色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內(nèi)不再提示

機器學習容易忽視什么

汽車玩家 ? 來源:AI公園 ? 作者:Ilja Moisejevs ? 2020-05-04 11:47 ? 次閱讀

導讀

新功能不是免費的。

我們生活在一個瘋狂的時代。我記得當我還是個孩子的時候,我在看《星球大戰(zhàn)》的時候,我在想,要過多久我們的廚房里才會有會說話的機器人。事實證明,這段時間并不長。實際上不到 10 年。

人工智能,更具體地說,是機器學習將科幻小說變成了現(xiàn)實 —— 沒有其他的方式來表達它。每次我瀏覽技術評論或 TechCrunch 時,我都被我們現(xiàn)在可以“隨意”做的事情所震撼。

透視墻壁?很容易。通過視頻猜測材料的物理性質(zhì)?實現(xiàn)了。從鍵盤聲音預測按了哪個鍵?如何生成逼真的面孔、身體或詩歌?或者教機器畫畫?或者教機器打《星際爭霸》游戲?

還有,你見沒見過這種東西在街上晃來晃去?

瘋狂。

現(xiàn)在,如果你真的去和 AI/ML 領域工作的人聊一聊,你可能會得到兩種回答中的一種。要么對于 AI 可以做什么和下一個大的愿景/ NLP /強化學習問題超級興奮,要么他們對我們這些愚蠢的人類構(gòu)件的人工智能非常恐懼,相信不久人工總體智會將人類轉(zhuǎn)化為一個無用的東西。在我看來,這就像今天社區(qū)的普遍分裂 —— 50%的人認為人工智能是我們的未來,50%的人認為它是我們的末日。

關于人工智能和機器學習是什么,我想提供第三種觀點 —— 或許是一種更世俗的觀點:為對手提供一個新的攻擊面。

讓我們探索一下。

新發(fā)明的黑暗面

每當一項新發(fā)明出現(xiàn)時,大多數(shù)人都傾向于認為這項發(fā)明帶來了新的驚人的能力。但是,哪里有光明,哪里就會有陰影,因此新功能不經(jīng)意間就會帶來新的“漏洞”,供黑客利用。然后利用它們。

讓我們上一節(jié)歷史課,重訪 PC 市場。第一臺個人電腦(Altair 8800)于 1975 年發(fā)布,隨后在接下來的 10 年里進行了一系列的創(chuàng)新,最終在 1984 年推出了 Apple Macintosh。隨之而來的是一波爆炸性的采用浪潮,在整個 90 年代一直持續(xù)到 2000 年:

機器學習容易忽視什么

然而,大多數(shù)用戶并不知道,在惡意軟件或“惡意軟件”市場也發(fā)生了類似的爆炸。

1989 年,Robert Morris 嘗試使用 Unix sendmail,并構(gòu)建了一個可以自我復制的蠕蟲,然后將其發(fā)送到 internet 上。一開始只是一個簡單的實驗,結(jié)果變成了第一次 DoS 攻擊,造成的損失估計在 10 萬到 1000 萬美元之間,并使整個互聯(lián)網(wǎng)慢了好幾天(當然現(xiàn)在是不可想象的)。隨后,1989 年發(fā)生了第一次勒索軟件攻擊,1996 年出現(xiàn)了第一個 Linux 病毒(“Staog”),1998 年出現(xiàn)了第一個 AOL 木馬。

機器學習容易忽視什么

后來,同樣的事情也發(fā)生在移動領域:2007 年的 iPhone 時刻,隨之而來的是智能手機的爆炸式增長:

機器學習容易忽視什么

緊隨其后的是手機惡意軟件的爆炸式增長:

機器學習容易忽視什么

那么,機器學習呢?

盡管如此,機器學習的產(chǎn)品化仍處于萌芽階段。許多真正前沿的工作仍然局限于研究實驗室和大學 —— 但即使是研究,我們也可以開始看到一些相同的趨勢出現(xiàn)。

機器學習研究論文按年份和地區(qū)分類:

機器學習容易忽視什么

…vs對抗機器學習(ML 的惡意軟件版本)研究論文計數(shù):

機器學習容易忽視什么

事情正在發(fā)生。開始恐慌了嗎?

