Az ut\u00f3bbi \u00e9vekben az AI (mesters\u00e9ges intelligencia) k\u00f6r\u00fcli felhajt\u00e1s nagy m\u00e9rt\u00e9kben n\u0151tt. Az \u00f6nvezet\u0151 aut\u00f3kt\u00f3l kezdve a vil\u00e1got elpuszt\u00edt\u00f3 AI botokig terjed\u0151 f\u00e9lelmek mindennaposs\u00e1 v\u00e1ltak. Azonban a val\u00f3s\u00e1g az, hogy az AI jelenleg sokkal kev\u00e9sb\u00e9 fejlett, mint amire sz\u00e1m\u00edtottunk. Az \u00f6nvezet\u0151 aut\u00f3k p\u00e9ld\u00e1ul, amelyeket gyakran az AI j\u00f6v\u0151j\u00e9nek szimb\u00f3lumak\u00e9nt emlegetnek, m\u00e9g mindig nem elterjedtek minden k\u00f6zleked\u00e9si \u00e1gazatban.<\/p>\n\n\n\n
Ebben a blogbejegyz\u00e9sben szeretn\u00e9nk leh\u00e1ntani az AI k\u00f6r\u00fcli m\u00edtoszokat, bemutatni az \u00fczleti alkalmaz\u00e1sokat, \u00e9s megosztani olyan inform\u00e1ci\u00f3kat, amelyek seg\u00edtenek a d\u00f6nt\u00e9shoz\u00f3knak t\u00e1j\u00e9koz\u00f3dni az AI vil\u00e1g\u00e1ban.<\/p>\n\n\n\n
Az AI (mesters\u00e9ges intelligencia) \u00e9s az ML (g\u00e9pi tanul\u00e1s) kifejez\u00e9seket gyakran felcser\u00e9lve haszn\u00e1lj\u00e1k, pedig k\u00fcl\u00f6nb\u00f6z\u0151 fogalmakat jelentenek. Az AI c\u00e9lja az intelligencia l\u00e9trehoz\u00e1sa, amely kognit\u00edv k\u00e9pess\u00e9geket \u00e9s a Turing-teszt \u00e1tad\u00e1s\u00e1nak k\u00e9pess\u00e9g\u00e9t jelenti. Az AI olyan emberi cselekv\u00e9seket pr\u00f3b\u00e1l megism\u00e9telni, mint p\u00e9ld\u00e1ul egy takar\u00edt\u00f3robot l\u00e9trehoz\u00e1sa, amely hasonl\u00f3 m\u00f3don m\u0171k\u00f6dik, mint egy emberi takar\u00edt\u00f3.<\/p>\n\n\n\n
Az ML az AI egyik r\u00e9szter\u00fclete. Matematika modellekb\u0151l \u00e1ll, \u00e9s k\u00e9pess\u00e9gei az adatok \u00e9s a g\u00e9pek kombin\u00e1ci\u00f3j\u00e1n alapulnak. Az ML \u00fagy m\u0171k\u00f6dik, hogy tanul az esem\u00e9nyekb\u0151l \u00e9s rangsorolja ezeket a tanuls\u00e1gokat. Ennek eredm\u00e9nyek\u00e9nt az ML olyan cselekv\u00e9seket tud v\u00e9grehajtani, amelyeket az emberek nem tudnak, p\u00e9ld\u00e1ul hatalmas adatfolyamok \u00e1tn\u00e9z\u00e9se, mint\u00e1zatok felismer\u00e9se \u00e9s val\u00f3sz\u00edn\u0171s\u00e9gek el\u0151rejelz\u00e9se.<\/p>\n\n\n\n
Az \u00c1ltal\u00e1nos AI fogalma az, ami gyakran megr\u00e9m\u00edti az embereket, mivel ez a \u201erobot uralkod\u00f3k\u201d megtestes\u00edt\u0151je, akik lecser\u00e9lik az emberi l\u00e9nyeket. B\u00e1r ez a gondolat technikailag lehets\u00e9ges, jelenleg m\u00e9g nem tartunk itt.<\/p>\n\n\n\n
