До сих пор проектами в области искусственного интеллекта в Intel занимались в нескольких командах, но теперь в корпорации решили централизовать разработку в новом подразделении.

Его роль в бизнесе Intel может оказаться значительной. Intel уже ведет разработку специализированных процессоров и программных пакетов для задач аналитики, распознавания образов и автоматизации. На задачи машинного обучения ориентирован, в частности, новый процессор Xeon Phi (Knights Mill) и набор разработки программ Deep Learning SDK.

В состав подразделения войдут также приобретенные в прошлом году компании Movidius и Nervana Systems. Процессоры Movidius предназначены для задач компьютерного зрения и применяются в беспилотных аппаратах, роботах и мобильных устройствах. А технологии Nervana предполагается использовать в специализированном высокопроизводительном процессоре для задач машинного обучения Lake Crest. В лаборатории искусственного интеллекта Intel будут заниматься новыми архитектурными и алгоритмическими подходами к работе центров обработки данных и устройств Интернета вещей.

Представьте себе робота, укладывающего в штабели коробки на складе. Внезапно он обнаруживает, что одна из коробок попала не в тот ряд, после чего возвращается и перекладывает контейнер на правильное место. Как же машина узнала о том, что была допущена ошибка?

Контролирующий робота человек не вносил в программный код никаких изменений, призванных исправлять совершенные машиной ошибки. Он даже не произнес ни слова, а просто наблюдал за происходящим, отметив для себя, что робот допустил ошибку. Машина сумела прочитать его мысли и соответствующим образом скорректировала свои действия.

Возможно, кому-то описанное здесь покажется эпизодом из фантастического фильма, но на самом деле это довольно близко к реальности.

Ученые из Бостонского университета и Лаборатории информатики и искусственного интеллекта Массачусетского технологического института объединили свои усилия в деле создания роботов, управляемых силой мысли.

Конечная цель заключается в том, чтобы превратить роботов в «естественное продолжение» человека и сделать продуктивным их сотрудничество.

«Процесс этот еще на один шаг приближает нас к органичному взаимодействию между роботами и людьми, – отметил профессор неврологии Бостонского университета Фрэнк Гюнтер. – Думаю, это упростит общение людей с самым широким классом роботов».

В данном проекте, а его реализация продолжается уже два года, ученые ставят перед собой задачу научить роботов распознавать сигналы человеческого мозга, регистрирующего ошибки.

По словам Гюнтера, выявление ошибки сопровождается довольно мощным сигналом мозга, который фиксируется и за пределами головы человека.

В ходе экспериментов на человека надевается специальный головной убор с датчиками электроэнцефалографии, которые регистрируют и записывают всю активность мозга.

Алгоритмы машинного обучения позволяют построить «систему с обратной связью», которая классифицирует сигналы мозга и выделяет из них те, что формируются при обнаружении ошибок. На выполнение соответствующих операций затрачивается от 10 до 30 миллисекунд.

Робот воспринимает сигналы мозга и исправляет допущенные ошибки.

«Выясняется, что даже при простом наблюдении за ошибочными действиями мозг выдает мощный сигнал, фиксируемый электроэнцефалографическими электродами, – подчеркнул Гюнтер. – Вот вам пример чтения мыслей совершенно безопасным и неинвазивным способом».

В ходе экспериментов роботу давали указание взять одну из двух чашек. Человек, наблюдающий за происходящим, узнавал, какую из чашек должна взять машина. Если робот ошибался, мозг человека выдавал соответствующий сигнал, после чего робот останавливался, ставил взятую ранее чашку на место и подходил к другой.

«Сигналы эти позволяют значительно повысить точность выполняемых действий, инициируя непрерывный диалог между человеком и роботом, совершающим выбор», – пояснила научный сотрудник МТИ Стефани Гил.

Когда-нибудь такими возможностями будут обладать и роботы, выполняющие определенную работу по дому или на производстве.