安全問題

還沒有那么快。好消息是,隨著個人電腦占據(jù)了我們的日常生活,黑客開始入侵,另一個與之并行的市場開始發(fā)展 ——安全解決方案市場。

1987 年,Andreas Luning 和 Kai Figge 為 Atari ST 平臺開發(fā)了第一個抗病毒產(chǎn)品。同年,McAffee、NOD、Flu Shot 和 Anti4us 都出生了 —— 在接下來的 20 年里,更多的安全類產(chǎn)品誕生了:

機器學習容易忽視什么

很快,VCs 就意識到了大型網(wǎng)絡安全將會發(fā)生什么,資本將開始流動:

Kleiner Perkins 對 Symantec 投資 3M

McAffee 從 Summit Partners 拿到了融資

BitDefender 融資 7 百萬美元

數(shù)百萬美元的收購:

McAffee700 萬美元買了 solomon

Symantec 同意以 787.8 億美元購買 Axent

微軟從 GeCAD 軟件中獲取殺毒技術

隨著手機惡意軟件的快速增長,安全玩家也出現(xiàn)了類似的爆炸式增長:

機器學習容易忽視什么

安全鄰域的融資:

Bluebox 從 Andreessen Horowitz 融資$9.5M

France Telecom 對 Lookout 投資達到$20M

Zimperium 在移動安全領域融資$8M

安全領域的收購:

移動安全初創(chuàng)公司被 Rapid7 收購

Apple 以$356M 購買了三星安卓安全合作伙伴

AVG 以$220M 購買了移動安全公司 Location Labs

那么機器學習呢?

機器學習需要安全嗎?

在過去的某個時候,我曾為英國最大的金融科技公司之一進行過反欺詐和反洗錢工作。我的團隊每年監(jiān)管的交易額超過 100 億美元,我們一直在努力阻止騙子進入 GC 的循環(huán)系統(tǒng)。很自然地——在某種程度上,我們屈服于這種炒作,決定嘗試機器學習。

令我當時感到驚訝的是,它居然奏效了。事實上,它很有效。從傳統(tǒng)的啟發(fā)式,我們設法減少了 80%的金錢損失到欺詐和提高了 20 倍的檢測可疑的帳戶洗錢。

只有一個問題。

我們在我認為“關鍵”的能力上部署了機器學習。我們給了這個算法一項任務,但這項任務不允許它失敗——如果失敗了—— 我們要么損失大量金錢,要么被吊銷金融執(zhí)照。對我這個直接負責 GC 安全的產(chǎn)品經(jīng)理來說,這兩者聽起來都不是什么好事。

所以我需要知道 ML 如何以及何時會失敗。如何利用我們的模式?它內(nèi)在的弱點在哪里?我如何知道 GoCardless 是否受到攻擊?

在花了太多的夜晚閱讀 ML 的文件和在暗網(wǎng)上尋找之后,我終于找到了我所尋找的。我在 ML 上了解到中毒攻擊,攻擊者可以通過在訓練中注入損壞的數(shù)據(jù)來影響模型的思維。我發(fā)現(xiàn)了對抗性的例子,以及在測試時模型是如何容易被精心設計的擾動的輸入誤導的。最后,我了解到隱私攻擊,底層數(shù)據(jù)和模型本身都不是真正的私有。

然后,我發(fā)現(xiàn)了這個……

我嚇壞了。

到 2019 年底,1/3 的企業(yè)都將部署機器學習。這是你、我、我們的朋友和親人每天使用的所有產(chǎn)品的三分之一 —— 在任何知道 ML 工作原理的攻擊者面前全裸。

是的,機器學習需要安全。

邁出第一步

ML 安全是一個非常新興的領域 —— 到今天基本上還不存在。如果說我從上面的研究中學到了什么,那就是任何沒有數(shù)學博士學位的人都很難弄清楚如何保證他們的 ML 的安全(現(xiàn)在幾乎沒有解決方案,只有大量的數(shù)學研究論文)。

考慮到我們的生活中有多少是要托付給算法的 —— 我認為這是我們的責任 —— 你、我和整個 ML 社區(qū)的責任是確保安全不被拋在腦后。今天有很多我們可以做的來構(gòu)建更健壯的 ML 模型 —— 正如我解釋我的帖子逃稅,中毒和隱私攻擊。但更重要的是,我們需要轉(zhuǎn)變思維模式——從“不惜一切代價的準確性”轉(zhuǎn)向更平衡的準確性與穩(wěn)健性:

機器學習容易忽視什么

C1和C2是兩個模型。很明顯,C1一開始并不是很準確,但是隨著攻擊強度的增加,它在抵抗攻擊方面也做得更好。你選擇C1還是C2作為ML模型?

