211service.com
AI tagad ir īsts: saruna ar Sofiju Vandebruku
Kāpēc nekad vairs nebūs AI ziemas, un ko IBM un MIT dara kopā, lai to nodrošinātu.
2019. gada 28. februāris
Sponsorē Darktrace
Vairāk reižu nekā gandrīz jebkura cita inovāciju joma mākslīgais intelekts ir izturējis atkārtotus pārlieku uzpūstu cerību ciklus, kam seko vilšanās, pesimisms un finansējuma samazināšana. Taču Sofija Vandebruka, IBM jauno tehnoloģiju partnerību viceprezidente, uzskata, ka mākslīgā intelekta ziemas patiešām ir pagātne, pateicoties milzīgajam skaitļošanas jaudas un datu apjomam, kas tagad pieejams neironu tīklu apmācībai.
Šajā epizodē Vandebrūks dalās ar piemēriem par reālajām lietojumprogrammām, kuras iespējojušas šī maiņa, sākot no attēlu atpazīšanas līdz tērzēšanas robotiem. Un viņa apraksta jaunās MIT-IBM Watson AI Lab misiju, kas ir 240 miljonu ASV dolāru 10 gadu sadarbība starp IBM pētniekiem un MIT mācībspēkiem un studentiem, lai koncentrētos uz galvenajiem sasniegumiem, kas padarīs AI noderīgāku un uzticamāku visās nozarēs no veselības aprūpes līdz finanses drošībai.
Šo sēriju jums piedāvā Darktrace, pasaules līderis AI tehnoloģiju jomā kiberaizsardzībai. Darktrace galvenā mītne atrodas Sanfrancisko un Kembridžā, Apvienotajā Karalistē, un tai ir gandrīz 2500 klientu visā pasaulē, kuri izmanto tās programmatūru, lai atklātu un reaģētu uz kiberdraudiem saviem uzņēmumiem, lietotājiem un ierīcēm. Darktrace ir izveidojusi novatorisku mašīnmācīšanās tehnoloģiju, kas var pamanīt neparastas aktivitātes, izmantojot pieeju, kas veidota pēc cilvēka imūnsistēmas modeļa. Raidījuma otrajā pusē Darktrace izpilddirektore Nikola Īgana skaidro, kā darbojas Darktrace tehnoloģija un kāpēc uzņēmumiem ir jāievieš jauni aizsardzības līdzekļi mūsdienu kiberbruņošanās sacensībā.
RĀDĪT PIEZĪMES UN SAITES
MIT-IBM Watson AI laboratorija
PILNS TRANSKRĪTS
Elizabete Bremsone-Budro: No MIT Technology Review es esmu Elizabete Bremsone-Bodrē, un šī ir Business Lab izrāde, kas palīdz uzņēmumu vadītājiem izprast jaunas tehnoloģijas, kas nāk no laboratorijas un nonāk tirgū. Šo sēriju jums piedāvā Darktrace, pasaules līderis AI tehnoloģiju jomā kiberaizsardzībai. Vēlāk programmas ietvaros es runāšu ar Darktrace izpilddirektori Nikolu Īganu. Viņa mums parādīs, kā AI un mašīnmācīšanās sasniegumi sniedz mums jaunu veidu, kā aizsargāties pret hakeriem un kibernoziedzniekiem.
Elizabete: Taču mūsu pirmais viesis nāk no viena no jaunākajiem mākslīgā intelekta pētniecības centriem, MIT-IBM Watson AI .Lab, kas atrodas tikai pāris kvartālu attālumā no mūsu birojiem Kembridžā, Masačūsetsā. Tā ir vieta vairāk nekā 50 jauniem projektiem, kuros ir iesaistīti IBM pētnieki un MIT mācībspēki, kuru mērķis ir attīstīt mākslīgā intelekta pamattehnoloģijas. Un šeit, lai runātu ar mums, ir viena no šo centienu arhitektēm, Dr. Sofija Vandebruka.
Elizabete: Sofija pašlaik ir IBM viceprezidente jauno tehnoloģiju partnerību jautājumos, un skaitļošanas nozarē viņa ir pazīstama ar savu izcilo vēsturi, kas virza inovācijas uz priekšu — ne tikai IBM, bet arī Xerox, kur viņa vairāk nekā desmit gadus pavadīja kā Xerox galvenā tehnoloģiju vadītāja. Viņa bija PARC Inc. direktore, slavenā laboratorija, kas agrāk bija pazīstama kā Xerox PARC. 2011. gadā viņa tika uzņemta Slavas zālē Sievietes tehnoloģijās. Atbilstoši MIT IBM Watson AI laboratorijas tēmām mēs sākām runāt par to, kā AI attīstās un kāpēc tas pārveido uzņēmumus tādā veidā, ko lielākā daļa vadītāju tikai sāk saprast.
Elizabete: Sofij, paldies, ka ieradāties šeit, lai runātu ar mums, un laipni lūdzam.
Sofija Vandebruka: Ak, man ir liels prieks būt šeit. Esmu bijis dedzīgs jūsu žurnāla lasītājs, tāpēc esmu ļoti priecīgs piedalīties podkāstā.