«Если человек носит на себе специальное устройство, мы можем использовать информацию, генерируемую его мозгом, без какого-либо дополнительного вмешательства, – подчеркнул Гюнтер. – Задача пользователя при этом значительно упрощается. Ему надо лишь следить за происходящим и фиксировать для себя неправильные действия».

Гюнтер признал, что роботы, умеющие читать человеческие мысли, очевидно, заставят некоторых понервничать, но к проводимым исследованиям это не имеет никакого отношения.

«Для считывания сигналов требуется очень сложное и дорогостоящее оборудование, – указал Гюнтер. – Сегодня до создания системы, умеющей читать любые мысли человека против его воли, еще очень далеко. И наша технология не позволяет читать мысли случайного прохожего. Для этого человек должен предварительно надеть на себя специальное оборудование».

В дальнейшем ученые намерены усовершенствовать свой алгоритм и сделать его более эффективным.

В феврале компания «Инфосистемы Джет» представила на рынке свою очередную разработку – систему противодействия мошенничеству Jet Detective, основанную на технологиях больших данных, искусственного интеллекта и машинного обучения. О том, насколько актуально данное решение и в каких еще областях помимо антифрода оно может найти применение, рассказывает Евгений Колесников, руководитель направления «Большие данные и машинное обучение» Центра программных решений «Инфосистемы Джет».

- Почему запуск платформы Jet Detective состоялся именно сейчас? Для этого созрели какие-то особые предпосылки на рынке или внутри компании?

Предпосылки созрели и внутри компании, и на рынке. Уже два года назад мы стали замечать активный рост запросов заказчиков на решения, связанные с применением больших данных, машинного обучения. И в 2016 году был пик интереса к ним. Мы получили просто вал запросов на эти темы. Предприятия понимают, зачем им нужны эти технологии и как их использовать в своих интересах. Также мы заметили, что значительным спросом стали пользоваться решения с применением методов математического моделирования, помогающие противодействовать мошенничеству. Мы уже накопили мощную экспертизу в этих областях — наш центр информационной безопасности более десяти лет внедряет системы противодействия мошенничеству.

Сегодня ситуация такова, что большинство систем сфокусировано на выполнении узкого круга задач. Например, для борьбы с фродом в системах дистанционного банковского обслуживания применяются одни решения, а для борьбы с карточным фродом или внутренним мошенничеством – совсем другие. Этот «зоопарк» – типичное явление в инфраструктуре заказчиков. В какой-то момент мы поняли, что потребности рынка, а также наша внутренняя экспертиза и наличие у нас необходимых инвестиционных ресурсов сошлись в одной точке, из которой и стала развиваться система Jet Detective. Участвуя в конкурсах и делая соответствующие проекты, мы убедились, что у нас действительно достаточно сил, ресурсов и знаний, чтобы создать свою собственную платформу по противодействию мошенничеству.

- Чем вызван повышенный интерес к решениям, основанным на технологиях Больших данных, искусственного интеллекта и машинного обучения? Почему заказчики ими заинтересовались?

Прежде всего потому, что перечисленные технологии достигли определенного уровня зрелости. Однако будем честными: они пока еще не самые зрелые из имеющихся на рынке. По некоторым параметрам тот же Apache Hive сегодня в силу своих природных ограничений и относительной молодости не может тягаться с решениями Oracle. А вот экосистема Hadoop уже действительно может эффективно использоваться крупными игроками для широкого спектра приложений. Она быстро расширяется, но с ней нужно уметь правильно работать. Сегодня найти хорошего специалиста в области машинного обучения и больших данных сложно, но все же возможно. Это второй фактор, определяющий волну спроса на данные технологии. В отрасли уже работает достаточно практикующих математиков, инженеров. Уточню: не бывших научных сотрудников, а именно практиков, которые могут применить математические знания в интересах бизнеса с помощью ИТ. Но главное, что эти инновационные подходы уже на деле доказали бизнесу свою экономическую эффективность. Сначала в сфере маркетинга, а потом в других областях, таких как идентификация, распознавание голоса, безопасность. Например, сейчас мы без математиков уже не встречаемся с заказчиками наших систем информационной безопасности – это просто бессмысленно. Заказчик теперь приводит на встречу своих экспертов, и нам необходимо вести с ними диалог на одном языке – на языке математики.

