Umjetna inteligencija i kibernetička sigurnost: kako se sustavi napadaju i brane

Zadnje ažuriranje: 4 siječanj 2026
  • Umjetna inteligencija poboljšava i kibernetičke napade (deepfakes, napredni phishing, društveni inženjering) i obranu.
  • Strojno učenje omogućuje otkrivanje anomalija, određivanje prioriteta ranjivosti i smanjenje lažno pozitivnih rezultata u složenim okruženjima.
  • Rješenja za kibernetičku sigurnost temeljena na umjetnoj inteligenciji obuhvaćaju krajnje točke, mrežu, oblak, autentifikaciju i analitičke alate.
  • Kombinacija specijaliziranih ljudskih talenata i AI tehnologija bit će odlučujuća za buduću digitalnu sigurnost.

Umjetna inteligencija i kibersigurnost

Umjetna inteligencija i kibernetička sigurnost postale su nerazdvojne u današnjem digitalnom svijetu. Svaki klik, svaka online kupnja i svaki podatak koji prenesemo u oblak otvara potencijalna vrata napadima, ali i stvara prilike za bolju obranu. Danas umjetna inteligencija nije samo vruća tema: to je tehnologija koja redefinira način na koji se sustavi napadaju i štite.

Istovremeno, umjetna inteligencija je mač s dvije oštrice: kibernetički kriminalci oslanjaju se na nju kako bi usavršili svoje prijevare, stvorili hiperrealističan lažni sadržaj i automatizirali napade koji su prije zahtijevali značajno ljudsko vrijeme i trud. Stoga je razumijevanje kako se umjetna inteligencija koristi i za napad i za obranu ključno za svakog pojedinca ili organizaciju koja želi navigirati internetom uz minimalnu razinu sigurnosti.

vijesti o kibernetičkoj sigurnosti
Povezani članak:
Kibernetička sigurnost i ključni događaji: prijevara, špijunaža i privatnost

Umjetna inteligencija kao alat za napad: deepfakeovi, prevare i napredni phishing

Kibernetički napadi korištenjem umjetne inteligencije

Prva strana ove medalje je uznemirujuća: umjetna inteligencija demokratizirala je pristup moćnim alatima za stvaranje uvjerljivog lažnog sadržaja u velikim razmjerima. Ono što je nekada zahtijevalo napredno tehničko znanje sada je dostupno svima s računalom i malo zlobe.

U području pisanja temeljenog na tekstu, modeli slični ChatGPT-u omogućuju generiranje e-poruka, članaka i objava na društvenim mrežama s besprijekornim stilom bez grešaka - savršeno za dezinformacijske kampanje, lažne vijesti ili personalizirane prijevare. Napadači mogu prilagoditi jezik tonu tvrtke, institucije ili čak oponašati stil pisanja određene osobe.

U videu, alati poput DeepFaceLaba i drugih deepfake rješenja olakšavaju zamjenu lica u stvarnim snimkama , što gotovo onemogućuje razlikovanje originala od montirane snimke. To otvara vrata lažnim videozapisima rukovoditelja koji naručuju transfere novca, političara koji govore stvari koje nikada nisu izgovorili ili slavnih osoba koje podržavaju nepostojeće proizvode.

U audio području, softver za kloniranje glasa, poput starijeg Lyrebirda i sličnih trenutnih rješenja, može replicirati glasovne tonove s izvanrednom točnošću nakon samo nekoliko minuta snimanja. Rezultat su duboki glasovi s frazama koje stvarna osoba nikada nije izgovorila, ali koje zvuče potpuno uvjerljivo svima.

Vrlo ilustrativan primjer su telefonske prijevare u kojima kriminalci kloniraju glas rođaka žrtve. U hitnom pozivu, navodni sin, otac ili brat traži hitan prijenos broja, tvrdeći da je riječ o hitnom slučaju. Žrtva prepoznaje glas, ne sumnja u prijevaru i na kraju šalje značajnu količinu novca na račun kriminalca.

