3. INTRODUCCIÓN
► ¿Por qué es importante la seguridad de la información ?
► ¿Qué son sistemas cognitivos ?
► ¿Qué es la seguridad cognitiva ?
► IBM Watson ?
7. ● La inteligencia artificial (IA) se puede definir como cualquier
técnica que le permite a una máquina, emular la inteligencia
humana, basándose en lógica, reglas y decisiones.
● El objetivo principal que persigue la IA es conseguir que un
computador sea capaz de resolver un problema de la misma
manera que lo haría un humano.
CONCEPTOS GENERALES – INTELIGENCIA ARTIFICIAL
8. ● El desarrollo de la IA a permitido crear innovaciones como por ejemplo, servicios de
navegación, dispositivos inteligentes para el hogar, seguridad. etc
CONCEPTOS GENERALES – INTELIGENCIA ARTIFICIAL
9. ● Mejora en aspectos del negocio. La IA crea nuevas oportunidades para el retorno de
la inversión, disminución de costos y creación de nuevas plazas relacionadas con la
ciencia de datos.
● Permite a las personas utilizar mejor su tiempo. La productividad de las personas
puede verse afectada por las tareas repetitivas. Las máquinas pueden realizar tareas
repetitivas apoyándose en la IA. Esto permite que se aproveche el tiempo en tareas
más productivas.
● Fortalecimiento de las tareas de trabajo. Con la preparación adecuada, las
personas podrán complementar sus tareas laborales con ayuda de la IA. Esta
combinación de humano - máquina se convertirá en la nueva fuerza de trabajo en el
futuro.
● Mejora el estilo de vida. El crecimiento de la IA ha mejorado el estilo de vida de las
personas con la ayuda de asistentes virtuales, hogares inteligentes, seguridad y
videovigilancia etc.
IMPORTANCIA
CONCEPTOS GENERALES – INTELIGENCIA ARTIFICIAL
10. Incrementa la automatización de procesos. La IA es capaz de realizar tareas que hasta
hace poco requerían una labor humana intensiva. El beneficio más grande es la reducción de
costos operacionales.
IMPORTANCIA
CONCEPTOS GENERALES – INTELIGENCIA ARTIFICIAL
11. ● El aprendizaje de máquina se puede definir como un sub conjunto de técnicas
de IA que mediante diversos métodos, le permite a un computador aprender la
forma de realizar tareas mediante la experiencia adquirida, todo esto sin la
necesidad de programación explícita.
● El aprendizaje automático se compone de herramientas, técnicas y algoritmos.
Los mismos que analizan datos y crean modelos para predicción o
identificación de patrones dentro de los datos
CONCEPTOS GENERALES – APRENDIZAJE DE MÁQUINA
12. Aprendizaje supervisado
El algoritmo consiste en construir un modelo para predecir / calcular una variable de
salida en función de datos de entrada. Para realizar este proceso el modelo debe haber
sido previamente entrenado con una cantidad determinada de datos. Ejemplo KNN
TIPOS DE APRENDIZAJE
CONCEPTOS GENERALES – APRENDIZAJE DE MÁQUINA
13. Aprendizaje no supervisado
En este tipo de aprendizaje, al momento de entrenar el modelo no conocemos una clase a predecir o
estimar, este tipo de aprendizaje es utilizado para obtener las posibles clases dentro de la población
(clusterizar). Ejemplo Kmeans
CONCEPTOS GENERALES – APRENDIZAJE DE MÁQUINA
TIPOS DE APRENDIZAJE
14. CONCEPTOS GENERALES - Redes Neuronales
● Las redes neuronales se definen con un conjunto de algoritmos modelados de en base
al cerebro humano.Estos modelos se crean en base a un entrenamiento y el resultado
final permite obtener salidas en función de datos de entrada. Una red neuronal
percibe patrones en datos reales como por ejemplo imágenes, sonido texto entre
otros.
15. CONCEPTOS GENERALES - Procesamiento de lenguaje natural
● El procesamiento de lenguaje natural (PLN) es un campo dentro de la IA que permite
tratar logicamente la comunicación entre máquina y humano mediante lenguas
naturales El objetivo del PLN es leer, entender y dar contexto al lenguaje humano.
