Esto es lo m\u00e1s importante cuando se trata de inteligencia artificial (IA) en ciberseguridad: Resultados. <\/p>\n
A medida que el panorama de amenazas evoluciona y Se agrega IA generativa<\/a> a los conjuntos de herramientas disponibles tanto para defensores como para atacantes, evaluando la efectividad relativa de varios Seguridad basada en IA<\/a> ofertas es cada vez m\u00e1s importante y dif\u00edcil. Hacer las preguntas correctas puede ayudarle a detectar soluciones que brinden valor y retorno de la inversi\u00f3n (ROI), en lugar de limitarse a exageraciones de marketing. Preguntas como: “\u00bfPueden sus herramientas predictivas de IA bloquear suficientemente las novedades?” y “\u00bfQu\u00e9 indica realmente el \u00e9xito de una plataforma de ciberseguridad impulsada por inteligencia artificial?”<\/p>\n Como lo atestigua la cartera de patentes de IA y ML (aprendizaje autom\u00e1tico) de BlackBerry, BlackBerry es l\u00edder en este espacio y ha desarrollado un punto de vista excepcionalmente bien informado sobre qu\u00e9 funciona y por qu\u00e9. Exploremos este tema de actualidad.<\/p>\n Algunos de los primeros usos del aprendizaje autom\u00e1tico y la inteligencia artificial en ciberseguridad se remontan al desarrollo del EPP CylancePROTECT\u00ae (plataforma de protecci\u00f3n de terminales<\/a>) hace m\u00e1s de una d\u00e9cada. Predecir y prevenir nuevos ataques de malware es posiblemente m\u00e1s crucial hoy en d\u00eda, ya que la IA generativa ayuda a los actores de amenazas a escribir y probar r\u00e1pidamente c\u00f3digo nuevo. El BlackBerry m\u00e1s reciente Informe de inteligencia sobre amenazas globales<\/a> descubri\u00f3 un aumento del 13% en nuevos ataques de malware, trimestre tras trimestre. Prevenir estos ataques es un desaf\u00edo continuo pero, afortunadamente, la evoluci\u00f3n de los ataques va acompa\u00f1ada de una evoluci\u00f3n de la tecnolog\u00eda.<\/p>\n Los equipos de ciencia de datos y aprendizaje autom\u00e1tico de BlackBerry est\u00e1n dedicados a mejorar el rendimiento de sus herramientas predictivas de inteligencia artificial. Pruebas recientes de terceros confirman que Cylance ENDPOINT\u00ae bloquea con \u00e9xito el 98,9 % de las amenazas al predecir activamente el comportamiento del malware, incluso para nuevas variantes. Este logro es el resultado de una d\u00e9cada de innovaci\u00f3n, experimentaci\u00f3n y evoluci\u00f3n en las t\u00e9cnicas de IA, incluido un cambio del etiquetado humano supervisado a un enfoque de entrenamiento compuesto. Este enfoque, que combina aprendizaje no supervisado, supervisado y activo tanto en entornos locales como en la nube, se ha perfeccionado mediante el an\u00e1lisis de una gran cantidad de datos a lo largo del tiempo, lo que ha dado como resultado un modelo altamente eficaz capaz de predecir y anticipar con precisi\u00f3n nuevas amenazas.<\/p>\n La calidad y eficacia de los modelos de ML a menudo se analizan en t\u00e9rminos de tama\u00f1o, par\u00e1metros y rendimiento. Sin embargo, el aspecto cr\u00edtico de los modelos de ML, particularmente en ciberseguridad, es su capacidad para detectar y responder a amenazas en tiempo real. En el contexto de la protecci\u00f3n previa a la ejecuci\u00f3n de malware, donde las amenazas deben identificarse y bloquearse antes de su ejecuci\u00f3n, el aspecto temporal es crucial.<\/p>\n La resiliencia temporal, que mide el rendimiento de un modelo frente a ataques pasados \u200b\u200by futuros, es esencial para la detecci\u00f3n de amenazas. La ventaja predictiva temporal (TPA) es una m\u00e9trica que se utiliza para evaluar la capacidad de un modelo para funcionar a lo largo del tiempo, especialmente en la detecci\u00f3n de amenazas de d\u00eda cero.<\/p>\n Esta prueba implica entrenar modelos con clases de malware anteriores y probarlos con malware m\u00e1s nuevo, validando su rendimiento a lo largo del tiempo. Esto es particularmente importante para los puntos finales que no siempre est\u00e1n conectados a la nube, donde las actualizaciones frecuentes del modelo pueden no ser factibles.<\/p>\n La dependencia de un modelo de actualizaciones frecuentes puede indicar su inmadurez. Por el contrario, el modelo de BlackBerry Cylance ha demostrado una fuerte ventaja predictiva temporal, manteniendo altas tasas de detecci\u00f3n sin actualizaciones frecuentes del modelo, como se ilustra en el gr\u00e1fico que muestra el TPA durante meses para el modelo Cylance de cuarta generaci\u00f3n.<\/p>\nEvoluci\u00f3n de la IA en la ciberseguridad<\/strong><\/h2>\n
Ventaja temporal: tener en cuenta el tiempo<\/strong><\/h2>\n
![\"\"](\"https:\/\/teknomers.com\/es\/wp-content\/uploads\/2023\/11\/IA-predictiva-en-ciberseguridad-los-resultados-demuestran-que-no-toda.png\")
<\/a><\/td>\n<\/tr>\n