Red Hot Cyber
La cybersecurity è condivisione. Riconosci il rischio, combattilo, condividi le tue esperienze ed incentiva gli altri a fare meglio di te.
Redazione RHC : 13 Maggio 2021 07:43
Potrebbe essere un titolo poco chiaro, è vero.
Ma oggi ci racconterà cosa è una intelligenza Artificiale, l’intelligenza artificiale più evoluta del momento, ovvero la OpenAI GPT-3.
Iscriviti GRATIS alla RHC Conference 2025 (Venerdì 9 maggio 2025)
Il giorno Venerdì 9 maggio 2025 presso il teatro Italia di Roma (a due passi dalla stazione termini e dalla metro B di Piazza Bologna), si terrà
la RHC Conference 2025. Si tratta dell’appuntamento annuale gratuito, creato dalla community di RHC, per far accrescere l’interesse verso le tecnologie digitali, l’innovazione digitale e la consapevolezza del rischio informatico.
La giornata inizierà alle 9:30 (con accoglienza dalle 9:00) e sarà interamente dedicata alla RHC Conference, un evento di spicco nel campo della sicurezza informatica. Il programma prevede un panel con ospiti istituzionali che si terrà all’inizio della conferenza. Successivamente, numerosi interventi di esperti nazionali nel campo della sicurezza informatica si susseguiranno sul palco fino alle ore 19:00 circa, quando termineranno le sessioni. Prima del termine della conferenza, ci sarà la premiazione dei vincitori della Capture The Flag prevista per le ore 18:00.
Potete iscrivervi gratuitamente all'evento utilizzando questo link.
Per ulteriori informazioni, scrivi a [email protected] oppure su Whatsapp al 379 163 8765
Supporta RHC attraverso:
Ti piacciono gli articoli di Red Hot Cyber? Non aspettare oltre, iscriviti alla newsletter settimanale per non perdere nessun articolo.
Tutto questo prima di iniziare a parlare di hacking delle AI con l’articolo “Machine learning Hacking: Attacchi contraddittori e avvelenamento dei dati”, che pubblicheremo sabato prossimo.
Spesso i diversi concetti di data science, come il machine learning (ML) e deep learning (DL), vengono confusi.
Quindi è stato chiesto alla OpenAI GPT-3, di scrivere un post per fornire alcuni chiarimenti (in modo semplificato) sulle loro definizioni di intelligenza artificiale e su come sono correlate tra loro. Questo saggio molto impressionante (e solo leggermente modificato), è stato riproposto dal noto sito r-bloggher.
Buon divertimento!
L’intelligenza artificiale è un concetto ampio e complesso che esiste da decenni.
L’intelligenza artificiale viene utilizzata per descrivere un concetto o un sistema che imita le funzioni cognitive del cervello umano. Può essere utilizzato per descrivere una situazione in cui le macchine possono agire o comportarsi in un modo che imita il comportamento umano. L’intelligenza artificiale è spesso usata per descrivere un sistema che può imparare dall’esperienza, può usare la conoscenza per svolgere compiti, ragionare e prendere decisioni.
Esistono molti tipi diversi di intelligenza artificiale. Ad esempio, ci sono sistemi esperti, reti neurali e logica fuzzy. Ora ci concentreremo sui diversi tipi di apprendimento automatico. Un modello di apprendimento automatico è un sistema di intelligenza artificiale che può apprendere da un data set e può fare previsioni o prendere decisioni basate sui dati (vedi anche Allora, cos’è veramente l’IA?).
L’apprendimento automatico è un sottoinsieme dell’intelligenza artificiale ed è un metodo con cui gli algoritmi apprendono dai dati. Può essere utilizzato per costruire modelli in grado di prevedere il comportamento futuro in base all’esperienza passata. L’apprendimento automatico viene utilizzato per analizzare set di dati di grandi dimensioni e per trovare modelli nei dati. Un esempio di un modello di apprendimento automatico è un filtro antispam che impara a distinguere tra messaggi spam e quelli normali. Esistono tre diversi tipi di machine learning. Ciascuno di essi viene utilizzato per un diverso tipo di problema.
