使用 AI、ML 和数据融合调查未来的安全威胁 | 专家视点

人工智能(AI)和机器学习(ML)技术的出现为安全组织带来了变革。随着他们的到来，组织不再局限于被动地调查和解决已经发生的犯罪行为。人工智能和机器学习——辅以复杂的数据融合和分析能力——引入了主动、预测性威胁评估的新时代，可以帮助我们在威胁发生之前识别和缓解威胁。

当然，分析过去犯罪行为的能力仍然非常重要。AI/ML的变化在于，通过过去的调查获得的数据和情报现在可以有效地用于预测未来的犯罪趋势。这可以通过新发现的利用大量不同数据源（结构化和非结构化）的能力来实现，以前分析师可能很难通过传统方法处理数量相当少的数据点。

借助AI/ML和数据融合，我们现在能够以自动化的效率和精度来定义和关联无数数据源，例如人口和车辆登记、财务记录，甚至图像和视频。这为未来对威胁向量进行更全面、多维的理解打开了大门，因为我们正在从各种来源获得整体视图并消除“盲点”。

然而，人工智能/机器学习并不预示未来会出现类似《少数派报告》的刑事调查，即犯罪嫌疑人在犯罪发生之前就被指控和逮捕。相反，AI/ML聚合可用的情报，以帮助执法和安全人员根据所有可用数据做出数据驱动的决策，而不是简单地依赖过去的经验和预感。因此，理想情况下，决策将以更客观的方式做出，这也将有助于在具有高度不确定性的动态、快速变化的环境中运营。

越来越精确地识别与个人、企业和对象相关的趋势的能力——人工智能和机器学习在高级分析中的核心承诺——非常适合预测犯罪活动。人类本质上是可以预测的，容易出现行为模式，研究证明了这一点。同样，犯罪通常不会凭空出现。它们主要基于犯罪分子过去的行为，这些犯罪分子随着时间的推移逐渐建立了犯罪舒适区。

这种犯罪“先兆”情报现在可以有效地从大数据中提取出来，利用AI和ML将犯罪行为模式呈现给分析师的注意。但AI/ML算法必须首先知道他们在寻找什么。这需要事先仔细注意；编写ML模型时必须牢记精确定义的数据参数。

为了通过执法示例进行说明，可以考虑一下对有组织犯罪的调查。AI/ML算法可以帮助分析师识别相似的实体，例如，在他们不仅需要识别已知嫌疑人，还需要识别具有相似特征的嫌疑人的情况下。这种相似性体现在类似的可疑汇款模式、在同一时间和同一地点拨打同一目的地的电话等等。相似性算法分析可用数据，从中提取数百个特征，并呈现给分析师实体，这些实体可能与已知嫌疑人相似，因此与同一组织或非法活动相关联。当相似性算法与威胁评分算法相结合时，分析师还可以优先考虑哪些潜在嫌疑人可能构成最高威胁。

这样的调查至少会利用现有的执法记录，例如逮捕记录和监狱记录，来解释给定地理区域过去的犯罪活动。然而，如果调查人员结合从开源数据、商业和财务报告、交通基础设施和旅行模式以及犯罪分布模式等提炼出来的数据点，就会得到更全面的理解。这些数据可用于帮助执法机构更好地分析和准备未来的有组织犯罪趋势。

另一个例子可以在金融领域找到。在这里，人工智能/机器学习也可用于应用精心收集的统计数据，以寻找表明未来金融犯罪潜在风险的相似性。这体现在风险评分技术上，可以帮助税务机关调查逃税、评估风险并通过数据驱动的方法改进决策过程，例如评估银行记录、财务文件、发票等。

在洗钱调查的情况下，可以训练ML模型来发现无数金融交易和活动中的异常情况。机器学习算法旨在进行风险评分，计算与潜在实体相关的数百种不同特征。计算出的数据与ML算法一起对潜在实体的风险进行评分，并向分析师展示洞察力，然后分析师可以专注于他们的决策过程，现在仅基于相关数据。

综合结构化和非结构化数据的能力长期以来一直是研究的症结所在。但这里已经取得了很大进展，安全分析师不再局限于分析表格和电子表格中的结构化数据。借助先进的数据融合功能，分析师现在还能够利用包括文本文档、音频、视频和图像在内的非结构化数据。此类资产通常在刑事和国土安全调查中非常宝贵。

通过AI/ML和数据融合，分析师获得了以有意义的方式获取、标记和组织大量数据的能力。仅此一项就是决策情报向前迈出的重要一步，因为分析师和决策者现在拥有全面的情报图，而不是可能导致他们做出错误决策的零散数据点——这只是冰山一角。今天，许多组织已经准备好在他们的分析中使用机器学习。从我们最近对来自14个国家/地区的200多名CIO进行的一项调查中，我们了解到88%的人积极使用ML或将其纳入他们的技术路线图。

这使分析师可以自由地处理对已经融合、聚合、切片和切块的传入信息的实际分析，从而显着提高分析师的效率。随着AI/ML能力的提高，分析师不仅能够调查过去的事件，还能指出可能的未来，并做出明智的数据驱动决策。

我们还预计，人工智能/机器学习引导的刑事调查的全面发展将在未来带来一些重大挑战。AI/ML不会取代调查人员和分析师的经验，它们使他们能够做出有数据支持的决策，而不是依赖直觉。然而，安全组织必须确保他们使用的数据模型和算法是在高质量数据集上进行训练的，以避免无意的偏见——并且它们应该尽可能透明，以避免分析师依赖“黑匣子”的情况简单地得出结论。

预测犯罪趋势的能力已经到来，而且是变革性的。AI/ML和数据融合可以实现复杂的统计分析，利用跨众多数据源的精确定义的参数来帮助通知、增强威胁评估并确定其优先级。

这是决策智能的未来，现在是准备的时候了。

本文作者：NoamZitzman，Cognyte情报方法学主管

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。