช่ FAANG (Facebook, Apple, Amazon, Netflix หรือ Google) คุณจะทำอย่างไร? คุณจะเปลี่ยนบทสนทนาจากการตอบโต้และป้องกันเป็นการตรวจจับเชิงรุกได้อย่างไร
ออกแบบกลยุทธ์องค์กรของคุณเพื่อจัดการกับแรนซัมแวร์
แม้ว่าจะไม่มีวิธีป้องกันการโจมตีแรนซัมแวร์ทั้งหมดในฐานะ CIO หรือผู้นำด้านความปลอดภัยของบริษัทของคุณ ให้อ้างอิงกับเฟรมเวิร์ก “ป้องกัน ตรวจสอบ ตรวจจับและกู้คืน” (PIDR) เพื่อสร้างแผนแรนซัมแวร์ขององค์กรของคุณและดำเนินการเจาะลึกร่วมกับผู้มีส่วนได้ส่วนเสียทั้งหมด ปฏิบัติกรอบนี้ในองค์กรของคุณ

  1. ป้องกันและตรวจสอบ
    การป้องกันหนึ่งออนซ์มีค่ารักษาหนึ่งปอนด์ เพื่อป้องกันช่องโหว่ที่อาจทำให้องค์กรของคุณถูกโจมตีด้วยแรนซัมแวร์ ให้ปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุด เช่น ต้องใช้รหัสผ่านที่รัดกุม การหมุนเวียนรหัสผ่านเป็นประจำ และการตรวจสอบสิทธิ์แบบหลายปัจจัย (MFA) บังคับใช้นโยบายเหล่านี้โดยทางโปรแกรม ดังนั้นคุณจะไม่เป็นเหมือน SolarWinds ซึ่งปกป้องไฟล์เซิร์ฟเวอร์ของตนด้วยรหัสผ่าน “ solarwinds123 ” จากนั้นจึงเผยแพร่รหัสผ่านนั้นเป็นข้อความธรรมดาต่อสาธารณะ 18 เดือนก่อนที่จะลบออกในที่สุด
    แนวทางปฏิบัติที่ดีที่สุดอีกประการหนึ่งคือการปะแก้ ตรวจสอบให้แน่ใจว่าซอฟต์แวร์ของคุณมีแพตช์ล่าสุดที่มีการอัปเกรดความปลอดภัยและการตรวจจับ ตัวอย่างเช่น การโจมตี WannaCry ในปี 2017 ได้รีดไถส่วนเฉพาะของโปรโตคอล Server Message Block (SMB) ที่ช่วยให้เซิร์ฟเวอร์ Microsoft Windows สามารถสื่อสารได้ Microsoft จับได้และออกโปรแกรมแก้ไขความปลอดภัยเพื่อแก้ไขช่องว่างสองสามเดือนหลังจากการโจมตีครั้งแรก และเป็นผลให้องค์กรส่วนใหญ่ได้รับผลกระทบ (เช่นNational Health Serviceของสหราชอาณาจักร) เป็นผู้ที่ไม่ได้ใช้โปรแกรมแก้ไข

Robot Auto process

แน่นอนว่าการแพตช์นั้นพูดง่ายกว่าทำ ฝ่ายไอทีขององค์กรต้องทดสอบแพตช์ก่อนเพื่อหาข้อขัดแย้งกับแอปพลิเคชันและการกำหนดค่าที่มีอยู่ ซึ่งอาจขัดแย้งกับเวลาในการพัฒนาแอปพลิเคชัน อย่างไรก็ตาม คุณต้องสร้างสมดุลระหว่างการพิจารณาเหล่านั้นกับความเสี่ยงของการแพตช์ล่าช้า