Elizabete : Es ceru, ka varat runāt ne tikai ar mani, bet arī ar cilvēkiem, kuri klausās šo aplādi par to, kur virzās AI, un par to, kādā stadijā mēs atrodamies AI attīstībā. Es zinu, ka daudzi cilvēki runā par to, kā mākslīgais intelekts ir bijis uz darba pārveidošanas robežas, lai šīs cerības kaut kā izzustu. Vai mēs, iespējams, nonākam citā no šīm situācijām, kad tas izzūd, vai arī tagad tas ir savādāk?
Sofija: Tagad AI ir reāls, tas ir pavisam savādāk. Un jā, vārds mākslīgais intelekts tika izdomāts gandrīz pirms 70 gadiem. Tas ir tik daudzus gadu desmitus vēlāk. Kas tad notika? Kāpēc tas nebija īsts toreiz un kāpēc tas ir īsts tagad? Ir divi galvenie iemesli, kāpēc tas tagad ir īsts. Un tas ir gan eksponenciālu likumu dēļ. Pirmais ir Mūra likums, ko mēs visi ļoti labi zinām un mīlam. Tranzistors, pamata tranzistors tika izgudrots 50. gados. Līdz 1975. gadam uz centimetru kvadrātveida mikroshēmas bija 1000 tranzistoru. Mūsdienās uz centimetru kvadrātveida mikroshēmas ir 10 miljardi tranzistoru, ko IBM izstrādā šodien, un šī skaitļošanas jauda ir radījusi mobilās ierīces, kas mums ir kabatās, jaunākais augstas veiktspējas dators Summit, jūs zināt, tas IBM dators, ko Oak. Nesen iegādāta Ridge National Lab. Tas veic 200 petaflopus, kas ir 200 tūkstoši triljonu aprēķinu sekundē. Es domāju, super ātri.
Sofija: Tātad mums ir apjoms, es domāju milzīgu skaitļošanas jaudu, kas ir ļoti svarīgi, lai AI būtu reāls. Turklāt otrais likums, kas ir Metkalfa likums. Bobs Metkalfs, kurš arī ilgu laiku bija daļa no Bostonas kopienas, strādāja Xerox PARC, un, kā jūs zināt, pirms pievienošanās IBM, es dažas desmitgades strādāju Xerox, cieši sadarbojoties ar PARC komandu, kad viņš izgudroja Ethernet. Un Ethernet ir pievienots... Ethernet vērtība, tīkla vērtība ir proporcionāla 2 pret n ar n, ierīču skaitu tīklā. Un tāpēc to sauc par Metkalfa likumu, un tas attiecās ne tikai uz Ethernet, bet acīmredzami uz globālo tīmekli, sociālajiem tīkliem, un tas ir radījis daudz ļoti vērtīgu uzņēmumu, kurus mēs visi šodien pazīstam.
Sofija: Bet turklāt tas ir radījis šo milzīgo datu apjomu, vai ne? Tātad dati tīmeklī kopā ar strukturētajiem digitālajiem datiem, kas šodien ir daudziem uzņēmumiem, daudzi uzņēmumi ir sākuši digitalizēt visus savus darba procesus kopā ar visiem datiem, nāk no sensoriem ar lietu internetu un sensoriem, ražošanu un kamerām, kas ir visuresošas. kameras utt. Ir milzīgs datu apjoms, patiesībā tas ir eksponenciāli palielinājies pēdējo desmit gadu laikā vai pat ilgāk. Un tā notika “AI ziemas”, jo patiešām nebija skaitļošanas jaudas un nebija datu, lai apmācītu šos neironu tīklus. Un šodien mums ir skaitļošanas jauda. Mums ir dati. Un pēdējo piecu gadu laikā neironu tīklos ir panākts milzīgs progress, jo 2012. gadā pirmo reizi tas bija dziļās mācīšanās neironu tīkls, kas darbojās ar grafisko apstrādes vienību, GPU, kas pirmo reizi uzvarēja konkursā par attēlu atpazīšanu. Un patiesībā tieši šajās šaurajās jomās AI ir pārcilvēciska kvalitāte un super ātrums. Un tāpēc šo divu eksponenciālo iemeslu dēļ AI ir reāls. Un patiesībā es teiktu, ka pats mākslīgais intelekts šobrīd atrodas eksponenciālas līknes sākumā, ka mēs radām eksponenciāli ātrus jaunus ieskatus, ko indivīdi neatkarīgi no tā, kurā nozarē jūs strādājat, var izmantot, lai pieņemtu ātrus, reāllaika lēmumus. Tāpat tas var paātrināt atklāšanas procesu dzīvības zinātņu pētniecībā un attīstībā kopumā. Tātad tas tiek izmantots. Un tas patiešām spēj ietekmēt vairākus laukus.