- Вы позиционируете Jet Detective как платформу для развертывания решения по борьбе с фродом, а не как конечный продукт. Почему вы не стали делать коробочное решение?

Все «коробочные» продукты при внедрении еще полгода-год дорабатываются на площадке заказчика. И очень распространена практика, когда у вендора существуют отдельные ветки разработки специфических решений под конкретного клиента. То есть каждый заказчик в итоге получает свой уникальный продукт. Если говорить о системах, предназначенных для решения бизнес-задач, то всегда подразумевается комплексное решение, внедрением которого обычно занимается интегратор во взаимодействии с вендором. Понимая все эти особенности, мы сделали Jet Detective не коробочным продуктом, а платформой, очень гибкой, с определенным набором функций, посредством которых мы можем решать конкретные бизнес-задачи организаций. Наша система открыта и прозрачна: она построена так, чтобы заказчик мог самостоятельно вносить в нее нужные изменения, исходя из того, как именно осуществляется противодействие мошенничеству и в плане управления потоками данных, и на уровне математического моделирования.

- Коллеги из «Инфосистемы Джет» утверждают, что, в отличие от альтернативных систем, Jet Detective очень быстро и точно выявляет фрод благодаря технологиям больших данных, машинного обучения и искусственного интеллекта. Разве разработчики антифрода из других компаний не используют те же технологии? Благодаря чему ваша система эффективнее остальных?

Она эффективнее потому, что решает сразу комплекс проблем и задач. Системы же конкурентов нацелены на определенные ниши. Поэтому типична ситуация, когда предприятию приходится задействовать десяток узконаправленных решений, обеспечивающих информационную безопасность. И обычно они работают независимо, то есть ничего не знают друг о друге, поскольку построены разными командами разработчиков и опираются на различные технологии. Мы же, когда приступили к созданию Jet Detective, сразу решили сделать систему универсальной и полностью абстрагировать ее от любых бизнес-сущностей, таких как клиенты, карты или финансовые счета. Для нас это просто объекты, и мы анализируем все происходящее с ними. Такой подход потребовал определенного переосмысления, потому что гораздо проще привязать аналитические алгоритмы к конкретным сущностям. Это, казалось бы, позволяет быстрее и проще сужать границы исследования. Но мы исходили из того, что система должна уметь обрабатывать любой поток выходящих данных. В идеале она должна уметь обрабатывать совместно все имеющиеся потоки – мы называем это кросс-канальным анализом. Рассматривая атомарные события, выявить фрод сложнее. Jet Detective – это высокоточная система именно потому, что она позволяет комплексно посмотреть на ситуацию с мошенничеством: во всех бизнес-приложениях предприятия, с учетом действий всех его сотрудников и даже с учетом изменений, которые вносятся в саму систему антифрода.

- Могут ли разработки, на которых основана Jet Detective, быть полезными корпоративным заказчикам в других областях, не связанных с противодействием мошенничеству?

Наша платформа довольно универсальна и может найти применение не только в банковской сфере, но также в ретейле или в промышленности. У нас уже планируется несколько пилотов на производстве, один из них – на сталелитейном заводе, где тоже идет борьба за эффективность бизнеса, только здесь речь не о противодействии мошенничеству, а о снижении брака. Производственный брак – это событие, которому предшествуют другие зафиксированные события или процессы. Отследив всю такую цепочку, можно выявить наиболее вероятные причины брака – например, изменение давления в клетях печей при выплавке стали, а также банальное воровство каких-то материалов. Все это система позволяет проанализировать и выдать заключение: на появление брака, вероятнее всего, влияет совокупность таких-то определенных событий или параметров. По сути, платформа Jet Detective может быть полезной для контроля поведения любых объектов, независимо от отраслевой принадлежности предприятия.

- Каким вы видите развитие представленной системы?