Društveni inženjering pokretan umjetnom inteligencijom: od masovnog phishinga do kirurškog kopljastog phishinga

Socijalni inženjering i phishing napadi

Socijalni inženjering uključuje manipuliranje ljudima da predaju osjetljive informacije, instaliraju zlonamjerni softver ili izvršavaju radnje koje koriste napadaču. S generativnom umjetnom inteligencijom, ove su tehnike značajno napredovale u točnosti i obimu.

Do nedavno, organiziranje ciljane phishing kampanje zahtijevalo je temeljito istraživanje žrtve : njihovih kontakata, radnih mjesta, rutina, internog žargona tvrtke... Bio je to spor i skup proces, pa se nije mogao provesti u velikim razmjerima. Danas umjetna inteligencija može pretraživati ​​društvene mreže, vijesti i javne izvore kako bi u nekoliko minuta izgradila detaljan profil ciljane osobe ili skupine.

Lažne poruke više nisu samo one e-poruke pune grešaka adresirane s "poštovani kupče": sada mogu spominjati stvarne procese tvrtke, imena kolega ili tekuće projekte . To je poznato kao spear phishing, visoko personalizirani phishing napadi koji predstavljaju samo 0,1% svih e-poruka, ali su odgovorni za otprilike 66% sigurnosnih propusta, prema studijama industrije.

Uz tradicionalne e-poruke, proširili su se i drugi prijevarni kanali: SMS (smishing), poruke na društvenim mrežama, telefonski pozivi (vishing), "zaboravljeni" USB pogoni (baiting) i manipulirani QR kodovi (QRishing) . S generativnom umjetnom inteligencijom nevjerojatno je lako proizvesti uglađene tekstove, bez gramatičkih pogrešaka i s tonom koji oponaša onaj banaka, kurirskih tvrtki, kripto platformi ili vladinih agencija.

Jedna od najčešćih tehnika je korištenje pomno izrađenih lažnih investicijskih ili kriptovalutnih platformi , gdje žrtve unose svoje vjerodajnice vjerujući da pristupaju svom legitimnom brokeru. Napadači zatim koriste te podatke za povezivanje sa stvarnim računima i ispuštanje sredstava, praktički ne ostavljajući traga.

Stvarni utjecaj kibernetičkih napada i promjena ciljeva

Ovaj porast sofisticiranosti izravno se odražava u brojkama. Prema nedavnim podacima Nacionalnog instituta za kibernetičku sigurnost (INCIBE), Španjolska je zabilježila više od 97 000 incidenata u kibernetičkoj sigurnosti u jednoj godini , s dvoznamenkastim porastom u usporedbi s prethodnom godinom. Problem nije samo tehničke prirode: izravno utječe na ugled i opstanak poduzeća.

Nije iznenađujuće da oko 64% španjolskih rukovoditelja vjeruje da bi ozbiljan kibernetički napad na imidž njihove organizacije mogao značajno oštetiti njihovo poslovanje. Osim ukradenog novca, postoje kazne za nepoštivanje propisa, gubitak povjerenja kupaca i interni troškovi upravljanja krizom.

Mogla bi vas zanimati:  Kako napraviti zmaja korak po korak sa slikama

Primarni ciljevi napadača također su se promijenili. Prije je najčešći cilj bio dobiti bankovne vjerodajnice ili izravna plaćanja putem prijevare. S široko rasprostranjenim prihvaćanjem snažnih metoda autentifikacije (poput biometrije ili dvofaktorske autentifikacije), napadači se sve više usredotočuju na instaliranje zlonamjernog softvera na uređaje kako bi stekli trajnu kontrolu, lateralno se kretali kroz mrežu i dugoročno izvukli vrijedne informacije.