Elizabete: Tātad tas ir lielisks skaidrojums par to, kas patiešām ir veicinājis šo maiņu un kāpēc AI šodien ir tik visuresoša tēma uzņēmumu vadītājiem. Ko tas ļauj, ko AI ļauj uzņēmumiem darīt, ko pirms desmit gadiem varēja izdarīt grūti vai pat neiespējami?
Sofija: Jā, tā tas ir, tas ļauj uzņēmumiem gan palielināt savu efektivitāti, gan efektivitāti no pamata viedokļa, no rentabilitātes viedokļa. Bet tas arī ļauj viņiem izveidot pilnīgi jaunus uzņēmējdarbības modeļus un jaunas ieņēmumu iespējas. Ļaujiet man sniegt piemēru pirmajam. Piemēram, virtuālie aģenti, kas atbilst šai šaura AI kategorijai, kuru mēs tikko izturējām šajā fāzē, mēs šodien atrodamies plašā AI fāzē, un mēs varam par to runāt, pirms mēs nonāksim pie vispārējā mākslīgā intelekta. Taču virtuālie aģenti vai tērzēšanas roboti, kurus daudzi no mums pazīst un ar kuriem šodien mijiedarbojas kā daļu no klientu serveriem, pirms desmit gadiem vienkārši nepastāvēja. Visu veica zvanu centra aģenti, kuriem bija jāizmanto lielas datu bāzes, lai saņemtu atbildes uz jūsu jautājumiem utt. Mūsdienās lielāko daļu no tā virtuālie aģenti var paveikt ļoti efektīvi un efektīvi. Patiesībā daži no šiem virtuālajiem aģentiem mūsdienās ļoti ātri novērtēs, vai esat ekstraverts vai intraverts, un pielāgos savu valodu atbilstoši jūsu stilam.
Sofija: Arī automatizācija. piemēram, ja jūs šodien izbraucat ar savu automašīnu cauri nodevu iekasēšanas punktam, tā pilnībā atpazīst un nolasa numura zīmes, tādējādi aizmugures procesos jums faktiski tiek iekasēta maksa par braukšanu cauri nodevas kabīnēm. Atkal lielākā daļa šo procesu pagātnē tika veikti manuāli. Fotoattēli tiktu uzņemti ar numura zīmēm, nosūtīti uz Indiju, lai tos apstrādātu, un tad četri no pieciem cilvēkiem, ja jūsu numura zīme tiktu ievadīta sistēmā, jūs saņemtu rēķinu. Tie ir visi šie darījumu, rutīnas, ļoti šauri, ļoti specifiski procesi, kas mūsdienās ir automatizēti.
Elizabete: Tas viss izklausās fantastiski. Un kā uzņēmuma vadītājs es domāju, ka jūs zināt, kāpēc es nevēlos redzēt lielāku efektivitāti. Bet vai ir lietas, par kurām man, iespējams, ir jāpadomā saistībā ar mašīnmācību balstītu rīku riskiem?
Sofija: Jā, noteikti riski pastāv. Un daudzi uzņēmumi — IBM tas ir galvenais. Mēs veidojam rīkus un iespējas kā daļu no IBM OpenScale vai arī mums ir citi rīku komplekti, kurus es izcelšu. Viens no tiem ir palīdzēt uzņēmumiem tikt galā ar risku. Tas sāk kļūt arī uzņēmumu valdes un direktori, lai pārliecinātos, ka šie riski, kas saistīti ar mākslīgā intelekta ieviešanu un iekļaušanu organizācijā, tiek novērsti. Ļaujiet man izcelt tikai dažus. Pirmais ir pārliecināties, ka algoritmi, mākslīgā intelekta algoritmi ir godīgi — lai AI algoritma rezultāts, jo AI palīdz cilvēkiem pieņemt lēmumus, būtu godīgi un ētiski un nebūtu neobjektīvi. Tāpēc mēs tikko izlaidām atvērtā pirmkoda versiju, un ikviens var mums palīdzēt to uzlabot, tāpēc IBM pētījumi atklātā pirmkoda rīkā AI Fairness 360 Toolkit, kurā varat izmantot savu algoritmu, un pēc tam tiek pārbaudīts, vai tajā nav jebkāda veida novirzes. Šodien mēs pārbaudām aizspriedumus pēc dzimuma, vecuma, rases, piemēram, pasta indeksa novirzes. Daži no neobjektivitātes iemesliem ir tādi, ka datu kopa, ar kuru tiek apmācīts arguments, un jo īpaši uzņēmumos — uzņēmumiem nav milzīgu datu apjomu, piemēram, patērētāju pasaulē, vai ne, kur varētu būt milzīgs daudzums kaķu attēlu. apmācīt attēla algoritmu atpazīt kaķi. Uzņēmumi, kuros uzņēmumam, teiksim, slimnīcai, skolai vai uzņēmumam ir ierobežots datu apjoms, lai apmācītu algoritmus, tāpēc datiem var nebūt pietiekama daudzveidība un iekļaušana datu kopā, lai faktiski algoritmi kļūtu neobjektīvs.