Поскольку мы говорим о платформенном решении, нас прежде всего интересует его выход в смежные области. Это, например, банковский скоринг кредитных заявок для частного и корпоративного сегментов. Также мы рассчитываем адаптировать Jet Detective для применения в промышленном секторе, где система сможет обеспечить анализ производственных процессов, поиск причин отклонений в том или ином потоке технических данных, чтобы выявить самые разные проблемы предприятий. Потенциал платформы может раскрыться и в деле выявления доходов, полученных преступным путем. Сегодня системы Anti Money Laundering сближаются с системами антифрода, так как позиция регулятора становится все жестче в противодействии отмыванию денег. Мы учитываем все эти факторы и продолжаем обогащать платформу новыми возможностями, стремясь расширить сферу ее применения.

Появившийся в облаке Google Cloud сервис Dataprep упрощает задачу предварительной обработки данных для машинного обучения. По словам специалистов Google, он автоматически распознает схемы данных, соединения и аномалии наподобие отсутствующих или дублирующихся значений, не требуя программирования. После анализа Dataprep помогает составить набор правил обработки в формате Apache Streams для импорта в сервисы Google Cloud Dataflow, BigQuery и другие.

Сервис подготовки данных для машинного обучения пользуется им и сам — для выяснения, какие из правил оказываются наиболее полезными для заказчиков.

На конференции Google Cloud Next также было объявлено об улучшении сервиса BigQuery: добавлен механизм Commercial Datasets, позволяющий напрямую загружать для обработки в хранилище информацию с сайтов AccuWeather, Dow Jones, Xignite, HouseCanary и Remine. BigQuery теперь также может опрашивать Bigtable — облачную NoSQL-базу Google для приложений, требующих быстрого доступа к данным.

Еще два объявления — пользователи рекламных сервисов Google смогут отправлять в BigQuery их статистику для анализа; в сервисе Google Cloud SQL помимо PostgreSQL отныне доступны экземпляры MySQL.

Корпоративный мир сегодня охвачен опасениями, что с ростом темпов автоматизации значительная часть рабочих мест исчезнет. Возможно, немного успокоить массовую машинофобию поможет исследование, проведенное специалистами McKinsey Global Institute.

Аналитики института пришли к выводу о том, что, хотя половину нынешних трудовых процессов можно автоматизировать, это произойдет не раньше чем в 2055 году плюс-минус 20 лет. Реальный срок будет зависеть от целого ряда факторов, таких как скачки развития искусственного интеллекта и изменения экономического климата, подчеркивает Майкл Чуи, партнер McKinsey Global Institute, ведущий автор доклада. Составители доклада проанализировали 800 специальностей и 2 тыс. профессиональных обязанностей.

В докладе McKinsey сделана попытка трезво разобраться в ситуации, тогда как все подряд средства массовой информации обещают самоуправляемые автомобили, доставку товаров и еды дронами и роботами, железных консьержей, а также многие другие инновации, прежде считавшиеся уделом далекого будущего, а сегодня грозящие вот-вот отнять у людей рабочие места.

Автоматизация — прежде всего для повторяющихся задач

Автоматизация дает предприятиям возможность улучшать результативность путем сокращения числа ошибок, повышения качества и скорости работы, а также достижения результатов, неподвластных людям. Автоматизация также позволит повышать продуктивность — на 0,8-1,4% ежегодно на протяжении десятилетий, способствуя экономическому росту и помогая компенсировать сокращение численности трудоспособного населения во многих странах, пишет Чуи. Что касается реальных последствий для различных профессий, ситуацию спрогнозировать сложнее.

По оценке Чуи, полностью автоматизированы будут лишь примерно 5% всех профессий, и на 60% всех специальностей приходится 30% рабочих задач, которые могут быть автоматизированы. В целом автоматизация будет чаще выступать как подспорье для выполнения определенных заданий, а не для полной замены людей.

