Questo perciò significa che i team IT diventeranno presto ridondanti, poiché gli strumenti di sicurezza basati sull'AI saranno in grado di fare tutto? In sostanza, no. Ma per fornire una risposta più approfondita, prima dobbiamo capire cos'è l'apprendimento automatico nella cybersecurity e cosa riserverà questa tecnologia in futuro alle imprese.

Cos'è l'apprendimento automatico?

L'apprendimento automatico o machine learning si riferisce alla capacità degli algoritmi di imparare modelli da dati esistenti e di usare queste conoscenze per prevedere i risultati relativi a dati nuovi e in precedenza sconosciuti, senza essere stati programmati in modo esplicito. Più informazioni vengono fornite al motore di apprendimento automatico, più dati sarà in grado di analizzare e, di conseguenza, maggiore sarà la sua accuratezza.

Ma cosa significa che una macchina "impara" dai dati esistenti? Mentre la tradizionale programmazione esegue compiti semplici e prevedibili, attenendosi rigorosamente a istruzioni dettagliate, l'apprendimento automatico consente alla macchina di insegnare a sé stessa attraverso l'esperienza. In altre parole, imita il comportamento umano nella risoluzione dei problemi.

Ma il fatto che l'apprendimento automatico possa migliorarsi autonomamente non è l'unico motivo per cui questi modelli sono così diffusi nel panorama digitale. Le enormi moli di informazioni che oggi le aziende di diversi settori devono gestire sono diventate troppo sterminate perché gli esseri umani possano affrontarle solo con le proprie forze: di conseguenza, le imprese si affidano all'apprendimento automatico per elaborare questi dati e generare rapidamente informazioni utili e concrete.

Ad esempio, una tecnica di ML chiamata "albero decisionale" risolve i dilemmi di classificazione e utilizza specifiche condizioni o regole nel processo decisionale. Questa particolare tecnica è usata su larga scala sia nel settore della tecnofinanza (per l'approvazione dei mutui e l'affidabilità creditizia) che nel marketing.

Le soluzioni di machine learning risultano utili alle aziende anche per la raccolta, l'organizzazione e l'analisi di grandi volumi di dati della clientela, come ad esempio la cronologia degli acquisti o il comportamento tipico di un singolo cliente, incluse le sue abitudini di navigazione online. Grazie all'analisi di questi dati, le aziende possono quindi consigliare prodotti pertinenti e in linea con le preferenze della propria clientela. 

Pensiamo ad esempio a Netflix: grazie a un modello basato sull'apprendimento automatico, esamina le cronologie di visualizzazione sulla piattaforma per suggerire contenuti che potrebbero interessare agli utenti. Ciò aumenta il tempo trascorso dagli utenti a guardare i contenuti di Netflix, nonché la loro soddisfazione complessiva. In modo analogo, i modelli di ML raccolgono informazioni rilevanti per l'utente specifico nel feed di Facebook, arrivando addirittura a moderare i contenuti su Instagram.

L'apprendimento automatico può anche aumentare la sicurezza informatica di un'azienda, rilevando e rispondendo alle minacce più velocemente di quanto possano fare degli analisti in carne e ossa. Tutto questo ha portato alla nascita del termine "sicurezza basata sull'apprendimento automatico" che, pur essendo ancora un settore piuttosto di nicchia, descrive come il ML viene utilizzato per compiti di sicurezza come la rilevazione di malware o attività di rete insolite. Grazie alla sua capacità di gestire enormi moli di dati, l'apprendimento automatico è diventato uno strumento fondamentale per mantenere al sicuro i sistemi.

Inoltre, nella maggior parte degli strumenti automatizzati di assistenza clienti, di solito le persone interagiscono con una macchina piuttosto che con un altro essere umano. Questi chatbot sono in grado di rispondere a domande di base e di indirizzare l'utente a contenuti pertinenti sul sito.

Infine, l'apprendimento automatico gioca un ruolo di enorme importanza anche in ambito sanitario: questi modelli possono infatti essere addestrati per esaminare immagini o altre informazioni mediche, alla ricerca di sintomi specifici di diverse malattie.