Sofija: Piemēram, cilvēkresursu nodaļas sāk izmantot AI, lai palīdzētu iegūt jaunus darbiniekus. Tātad, ja jūsu avots programmatūras izstrādātājiem izmanto AI algoritmu, kas varētu būt apmācīts jūsu datiem, algoritms uzzinās, ka lielākā daļa programmatūras izstrādātāju ir vīrieši, jo tieši tos jūs nolīgāt agrāk. Tāpēc pastāv risks, ka algoritmi pēc tam var ieteikt jūsu nākamajiem darbiniekiem, apskatot visus CV, viņi varētu proporcionāli ieteikt vairāk vīriešu nekā sieviešu programmatūras inženierijas darbam. Mēs visi zinām, ka programmatūras inženierim dzimumam nav nozīmes. Gadās, ka vēsturiskie dati bija neobjektīvi datos. Tātad rīki pēc tam ieteiks iegūt daudzveidīgāku datu kopu.
Elizabete: Labi, kādi ir citi riski?
Sofija: Labi. Citi riski ir tādi, es vairāk domāju, ka mūsdienu algoritmi, īpaši dziļās mācīšanās un neironu tīkli, ir kā melnās kastes. Tātad risks ir tāds, ka algoritms jums sniegs atbildi. Jā, jūs saņemat aizdevumu vai nē, jūs nesaņemat aizdevumu, vai arī jums ir ādas vēzis, jo šaurs AI ir labāks nekā cilvēki, lai identificētu ādas vēzi. Bet tas nevar izskaidrot. Tajā nav paskaidrots, kāpēc un kā tas nonāca līdz šai atbildei. Un tāpēc izskaidrojamība ir ļoti svarīga. Tātad pastāv risks, ka savā biznesā jūs nevarēsit izskaidrot, kā tika sasniegtas noteiktas atbildes. Un patiesībā Eiropas Savienībā ar GDPR, Vispārīgajiem datu aizsardzības noteikumiem, tā ir prasība. Uzņēmumi pat nevar izmantot AI, ja tas nevar izskaidrot sevi. Visu ir jāspēj izskaidrot.
Elizabete: Tāpēc pastāstiet mums mazliet par MIT-IBM Watson Lab un tās misiju.
Sofija: Jā. Paldies par jautājumu. Šī ir ļoti aizraujoša partnerība starp IBM pētniecību un MIT, ko mēs izveidojām nedaudz vairāk nekā pirms gada. Un tā ir IBM 240 miljonu dolāru apņemšanās 10 gadu laikā, un tā ir unikāla laboratorija, universitātes un rūpniecības sadarbības laboratorija pasaulē. Cita tāda veida nepastāv. Patiesībā es un MIT inženierzinātņu dekāne Ananta [Čandrakasana] sākām prāta vētru 2017. gada vasarā, manuprāt, tas bija...
Sofija: Jūs man teicāt, ka viss notika diezgan ātri.
Elizabete: Tas notika trīs nedēļu laikā. Ja man būtu vajadzīgas četras nedēļas, ja es ierēķinātu pusdienas ar Anantu, pirms mūsu vecākais viceprezidents sarunājās ar MIT prezidentu pirmdienas rītā un trīs nedēļas vēlāk, piektdien, līgums tika parakstīts. Un tā tas patiešām ir, vīzija bija izveidot šo aptuveni 100 pētnieku kopējo laboratoriju, un pētnieku vidū bija IBM pētnieki, MIT profesori un studenti, un mēs septembrī atzīmējām pirmo gadadienu. Pagājušā 2018. gada septembrī. Un patiešām mums ir 49 kopīgi projekti, kas šobrīd ir aktīvi un kuros piedalās aptuveni 100 cilvēku vai līdzvērtīgi 100 cilvēku. Un tie patiešām ir, tie ir pētniecības projekti, nevis lietišķās tehnoloģijas. Mēs patiešām vēlējāmies pārliecināties, ka šie 50 projekti risina vissarežģītākās AI problēmas. Un viņi dara tieši to.
Sofija: Tātad ir četri pīlāri. Mēs definējām četrus pīlārus. Viens no tiem ir saistīts ar AI galvenajiem algoritmiem, un tieši tur mēs risinām šīs sarežģītās problēmas, piemēram, AI, kas var izskaidrot sevi. Vai mācīšanās no maziem datiem, dažādas metodikas, lai mācītos no maziem datiem, piemēram, slimnīcās ir mazs pacientu kopums, bet mazs datu kopums.
Elizabete: Lai risinātu iepriekš minēto problēmu par to, ka uzņēmuma pusē tā nav, bieži vien nav pietiekami daudz datu, lai patiešām apmācītu algoritmus.
Sofija: Ne tā, kā tas tika darīts pagātnē, šaurajā AI fāzē. Tagad mēs atrodamies šajā plaša AI fāzē, kurā sistēmām būs jāmācās no maziem datiem. Tātad vairāki projekti MIT-IBM Watson AI laboratorijā ir saistīti arī ar to.