Наиболее пригоден для автоматизации физический труд в жестко структурированных, предсказуемых средах, а также деятельность, связанная со сбором и обработкой данных. На долю подобных задач приходится 51% всей трудовой деятельности в США, шире всего они распространены на производстве, в гостиничной отрасли, на предприятиях общественного питания и в розничной торговле.

Машины и люди будут взаимно дополнять друг друга. Эта идея часто звучит из уст лидеров технологических компаний, например генеральный директор IBM Джинни Рометти в своем выступлении на недавнем Всемирном экономическом форуме в Давосе заявила, что автоматизация — это не противопоставление человека и машины, а симбиоз, в котором машины помогают людям.

Большинство работников, которых заменят автоматизированные системы, найдут другую работу, требующую освоения новых навыков и перехода на обновленные бизнес-процессы. «Экономический рост и создание новых рабочих мест будут обеспечиваться совместным трудом людей и роботов», — подчеркивает Чуи.

Но хотя в McKinsey уверены, что половину оплачиваемой сейчас трудовой деятельности можно автоматизировать с помощью нынешних технологий, сами темпы автоматизации, не говоря уже о ее влиянии на положение дел в мире, предсказывать очень сложно.

«Скорость развития событий будет зависеть от решений, принимаемых людьми, именно этот фактор мы и стремились учесть при построении нашей модели, — добавляет он. — Реальная картина будет определяться разработчиками технологий, политиками и бизнес-руководителями».

Прогресс искусственного интеллекта добавляет неопределенности

Невозможно точно предсказать и ускоряющие автоматизацию научные прорывы в области искусственного интеллекта, в том числе в сфере машинного обучения и обработки естественного языка, как и нельзя прогнозировать, насколько они будут способствовать созданию новых рабочих мест.

Благодаря развитию средств обработки естественного языка и машинного обучения в 2016 году произошел «кембрийский взрыв» в области систем искусственного интеллекта, готовых к массовому применению. В корпоративных ИТ-департаментах по примеру потребительских мессенджеров стали внедрять чатботы, начинают расти экосистемы вокруг персональных виртуальных помощников наподобие Amazon Alexa, а в индустрии финансовых услуг становятся нормой программные системы выдачи рекомендаций.

По словам Чуи, наблюдая, какими темпами совершенствуются машины в обработке естественного языка, сложно оценивать потенциал искусственного интеллекта в этой области: «Представляется лишь, что перспективы очень велики».

Но в большинстве ИТ-департаментов только приходит понимание, как применять искусственный интеллект, чтобы улучшить обслуживание заказчиков, отмечают в Forrester Research. Несмотря на большое желание внедрять искусственный интеллект, на многих предприятиях еще не уяснили, как его задействовать для решения конкретных задач. Кроме того, не хватает нужных специалистов.

«Не зная проторенного пути к окупаемости, во многих организациях сегодня не способны оправдать инвестиции в системы искусственного интеллекта», — пишут аналитики Forrester Роуэн и Брэндон Перселл.

Среди десятков компаний, внедривших Alexa в расчете на улучшение клиентского обслуживания, такие как Capital One, Whirlpool и Wingstop, но пока что результативность новой технологии с точки зрения бизнеса неясна. По словам ИТ-директора Wingstop Стейси Питерсон, Alexa сегодня — это по большому счету программный сервис для технически грамотных потребителей.

Тем не менее Чуи рекомендует ИТ-директорам продолжать экспериментировать с искусственным интеллектом и средствами автоматизации, которые сегодня становятся обязательными для любой бизнес-деятельности. «Думаю, со временем эффект будет проявляться все больше и больше», — заключает аналитик.

Идея идентификации людей по манере набора ими текста на клавиатуре не нова, но благодаря развитию искусственного интеллекта точность этой технологии заметно возросла, превратив ее во вполне жизнеспособную замену других форм биометрической идентификации.

Исследования в области динамики нажатия клавиш, известные также как клавиатурная биометрия или биометрия набора на клавиатуре, продолжаются уже свыше 20 лет. Технология эта уже давно используется в приложениях, которым нужно различать пользователей компьютеров, но ее широкое применение в качестве метода аутентификации сдерживалось недостаточным уровнем точности.

