Algorytmy uczenia maszynowego są zaprogramowane w taki sposób, aby generować dokładne przewidywania. Cały ten proces oparty jest na analizie konkretnych zestawów danych, jak wyjaśnia Mariusz Politowicz, inżynier techniczny Bitdefender. Twierdzi on przy tym, że aby ochrona była kompleksowa ten model ochrony musi jednak iść w parze z innymi rozwiązaniami bezpieczeństwa. Istotną kwestią jest również jakość i objętość zestawów danych, które posłużą za bazę, na której algorytm się “uczy”.

W sektorze cyberbezpieczeństwa uczenie maszynowe jest bardzo efektywne jeśli chodzi o ulepszanie rozwiązań chroniących przed malware, jednak wciąż kwestią problematyczną jest prawidłowość i precyzyjność zestawów danych oraz wyznaczenie wzoru przeprowadzanych ataków. Nie wyklucza się jednak roli człowieka, gdyż inżynierowie wciąż aktualizują wspomniane algorytmy i dokładają starań, aby zestawy danych służących za bazę, były prawidłowe i kompleksowe.

Uczenie maszynowe stało się popularne w branży cyberbezpieczeństwa ze względu na możliwości kategoryzowania danych i analizy złośliwego kodu w czasie rzeczywistym. Wszystko po to, aby zagrożenie nie przeniosło się na inne stacje. Jak do tej pory, uczenie maszynowe o wiele bardziej sprawdziło się w zaawansowanej ochronie punktów końcowych i powstrzymywaniu zagrożeń niż tradycyjna ochrona. Rozwiązanie, o którym mowa może być bardzo cenne dla ochrony sieci złożonych z urządzeń inteligentnych (Internet of Things network), które w ostatnim czasie są częstym celem cyberprzestępców.

Źródło: BitDefender