Sofija: Otrais pīlārs ir AI piemērošana nozarēs. Un šodien mēs aplūkojam trīs nozares: veselības aprūpi un dzīvības zinātnes, jo IBM Watson Health biznesa nodaļas galvenā mītne atrodas Kembridžā, Masačūsetsā. Rūpniecībā izmantotais mākslīgais intelekts ir arī drošība, ko piemēro drošības uzņēmumiem. Un, protams, drošība ir svarīga visām nozarēm. Un tad trešā nozare, uz kuru mēs koncentrējamies, ir finanšu pakalpojumi, tātad finanses un ekonomika. Tātad tas ir otrais pīlārs. MIT-IBM Watson AI laboratorijā ir četri pīlāri.
Sofija: Trešais ir, mēs to saucam par AI fiziku. Kādi ir aparatūras izaicinājumi, lai veiktu efektīvus un efektīvus treniņus mākoņos, kā arī malās. Un tad ceturtā kategorija, par kuru esmu ļoti sajūsmā, ir kategorija, ko mēs saucam par labklājību, ko nodrošina AI, vai dalītu labklājību, ko nodrošina AI. Tas atkal aplūko šos izaicinājumus, kā izveidot AI sistēmas un kurām ir patiesi morālas vērtības, kas var pieņemt ētiskus lēmumus. Kāda ir, piemēram, darba vietu nākotne, ir projekts, kas mums ir šajā kategorijā. Jā, šie ir četri pīlāri: mākslīgā intelekta pamatalgoritmi, AI fizika, AI nozarēm un AI nodrošinātā labklājība. Un tagad, kad nosvinējām savu pirmo gadadienu, mēs tikko vienojāmies starp MIT un IBM, ka mēs atvērsim durvis citiem lieliem uzņēmumiem, kuri ir patiesi ieinteresēti kļūt par mākslīgā intelekta pētniecības līderi, lai pievienotos mūsu laboratorijai. Tātad, pie tā mēs strādājam tālāk.
Elizabete: Divas jomas, par kurām mēs, MIT Technology Review, veltām daudz laika, lai ziņotu, ir kriptovalūtas vai blokķēde un kvantu skaitļošana. Es ļoti vēlētos dzirdēt, ko jūs visi darāt šajās jomās. Un varbūt mēs varam sākt ar kriptovalūtu. Un es domāju, ka man būtu jautājums, kā mēs domājam par blokķēdi kā vairāk nekā zinātkāri un patiesībā kaut ko tādu, kas ir uzticams un stabils un var uzlabot uzņēmējdarbības kontekstu, kurā tā tiek izmantota?
Sofija: Jā, tu tur pateici pareizo vārdu. Tātad tas viss ir saistīts ar uzticību. Runājot par IBM, kad mēs runājam par blokķēdi, patiesībā blokķēdi, vairākus gadus pētniecības laboratorijās notika daudz pētījumu par blokķēdi, un IBM izveidoja uzņēmumu pirms aptuveni divarpus gadiem — blokķēdes biznesa vienību. Es redzu trīs veidu apgabalus, kur blokķēde tiek izmantota mūsdienās vai kur eksperimentē daudz prototipu. Viens patiešām ir kriptovalūtās, piemēram, Bitcoin. Un tā lielākā daļa cilvēku zina blokķēdi, viņi domā par Bitcoin. Un tā ir visa kriptovalūtas joma. Uzņēmumā IBM mūs neinteresē kriptovalūtas, jo mūsu klientus neinteresē kriptovalūtas. Mēs esam ieinteresēti pamatā esošā blokķēdes platformā. Un patiesībā liela daļa pamatā esošās platformas ir atvērta avota sistēmā Hyperledger, ko pārvalda Linux fonds, un IBM ir devusi ievērojamu ieguldījumu koda izveidē, un mēs turpināsim to darīt. Nākamais ir blokķēde, šī pamatā esošā platforma, kas tiek izmantota vērtību ķēdēs, lai izsekotu vērtīgām precēm vai vērtīgām digitālajām precēm, kad tās nonāk no to izcelsmes vietas līdz izmantošanai. Un es varu minēt dažus piemērus. Un trešā joma, kur tā ir vērtīga, jo īpaši finanšu pakalpojumu nozarē, ir digitālā identitāte. Un es varu minēt dažus piemērus. Taču uzņēmumi ir ieinteresēti, lai viņi varētu izveidot uzticamus darījumus starp partneriem, kuri pēc būtības varētu viens otru nepazīst, piemēram, mazie uzņēmumi vai lielāki uzņēmumi, izplatītāji vai lauksaimnieki.
Sofija: Un tādējādi uzticības radīšana sadalītā veidā. Tātad blokķēdes tīkli, ko esam izveidojuši kopā ar saviem klientiem, ir privāti tīkli. Tie nav atvērti, lai visi varētu pievienoties. Tie ir privāti. Tā ir tikai atļauta tīkla izveide. Viens no pirmajiem piemēriem, ko veicām pirms daudziem, daudziem gadiem, un tagad tas darbojas, ir pārtikas nekaitīguma blokķēdes tīkls, ko izveidojām ar Walmart. Walmart bija šī blokķēdes tīkla pīlārs, un daudzi Walmart piegādātāji ir tīklā. Un tur tas izseko pārtiku no saimniecības līdz galdam. Un jo īpaši šeit ir paredzēts, ka, piemēram, E. coli uzliesmojums vai kāda cita pārtikas nekaitīguma problēma...