Internet također potiče osjećaj anonimnosti: kriminalci se ne moraju fizički izlagati , mogu automatizirati mnoge procese i istovremeno napadati tisuće ili milijune korisnika. Dodajte tome generativnu umjetnu inteligenciju koja trenutno proizvodi tekst, zvuk i video i imate savršeno tlo za visoko sofisticirane masovne napade.

Kako umjetna inteligencija pomaže u jačanju kibernetičke sigurnosti

S obzirom na ovaj scenarij, dobra je vijest da je umjetna inteligencija također snažan saveznik za obranu . Sigurnosni timovi suočavaju se s više podataka nego ikad prije, hibridnim okruženjima (oblak + lokalna rješenja) i sve većom površinom za napad. Bez automatizacije i inteligentnih modela, praćenje bi bilo jednostavno nemoguće.

Jedna od najjasnijih primjena je brzo otkrivanje prijetnji . Rješenja poput SIEM-a, XDR-a i NDR-a generiraju i agregiraju tisuće događaja u sekundi: prijave, promjene konfiguracije, mrežni promet, zapisnike aplikacija i još mnogo toga. Većina ih je bezopasna, ali nekoliko ih ukazuje na tekući napad. Modeli umjetne inteligencije analiziraju obrasce, povezuju raspršene signale i prijavljuju samo incidente koji su zaista važni ljudskom timu.

Umjetna inteligencija također uvelike pojednostavljuje izradu izvješća i praktičnih obavještajnih podataka . Iz više izvora podataka (dnevnika, telemetrije krajnjih točaka, vanjskih podataka o prijetnjama, mrežnog prometa) može generirati jasne sažetke na prirodnom jeziku koje analitičar može odmah podijeliti s upravom, pravnim ili bilo kojim drugim odjelom na koji se to odnosi.

Još jedno ključno područje je upravljanje ranjivostima koje često ostaju nezapažene: nepoznati uređaji na mreži, neinventirane aplikacije u oblaku, neinventirani operativni sustavi ili izloženi osjetljivi podaci. Ovdje se algoritmi specijaliziraju za otkrivanje odstupanja od "normalnog stanja" okruženja.

Nadalje, generativna umjetna inteligencija pomaže u smanjenju prepreka za ulazak mlađih analitičara. Zahvaljujući konverzacijskim sučeljima, više nije potrebno znati kako pisati složene upite za istraživanje incidenta; pitanja se mogu formulirati prirodnim jezikom, a analitičari mogu dobiti ne samo podatke već i predložene korektivne radnje i strateške preporuke.

Specifične primjene umjetne inteligencije u kibernetičkoj sigurnosti

Kako bi se sve navedeno primijenilo u praksi, umjetna inteligencija se već široko koristi u više slojeva obrane , od krajnje točke do mreže, uključujući oblak i autentifikaciju korisnika.

U zaštiti i autentifikaciji lozinkom , modeli rizika analiziraju ponašanje svakog pokušaja prijave: lokaciju, uređaj, vrijeme, stil tipkanja, putanje pregledavanja itd. Kada obrazac odstupa od očekivanog, provjera se pojačava (na primjer, zahtijevanjem dodatnih koraka) ili se pokušaj blokira, smanjujući prijevaru za vrlo visok postotak.

Pri otkrivanju i sprječavanju krađe identiteta , umjetna inteligencija procjenjuje kontekst transakcije ili zahtjeva u stvarnom vremenu (promjena IBAN-a, registracija korisnika, pristup osjetljivim podacima) i u skladu s tim prilagođava razinu sigurnosti. Također uspoređuje povijesno ponašanje korisnika s njegovim trenutnim ponašanjem kako bi utvrdila podudara li se ili sugerira kompromitirani račun.

U upravljanju ranjivostima , strojno učenje određuje koje nedostatke treba prvo ispraviti na temelju vjerojatnosti iskorištavanja, kritičnosti pogođenih sustava i stvarne aktivnosti uočene na mreži. Nije dovoljno znati koje ranjivosti postoje; morate odlučiti gdje usmjeriti svoje napore.

