SOPHOS ¿Por qué apostar al Deep Learning en la seguridad de la empresa?

Por Leonardo Granda, Sales Engineer de Sophos

El aprendizaje automático se convirtió en el futuro de la industria de ciberseguridad e invertir en la investigación del deep learning utilizando los últimos avances científicos es un compromiso para proteger a los clientes. El  Deep Learning, una forma avanzada de Machine Learning, es similar al cerebro humano porque involucra muchas capas neuronales.

El proceso para desarrollar un modelo de deep learning, incluye la recopilación de grandes cantidades de datos, la ingeniería de características del dominio, la construcción de la arquitectura, el entrenamiento, la prueba y la evaluación del modelo. Tanto una red neuronal en el cerebro como una red artificial lo que hace es tomar una entrada, manipularla de alguna manera y enviar información a otras neuronas.
El Deep Learning generalmente se refiere a tres componentes principales que, cuando se combinan entre sí, permiten la creación de modelos predictivos muy potentes:

1. Un gráfico conectado de capas en el que cada capa toma datos de una principal, los mezcla de una forma predefinida y los envía a la siguiente capa en el gráfico.
2. Una función de pérdida que mide qué tan preciso es el modelo cuando hace sus predicciones.
3. Un algoritmo que optimiza la función de pérdida y el conjunto de datos entrenado.

A diferencia de otros métodos tradicionales de listas negras y firmas escritas a mano para detectar malware, el aprendizaje automático resuelve estos desafíos al ofrecer un sistema automatizado de bajo mantenimiento y al capturar una mayor distribución de malware.

Otro punto interesante de la tecnología de Deep Learning es que las máquinas no necesitan estar conectadas a Internet para recibir actualizaciones todos los días que les permita estar protegidos. Con el aprendizaje profundo, las actualizaciones son solo modelos recién entrenados basados en las mismas técnicas de ingeniería de características. Por lo tanto, se puede mejorar continuamente la arquitectura de nuestro modelo sin rediseñar sus características, ya que se extraen de forma continua y fácil sin requerir cambios innecesarios en el método de recopilación. Simplemente se recicla el modelo para que pueda predecir cuál será el próximo en el paisaje actual.

--- Google Ad ---
---

No hay comentarios.

Imágenes del tema de enot-poloskun. Con tecnología de Blogger.