«Считывание» динамики нажатия клавиш основывается на поиске закономерностей при нажатии и отпускании клавиш во время обычного клавиатурного ввода. «Точность определения таких 'отпечатков при наборе' с помощью традиционных математических и статистических инструментов составляет порядка 60-70%, – указал генеральный директор и исследователь данных румынского стартапа TypingDNA Рауль Попа. – За последние десять лет в повышение точности биометрии набора инвестировались большие деньги, но реального успеха здесь удалось добиться лишь в последние два-три года благодаря совершенствованию технологий машинного обучения».

Компания TypingDNA использовала эти достижения для разработки технологии распознавания шаблонов набора на основе искусственного интеллекта. Утверждается, что ее точность превышает 99% и может достигать даже 99,9% при наличии достаточно большого объема данных о характере набора текста конкретным пользователем.

Технология предусматривает запись небольших блоков информации, характеризующих процесс набора текста пользователем с учетом времени его перемещения с одной клавиши на другую и продолжительности удержания клавиш при нажатии. Таким образом создаются уникальные шаблоны набора, содержащие до 320 различных признаков.

Технология TypingDNA накапливает статистику нажатия 44 клавиш, используемых чаще всего, и не сохраняет последовательности из двух и более клавиш, поскольку эта информация потенциально может использоваться для воссоздания набранного текста.

Распознавание нажатия клавиш не предполагает смены паролей и не используется в качестве единственного метода аутентификации. Методика эта может применяться в системах многофакторной аутентификации, а реализовать ее оказывается проще по сравнению с другими формами биометрической проверки.

Для использования отпечатков пальцев, а также средств распознавания лиц и голоса сайты должны запрашивать у пользователя разрешение на доступ к микрофонам, веб-камерам и датчикам отпечатков пальцев. А сбор данных для создания шаблонов набора можно осуществлять при помощи JavaScript без каких-либо дополнительных разрешений, если не считать тех, что браузеры уже предоставляют сайтам по умолчанию.

Для формирования профилей набора текста необходимо, чтобы пользователь ввел как минимум 60-70 символов, но эти параметры могут меняться в зависимости от конкретного характера использования сервера.

Например, при первоначальной идентификации пользователя приложение анализирует последовательность длиной 170-180 символов, а при выполнении частых повторных проверок использует более короткие строки. Если же проверки проводятся редко (к примеру, при попытке сброса пароля), последовательность символов при регистрации оказывается короче, а при проверках – длиннее.

Порог ошибки может настраиваться в зависимости от потребностей владельца приложения, помогая находить нужный баланс между точностью и удобством использования. Допустимый уровень ошибки у платформы электронного обучения, проверяющей идентичность пользователя при сдаче экзамена, как правило, выше, чем у банковской системы, контролирующей биометрические параметры при авторизации перед проведением транзакции.

С технической точки зрения возможен выбор как одного, так и нескольких алгоритмов распознавания набора. TypingDNA параллельно использует десять различных алгоритмов, благодаря чему система становится более устойчивой в части противодействия мошенникам.

Однако в конечном итоге шаблоны набора при желании можно клонировать так же, как и биометрические параметры других типов. Подобно тому как атакующий копирует отпечатки пальцев, записывает голос другого человека и получает фотографию его лица в высоком разрешении, теоретически возможно записать и длинные последовательности ввода, воспроизводя их в нужный момент для прохождения верификации.

При обсуждении технологий биометрического контроля набора текста часто возникает вопрос, как управлять отклонениями, возникающими в процессе пользовательского ввода. Когда человек, к примеру, нетрезв или у него кружится голова, он набирает текст медленнее и допускает больше ошибок, что приводит к изменению профилей набора. Травма руки также сопровождается временной невозможностью нормального набора текста.

