Machine Learning

5 previsões de como o machine learning impactará a segurança digital

Share:

5 previsões de como o machine learning impactará a segurança digital nos próximos anos

Apostas são de Martin Ochoa e Jesus Solano, especialistas da Cyxtera 

São Paulo, 05 de setembro de 2019 – O machine learning ou aprendizado da máquina está moldando o mundo cibernético e a maneira como os usuários interagem com as empresas. A tecnologia tem provocado impactos na indústria antifraude e reforçado as soluções de segurança atuais. Pensando nisso, especialistas da Cyxtera, provedora líder de segurança digital focada na detecção e prevenção total de fraudes eletrônicas, listaram 5 previsões para o futuro da aplicação da Inteligência Artificial.

  • Aprendizado de máquina adversário: A técnica em que os algoritmos são alimentados com dados maliciosos para induzir a erros de análise é a primeira delas. Por meio dela, os cibercriminosos enganam os algoritmos de reconhecimento facial usados para identificar usuários em procedimentos de autenticação biométrica. Isso é feito com injeção de ruídos quase indetectáveis nas imagens usadas para o reconhecimento facial, eletronicamente ou por meio de adesivos físicos ou itens impressos, alterando o comportamento do algoritmo. 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.

“Essa prática deverá se tornar cada vez mais predominante no futuro”, afirma Martin Ochoa, um dos principais pesquisadores de segurança da Cyxtera.

  • 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. Para continuar com o exemplo do reconhecimento facial, os algoritmos atuais de machine learning funcionam melhor com dados brutos ou informações não anonimizadas sobre cada usuário. Isso significa que os dados armazenados são vulneráveis aos que queiram obter informações confidenciais sobre os rostos dos usuários.

“Algoritmos futuros poderão trabalhar com dados anonimizados ou criptografados, fornecendo uma forte proteção da privacidade e mantendo soluções de machine learning de alto desempenho”, aposta Jesus Solano, cientista de dados da empresa.

  • 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”, analisa Ochoa.

  • 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.

O machine learning continuará evoluindo no setor de segurança. No entanto, segundo Ochoa, 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”, finaliza Solano.

Sobre a Cyxtera Technologies

A Cyxtera Technologies é uma provedora líder de segurança digital focada na detecção e prevenção total de fraudes eletrônicas por meio de todos os dispositivos, canais e serviços na nuvem. Nossa linha de produtos abrange desde proteção contra ameaças digitais e navegação segura até autenticação multifatorial e detecção de transações anômalas, oferecendo um único destino para múltiplos serviços de prevenção contra fraudes. As atividades online de mais de 125 milhões de usuários em 460 empresas de serviços financeiros, empresas de segurança, cadeias de varejo, companhias aéreas e outras entidades em todo o mundo estão protegidas pela plataforma Proteção Total contra Fraude® da Cyxtera.

Relacionados

Cyxtera apresenta soluções contra fraudes eletrônicas no CIAB Febraban 2019

  Cyxtera apresenta novas soluções contra fraudes eletrônicas no CIAB Febraban 2019 Especialista...

Cadastro Positivo é aprovado pelo Senado e vai à sanção presidencial

São Paulo, 13 de março de 2019 – A aprovação pelo Senado Federal...