La tecnolog\u00eda de machine learning (ML) est\u00e1 moldeando el mundo digital y la forma en que los usuarios interact\u00faan con las organizaciones, generando impactos en la industria antifraude y fortaleciendo las soluciones de seguridad tradicionales.<\/p>\n
Cyxtera Technologies explica lo que se puede esperar de esta tecnolog\u00eda para el futuro y c\u00f3mo puede ser aprovechada tanto por atacantes como equipos de seguridad.<\/p>\n
1. Machine learning contradictorio: Es una t\u00e9cnica en la que los algoritmos reciben informaci\u00f3n malintencionada con el fin de que cometan errores de an\u00e1lisis. Los criminales que buscan explotar algoritmos ya cuentan con la capacidad de usar esta t\u00e9cnica, por lo que se espera que incremento su uso.<\/p>\n
“Los estafadores pueden inyectar ruido casi imperceptible, ya sea de forma electr\u00f3nica o por medio de adhesivos f\u00edsicos o elementos impresos, en las im\u00e1genes usadas para el reconocimiento facial, causando un mal comportamiento del algoritmo. Estos criminales pueden luego convencer al algoritmo de clasificar incorrectamente sus rostros, permiti\u00e9ndoles suplantar con \u00e9xito a un usuario y hackear su cuenta”, explica Michael L\u00f3pez, vicepresidente y gerente general de Total Fraud Protection de Cyxtera.<\/p>\n
2. ML para preservar la privacidad: La autenticaci\u00f3n a trav\u00e9s de reconocimiento facial es considerada como una de las formas m\u00e1s seguras de iniciar sesi\u00f3n, sin embargo, ciertos datos de gran valor para los criminales, como las im\u00e1genes de los rostros de los usuarios, son com\u00fanmente almacenadas sin cifrar en la nube y son vulnerables ante brechas de datos y dem\u00e1s ataques.<\/p>\n
“Los actuales algoritmos de ML funcionan mejor con datos sin procesar o informaci\u00f3n no an\u00f3nima sobre cada usuario. Esto quiere decir que los datos almacenados son vulnerables ante atacantes que desean obtener informaci\u00f3n sensible sobre los rostros de los usuarios. Se especula que los futuros algoritmos ser\u00e1n capaces de funcionar con datos an\u00f3nimos o cifrados, brindando protecci\u00f3n fuerte mientras soportan soluciones de machine learning de alto rendimiento”, agrega el ejecutivo.<\/b><\/p>\n
3. Plataformas de machine learning de extremo a extremo: Machine learning de extremo a extremo les permite a los desarrolladores y data scientists conectarse y trabajar de forma transparente y conjunta a lo largo de las etapas de preparaci\u00f3n de datos, selecci\u00f3n de algoritmos, desarrollo de modelos, ajuste de implementaci\u00f3n y optimizaci\u00f3n, y lanzamiento. Esto resulta en un desarrollo m\u00e1s \u00e1gil de nuevos algoritmos, lo cual, en t\u00e9rminos de seguridad se traduce en respuestas m\u00e1s r\u00e1pidas y precisas ante nuevos ataques de phishing, malware y otros.<\/p>\n
“La industria de ciberseguridad pronto ser\u00e1 capaz de aprovechar el sistema de extremo a extremo para brindar avances de machine learning m\u00e1s r\u00e1pidos y consistentes. Los procesos y tiempos de desarrollo de algoritmos podr\u00edan reducirse de meses a d\u00edas y el machine learning de extremo a extremo permitir\u00e1 a las instituciones responder con mayor velocidad ante cualquier ataque nuevo, proporcionando un an\u00e1lisis mejorado y contramedidas m\u00e1s efectivas”, explica Michael L\u00f3pez.<\/p>\n
4. Aprendizaje activo: Los algoritmos de aprendizaje activo usan machine learning para etiquetar datos autom\u00e1ticamente durante el proceso de entrenamiento del algoritmo, dejando solo una peque\u00f1a porci\u00f3n del trabajo a un anotador humano. Esto ahorra enormes cantidades de tiempo valioso y dinero a los equipos que a menudo trabajan con gigantescas cantidades de datos.<\/p>\n
“Por ahora, los algoritmos de aprendizaje activo han sido usados principalmente con fines acad\u00e9micos e investigativos, pero podemos que la industria antifraude comenzar\u00e1 r\u00e1pidamente a usar esta tecnolog\u00eda y actualmente est\u00e1 desarrollando algoritmos con aplicaciones de seguridad”, agrega Michael L\u00f3pez de Cyxtera.<\/p>\n
5. Aprendizaje de pocos intentos: El aprendizaje de pocos intentos es una forma de adaptar ciertos algoritmos, como redes neurales, con el fin de mejorar su rendimiento al momento de clasificar poblaciones de las cuales hay pocos datos. El uso de este aprendizaje se limita por ahora a aplicaciones de investigaci\u00f3n, pero los expertos de Cyxtera anticipan que en el futuro los algoritmos usados en la industria antifraude ser\u00e1n capaces de entrenarse con peque\u00f1as porciones de datos.<\/p>\n
“Es innegable que la tecnolog\u00eda de machine learning continuar\u00e1 populariz\u00e1ndose en la industria de seguridad, haciendo que la categorizaci\u00f3n y predicci\u00f3n de nueva informaci\u00f3n sea relevante para el producto. Sin embargo, como con todo nuevo desarrollo, existen aquellos con deseos de utilizarla con fines maliciosos. Al estar al tanto de los \u00faltimos desarrollos en machine learning, su instituci\u00f3n tendr\u00e1 un mejor entendimiento del futuro del fraude”, concluye Michael L\u00f3pez de Cyxtera.<\/p>\n
Fuente:<\/strong><\/p>\n El EconomistaAm\u00e9rica. (2019, 4 septiembre). Cinco predicciones sobre la pr\u00f3xima ola de machine learning. Recuperado 5 septiembre, 2019, de https:\/\/www.eleconomistaamerica.cl\/telecomunicacion-tecnologia-cl\/noticias\/10068871\/09\/19\/Cinco-predicciones-sobre-la-proxima-ola-de-machine-learning.html<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" La tecnolog\u00eda de machine learning (ML) est\u00e1 moldeando el mundo digital y la forma en que los usuarios interact\u00faan con las organizaciones, generando impactos en la industria antifraude y fortaleciendo las soluciones de seguridad tradicionales.<\/p>\n","protected":false},"author":1,"featured_media":18196,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[409],"tags":[],"class_list":["post-18195","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-machine-learning"],"yoast_head":"\n