CommuniLink 聯通國際網絡

深度學習＋人臉辨識：將成未來安全標準！

AI 人工智能其實大家都聽了很多年，但礙於以往先天條件不足，例如硬件配置不足夠推動 AI 運算；機器深度學習的 Sample 不足；大數據分析能力欠佳等，因此一直以來都只停留在科研層面，不過近年來很多雲端服務例如是 Azure、Google 等，她們都將收集多年來的 Sample 以 Pay As You Go 的方式為開發者提供，此舉不但解決了深度學習所需要的 Sample 問題，同時亦可將 AI 的運行環境要求降低。

又 AI 又機器學習又深度學習？

AI 與機器學習、深度學習關係密不可分。機器學習通過演算法來分析資料並進行學習，最後作出相關的決定；而在這過程之中，它需要大量的資料以及演算法以完成學習的過程，愈準確的結果便需要愈大量的 Sample 讓它進行學習及演算。在早期的機器學習技術之中，它只可在有限的預先定義範圍內行動，沒有自我意識以及智慧，因此背後採用機器學習的人工智能我們會稱之為 Weak AI。現時 iPhone Siri 以及人臉辨識等，都是 Weak AI 的例子。

Weak AI 應用：AI 防火牆

很明顯，Weak AI 未必適合應用在廣泛的資安防禦問題上，事關 Weak AI 本身只可在預先定義的範圍內行動！儘管如此，採用 Weak AI 卻已可用來針對資安防禦之中狹窄的範圍，例如判斷網絡設備之中的 In/Out 流量是否可疑、判斷風險高低並自行定立規則等，從而成為一款 AI Managed Firewall 產品。

另一個 Weak AI 的例子就是人臉辨識。現今人臉辨識已可通過機器學習後懂得準確地區分出人類的性別、年紀、心情、動作以及特定的 Object，例如我們可通過臉孔作為安全登入或進出大廈的憑證。

深度學習最強 AI？

接下來到深度學習了。深度學習的原理很簡單，其實就是依照人類對生物大腦的理解而成。在大腦之中，所有神經元在一定的距離內均可連接到其他神經元，而人工的神經網絡會先將一個目標例如是影象進行抽離，例如是顏色、數字、是否移動中、高度等，抽離後的每個項目都會儲存到不同的單一神經元之中，每個單一神經元會有各自的分配權重，最終輸出的決定是綜合了所有神經元的決定而得出的。

基於這種設計，深度學習同樣地需要像人類一樣，需要參考大量的 Sample 以學懂某一樣事情！然而它會將一個物件自動抽離成多個部份，因此當該目標物件的其中一部份被遮蓋時，亦可照常辨識到該物件；再加上剛才都提過，每一個神經元都有獨立的思考模式，因此相比起 Weak AI，基於深度學習的 AI 本身將擁有更強的靈活性、更準確的判斷能力，而且更可通過不斷學習而令其判斷比人類更為準確，其中一個例子就是 Google 的 AlphaGo。

這種超強 AI 暫時仍未被應用到資安防禦範圍，現時很大程度上各家資安廠商都是以 Weak AI 的方式來開發針對指定範圍的 AI 防禦功能！未來採用深度學習的強 AI，將會製造出一種前所未見的方式以針對資安防禦，例如是一個與真人無異的機械人，以鍵盤配合上滑鼠以每秒數千次的方式檢視網絡各種活動；又或者通過採用一種 AI 封包隨時或更快一步得知可疑行為從而作出破壞，以上純粹推測，不過未來科技，甚麼都有可能；2018 年將會是 AI 以及深度學習，由研究轉向真正應用的重要一年，十分期待！

以上資訊由www.hkitblog.com提供

作者為：SAS 香港總經理 何偉信

在 2016 年，三個備受關注主要趨勢包括：客戶營銷智能、雲就緒（cloud-ready）開放式綜合分析平台，以及防止洗黑錢法規遵循。

一) 360 度全方位客戶營銷智能方案－在這數碼資訊爆炸的時代，品牌必需擺脫以往「以多取勝」的營銷策略，改而以改善「客戶體驗」為主的策略，尋求與消費者建立個人化、情感上的聯繫，才能突圍而出。要做到全方位掌握客戶的網上行為模式，從而了解客戶的喜好，需要結合多種數據分析技術如整合數據及實行等。

現時，市場營銷人員對全方位客戶營銷智能方案趨之若鶩，期望透過一個功能齊備的「數碼營銷樞紐」來進行進階數據分析的需求愈來愈大。通過彙集來自內部及外界等不同渠道的客戶數據，並將此等數據與有關客戶離線行為的數據綜合一起分析，讓市場營銷人員可以根據品牌過去與客戶的互動，進行預測及分析，藉此提供個人化的客戶體驗，以及實時與客戶互動。