U mrežnoj sigurnosti , modeli analiziraju promet kako bi otkrili anomalije, lateralno kretanje, curenje podataka ili komunikaciju s komandnim i kontrolnim poslužiteljima. Rješenja za detekciju i odgovor mreže (NDR) temeljena na umjetnoj inteligenciji posebno su učinkovita u tu svrhu.

Konačno, u analizi ponašanja (korisnika i sustava), algoritmi grade profil normalnosti i podižu zastavice kada nešto odstupa od obrasca: pristup u neobično vrijeme, masovni upiti bazi podataka, neuobičajena upotreba propusnosti ili izvršavanje rijetkih procesa.

Najbolji alati za kibernetičku sigurnost pokretani umjetnom inteligencijom

Na tržištu već postoji zreli ekosustav rješenja za kibernetičku sigurnost, koji u različitim stupnjevima integrira umjetnu inteligenciju i strojno učenje. Svako se fokusira na određeni aspekt problema, iako mnoge platforme obično pokrivaju cijeli ciklus: prevenciju, otkrivanje, odgovor i naknadnu analizu.

Rješenja za sigurnost krajnjih točaka temeljena na umjetnoj inteligenciji uvelike su zamijenila tradicionalni antivirusni model temeljen na potpisima. Umjesto oslanjanja na statičke popise, ovi proizvodi analiziraju ponašanje procesa i aplikacija u stvarnom vremenu, otkrivaju sumnjive obrasce i blokiraju aktivnosti prije nego što se zlonamjerni softver ukorijeni.

Vatrozidi sljedeće generacije (NGFW) s mogućnostima umjetne inteligencije ne samo da filtriraju promet prema portovima i IP adresama, već i pregledavaju sadržaj, identificiraju određene aplikacije, otkrivaju anomalne obrasce i primjenjuju dinamičke politike pristupa na temelju rizika koji izračunavaju u hodu.

Moderne SIEM platforme (Security Information and Event Management - upravljanje sigurnosnim informacijama i događajima) uključuju strojno učenje kako bi povezale događaje koji se šire po infrastrukturi. To omogućuje otkrivanje složenih incidenata koji bi, promatrani izolirano, djelovali bezopasno.

Mogla bi vas zanimati:  Što je mentalna matematika: definicija, prednosti i strategije s primjerima

U oblaku, više pružatelja usluga nudi ciljana sigurnosna rješenja temeljena na umjetnoj inteligenciji za IaaS, PaaS i SaaS okruženja. Ovi alati identificiraju nesigurne konfiguracije, sumnjiv pristup privilegiranim računima i nepravilno ponašanje u kritičnim uslugama kao što su korporativna e-pošta ili pohrana dokumenata.

Konačno, NDR rješenja temeljena na umjetnoj inteligenciji postala su ključna u složenim mrežama. Njihova glavna funkcija je slušanje prometa, izdvajanje relevantnih značajki i otkrivanje poznatih i potpuno novih obrazaca kibernetičkih prijetnji.

Reprezentativni primjeri alata koji koriste umjetnu inteligenciju u kibernetičkoj sigurnosti

Osim općih kategorija, postoje i dobro poznata konkretna rješenja koja jasno ilustriraju kako se upotreba umjetne inteligencije materijalizira u stvarnim proizvodima namijenjenima tvrtkama i krajnjim korisnicima.

Na primjer, neki proizvođači specijalizirani za Mac i Windows operativne sustave integriraju mehanizme strojnog učenja koji analiziraju ponašanje zlonamjernog softvera u stvarnom vremenu. Njihov pristup je preventivan: cilj im je zaustaviti napade prije nego što uzrokuju štetu, koristeći velike repozitorije uzoraka kako bi identificirali sličnosti s novim prijetnjama.