● En términos generales, el PLN divide el lenguaje en piezas pequeñas, analiza
semánticamente e intenta entender las relaciones para dar un contexto a los datos
procesados.
● Debido a la complejidad del lenguaje humano es necesario combinar diferentes
técnicas que van desde métodos estadísticos, machine learning, enfoques de reglas y
algoritmos.
18. COMPUTACIÓN COGNITIVA
• El mundo genera más de 2,5 quintillones de bytes
de datos a diario, y el 80 % de ellos no está
estructurado.
• Sistemas programables son deterministas, prosperan
con datos estructurados, pero incapaces de procesar
datos cualitativos o impredecibles. Limitados para
abordar información ambigua o incierta.
• Los sistemas cognitivos son probabilísticos,
diseñados para adaptarse y dar sentido a la
complejidad e imprevisibilidad de la información no
estructurada. Pueden "leer" texto, "ver" imágenes y
"escuchar" el habla natural.
20. COMPUTACIÓN COGNITIVA
Computación cognitiva es una simulación del proceso cognitivo humano, mediante sistemas de
auto aprendizaje que utilizan minería de datos, reconocimiento de patrones y procesamiento
natural del lenguaje para emular el modo de funcionamiento del cerebro humano. Esto
permite que nuevos tipos de problemas puedan ser resueltos por la maquina, incluso en
situaciones donde existe ambigüedad y poca certeza.
CONCEPTO
22. COMPUTACIÓN COGNITIVA - Bases
• OBSERVAR
Capturar toda la información que sea posible dentro de un dominio. Sobretodo toda la
información que sea relevante para la toma de decisiones. Hay información relevante y otra que
no.
• INTERPRETAR
Establecer las relaciones no obvias dentro de un dominio de información, que interfieren o se
aplican en la toma de decisiones de un proceso.
• EVALUAR
Con la información que influyen en la toma de decisiones, saber cual es el grado de confianza
que le otorgamos a la información y; cual es el grado de confianza de la respuesta que se está
tomando en función de esa información.
• DECIDIR
Realizar la toma de una decisión de manera informada, basada en hechos, con grados de
confianza de la información
23. COMPUTACIÓN COGNITIVA - Componentes
► Procesamiento natural del lenguaje, esto para entender el
contexto y significado del lenguaje
► Aprendizaje de máquinas
► Redes neuronales
► Aprendizaje profundo
► Toma de decisiones
25. SEGURIDAD COGNITIVA
• Seguridad cognitiva entrena una nueva
generación de sistemas para que
comprenda, razone y aprenda sobre las
amenazas de seguridad, en constante
evolución.
• Crear instinto de seguridad y
experiencia en nuevas defensas que
analizan informes de investigación,
texto web, datos de amenazas y otros
datos sobre seguridad, estructurados y
sin estructurar.
• Como hacen los profesionales de
seguridad a diario – pero a mayor escala
y sin fatiga.
26. SEGURIDAD COGNITIVA
► Los sistemas cognitivos son sistemas de autoaprendizaje que utilizan
minería de datos, aprendizaje de máquina, procesamiento del lenguaje
natural e interacción ser humano– ordenador para imitar el
funcionamiento del cerebro.
► El entrenamiento del sistema se realiza mediante el análisis de un corpus de
conocimiento y se complementa introduciendo preguntas y respuestas para
generar el conocimiento. Los profesionales de seguridad mejoran este
conocimiento mediante feedback sobre la precisión de las respuestas del
sistema.
► La capacidad de detección de amenazas se refuerza también mediante la
observación de sucesos y comportamiento.
27. SEGURIDAD COGNITIVA
• Los sistemas de seguridad programables
tradicionales responden a solicitudes,
toman determinaciones y analizan datos
según unos parámetros predefinidos.
• En cambio, la seguridad cognitiva es
proactiva. Busca vulnerabilidades, conectan
puntos, detectan discrepancias y se basa en
grandes cantidades de sucesos para
alimentar la base de conocimiento.