這篇文章和上面的文章是我嘗試邁出的第一步,邁向一個更健壯的 ML 未來。確保每個人的安全。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 人工智能
    +關注

    關注

    1791

    文章

    47206

    瀏覽量

    238274
  • 機器學習
    +關注

    關注

    66

    文章

    8408

    瀏覽量

    132569
收藏 人收藏

    評論

    相關推薦

    電平匹配問題,簡單卻容易忽視

    導讀在電路設計中,電平匹配是一個基本要求,但常常被忽視,可能導致設備故障和通信異常。本文我們將揭示如何避免因電平不匹配導致的設備故障,并提供實用的設計建議,確保您的電路設計既高效又穩(wěn)定。電平匹配
    的頭像 發(fā)表于 12-20 11:34 ?102次閱讀
    電平匹配問題,簡單卻<b class='flag-5'>容易</b>被<b class='flag-5'>忽視</b>

    什么是機器學習?通過機器學習方法能解決哪些問題?

    來源:Master編程樹“機器學習”最初的研究動機是讓計算機系統(tǒng)具有人的學習能力以便實現(xiàn)人工智能。因為沒有學習能力的系統(tǒng)很難被認為是具有智能的。目前被廣泛采用的
    的頭像 發(fā)表于 11-16 01:07 ?386次閱讀
    什么是<b class='flag-5'>機器</b><b class='flag-5'>學習</b>?通過<b class='flag-5'>機器</b><b class='flag-5'>學習</b>方法能解決哪些問題?

    NPU與機器學習算法的關系

    在人工智能領域,機器學習算法是實現(xiàn)智能系統(tǒng)的核心。隨著數(shù)據(jù)量的激增和算法復雜度的提升,對計算資源的需求也在不斷增長。NPU作為一種專門為深度學習機器
    的頭像 發(fā)表于 11-15 09:19 ?434次閱讀

    具身智能與機器學習的關系

    具身智能(Embodied Intelligence)和機器學習(Machine Learning)是人工智能領域的兩個重要概念,它們之間存在著密切的關系。 1. 具身智能的定義 具身智能是指智能體
    的頭像 發(fā)表于 10-27 10:33 ?359次閱讀

    人工智能、機器學習和深度學習存在什么區(qū)別

    人工智能指的是在某種程度上顯示出類似人類智能的設備。AI有很多技術,但其中一個很大的子集是機器學習——讓算法從數(shù)據(jù)中學習
    發(fā)表于 10-24 17:22 ?2480次閱讀
    人工智能、<b class='flag-5'>機器</b><b class='flag-5'>學習</b>和深度<b class='flag-5'>學習</b>存在什么區(qū)別

    【「時間序列與機器學習」閱讀體驗】+ 簡單建議

    這本書以其系統(tǒng)性的框架和深入淺出的講解,為讀者繪制了一幅時間序列分析與機器學習融合應用的宏偉藍圖。作者不僅扎實地構(gòu)建了時間序列分析的基礎知識,更巧妙地展示了機器學習如何在這一領域發(fā)揮巨
    發(fā)表于 08-12 11:21

    人工智能、機器學習和深度學習是什么

    在科技日新月異的今天,人工智能(Artificial Intelligence, AI)、機器學習(Machine Learning, ML)和深度學習(Deep Learning, DL)已成為
    的頭像 發(fā)表于 07-03 18:22 ?1270次閱讀

    機器學習算法原理詳解

    機器學習作為人工智能的一個重要分支,其目標是通過讓計算機自動從數(shù)據(jù)中學習并改進其性能,而無需進行明確的編程。本文將深入解讀幾種常見的機器學習
    的頭像 發(fā)表于 07-02 11:25 ?995次閱讀

    機器學習在數(shù)據(jù)分析中的應用

    隨著大數(shù)據(jù)時代的到來,數(shù)據(jù)量的爆炸性增長對數(shù)據(jù)分析提出了更高的要求。機器學習作為一種強大的工具,通過訓練模型從數(shù)據(jù)中學習規(guī)律,為企業(yè)和組織提供了更高效、更準確的數(shù)據(jù)分析能力。本文將深入探討機器
    的頭像 發(fā)表于 07-02 11:22 ?612次閱讀