L'importanza della qualità dei dati nella sicurezza basata sull'apprendimento automatico

Per ottenere il massimo dall'apprendimento automatico, è necessario fornire dati di alta qualità a questo strumento. Possiamo vederla in questo modo: il ML è in grado di compiere analisi e di imparare solo basandosi su ciò che gli viene fornito e, di conseguenza, se i dati sono di scarsa qualità lo saranno anche le deduzioni formulate dallo strumento. Questo aspetto è particolarmente cruciale per le aziende che utilizzano l'apprendimento automatico a supporto del processo decisionale: in assenza di dati di qualità, i modelli ML possono portare a decisioni sbagliate.

Oltre all'accuratezza, la sicurezza basata sull'apprendimento automatico è un componente fondamentale anche della qualità dei dati. Le informazioni sensibili devono essere adeguatamente preparate e protette prima di inserirle nei modelli ML; infatti alcune piattaforme di apprendimento automatico, benché potenti, presentano vulnerabilità che potrebbero far trapelare i dati in caso di gestione non attenta. In breve, i dati di qualità devono essere tanto precisi quanto sicuri.

I quattro tipi di apprendimento automatico

L'apprendimento automatico viene tradizionalmente suddiviso in quattro grandi sottocategorie, a seconda della specifica modalità di apprendimento della macchina:

  • Apprendimento automatico supervisionato: questi modelli sono ampiamente basati su "insegnanti", il che significa che vengono addestrati con set di dati etichettati, che consentono loro di apprendere e diventare sempre più accurati col passare del tempo. Ad esempio, se si vuole insegnare a un algoritmo a riconoscere i gatti, occorrerà fornirgli immagini di gatti e altri soggetti, a cui sono state preventivamente assegnate delle etichette da persone in carne e ossa.

  • Apprendimento automatico non supervisionato: cerca schemi ricorrenti ed elementi comuni all'interno dei dati. Questo tipo di apprendimento automatico riesce perciò a individuare somiglianze e tendenze che gli esseri umani non cercano consapevolmente.

  • Apprendimento automatico semi-supervisionato: si colloca a metà strada tra l'apprendimento supervisionato e quello non supervisionato. In questo caso, il modello viene addestrato fornendogli una piccola quantità di dati con etichette e un gran numero di dati che ne sono privi. Questo tipo di apprendimento è utile quando esistono molti dati non etichettati e sarebbe troppo difficile (o costoso) categorizzarli tutti.

  • Apprendimento automatico per rinforzo: significa che un algoritmo impara nuovi compiti interagendo con un ambiente dinamico. Qui viene ricompensato per le azioni corrette, che si sforza quindi di massimizzare, mentre viene punito per quelle errate. Questo tipo di apprendimento automatico è molto usato nella sicurezza informatica, dal momento che permette di ampliare la gamma di rilevamento degli attacchi informatici.

Casi d'uso dell'apprendimento automatico nella sicurezza informatica

Poiché la sicurezza informatica è un ambito altamente dinamico in cui minacce, tecnologie e normative sono in costante evoluzione, un aspetto dell'apprendimento automatico che risulta molto utile è la sua agilità.

I modelli basati su ML riescono a elaborare enormi quantità di dati e, di conseguenza, a rilevare tempestivamente problemi critici. Ciò significa che l'apprendimento automatico permette alle organizzazioni di individuare diverse tipologie di pericoli, come malware, violazioni di politiche o minacce interne, attraverso il monitoraggio costante della rete alla ricerca di anomalie. 

Questo è possibile perché gli algoritmi che usano il ML imparano a identificare, ad esempio, nuovi file o attività dannosi sulla base di attributi e comportamenti di malware rilevati in precedenza. Questo tipo di identificazione delle minacce, abbinato a solidi feed di threat intelligence, aiuta i team a giocare d'anticipo sui pericoli emergenti, anziché reagire a danno ormai fatto.

L'apprendimento automatico si rivela inoltre un ottimo strumento per filtrare dalle caselle di posta aziendali le email di spam non richieste, indesiderate e infettate da virus, che possono contenere allegati dannosi come malware o ransomware. Ad esempio, il modello di apprendimento automatico usato da Gmail non solo passa al setaccio lo spam, ma genera anche nuove regole basate su ciò che ha appreso in passato. I metodi di ML, abbinati a tecniche di elaborazione del linguaggio naturale, sono inoltre in grado di rilevare i domini di phishing basandosi su caratteristiche e funzionalità che li distinguono da quelli legittimi.