Система TypingDNA достаточно интеллектуальна для того, чтобы распознавать отклонение от нормы, наблюдающееся при наборе на правой или левой части клавиатуры, что может свидетельствовать о нарушениях в работе одной из рук. Замедление ввода на одной половине клавиатуры компенсируется в этом случае удлинением контрольного текста и сбора дополнительных данных о наборе неповрежденной рукой.

При сильном изменении общего стиля набора успех или провал аутентификации зависит от задаваемого порога точности.

Для учета небольших изменений система выполняет так называемую продолженную регистрацию, при которой профиль набора пользователя дополняется вновь полученной информацией. К примеру, новые данные, собранные при очередной проверке, могут использоваться для коррекции ранее сохраненного шаблона набора.

Система TypingDNA предоставляет доступ к сервису аутентификации с помощью API, а разработчики могут дополнять функциональность своих приложений, используя предлагаемый им набор инструментов SDK.

В течение первой тысячи запросов на аутентификацию сервис можно опробовать бесплатно. Далее пользователям придется приобрести один из пакетов, распространяемых на условиях предоплаты и включающих в себя как базовые, так и профессиональные планы. Цены определяются объемом потребностей. Базовый пакет на 5 тыс. запросов, например, стоит 99 долл., а базовый пакет на 50 тыс. запросов обойдется покупателям в 999 долл. Компания собирается предложить клиентам и планы месячной подписки, но пока приобрести можно только пакеты на условиях предоплаты. При достижении заданного в них лимита приобретается дополнительный набор ресурсов. Доступ через API клиенты получают на сайте поставщика услуг. Утверждается, что система поддерживает пользовательский ввод на любом языке.

В настоящее время компания TypingDNA разрабатывает приложение для настольных и портативных компьютеров, выполняющее «продолженную аутентификацию». Приложение запускается в фоновом режиме и обучается шаблонам набора владельца компьютера. Если к компьютеру, оставленному без присмотра, подходит неавторизованный пользователь, система сразу блокируется.

Анализ шаблонов набора может найти применение и вне сферы аутентификации. Сейчас специалисты TypingDNA проводят исследования в области профилирования пользователей. Построена экспериментальная система, которая пытается определять пол человека, его возраст, уровень интеллекта, открытость и индивидуальность в соответствии с типологией Майерс-Бриггс на основе набора им текста.

Большое число утечек данных, о которых поставщики онлайн-сервисов сообщали на протяжении последних нескольких лет, убедительно свидетельствуют о том, что парольной аутентификации сегодня уже недостаточно. Современной нормой становятся системы двухфакторной аутентификации, использующие одноразовые пароли, которые пересылаются в SMS-сообщениях или генерируются мобильными приложениями.

Однако каналы, по которым распространяются SMS, нельзя считать безопасными, и пользователи не всегда имеют при себе мобильные телефоны. А вот основанная на методах искусственного интеллекта биометрия текстового ввода могла бы стать в интернет-среде вполне жизнеспособной альтернативой нынешним методам, особенно если учесть, что другие формы биометрии требуют специального доступа к периферийным устройствам.

Компания «Инфосистемы Джет» представила систему противодействия мошенничеству – Jet Detective. Это уже третья собственная разработка компании. Напомним, в 1998 году на российском рынке был представлен межсетевой экран «Застава-Джет», а в 2001 году – продукт для борьбы с утечками данных «Дозор-Джет».

В компании подчеркивают, что Jet Detective не является конечным продуктом, – это платформа, на основе которой могут строиться корпоративные решения, позволяющие минимизировать риски от мошеннических действий собственных сотрудников предприятий и их клиентов.

Решение о разработке и запуске данной платформы в компании считают своевременным и обоснованным. Несмотря на обилие рыночных предложений для борьбы с фродом, большинство из них не удовлетворяют растущим требованиям заказчиков по скорости срабатывания, точности определения мошеннических действий и способности предугадывать потенциальные преступные схемы злоумышленников, — утверждают представители разработчиков.

Как сказал директор Центра информационной безопасности «Инфосистемы Джет» Алексей Гришин, общение с заказчиками привело к пониманию того, что одни решения закрыты и в них внести необходимые изменения сложно, а иногда и невозможно, другие же недостаточно точны в определении фрода.