    深度學習與傳統(tǒng)機器學習的對比

    在人工智能的浪潮中,機器學習和深度學習無疑是兩大核心驅(qū)動力。它們各自以其獨特的方式推動著技術的進步,為眾多領域帶來了革命性的變化。然而,盡管它們都屬于機器
    的頭像 發(fā)表于 07-01 11:40 ?1333次閱讀

    機器學習的經(jīng)典算法與應用

    關于數(shù)據(jù)機器學習就是喂入算法和數(shù)據(jù),讓算法從數(shù)據(jù)中尋找一種相應的關系。Iris鳶尾花數(shù)據(jù)集是一個經(jīng)典數(shù)據(jù)集,在統(tǒng)計學習機器學習領域都經(jīng)常被
    的頭像 發(fā)表于 06-27 08:27 ?1640次閱讀
    <b class='flag-5'>機器</b><b class='flag-5'>學習</b>的經(jīng)典算法與應用

    請問PSoC? Creator IDE可以支持IMAGIMOB機器學習嗎?

    我的項目使用 POSC62 MCU 進行開發(fā),由于 UDB 模塊是需求的重要組成部分,所以我選擇了PSoC? Creator IDE 來進行項目開發(fā)。 但現(xiàn)在,由于需要擴展,我不得不使用機器學習模塊
    發(fā)表于 05-20 08:06

    深入探討機器學習的可視化技術

    機器學習可視化(簡稱ML可視化)一般是指通過圖形或交互方式表示機器學習模型、數(shù)據(jù)及其關系的過程。目標是使理解模型的復雜算法和數(shù)據(jù)模式更容易
    發(fā)表于 04-25 11:17 ?410次閱讀
    深入探討<b class='flag-5'>機器</b><b class='flag-5'>學習</b>的可視化技術

    機器學習8大調(diào)參技巧

    今天給大家一篇關于機器學習調(diào)參技巧的文章。超參數(shù)調(diào)優(yōu)是機器學習例程中的基本步驟之一。該方法也稱為超參數(shù)優(yōu)化,需要搜索超參數(shù)的最佳配置以實現(xiàn)最佳性能。
    的頭像 發(fā)表于 03-23 08:26 ?612次閱讀
    <b class='flag-5'>機器</b><b class='flag-5'>學習</b>8大調(diào)參技巧

    如何使用TensorFlow構(gòu)建機器學習模型

    在這篇文章中,我將逐步講解如何使用 TensorFlow 創(chuàng)建一個簡單的機器學習模型。
    的頭像 發(fā)表于 01-08 09:25 ?968次閱讀
    如何使用TensorFlow構(gòu)建<b class='flag-5'>機器</b><b class='flag-5'>學習</b>模型
    主站蜘蛛池模板: 97超级碰碰人妻中文字幕| 99久久免费视频6| 99婷婷久久精品国产一区二区| 超碰免费视频公开观看| 国产亚洲精品精品精品| 奶头好翘是不是想要了| 翁用力的抽插| 在线成 人av影院| 国产AV精品白浆一区二| 久久天天躁狠狠躁夜夜呲| 日韩欧美一区二区三区免费看| 亚洲免费综合色视频| asian4you裸模| 狠狠色丁香婷婷久久综合| 欧美午夜精品久久久久久浪潮| 亚洲国产第一区二区三区| jzz大全18| 久草在线福利视频在线播放| 日本老人oldmantv乱| 永久久久免费人妻精品| 国产成人免费在线观看| 木凡的天空在线收听| 亚洲精品无码国产爽快A片| YELLOW免费观看完整视频| 精品性影院一区二区三区内射| 日本老人oldmantv乱| 91精选国产| 好看的电影网站亚洲一区| 背着老婆爆操性感小姨子| 国产一卡 二卡三卡四卡无卡乱码视频 | 综合色一色综合久久网vr| 国产福利视频一区二区| 美国大臿蕉香蕉大视频| 亚洲精品无码午夜福利在线观看| 草民电影网午夜伦理电影网| 久久亚洲精品AV无码四区| 亚洲成人欧美| 给我免费播放片bd国语| 欧美精品久久久久性色AV苍井 | 三级网站视频在线观看| 一区不卡二区卡|