Elizabete: Romiešu salāti.
Sofija: Jā, romiešu salāti. Es domāju, tas notiek visu laiku. Mēs zinājām, ka uzliesmojums bija kaut kur Kalifornijā, bet viss, ieskaitot salātus neatkarīgi no šeit, Masačūsetsā, tika izņemts no plaukta. Tas notiek šodien. Ir nepieciešams ilgs laiks, lai izsekotu, kur noticis uzliesmojums. Bet, ja izsekojat visas savas preces caur bloku ķēdi divu minūšu laikā vai ātrāk, varat ātri izsekot, no kurienes nākuši šie konkrētie salāti. Tad jums joprojām ir jāiet un jāpārbauda, kurā ķēdes posmā no saimniecības līdz veikalam līdz galdam E. coli patiešām piesārņoja pārtiku. Bet tas ir vienkāršāk nekā vispirms noskaidrot, no kurienes tas nāk. Taisnība.
Elizabete: Lieliski. Ļoti brīnišķīgi dzirdēt no jums un man ir iespēja vēlreiz ar jums runāt. Un ir lieliski, ka laboratorija atrodas tepat aiz stūra. Tas ir brīnišķīgs objekts, un ir labi, ka jūs atrodaties apkārtnē. Tāpēc paldies.
Sofija: Ak, liels paldies. Tas bija mans liels prieks.
Elizabete: Šo sēriju jums piedāvā Darktrace, pasaules līderis kiber AI tehnoloģiju jomā. Darktrace galvenā mītne atrodas Sanfrancisko Kembridžā, Anglijā. Tam ir aptuveni 2500 klientu visā pasaulē, kuri izmanto tās programmatūru, lai atklātu un reaģētu uz kiberdraudiem saviem uzņēmumiem, lietotājiem un ierīcēm. Darktrace ir izveidojis novatorisku mašīnmācīšanās tehnoloģiju, kas var pamanīt neparastas darbības. Lai uzzinātu vairāk par to, kā tas darbojas, es runāju ar uzņēmuma izpilddirektori Nicole Eagan.
Elizabete: Prieks, ka var runāt.
Nikola Īgana: Nekādu problēmu.
Elizabete: Novērtēju, ka to darāt. Darktrace jūs salīdzināt savu kiberdrošības zīmolu ar cilvēka imūnsistēmu. Un es ceru, ka varat mums paskaidrot, ko jūs ar to domājat.
Nikola: Tas, kas patiesībā notika, ir tāds, ka es domāju, ka drošības nozare bija apsēsta ar mēģinājumu atturēt sliktos puišus. Un tas, ko mēs sapratām, ir tas, ka daudzas reizes ļoti sarežģīti uzbrucēji, piemēram, nacionālās valstis, iekļūst jebkurā tīklā, ko vēlas. Tāpēc mēs nolēmām pagriezt šo problēmu otrādi un pieņemt, ka ļaunie bija iekšā vai arī varēs iekļūt iekšā. Tas mūs noveda pie šīs idejas, ka mūsu mākslīgais intelekts faktiski jābalsta uz cilvēka imūnsistēmas principiem. Tātad, ja domājat par cilvēka ķermeņa imūnsistēmu, tai ir iedzimta pašsajūta, kas ļauj uzzināt, kas nav es, un ļoti precīzi un ātri reaģēt. Tieši tā darbojas mūsu mākslīgais intelekts. Tas ir iestrādāts katrā mūsu klientu uzņēmumā, un tas tikai mācās sevis izjūtu, kas ir normāli. Ko mēs saucam par katra lietotāja un ierīces, kas pievienota šim tīklam, “dzīves modeli”. Un tas ļauj mums atrast lietas, kas ir neparastas, un burtiski apturēt uzbrukumus vai neitralizēt tos.
Elizabete: Un kā jūs kopumā redzat, kā mūsdienās mainās kiberuzbrukumi, neatkarīgi no tā, vai tie nāk no nacionālajām valstīm vai no atsevišķiem ļaundariem, kibernoziedzniekiem?