Druge platforme, poput onih posvećenih obrani korporativnih mreža "imunim" pristupom , oslanjaju se na modele koji uče normalno ponašanje svakog okruženja. Kada otkriju neuobičajenu aktivnost u prometu ili korisničkim radnjama, izoliraju uređaje, prekidaju potencijalno štetne veze i usavršavaju svoje algoritme sa svakim obrađenim incidentom.

Postoje i rješenja osmišljena za otkrivanje prijetnji u Officeu 365, Azure AD-u, Microsoftu 365 ili AWS- u pomoću AI modela koji kontinuirano prate korištenje ovih cloud platformi. Cijene se obično razlikuju ovisno o opsegu: od niskih mjesečnih naknada za osnovne značajke do visokih stopa za naprednu pokrivenost složenih cloud okruženja.

U području zaštite krajnjih korisnika od prijevara pojavili su se besplatni alati koji analiziraju sumnjive poruke, snimke zaslona i tekstualne poruke kako bi otkrili znakove prijevare. Ta rješenja koriste velike baze podataka poznatih prijevara, koriste obradu prirodnog jezika za prepoznavanje znakova upozorenja (hitni slučajevi, pokloni, nagrade, ucjena) i označavaju sadržaj kao opasan kada otkriju odgovarajuće obrasce.

Na tržištu vrhunskih poduzeća, cloud-native platforme za detekciju i odgovor na krajnje točke (EDR) i proširenu zaštitu (XDR) kombiniraju lagane senzore na uređajima, robusnu infrastrukturu za analitiku u oblaku pokretanu umjetnom inteligencijom i visoko vizualne konzole. Njihov je cilj smanjiti vrijeme detekcije i odgovora te sigurnosnim timovima pružiti cjelovit kontekst za svaki incident.

Obrazovanje i profesionalni profili u području umjetne inteligencije i kibernetičke sigurnosti

Potražnja za talentima koji kombiniraju dubinsko znanje o kibernetičkoj sigurnosti i umjetnoj inteligenciji brzo raste. Sveučilišta i specijalizirani centri već nude diplome i magistarske programe posebno osmišljene kako bi zadovoljile tu potrebu.

Ovi nastavni planovi i programi obično počinju od čvrstih temelja u općem računarstvu, matematici i programiranju , te napreduju prema naprednim predmetima umjetne inteligencije (strojno učenje, duboko učenje, rudarenje podataka, robotika, računalni vid) i specifičnim sigurnosnim modulima (umrežavanje, kriptografija, sigurno softversko inženjerstvo, testiranje prodorom, odgovor na incidente, računalna forenzika).

Nadalje, mnogi od ovih programa uključuju izrazito hibridne predmete, kao što su kibernetička sigurnost u AI sustavima , kibernetički sigurni AI sustavi, robusnost i objašnjivost te sigurnost u cloud i IoT okruženjima. Cilj je da budući stručnjaci budu sposobni zaštititi AI modele od napada i integrirati AI kako bi ojačali obrambene sustave.

Mogućnosti karijere su raznolike: sigurnosni administratori, razvojni inženjeri sigurnih aplikacija, sigurnosni analitičari, arhitekti rješenja, konzultanti, revizori, etički hakeri, analitičari zlonamjernog softvera, CSO/CISO te, na strani umjetne inteligencije, inženjeri inteligentnih sustava, stručnjaci za istraživanje i razvoj, stručnjaci za strojno učenje primijenjeno na sigurnost i analitičari podataka usmjereni na kibernetičke prijetnje.

Ova vrsta obuke također priprema diplomante za pridruživanje istraživačkim timovima na sveučilištima, tehnološkim institutima ili odjelima za istraživanje i razvoj tvrtki, gdje rade na novim sigurnim arhitekturama, naprednim obrambenim algoritmima i primjenama umjetne inteligencije u industrijskim, robotskim ili kibernetičko-fizičkim okruženjima.