Ezzel szemben a Sz\u0171k AI egy speci\u00e1lis form\u00e1ja az AI-nak, amely nagyon konkr\u00e9t feladatokra van hangolva. Ez a f\u00f3kusz lehet\u0151v\u00e9 teszi az emberek t\u00e1mogat\u00e1s\u00e1t, tehermentes\u00edt minket az olyan munk\u00e1kt\u00f3l, amelyek t\u00fal megterhel\u0151ek vagy potenci\u00e1lisan vesz\u00e9lyesek. Nem az a c\u00e9lja, hogy helyettes\u00edtsen minket. A Sz\u0171k AI m\u00e1r most is alkalmazott k\u00fcl\u00f6nb\u00f6z\u0151 ipar\u00e1gakban, p\u00e9ld\u00e1ul aut\u00f3k gy\u00e1rt\u00e1s\u00e1ban vagy dobozok csomagol\u00e1s\u00e1ban. A kiberv\u00e9delem ter\u00fclet\u00e9n a Sz\u0171k AI k\u00e9pes elemezni tev\u00e9kenys\u00e9gi adatokat \u00e9s napl\u00f3kat, anom\u00e1li\u00e1kat vagy t\u00e1mad\u00e1si jeleket keresve.<\/p>\n\n\n\n
H\u00e1rom gyakori modellje van az AI \u00e9s az ML alkalmaz\u00e1s\u00e1nak: generat\u00edv AI, fel\u00fcgyelt ML \u00e9s fel\u00fcgyelet n\u00e9lk\u00fcli ML.<\/p>\n\n\n\n
A generat\u00edv AI egy cutting-edge (cs\u00facstechnol\u00f3gi\u00e1s) ter\u00fclet az AI-ban, amelyet olyan modellek jellemeznek, mint az LLM-ek (nagy nyelvi modellek), amelyek egy tud\u00e1skorpuszon (knowledge corpus) vannak kik\u00e9pezve. A generat\u00edv AI technol\u00f3gia k\u00e9pes \u00faj tartalmat gener\u00e1lni az adott korpuszban l\u00e9v\u0151 inform\u00e1ci\u00f3k alapj\u00e1n. A Generat\u00edv AI alkalmaz\u00e1sok p\u00e9ld\u00e1i k\u00f6z\u00e9 tartozik a ChatGPT, a Bing, a Bard, a Dall-E \u00e9s speci\u00e1lis kiber asszisztensek, mint az IBM Security QRadar Advisor with Watson vagy az MSFT Security CoPilot.<\/p>\n\n\n\n
A generat\u00edv AI legink\u00e1bb olyan esetekben hasznos, mint a brainstorming, assziszt\u00e1lt sz\u00f6vegszerkeszt\u00e9s \u00e9s kutat\u00e1s egy megb\u00edzhat\u00f3 korpusz ellen. A kiberbiztons\u00e1gi szakemberek, mint p\u00e9ld\u00e1ul a SOC \u00e9s f\u00fazi\u00f3s csapatok, haszn\u00e1lhatj\u00e1k a generat\u00edv AI-t kutat\u00e1sokhoz, hogy meg\u00e9rts\u00e9k a nulladik napi sebezhet\u0151s\u00e9geket, h\u00e1l\u00f3zati topol\u00f3gi\u00e1kat vagy \u00faj kompromitt\u00e1l\u00f3 mutat\u00f3kat (IoC). Fontos felismerni, hogy a Generat\u00edv AI n\u00e9ha \u201ehallucin\u00e1ci\u00f3kat\u201d (t\u00e9ves v\u00e1laszokat) produk\u00e1l.<\/p>\n\n\n\n
A fel\u00fcgyelet n\u00e9lk\u00fcli tanul\u00e1s azt jelenti, hogy a k\u00e9pz\u00e9si adatok \u00e9s az eredm\u00e9nyek nincsenek c\u00edmk\u00e9zve. Ez az elj\u00e1r\u00e1s lehet\u0151v\u00e9 teszi az algoritmusok sz\u00e1m\u00e1ra, hogy emberi beavatkoz\u00e1s n\u00e9lk\u00fcl vonjanak le k\u00f6vetkeztet\u00e9seket az adatokb\u00f3l, hogy megtal\u00e1lj\u00e1k a mint\u00e1kat, klasztereket \u00e9s kapcsolatokat. A fel\u00fcgyelet n\u00e9lk\u00fcli tanul\u00e1st gyakran haszn\u00e1lj\u00e1k dinamikus aj\u00e1nl\u00e1sokhoz, mint p\u00e9ld\u00e1ul a kiskereskedelmi weboldalakon.<\/p>\n\n\n\n