Nikola: Es nesen tikos ar viena mūsu klienta galveno drošības darbinieku, un es domāju, ka viņš to lieliski aprakstīja. Viņš teica: Padomājiet, kaut kur citur pasaulē ir komanda, un tās pilnas slodzes darbs ir domāt par to, kā nozagt jūsu intelektuālo īpašumu vai kaut kā iegūt informāciju no jums. Un tas tiešām ir tas, pret ko uzņēmumi cīnās, un iemesls tam ir tāda veida kiberbruņošanās sacīkstes, kurās mēs esam pieraduši, ka valdības cīnās pret valdībām — lai gan tas joprojām notiek, mums tagad ir šī pilnīgi jaunā dimensija, kurā faktiski atrodas nacionālās valstis. iespējams, uzbrūk uzņēmumiem. Un tas nozīmē, ka šis digitālais kaujas lauks ir patiešām mainījies, un tas ir kaut kas tāds, pret ko lielākajai daļai korporāciju pagātnē nebija jāaizstāvas. Tagad jūs to sarežģījat un apvienojat ar to, ka šīs nacionālās valstis daudzos gadījumos var tikt organizētas arī ar ļoti spēcīgu globālu kibernoziedzības loku. Un šāda veida sadarbība starp šīm vienībām arī ir sava veida jauna dimensija. Tas ir tas, pret ko uzņēmumi cīnās, un tas ir diezgan jauns un diezgan jauns, salīdzinot ar uzbrukumiem, kas notika pirms pieciem vai 10 gadiem.
Elizabete: Labi. Tātad, runājot par Darktrace darbību, vai jūs izmantojat mākslīgo intelektu, lai atklātu uzbrukumu, aizsargātos pret uzbrukumu vai abus?
Nikola: Tas ir lielisks jautājums. Jūs zināt, es domāju, ka dažos gadījumos uzņēmumi izmanto mākslīgo intelektu, lai automatizētu cilvēku procesus. Tā, piemēram, katram uzņēmumam parasti ir drošības operāciju centrs. Jums būs vairāki draudu analītiķi un incidentu reaģētāji. Un ir viena pieeja, kas labi pasaka, kāpēc ne tikai izmantot AI un mācīties no darbībām, ko viņi veic tā sauktajā Playbook, lai reaģētu uz pārkāpumiem un to automatizētu. Un tas var sniegt jums nelielu efektivitātes pieaugumu. Bet tajā pašā laikā tas nemainīs spēli. Otra lieta, ko esmu redzējis AI, pamatā ir visu vēsturisko uzbrukumu analīze, kas notikuši citiem cilvēkiem, citiem uzņēmumiem, un mēģināt to izmantot kā nākotnes draudu indikatoru. Tagad, lai gan tas izklausās ļoti interesanti un praktiski, patiesībā šķiet, ka tas ir fundamentāli kļūdains, un tas ir tāpēc, ka uzbrukumi mainās tik strauji. Patiesībā daudzos gadījumos ir tikai jauni uzbrukumu celmi, kuros tiek mainīta viena koda rindiņa, un tagad tā sauktie paraksti vairs neatbilst. Tātad mūsu gadījumā mēs izmantojam daudzu veidu neuzraudzītu, uzraudzītu un dziļu mācīšanos, lai varētu ne tikai atrast uzbrukumus, bet arī mākslīgais intelekts zinātu, kā izmeklēt uzbrukumu. Un arī pats galvenais, kā reāli rīkoties. Un tas ir ļoti reti. Patiesībā neviens cits uzņēmums neizmanto AI, lai veiktu darbības.
Elizabete: Taisnība. Tātad jūs darāt abas lietas. Jūs gan atklājat, gan veicat darbības.
Nikola: Mēs patiešām izmantojam AI, lai atklātu, izmeklētu un veiktu darbības. Un šī pēdējā daļa, darbība, ir patiešām grūta un patiešām interesanta. Tas ir lieliski, jo tas var ļoti ātri reaģēt uz uzbrukumiem, patiesībā uz uzbrukumu tas var reaģēt mazāk nekā divās sekundēs. Un, kad šie uzbrukumi notiek ar mašīnas ātrumu, tas ir ļoti svarīgi. Bet otra lieta, ko mēs atklājām, no praktiskā viedokļa, ir tas, ka cilvēkiem drošības organizācijā ir vajadzīgs laiks — iespējams, šī ir pirmā reize, kad viņi strādā ar mākslīgo intelektu un tiek papildināti — tas prasa zināmu laiku. lai patiešām izveidotu šo uzticību. Tāpēc mēs faktiski esam izveidojuši pilnīgi jaunu iespēju, lai tā varētu sniegt ieteikumus. Ko darīt, ja mākslīgais intelekts iesaka, kā rīkoties, un cilvēks to apstiprina? Un, tiklīdz cilvēki sāk redzēt, tas katru reizi sniedz pareizo ieteikumu, viņi veido uzticību un ieliek to tā dēvētajā aktīvajā režīmā. Tāpēc es domāju, ka pēdējos piecos gados to izdarījuši gandrīz 2500 uzņēmumos, mēs esam ļoti labi sapratuši, kas nepieciešams, lai izveidotu šīs uzticības attiecības, taču arī mūsu algoritmi ir kļuvuši ļoti spēcīgi un ļoti gudri, reaģējot uz šiem uzbrukumiem. īsts laiks.
Elizabete: Tā kā aizsardzība kļūst labāka, vai nav godīgi teikt, ka arī uzbrukumi kļūs labāki, iespējams, izmantojot AI, lai cīnītos pret AI orientētu vai AI organizētu kiberaizsardzību?
