IBM Watson AI:这些公司正在用认知计算打击网络犯罪

简介:

全球财富500强企业正在通过部署IBM Watson认知计算能力来解决网络犯罪问题。

Watson for Cyber Security是一个旨在打击黑客的项目,研究工作历时一年之久,最初重点围绕大学展开,但是已经扩展到各行各业,包括银行、医疗、保险和汽车等行业。

Watson利用机器学习和自然语言处理等人工智能技术来分析大量结构化数据和非结构化数据,旨在帮助网络安全专业人员找到潜在的威胁。

公有40个组织参与了IBM Watson for Cyber Security测试计划中,以测试Watson打击网络犯罪的能力。参与者包括Sun Life Financial、罗切斯特大学医学中心、SCANA公司、三井住友银行公司、加州理工州立大学、新不伦瑞克大学、安富利和Smarttech公司。

IBM通过使用Watson来加强网络安全防御,希望展示认知系统的新用例,例如确定网络攻击是否与已知的恶意软件变体或者特定网络犯罪活动相关联。如果是的话,IBM Watson Security会提供关于恶意软件和所构成威胁等级的相关信息。

Watson还将用于帮助组织机构发现可疑行为,运用行为生物学和上下文信息来确定用户行为是否是恶意的,或者只是与正常行为不同。通过与测试客户的合作,IBM希望能够加强Watson对网络安全数据和操作的理解,更好地将其集成到日常流程中。

IBM相信认知技术将在打击网络犯罪这场战争中发挥关键作用。根据IBM的调查,有7%的组织机构目前在使用这种认知技术,而且这个数字还会继续增加。

“客户正处于实施认知技术的初期阶段,”IBM安全首席技术官Sandy Bird表示。“我们的研究表明,随着像Watson for Cyber Security这样的工具逐渐成熟,并且在安全运营中心广泛运用,未来三年认知技术的采用率会增加3倍。”

IBM Watson认知系统也被部署用于辅助医疗,以及帮助重塑服务业。






原文发布时间为:2016年12月7日 
本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。
目录
相关文章
|
2月前
|
机器学习/深度学习 数据采集 人工智能
基于Huffman树的层次化Softmax:面向大规模神经网络的高效概率计算方法
层次化Softmax算法通过引入Huffman树结构,将传统Softmax的计算复杂度从线性降至对数级别,显著提升了大规模词汇表的训练效率。该算法不仅优化了计算效率,还在处理大规模离散分布问题上提供了新的思路。文章详细介绍了Huffman树的构建、节点编码、概率计算及基于Gensim的实现方法,并讨论了工程实现中的优化策略与应用实践。
85 15
基于Huffman树的层次化Softmax:面向大规模神经网络的高效概率计算方法
|
6月前
|
机器学习/深度学习
神经网络各种层的输入输出尺寸计算
神经网络各种层的输入输出尺寸计算
395 1
|
4月前
|
存储 缓存 算法
|
4月前
|
存储
|
6月前
|
云安全 安全 网络安全
云端防御战线:融合云计算与网络安全的未来策略
【7月更文挑战第47天】 在数字化时代,云计算已成为企业运营不可或缺的部分,而网络安全则是维护这些服务正常运行的基石。随着技术不断进步,传统的安全措施已不足以应对新兴的威胁。本文将探讨云计算环境中的安全挑战,并提出一种融合云服务与网络安全的综合防御策略。我们将分析云服务模式、网络威胁类型以及信息安全实践,并讨论如何构建一个既灵活又强大的安全体系,确保数据和服务的完整性、可用性与机密性。
|
6月前
|
机器学习/深度学习 存储 自然语言处理
天啊!深度神经网络中 BNN 和 DNN 基于存内计算的传奇之旅,改写能量效率的历史!
【8月更文挑战第12天】深度神经网络(DNN)近年在图像识别等多领域取得重大突破。二进制神经网络(BNN)作为DNN的轻量化版本,通过使用二进制权重和激活值极大地降低了计算复杂度与存储需求。存内计算技术进一步提升了BNN和DNN的能效比,通过在存储单元直接进行计算减少数据传输带来的能耗。尽管面临精度和硬件实现等挑战,BNN结合存内计算代表了深度学习未来高效节能的发展方向。
85 1
|
6月前
|
网络协议 算法 网络架构
OSPF 如何计算到目标网络的最佳路径
【8月更文挑战第24天】
86 0
|
6月前
|
人工智能 并行计算 开发工具
IBM共创共享问题之IBM与中国企业和政府机构共创生成式AI大时代如何解决
IBM共创共享问题之IBM与中国企业和政府机构共创生成式AI大时代如何解决
63 0
|
8月前
|
存储 机器学习/深度学习 弹性计算
阿里云ECS计算型c8i服务器测评_网络PPS_云盘IOPS性能参数
阿里云ECS计算型c8i实例采用Intel Xeon Emerald Rapids或Sapphire Rapids CPU,主频2.7 GHz起,支持CIPU架构,提供强大计算、存储、网络和安全性能。适用于机器学习、数据分析等场景。实例规格从2核到192核,内存比例1:2,支持ESSD云盘,网络带宽高达100 Gbit/s,具备IPv4/IPv6,vTPM和内存加密功能。详细规格参数表包括不同实例的vCPU、内存、网络带宽、IOPS等信息,最高可达100万PPS和100万IOPS。
|
8月前
|
机器学习/深度学习 算法
**反向传播算法**在多层神经网络训练中至关重要,它包括**前向传播**、**计算损失**、**反向传播误差**和**权重更新**。
【6月更文挑战第28天】**反向传播算法**在多层神经网络训练中至关重要,它包括**前向传播**、**计算损失**、**反向传播误差**和**权重更新**。数据从输入层流经隐藏层到输出层,计算预测值。接着,比较预测与真实值计算损失。然后,从输出层开始,利用链式法则反向计算误差和梯度,更新权重以减小损失。此过程迭代进行,直到损失收敛或达到训练次数,优化模型性能。反向传播实现了自动微分,使模型能适应训练数据并泛化到新数据。
89 2

热门文章

最新文章