L'ultimo aspetto, ma non per importanza, è che l'apprendimento automatico può offrire un notevole supporto all'individuazione e alla prevenzione delle frodi online. Usando algoritmi di ML, le aziende possono identificare attività sospette nei dati delle transazioni: questi algoritmi sono infatti addestrati per riconoscere le normali procedure di pagamento e segnalare invece quelle sospette. I motori basati su ML possono anche essere sviluppati per individuare quando i criminali informatici cambiano le proprie tattiche, poiché si riaddestrano in modo automatico per riconoscere nuovi modelli di frodi. I moderni algoritmi di apprendimento automatico sono in grado di adattarsi ai nuovi meccanismi di frode nel giro di poche ore, anziché di settimane.

Questi esempi illustrano solo alcuni dei diversi casi d'uso dell'apprendimento automatico nella sicurezza informatica; ma ne esistono molti altri, come ad esempio la gestione delle vulnerabilità, che possono avere notevoli ripercussioni sulla sicurezza informatica delle aziende.

Stiamo parlando di AI, apprendimento automatico o apprendimento profondo?

Questi tre termini – intelligenza artificiale, apprendimento automatico e apprendimento profondo (deep learning, DL) – sono spesso usati erroneamente come sinonimi. Abbiamo già dato una definizione dell'apprendimento automatico, perciò ora vediamo quali rapporti lo legano all'intelligenza artificiale e all'apprendimento profondo.

L'intelligenza artificiale, in senso lato, è un insieme di tecnologie che consentono ai computer di eseguire diversi compiti avanzati in modo simile a come gli esseri umani risolvono i problemi: ciò rende l'apprendimento automatico un sottocampo dell'intelligenza artificiale.

A sua volta l'apprendimento profondo, o deep learning, è un sottoinsieme dell'apprendimento automatico, che imita la struttura e le funzioni del cervello umano. Questi sistemi utilizzano reti neurali artificiali che funzionano come i neuroni nel cervello; gli equivalenti di questi neuroni, detti "nodi", vengono impiegati da chatbot e veicoli a guida autonoma.

Le differenze tra apprendimento automatico, intelligenza artificiale, apprendimento profondo e le implicazioni per la cybersicurezza

Anche se l'apprendimento automatico comporta dei problemi quando viene applicato alla sicurezza informatica (ad esempio, la difficoltà di raccogliere un numero elevato di specifici campioni di malware da cui la macchina ML può imparare), rimane comunque l'approccio e il termine più comune usato per descrivere le applicazioni di AI in questo settore.

Nei casi in cui l'apprendimento automatico superficiale (o tradizionale) non è sufficiente, dovrebbe essere usato l'apprendimento profondo: ad esempio quando ci si occupa di dati caratterizzati da un'elevata complessità, come immagini e testi non strutturati, oppure quando devono essere prese in considerazione le dipendenze temporali.

Tre cerchi uno dentro l'altro che mostrano la gerarchia di AI, apprendimento automatico e apprendimento profondo con le relative definizioni

Il futuro dell'apprendimento automatico nella sicurezza informatica

Di questi tempi, mentre spopolano gli strumenti di AI, è facile vedere come questa tecnologia possa eseguire in modo migliore dei compiti specifici rispetto a noi umani; ma per fortuna (o sfortuna), l'apprendimento automatico non è una panacea per tutto ciò che riguarda la cybersecurity. In ogni caso, offre e continuerà a offrire un notevole supporto ai team di cybersecurity o IT, alleggerendo il loro carico di lavoro.

Poiché molti dispositivi (come telefoni e computer) si collegano ogni giorno alle reti aziendali, per i team IT sarebbe praticamente impossibile monitorarli tutti; ma con la profilazione dei dispositivi basata sull'AI, è possibile migliorare il riconoscimento dei dispositivi endpoint e comprendere meglio il tipo e la quantità di endpoint che si connettono alla rete. In questo modo è possibile creare regole di segmentazione efficaci e impedire la connessione di dispositivi indesiderati (tra cui, potenzialmente, anche quelli di persone malintenzionate). L'aggiornamento di questi modelli con nuove informazioni sulle minacce mantiene i sistemi di cybersecurity al passo con le effettive tattiche usate in quel momento dai criminali informatici.