Umjetna inteligencija, strojno učenje i duboko učenje: što zapravo rade za sigurnost

Važno je razjasniti što podrazumijevamo pod umjetnom inteligencijom, strojnim učenjem (ML) i dubokim učenjem (DL) kada govorimo o kibernetičkoj sigurnosti, jer se često tehnologije koje nisu ekvivalentne svrstava u istu grupu.

Umjetna inteligencija, općenito govoreći, obuhvaća metode koje nastoje simulirati "inteligentne" sposobnosti (rasuđivanje, učenje, donošenje odluka). Strojno učenje je podpodručje koje se fokusira na omogućavanje sustava da uče iz podataka, identificiraju obrasce i poboljšavaju svoje performanse s iskustvom.

Duboko učenje, s druge strane, koristi višeslojne neuronske mreže za obradu složenih informacija. U sigurnosti se duboko učenje koristi, na primjer, za analizu mrežnog prometa, klasifikaciju zlonamjernog softvera, otkrivanje anomalija i interpretaciju slika i zvuka, iako je obično i dalje integrirano unutar općenitijih okvira strojnog učenja.

U kibernetičkoj sigurnosti, trenutno strojno učenje uvelike je usmjereno na preciznost u određenim zadacima : s obzirom na skup podataka, pronalaženje najbolje moguće odluke unutar tog okvira. Ne "razumije" kontekst kao čovjek, ali je nenadmašno kada je u pitanju obrada velikih količina informacija i pronalaženje korelacija nevidljivih golim okom.

Najautonomnija umjetna inteligencija, sposobna za kreativno i apstraktno razmišljanje poput osobe, još je daleko od primjene u produkciji za kritične sigurnosne zadatke. Danas je idealna uloga ovih sustava proširiti mogućnosti ljudskih timova, a ne zamijeniti ih.

Ključne funkcije strojnog učenja u kibernetičkoj sigurnosti

Unutar moderne sigurnosti, strojno učenje primjenjuje se na nekoliko bitnih funkcija koje pomažu u klasificiranju, grupiranju, preporučivanju i predviđanju ponašanja povezanih s prijetnjama i ranjivostima.

Mogla bi vas zanimati:  Kriteriji za odabir AI modela: od referentnih vrijednosti do stvarnog utjecaja

Klasifikacija podataka koristi obučena pravila i modele za označavanje podatkovnih točaka: vrsta datoteke, kategorija prometa, priroda događaja. To je ključno za razumijevanje što se vidi u zapisnicima i kako se svaki element uklapa u ukupnu sliku.

Grupiranje podataka omogućuje otkrivanje zbirki rijetkih ili atipičnih događaja koji dijele neobične karakteristike. Posebno je korisno za analizu novih napada, tehnika koje se ne nalaze u bazama podataka ili obrazaca koji još nisu formalno katalogizirani.

Preporučeni postupci još su jedan tipičan rezultat strojnog učenja u sigurnosnim alatima: na temelju odluka donesenih u prošlosti u vezi sa sličnim incidentima, sustav predlaže što učiniti kada se pojavi slična situacija. Ne odlučuje sam, već pruža smjernice i štedi timu vrijeme.

Sinteza mogućnosti i prediktivno predviđanje idu korak dalje: modeliraju se scenariji napada, procjenjuju se rizici određenih konfiguracija ili radnji i predviđaju se vjerojatne posljedice. To se primjenjuje, na primjer, u otkrivanju prijevara, sprječavanju kršenja podataka i prediktivnoj zaštiti krajnjih točaka.

Praktični primjeri korištenja strojnog učenja u sigurnosti

Kako bismo to vidjeli na opipljiviji način, vrijedi pregledati neke konkretne primjere gdje strojno učenje već čini razliku u kibernetičkoj sigurnosti.