A kiberbiztons\u00e1gban a fel\u00fcgyelet n\u00e9lk\u00fcli tanul\u00e1s haszn\u00e1lhat\u00f3 klaszterez\u00e9sre vagy csoportos\u00edt\u00e1sra \u00e9s olyan mint\u00e1k megtal\u00e1l\u00e1s\u00e1ra, amelyek kor\u00e1bban nem voltak nyilv\u00e1nval\u00f3ak. P\u00e9ld\u00e1ul seg\u00edthet azonos\u00edtani minden olyan malware-t, amely egy bizonyos al\u00e1\u00edr\u00e1ssal rendelkezik, \u00e9s egy adott nemzet\u00e1llamt\u00f3l sz\u00e1rmazik. Az is kider\u00fclhet, ha valakik, akik r\u00e1kattintanak a phishing emailekre, nagyobb val\u00f3sz\u00edn\u0171s\u00e9ggel haszn\u00e1lnak \u00fajra jelszavakat. Egy m\u00e1sik felhaszn\u00e1l\u00e1si m\u00f3d az anom\u00e1lia detekt\u00e1l\u00e1s, p\u00e9ld\u00e1ul olyan tev\u00e9kenys\u00e9gek \u00e9szlel\u00e9se, amelyek arra utalhatnak, hogy egy t\u00e1mad\u00f3 ellopott hiteles\u00edt\u0151 adatokat haszn\u00e1l.<\/p>\n\n\n\n
A fel\u00fcgyelet n\u00e9lk\u00fcli tanul\u00e1s nem mindig a legjobb v\u00e1laszt\u00e1s. Ha az eredm\u00e9ny hib\u00e1ja nagyon nagy hat\u00e1ssal \u00e9s s\u00falyos k\u00f6vetkezm\u00e9nyekkel j\u00e1r, ha r\u00f6vid k\u00e9pz\u00e9si id\u0151re van sz\u00fcks\u00e9g, vagy ha teljes \u00e1tl\u00e1that\u00f3s\u00e1gra van sz\u00fcks\u00e9g, \u00e9rdemes m\u00e1s megk\u00f6zel\u00edt\u00e9st alkalmazni.<\/p>\n\n\n\n
A fel\u00fcgyelt tanul\u00e1sn\u00e1l a k\u00e9pz\u00e9si adatok bemenet\/kimenet p\u00e1rokkal vannak c\u00edmk\u00e9zve, \u00e9s a modell pontoss\u00e1ga a c\u00edmk\u00e9z\u00e9s \u00e9s az adathalmaz teljess\u00e9g\u00e9nek min\u0151s\u00e9g\u00e9t\u0151l f\u00fcgg. Gyakran sz\u00fcks\u00e9g van emberi beavatkoz\u00e1sra a kimenet fel\u00fclvizsg\u00e1lat\u00e1hoz, a pontoss\u00e1g jav\u00edt\u00e1s\u00e1hoz \u00e9s az esetleges elfogults\u00e1g korrig\u00e1l\u00e1s\u00e1hoz. A fel\u00fcgyelt tanul\u00e1s a legmegfelel\u0151bb el\u0151rejelz\u00e9sek k\u00e9sz\u00edt\u00e9s\u00e9hez.<\/p>\n\n\n\n
A kiberbiztons\u00e1gban a fel\u00fcgyelt tanul\u00e1st haszn\u00e1lj\u00e1k oszt\u00e1lyoz\u00e1sra, amely seg\u00edthet azonos\u00edtani a phishinget \u00e9s a malware-t. Haszn\u00e1lhat\u00f3 regresszi\u00f3ra is, mint p\u00e9ld\u00e1ul egy \u00faj t\u00e1mad\u00e1s k\u00f6lts\u00e9g\u00e9nek el\u0151rejelz\u00e9s\u00e9re a kor\u00e1bbi incidensk\u00f6lts\u00e9gek alapj\u00e1n.<\/p>\n\n\n\n
A fel\u00fcgyelt tanul\u00e1s nem a legjobb v\u00e1laszt\u00e1s, ha nincs id\u0151 a k\u00e9pz\u00e9sre, vagy nincs, aki c\u00edmk\u00e9zze vagy k\u00e9pezze az adatokat. Az is probl\u00e9m\u00e1s lehet, ha nagy mennyis\u00e9g\u0171 adatot kell elemezni, ha nincs el\u00e9g adat, vagy ha az automatikus oszt\u00e1lyoz\u00e1s\/csoportos\u00edt\u00e1s a c\u00e9l.<\/p>\n\n\n\n