L’apprendimento supervisionato è il tipo più comune di apprendimento automatico. Viene utilizzato per trovare modelli nei dati e viene utilizzato per prevedere il comportamento futuro in base all’esperienza passata. Nell’apprendimento supervisionato, i dati vengono suddivisi in due parti, note come set di addestramento e set di test. Il set di addestramento viene utilizzato per addestrare il modello e il set di test viene utilizzato per valutare l’accuratezza del modello.
L’obiettivo dell’apprendimento supervisionato è trovare una relazione tra variabili indipendenti e variabili dipendenti. Le variabili indipendenti sono le cose che sappiamo sui dati. Ad esempio, le variabili indipendenti sono le funzionalità utilizzate per descrivere un obbiettivo. Le variabili dipendenti sono le cose che vogliamo sapere sui dati. Ad esempio, la variabile dipendente è il profitto realizzato da un cliente specifico. La relazione tra le variabili indipendenti e le variabili dipendenti è nota come modello.
L’apprendimento supervisionato può essere utilizzato per prevedere il profitto di un cliente in base alle caratteristiche del cliente.
L’apprendimento senza supervisione viene utilizzato per estrarre dai dati informazioni di aggregazione. Nell’apprendimento senza supervisione, non esiste un set di addestramento. Il modello viene appreso dal data set stesso in modo automatico. Può anche essere utilizzato per trovare gruppi o cluster nei dati o per identificare anomalie nei dati.
L’apprendimento rafforzativo viene utilizzato per trovare un’azione o una decisione ottimale che massimizzerà una specifica ricompensa. Viene utilizzato per trovare una soluzione ottimale ad un problema. La soluzione ottimale dipende ovviamente dalla ricompensa.
L’apprendimento rafforzativo può essere utilizzato per ottimizzare diversi tipi di problemi. Ad esempio, può essere utilizzato per ottimizzare una funzione non lineare o per trovare il percorso più breve in una rete (vedere anche Reinforcement Learning: Life is a Maze ).
L’apprendimento profondo è un sottoinsieme dell’apprendimento automatico che utilizza reti neurali artificiali. Le reti neurali artificiali sono modelli computazionali che si ispirano all’architettura del cervello umano. Sono utilizzati per sviluppare algoritmi in grado di apprendere dai dati.
Il deep learning viene utilizzato per creare modelli in grado di classificare i dati o trovare modelli nei dati. L’apprendimento profondo viene utilizzato per eseguire attività complesse come il riconoscimento di oggetti, il riconoscimento vocale e la traduzione. Il deep learning è il tipo popolare di machine learning.
Abbiamo spiegato quindi, in modo semplice, la differenza tra intelligenza artificiale, machine learning e deep learning.
Abbiamo anche scoperto i tre diversi tipi di apprendimento automatico (apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo) e spiegato come sono correlati.
Fonte
RedazioneIl ransomware HellCat è apparso nella seconda metà del 2024 e ha attirato l’attenzione degli analisti grazie all’umorismo delle sue dichiarazioni pubbliche. Ricordiamo l’...
Il 28 marzo 2025, un utente del noto forum di cybersecurity BreachForums, con lo pseudonimo ThinkingOne, ha rivelato quello che potrebbe essere il più grande data breach mai registrato nel mondo ...
Quando Jeffrey Goldberg dell’Atlantic ha fatto trapelare accidentalmente un messaggio di gruppo privato di alti funzionari statunitensi su un possibile attacco contro gli Houthi nello Yemen, ha...
Ogni mese diventa sempre più evidente: le password non funzionano più. Gli hacker hanno imparato a eludere anche la protezione a due fattori sfruttando sessioni rubate e milioni di dati comp...
La pseudonimizzazione è una tecnica di protezione dei dati definita dall’art. 4(5) del GDPR. Consiste nella trasformazione dei dati personali in modo tale che non possano più essere a...
Copyright @ REDHOTCYBER Srl
PIVA 17898011006