U klasifikaciji podataka i usklađenosti s propisima o privatnosti , modeli pomažu u odvajanju osobnih podataka od anonimiziranih ili manje osjetljivih podataka. To je ključno za usklađenost s propisima kao što su GDPR ili CCPA te za brzo reagiranje kada korisnik ostvari svoje pravo na pristup ili brisanje.

Profili ponašanja korisnika otkrivaju kako se svaki zaposlenik obično ponaša: rasporedi, korištene aplikacije, količine podataka i uobičajene lokacije. Iz toga se može otkriti sumnjiv pristup ili neobična aktivnost, što je više u skladu s uljezom nego s legitimnim korisnikom.

Slično tome, profili performansi sustava stvaraju se kako bi opisali kako se računalo ili poslužitelj ponaša kada je zdrav. Neobični skokovi CPU-a, prekomjerna upotreba mreže ili anomalno čitanje diska mogu ukazivati ​​na infekcije, zlonamjerne procese ili krađu podataka.

Blokiranje botova na temelju ponašanja još je jedna široko rasprostranjena primjena: razlikovanjem ljudskog i automatiziranog prometa, pristup se može filtrirati od zlonamjernih skripti i botneta koji pokušavaju ukrasti vjerodajnice, ukinuti usluge ili skidati sadržaj.

Izazovi, rizici i budućnost umjetne inteligencije u kibernetičkoj sigurnosti

Sav taj potencijal dolazi sa značajnim izazovima i ograničenjima koja se ne smiju zanemariti. Strojno učenje zahtijeva velike količine podataka za treniranje robusnih modela, ali to mora činiti uz poštivanje zakona o privatnosti i korisničkih prava.

Postoje pravci istraživanja usmjereni na anonimizaciju podataka za obuku i na tehnike koje sprječavaju rekonstrukciju osobnih podataka iz obučenih modela. Unatoč tome, napetost između potrebe za podacima i zaštite privatnosti i dalje postoji, a tvrtke moraju redovito preispitivati ​​svoje politike i pravne okvire.

Drugi problem je nedostatak osoblja s dvostrukom ekspertizom: umjetnom inteligencijom i kibernetičkom sigurnošću . Globalna potražnja daleko premašuje ponudu, što može dovesti do loših implementacija, neprilagođenih modela ili pretjeranog oslanjanja na treće strane bez dovoljnih internih kontrola.

Nadalje, umjetna inteligencija nije nepogrešiva: napadači je također koriste za testiranje novih varijanti zlonamjernog softvera, generiranje vjerodostojnih phishing napada ili čak izravno ciljanje modela (na primjer, s otrovanim podacima). Stoga ljudski nadzor ostaje ključan, a timovi moraju razumjeti kako ovi alati funkcioniraju kako bi izbjegli slijepo oslanjanje na njih.

Horizont koji se pojavljuje je ekosustav u kojem ljudski timovi i umjetna inteligencija rade ruku pod ruku : tehnologija se brine za repetitivno, obimno i brzo; ljudi doprinose kontekstu, etici, određivanju prioriteta i kreativnosti u odgovoru na incidente.

Konvergencija umjetne inteligencije i kibernetičke sigurnosti mijenja i način napada i obrane sustava, a sve ukazuje na to da će se taj trend ubrzati u nadolazećim godinama: maksimalno iskorištavanje tih mogućnosti , razvoj hibridnih profila, primjena dobrih praksi zaštite podataka i stalno održavanje ključne ljudske komponente bit će ključni za preživljavanje u digitalnom okruženju u kojem su pogreške sve skuplje.

Rafael Malagón Rodríguez

Rafael Malagón Rodríguez

Psihologinja i seksologinja po struci i stručnjakinja za coaching i obuku profesionalaca.

Kontinuirano učenje je danas ključno, a u budućnosti će biti još relevantnije. Želite li izgraditi sjajnu budućnost za sebe? Onda ne zaboravite kontinuirano proširivati ​​svoju bazu znanja. Sve to i još mnogo toga možete pronaći na https://www.formarse.es