Machine learning: o futuro da aplicação na segurança digital

* Por Michael Lopez

A Inteligência artificial vem ganhando cada vez mais espaço no setor tecnológico, sendo o machine learning a aplicação com maior destaque, pois está moldando o mundo cibernético e a maneira como os usuários interagem com as empresas. Capaz de aumentar a produtividade e eficiência operacional, essa tecnologia tem provocado impactos na indústria antifraude e reforçado as soluções de segurança atuais.

O machine learning se apresenta como uma aplicação que possibilita a sistemas realizarem tarefas que só pessoas seriam capazes. No entanto, sempre haverá alguém que achará uma forma de usá-lo com intenções maliciosas. Ao ficar por dentro dos últimos desenvolvimentos em aprendizado de máquina, as instituições poderão ter um melhor entendimento do futuro da fraude.

Com o poder de impulsionar a inteligência artificial, ao permitir a automatização total de operações, uma série de medidas preventivas são necessárias e diversas ferramentas têm sido utilizadas como maneiras de cautela, que futuramente trarão um impacto ainda maior para a segurança digital em geral. Consideramos como mais evidentes os seguintes recursos:

• Aprendizado de máquina adversário:Prática que deverá se tornar cada vez mais predominante no futuro, nesta técnica, os algoritmos são alimentados com dados maliciosos para induzir a erros de análise. Por meio dela, os cibercriminosos enganam os algoritmos de reconhecimento facial usados para identificar usuários em procedimentos de autenticação biométrica.

O rosto do fraudador é, então, classificado erroneamente, permitindo que ele assuma a identidade do usuário e invada sua conta. Atores maliciosos também podem usar machine learning para alterar o endereço de sites bancários. Muitas vezes, as URLs dessas plataformas são longas, e a maioria dos usuários não verifica a barra de endereços ao acessar um site usado com frequência.

• Machine learning para preservação da privacidade: A autenticação por meio do reconhecimento facial é considerada uma forma segura de fazer login em contas sensíveis. No entanto, dados valiosos para os fraudadores, como gravações e imagens dos rostos dos usuários, são normalmente armazenados sem criptografia na nuvem e são vulneráveis a hackers e vazamentos de dados.

É aí que o aprendizado de máquina pode entrar e oferecer uma segurança extra – mas só até certo ponto. Algoritmos futuros poderão trabalhar com dados anonimizados ou criptografados, fornecendo uma forte proteção da privacidade e mantendo soluções de machine learning de alto desempenho

• Aprendizado de máquina fim a fim: Permite que desenvolvedores e cientistas de dados se conectem e trabalhem juntos com eficiência nas etapas de preparação de dados, seleção de algoritmos, desenvolvimento de modelos, ajuste e otimização da implementação e, finalmente, lançamento. Isso agiliza a implementação de novos algoritmos, o que, em segurança, se traduz em respostas mais rápidas e precisas a novos ataques de phishing, malware e outros.

Os procedimentos e o tempo de desenvolvimento dos algoritmos podem, por exemplo, ser reduzidos de meses para dias, permitindo que as instituições respondam com mais rapidez a novos ataques e proporcionando uma otimização geral das análises e medidas de mitigação.

• Aprendizado ativo: Em fase de desenvolvimento pela indústria antifraude, os algoritmos de aprendizado ativo usam machine learning para rotular automaticamente os dados durante o treinamento, deixando apenas uma pequena parte do trabalho para o anotador humano.

Isso economiza tempo e recursos valiosos das equipes, que muitas vezes trabalham com volumes massivos de dados. Por enquanto, os algoritmos de aprendizado ativo têm sido usados, principalmente, para fins acadêmicos e de pesquisa.

• Aprendizado com dados escassos: O setor de segurança necessita que os algoritmos aprendam de um volume limitado de dados. Sem informações suficientes, as ferramentas de machine learning não são capazes de reconhecer, com precisão, novos padrões, o que pode levar a  uma rotulagem incorreta e a erros de classificação.

Como uma forma de auxílio, o Few-shot learning é uma maneira de adaptar certos algoritmos, como as Redes Neurais, para melhorar seu desempenho na classificação de populações para as quais os dados são escassos. Atualmente limitado a aplicações de pesquisa, os algoritmos usados na indústria antifraude poderão ser treinados com pequenas quantidades de dados.

* Por Michael Lopez, VP e gerente-geral de Total Fraud Protection da Cyxtera

Publicação Original