Nikola: Jums ir pilnīga taisnība, lai gan tas ir tikai sākums, un mēs esam redzējuši tikai norādes, ka tas var iet šajā virzienā, un mēs esam redzējuši tādas lietas kā uzvedības uzbrukumi, kuros AI faktiski var uzzināt jūsu stilu un komunikācijas veidu. ko izmantojat, teiksim, e-pastu. Šajā posmā tā ir bijusi nedaudz pamata mašīnmācība. Bet mēs pilnībā sagaidām, ka būs pilnīgi jauna uzbrukuma kategorija, ko sauc par aizskarošu AI. Un tas nozīmē, ka uzbrucēji kā daļu no uzbrukumiem sāks izmantot dažādus mašīnmācīšanās veidus, AI un galu galā dziļo mācīšanos. Tātad tas vienā naktī mainīs visu šo nozari. Un es domāju, ka kopumā tas ir kaut kas tāds, ko daudzi vadītāji, iespējams, vēl nav apsvēruši.
Elizabete: Taisnība. Tāpēc tas ir ļoti interesanti, jo, runājot par to, kā Darktrace nosaka, kāda ir “parastā darbība” tīklā, man rodas iespaids, ka šai informācijai vai ieskatam varētu būt arī citi lietošanas gadījumi. Un es domāju, vai ārpus sava veida kiberdrošības, ja esat domājis par parastu darbību, lai palīdzētu ar cita veida lietām, piemēram, teiksim, atbilstību normatīvajiem aktiem vai riska pārvaldību, tamlīdzīgām lietām.
Nikola: Pilnīgi noteikti. Manuprāt, interesanti ir tas, ka esam izveidojuši patiešām unikālu datu kopu mūsu klientu vārdā. Tātad katrs no viņiem, kas šodien drošības nolūkos izmanto Darktrace, patiesībā ir iestrādāts mākslīgais intelekts, kas apgūst sevis izjūtu un nepārtraukti mācās un atjaunina. Un tā ir datu kopa, ko var izmantot citām lietām. To varētu izmantot, lai nodrošinātu atbilstību normatīvajiem aktiem. Faktiski daži Darktrace klienti mūs izmanto, lai nodrošinātu atbilstību HIPAA un HITRUST veselības aprūpē vai tādām lietām kā DFS, kas ir Ņujorkas štata noteikumi par finanšu pakalpojumiem. Tātad mēs jau redzam agrīnus rādītājus par to, kā šos mākslīgā intelekta modeļus un šo unikālo datu kopu var izmantot. Manuprāt, viens patiešām interesants izmantošanas gadījums ir apvienošanās un pārņemšana. Mums ir daži uzņēmumi, kas mūs izmanto uzticamības pārbaudes fāzēs, lai M&A faktiski iegūtu lielāku redzamību mērķa aktīva vidē. Un šodien viņi to izmanto, lai noskaidrotu, vai šajā tīklā varētu būt kāds konkurents vai nacionālā valsts, kas varētu mēģināt nozagt, piemēram, intelektuālo īpašumu. Taču ir daudz plašāki M&A uzticamības pārbaudes veidi, kuriem to varētu izmantot. Visbeidzot, daži klienti mūs izmanto arī, lai nodrošinātu atbilstību datu privātumam, piemēram, GDPR, lai redzētu, kāda satiksme varētu notikt Eiropā un ārpus tās. Tāpēc es domāju, ka, lai gan šodien mēs tikai atbloķējam šīs datu kopas un mūsu AI modeļu iespējas kiberdrošībai, mēs varētu pieņemt lēmumu nākotnē, lai palīdzētu klientiem izmantot citas atslēgas, lai to atbloķētu, lai sniegtu papildu vērtību.
Elizabete: Un dariet dažādas darbības ar šo informāciju. Jā, tas ir aizraujoši. Nikola, liels paldies, ka runājāt ar mani par to.
Nikola: Liels paldies, Elizabete.
Elizabete: Tas ir viss šajā Business Lab epizodē. Es esmu jūsu saimniece Elizabete Bremsone-Budrē. Es esmu MIT Technology Review izpilddirektors un izdevējs. Mēs esam dibināti 1899. gadā Masačūsetsas Tehnoloģiju institūtā. Jūs varat mūs atrast drukātā veidā, tīmeklī, desmitiem tiešraides pasākumu katru gadu un tagad arī audio formātā. Lai iegūtu papildinformāciju par žurnālu un izrādi, lūdzu, apmeklējiet mūsu vietni TechnologyReview.com. Mūsu pārraide ir pieejama visur, kur saņemat aplādes. Ja jums patika šī sērija, mēs ceram, ka veltīsit laiku, lai novērtētu un atsauktos mūs Apple Podcasts. Biznesa laboratorija ir MIT Technology Review produkcija. Producents ir Veids Roušs ar Mindija Blodžeta palīdzību. Īpašs paldies mūsu viesiem Sofijai Vandebrukai un Nikolai Īganai. Un paldies mūsu sponsoram Darktrace, pasaules līderim AI tehnoloģiju jomā kiberaizsardzībā. Paldies par klausīšanos. Mēs drīz atgriezīsimies ar jaunu sēriju.