«Имеющиеся на рынке системы умеют все, но не умеют того, что на самом деле нужно, и мы решили создать антифрод таким, каким он должен быть», — подчеркнул руководитель направления решений противодействия мошенничеству Центра информационной безопасности «Инфосистемы Джет» Алексей Сизов.

Jet Detective, в отличие от альтернативных систем противодействия мошенничеству, способна очень быстро и точно выявлять фрод с минимальным количеством ложных предупреждений, утверждают разработчики. По словам Сизова, представленная система обеспечивает нужное быстродействие в четырех областях: собственно обработка данных в процессе анализа; создание и тестирование правил и политик; принятие оперативных решений по инцидентам и в процессе их расследования; а также масштабирование системы. Каждую минуту Jet Detective может собирать сотни тысяч событий и операций из множества источников, в том числе коммуникационного оборудования и ключевых бизнес-приложений. Последующий анализ каждого события занимает доли секунды.

Эффективность системы и заявленные преимущества обеспечиваются благодаря применению общих экспертных правил анализа в комплексе с технологиями машинного обучения.

Как пояснил руководитель направления «Большие данные и машинное обучение» Центра программных решений «Инфосистемы Джет» Евгений Колесников, в основу одного из методов машинного обучения, который показал хорошие результаты, положена формула, предложенная почти 300 лет назад английским математиком и проповедником Томасом Байесом.

С ее помощью Байес обосновал возможность рассчитать вероятность любого события при наступлении других событий, если между ними установлена статистическая взаимосвязь. Подобные расчеты довольно сложны и трудоемки, поэтому они получили широкое распространение лишь с появлением компьютерных технологий. Система Jet Detective использует так называемый ансамбль математических моделей на основе градиентного бустинга и леса решающих деревьев. Применение ансамбля моделей в самообучающейся системе Jet Detective позволяет выявлять подозрительные действия в автоматическом режиме, без привлечения экспертов. Даже если в организации нет своего исследователя данных (data scientist), интеллект, заложенный в систему, автоматически предотвратит известные виды мошенничества и предскажет появление новых типов фрода, отметил Колесников.

Вдобавок предложенная технологическая платформа позволяет отказаться от реляционных СУБД и дорогостоящих специализированных систем хранения и обработки данных в пользу Hadoop и серверов стандартной архитектуры, что значительно снижает стоимость конечного решения. Первое тестовое развертывание Jet Detective вообще было реализовано на кластере из нескольких офисных ПК.

Система Jet Detective ориентирована на самые разные компании — банки, торговые сети, промышленные предприятия и др. Она может быть развернута на площадке заказчика или же предоставлена из облака по модели SaaS. На сегодняшний день на базе данного решения уже реализовано несколько пилотных проектов в организациях финансового сектора и ретейла. Ожидается, что до конца года число запущенных проектов вырастет до десяти.

Функции искусственного интеллекта для современных гаджетов нередко реализуют, перенося обработку в облако, а механизм машинного обучения, созданный в Google для операционной системы Android Wear 2.0, не требует ни связи с облаком, ни мощного процессора, ни большого объема памяти.

В наручных часах на Android Wear появилась функция Smart Reply, которая предлагает на выбор стандартные ответы на входящие сообщения. Она похожа на системы прогнозирования набора при использовании экранной клавиатуры — рекомендуемые ответы подбираются по контексту беседы; например, если вам написали «Большое спасибо», в числе вариантов отклика будет «Не за что».

В Google гордятся, насколько уместными оказываются предлагаемые реплики даже на системах с ограниченными ресурсами. Механизм подбора ответов основан на принципе обучения с частичным привлечением учителя, но он не требует предварительной обработки огромного объема данных. Упрощенная система способна классифицировать фразы ограниченной длины с учетом заранее заданных правил определения эмоциональной окраски и других характеристик.

По словам разработчиков Smart Reply, функцией автоответа смогут пользоваться создатели сторонних мессенджеров.