科技行者|AI+实时监控技术提升公共服务的十种方式( 二 )


科技行者|AI+实时监控技术提升公共服务的十种方式
文章图片
麦肯锡最近发布的《利用人工智能实现智能化——对德国及其工业领域的预期影响》研究报告
?实时监控与AI(特别是无监督机器学习算法)相结合 , 能够“学习”远程机器与设备的访问行为 , 据此判断发生盗窃或破坏事件的可能性 。 将实时数据/分析与机器学习模型结合起来 , 可以帮助我们预测哪些机器或设备类型最有可能遭到盗窃或破坏 。 利用这些预测性洞见 , 公共事业部门则可以启动更强大的威慑性策略以保护自有财产 。 而将AI、实时监控与来自物理监控的连续数据加以整理 , 也能够减少误报几率、帮助监控团队提高工作效率 。
?将远程位置视频与实时监控相结合 , 可建立起关于远程位置的360度网络与物理安全视图 。 公共事业安全机制的未来必然在于数字化 , 而其核心驱动力 , 正是实时监控以及为各个远程位置建立起精准实时视图的能力 。
?一切公共事业部门的安全系统与策略都应作为整体设备、位置与网络安全体系的组成部分——而不仅是附加产物 。 只有这样 , 才能让实时监控成为可能 。 对公共事业网络中各个端点及威胁面进行保护 , 第一步应该从管理各处设施、位置及系统开始 。 在合并工作完成后 , 要进一步实现网络与物理安全保障 , 我们需要立足各个位置扩展独立的安全策略 。
?AI与机器学习将把多项安全技术集成至同一共通目标当中 , 借此开启位置智能与态势感知的新纪元 。 公共事业部门需要尽快着手研究如何在全部下辖部门及团队当中扩展物理与网络安全体系 。 机器学习技术可以通过风险评分提供可量化的信任度 , 此评分将根据每一位用户面向各系统或物理位置执行的实际访问操作而实时创建并更新 。 利用风险评分 , 我们可以量化信任度背景并准确定义当前可用的资源数量 。
?以机器学习为基础 , 不断通过用户的行为模式、上下文与设备学习各位置与系统中的访问态势 , 借此消除凭证滥用攻击 。 努力跟踪用户的行为模式 , 及其获取安全系统访问权限时的具体上下文及设备使用方式 , 从而提高安全性并改善客户体验 。 先进的机器学习算法还能够定义特定用户需要访问哪些系统与物理位置、一般访问多长时间等量化指标 。
?使用机器学习技术实时生成风险评分与安全分析结论 , 并据此调整公共事业安全网络 。 实时监控还有助于优化各安全网络 , 并跨越整体公共事业网络做出响应 。 利用实时传入数据 , 我们可以准确筛查故障排查结果 , 减少远程位置中经常出现的误报信息 。
?将实时监控数据与机器学习相结合 , 能够加快新员工风险评分速度、明确定义访问权限以简化新员工的入职培训流程 。 以风险评分为基础 , AI方案将随时间推移而不断改进 , 帮助新入职的员工加快工作速度并获取必要访问权限 , 借此提高工作效率 。 在利用连续实时数据流创建并训练预测模型时 , 我们将得出更准确的风险评分 , 并配合实时监控机制以覆盖各类设施、机械与设备 。 这一切不仅将加快新员工的上手速度 , 同时也可严格限制非必要人员与特定系统间的接触 。