A meger\u0151s\u00edt\u0151 tanul\u00e1s (Reinforcement Learning, RL) egyed\u00fcl\u00e1ll\u00f3 megk\u00f6zel\u00edt\u00e9st jelent az ML-ben, \u00e9s egy helyet foglal el a teljesen fel\u00fcgyelt \u00e9s a fel\u00fcgyelet n\u00e9lk\u00fcli tanul\u00e1s k\u00f6z\u00f6tt. Ez azt jelenti, hogy egy modellt \u00fajra kell k\u00e9pezni, amikor a megl\u00e9v\u0151 k\u00e9pz\u00e9s nem tudja el\u0151re jelezni bizonyos haszn\u00e1lati eseteket. M\u00e9g a m\u00e9lytanul\u00e1s (deep learning) is, amely hozz\u00e1f\u00e9r nagy adathalmazokhoz, kihagyhatja a kiugr\u00f3 haszn\u00e1lati eseteket, amelyeket az RL k\u00e9pes kezelni. Az RL l\u00e9tez\u00e9se implicit elismer\u00e9se annak, hogy a modellek hib\u00e1sak lehetnek.<\/p>\n\n\n\n
A generat\u00edv AI a kiberb\u0171n\u00f6z\u0151k \u00e9rdekl\u0151d\u00e9s\u00e9t is felkeltette. P\u00e9ld\u00e1ul a kiberb\u0171n\u00f6z\u0151k m\u00e1r a ChatGPT, Bard \u00e9s m\u00e1s GenAI alkalmaz\u00e1sok bevezet\u00e9s\u00e9nek napj\u00e1t\u00f3l kezdve besz\u00e9lnek arr\u00f3l, hogyan haszn\u00e1lhatj\u00e1k ezeket az alkalmaz\u00e1sokat, valamint megosztj\u00e1k tapasztalataikat \u00e9s gondolataikat azok k\u00e9pess\u00e9geir\u0151l. \u00dagy t\u0171nik, hogy a kiberb\u0171n\u00f6z\u0151k szerint a generat\u00edv AI korl\u00e1toz\u00e1sokkal rendelkezik, \u00e9s val\u00f3sz\u00edn\u0171leg n\u00e9h\u00e1ny \u00e9v m\u00falva lesz \u00e9rettebb a t\u00e1mad\u00f3k \u00e1ltali haszn\u00e1latra.<\/p>\n\n\n\n
Az AI \u00e9s az AI-alap\u00fa megold\u00e1sok alkalmaz\u00e1sakor fontos meg\u00e9rteni az AI korl\u00e1tait, kock\u00e1zatait \u00e9s sebezhet\u0151s\u00e9geit. Az AI kock\u00e1zatkezel\u00e9si keretrendszer (AI RMF), amelyet az NIST (National Institute of Standards and Technology) fejlesztett ki, ir\u00e1nymutat\u00e1sok \u00e9s bev\u00e1lt gyakorlatok sorozata, amely seg\u00edti a szervezeteket az AI technol\u00f3gi\u00e1k bevezet\u00e9s\u00e9vel \u00e9s haszn\u00e1lat\u00e1val j\u00e1r\u00f3 kock\u00e1zatok azonos\u00edt\u00e1s\u00e1ban, \u00e9rt\u00e9kel\u00e9s\u00e9ben \u00e9s kezel\u00e9s\u00e9ben.<\/p>\n\n\n\n
A k\u00f6zelj\u00f6v\u0151ben egyre gyakoribb\u00e1 v\u00e1lik, hogy a sz\u00e1ll\u00edt\u00f3k generat\u00edv AI k\u00e9pess\u00e9geket k\u00edn\u00e1lnak. Itt van n\u00e9h\u00e1ny k\u00e9rd\u00e9s, amelyeket \u00e9rdemes feltenni a t\u00e1j\u00e9kozott d\u00f6nt\u00e9s \u00e9rdek\u00e9ben:<\/p>\n\n\n\n
Az AI k\u00e9pes felhatalmazni \u00e9s seg\u00edteni minket a jobb teljes\u00edtm\u00e9ny el\u00e9r\u00e9s\u00e9ben, de nem csodaszer. Ez\u00e9rt fontos, hogy a v\u00e1llalkoz\u00e1sok megalapozott d\u00f6nt\u00e9seket hozzanak az AI-alap\u00fa eszk\u00f6z\u00f6k bels\u0151 bevezet\u00e9s\u00e9r\u0151l.<\/p>\n","protected":false},"excerpt":{"rendered":"