在香港，銀行、保險、酒店、電訊和零售業，以及服務行業都是客戶營銷智能的主要用戶，除此之外，它們亦會運用可視化分析和數據管理解決方案。今年，香港的中小企業也開始加入這行列，因為它們需要監控業務需求的持續變化，以便調整業務策略，以在市場上保持競爭優勢。

二) 雲就緒（cloud-ready）開放式綜合分析平台－數據不斷增長，企業正面對三大問題：一）如何能夠分析零散的數據；二）如何改善數據分析的表現；三）如何迅速得到解決關鍵性問題的答案。

然而，由於 IT 預算相當有限，企業需要一個既靈活又可負擔的平台，來滿足日新月異的需求。企業正在尋找一個開放、雲就緒（cloud-ready）以及內建平台（in-memory platform），藉此提供快速及準確的分析結果。使用現代的、雲端就緒，以及可擴展的分析平台，快速解決各種分析挑戰已開始在企業中獲得流行，並幫助企業在早期進行數據探索的階段減省時間和成本。

三) 法規遵循及風險管理 – 風險管理是銀行業務發展互聯網金融的大前提，與此有關的多款智能化風險管理產品需求急劇增長，這包括交易欺詐偵測和分析、數據管理及欺詐分析、風險控制以及法規遵循解決方案等等。

越趨嚴格的監管要求亦促使許多銀行及金融機構加強其數據收集及管理系統，加強防止欺詐和檢測的能力，當中特別強調防止洗黑錢及信用損失的預測技術。不只是銀行，就連保險公司和證券公司亦紛紛尋求相關技術及產品，提防不法之徒通過購買其產品和服務進行非法資金轉移，能夠回應這類需求的技術今年獲得大幅增長。

2017 年重點數據分析科技趨勢展望

機器學習（Machine Learning）及深度學習（Deep Learning）的冒起

利用機器學習或深度學習作市場營銷有上升的趨勢，因為愈來愈多企業對實時的個人化體驗，以及實時為客戶提供建議感到興趣。

網上用戶每天都會在社交媒體、網上論壇和客戶反饋的渠道互相交流。他們會談論產品質素和整體的服務體驗，甚至表達對該品牌及產品的情緒。隨著越來越多企業對品牌和情緒分析感興趣，預計客戶將花費更多在社交聆聽（Social Listening）相關技術，協助公司整合、歸檔、分析和報告社交網絡媒體上與品牌有關的對話，藉此了解相關對話對其業務營運的具體影響。

同時，為了令物聯網（IoT）更為有用，智聯網（AoT）相關的各項技術亦備受重視。這意味着嶄新的數據管理和收集方法，以及進行串流數據分析的新方法將會出現。IoT 和串流分析（Streaming Analytics）將提供新的數據來源和業務運營模式，藉此提高不同行業的生產力，例如︰醫療、製造、零售、電訊、運輸和公共事業等。

壓力測試（Stress Testing）迎接 IFRS 9 時代

隨著 2018 年 1 月國際財務報告準則 9（IFRS 9）的落實，銀行不得不改變目前計算信用損失的方法。新規定改變了信用損失的確認方式。目前，「減值」是根據「已發生的損失」計算，而 IFRS 9 則引入了建基於預計信用損失（ECL）的模型。

由於 IFRS 9 的開發，將與壓力測試的活動同步進行，因此壓力測試有可能需要包含一套初步及未能提供全面評審的模型。金融機構必須確保此用作壓力測試的模型與會計準則的發展有相同的步伐，以及測試活動之間的各個假設具一致性。

IFRS 9 所帶來的挑戰和要求，使 IT 系統需要具備及時處理大量數據的能力。銀行和金融機構的首席財務官和首席科技官熱衷於 2018 年的最後期限之前轉型，以最適當的方式順利地過渡到 IFRS 9 的時代。為了幫助銀行和金融機構解決 IFRS 9 所帶來的挑戰，迎接新的法規和監管要求，日後所提供的解決方案將能夠幫助企業構建一個科技環境，以提供有效的文件、變更控制、模型管理、可追溯性、工作流程和審計追蹤，減低人工操作的過程。這些需求將繼續是採用數據分析的重大原因。

事實上，現時並未有一套方案可以完全用於迎合 IFRS 9 的來臨。不過，銀行和金融機構應視此更嚴格的監管要求，作為他們重新檢視其技術和數據基礎設施之契機。 所有的技術都可以成為現實，目前只是一個「採用」的問題。