• Las soluciones cognitivas no solo generan
respuestas, sino también hipótesis,
razonamiento basado en pruebas y
recomendaciones.
28. SEGURIDAD COGNITIVA
Los tres pilares de la seguridad cognitiva sobre los que se basan
los patrones de pensamiento del ser humano y consisten en:
► 1. Comprender y dar sentido a datos no estructurados y texto
en lenguaje natural. Incluye la capacidad de ingerir y procesar
información a partir de la "lectura" de libros, informes, blogs y
datos relevantes del sector, la “visualización” de imágenes y
la “escucha” del habla natural en su contexto.
► 2. Razonar en base a la capacidad de interpretar y organizar
información y ofrecer explicaciones de qué significa, junto con
una base lógica para realizar conclusiones.
► 3. Aprender de forma continua de los datos acumulados y los
conocimientos extraídos de las interacciones.
33. IBM WATSON
HISTORIA
• La computadora Deep Blue derrotó en un juego de ajedrez al campeón mundial de ajedrez
Garry Kasparov en 1997.
• En 2007, IBM Research inició el desarrollo un sistema informático de respuestas a preguntas de
dominio abierto, para competir con campeones en el juego de Jeopardy.
• En 2011, el sistema de respuesta a preguntas de dominio abierto denominado Watson venció a
los dos jugadores mejor clasificados en un Jeopardy de dos juegos.
• La primera implementación comercial de Watson se produjo en 2013 en el Centro de Cáncer
Memorial Sloan Kettering.
• En mayo de 2016, BakerHostetler, una firma de abogados con sede en Ohio, firmó un contrato
para la creación de un sistema experto basado en Watson para trabajar con su equipo
especializado en bancarrota de 50 personas.
34. IBM WATSON
Componentes clave de Watson:
► Apache : Framework de (UIMA) ,infraestructura y otros elementos
necesarios para el análisis de datos no estructurados.
► Apache's Hadoop: Framework que permite procesamiento de Big data
basado en Java.
► SUSE Enterprise Linux Server 11, el sistema operativo de procesador
Power7 más rápido disponible.
► 2.880 núcleos de procesador.
► 15 terabytes (TB) de RAM.
► El software DeepQA de IBM, que está diseñado para la recuperación de
información que incorpora procesamiento de lenguaje natural (PNL) y
aprendizaje automático.
35. IBM WATSON
► Watson es una plataforma de IBM que combina la (IA) y un software
analítico avanzado para "respuesta a preguntas". Funciona sobre una
supercomputadora la cual lleva el nombre del fundador de IBM,
Thomas J. Watson.
► Watson procesa a una velocidad de 80 teraflops. Para replicar la
capacidad de un humano para responder preguntas, Watson accede
a 90 servidores con un almacén de datos combinado de más de 200
millones de páginas de información, que procesa contra seis millones
de reglas lógicas.
► Las aplicaciones para la tecnología de computación cognitiva de
Watson son casi infinitas. Debido a que el dispositivo puede realizar
minería de datos y análisis complejos en grandes volúmenes de
datos no estructurados, puede admitir un motor de búsqueda o un
sistema experto con capacidades muy superiores a las existentes en
la actualidad.
37. IBM WATSON
• La plataforma de Watson se compone de varios servicios.
• Se pueden acceder a través de API’s (Interfaz de programación de aplicaciones).
39. QRADAR
● Qradar es una solución empresarial que combina la gestión de la seguridad de
la información y la gestión de la eventos de seguridad, SIEM (Security information
and event management ).
● La solución recolecta logs de datos de las empresas. Estas fuentes de datos van
desde dispositivos de red, equipos de usuario final, sistemas operativos,
aplicaciones, vulnerabilidades y actividades y comportamientos de usuarios.
● Con los datos recolectados, Qradar realiza un análisis en tiempo real de los
mismos y busca identificar actividad maliciosa y asi prevenir o minimizar daños a
la organización.
40. QRADAR
● La arquitectura del producto incluye procesadores de eventos para
recolectar, almacenar, y analizar los datos. También incluye
procesadores de recolección de flujos de red. Realiza también una
inspección profunda de paquetes a nivel de capa 7(Aplicacion).