L'uso dell'apprendimento automatico può inoltre migliorare la cybersecurity aiutando il reparto IT a sviluppare raccomandazioni sulle politiche relative ai dispositivi di sicurezza, come ad esempio i firewall. In questo caso, l'apprendimento automatico comprende quali dispositivi sono connessi alla rete e quali sono i loro comportamenti normali. A loro volta, i sistemi basati su ML possono fornire automaticamente suggerimenti specifici; in questo modo, il personale non dovrà districarsi tra diversi elenchi di controllo degli accessi in conflitto per ciascun dispositivo e segmento di rete. Con il progressivo sviluppo dell'intelligenza artificiale e dell'apprendimento automatico, ci si aspetta che queste raccomandazioni si estendano a una gamma più ampia di decisioni riguardanti le politiche interne.

L'integrazione dell'AI nella sicurezza, in particolare attraverso l'apprendimento automatico, può quindi migliorare notevolmente il modo in cui la tua infrastruttura di cybersecurity si adatta al panorama IT in costante evoluzione. Ogni giorno che passa aumentano i dispositivi e le minacce online, mentre le risorse umane disponibili per occuparsene scarseggiano sempre più: in un contesto di questo tipo, l'apprendimento automatico può aiutare ad affrontare molti scenari e situazioni complessi di sicurezza informatica su larga scala, mantenendo al contempo una sorveglianza costante 24 ore su 24, 7 giorni su 7.

Come l'AI e l'apprendimento automatico rafforzano i sistemi di sicurezza

Il ruolo dell'AI e dell'apprendimento automatico nella cybersecurity ha visto una crescita repentina, perché i criminali informatici agiscono più velocemente di quanto gli analisti umani riescano a reagire. I moderni sistemi di cybersecurity oggi si affidano ad algoritmi di apprendimento automatico per analizzare in pochi secondi enormi volumi di log, avvisi e segnali di rete: un'attività che costerebbe a un team di sicurezza diversi giorni di lavoro manuale.

Analisi comportamentale per individuare attività insolite

Imparando a riconoscere il comportamento abituale di ogni utente, dispositivo e account, gli algoritmi di apprendimento automatico possono segnalare accessi insoliti, download di file sospetti, tentativi di phishing, attività di malware e rischi di sottrazione del controllo degli account. Questa identificazione più accurata aiuta i team a individuare le minacce che tendono a sfuggire agli strumenti basati su firma.

Risposta più rapida agli incidenti e definizione delle priorità degli avvisi

Quando scatta un allarme, l'AI e l'apprendimento automatico possono classificarlo in base alla gravità, metterlo in relazione con eventi correlati e inserire direttamente il risultato nel flusso di lavoro di risposta agli incidenti. Un'identificazione più rapida e accurata consente di arginare le minacce emergenti prima che si diffondano e fornisce al centro operativo di sicurezza (SOC) un quadro più chiaro delle priorità da affrontare.

Meno lavoro manuale per i team di sicurezza

Il triage di routine, la revisione dei log e l'ottimizzazione delle politiche sono tutte attività che sottraggono tempo prezioso agli analisti: automatizzare i compiti ripetitivi permette ai sistemi di cybersecurity di crescere, senza che il personale debba aumentare di pari passo. I risultati sono un flusso di lavoro più agile e maggiore tempo a disposizione per attività strategiche come la ricerca di minacce e le simulazioni.

La supervisione umana rimane fondamentale

Anche i modelli più potenti generano falsi positivi e alcuni attacchi sembrano innocui finché un essere umano non prende in esame l'intero contesto. Gli analisti verificano i risultati, perfezionano i modelli e prendono le decisioni che le macchine non sono ancora in grado di affrontare autonomamente. L'AI e l'apprendimento automatico rappresentano per i team di sicurezza un valido supporto, non un rimpiazzo.

Le sfide dell'apprendimento automatico nella cybersecurity

Proprio come avviene in quasi tutti gli aspetti della vita, ciò che è in grado di apportare un maggior valore comporta inevitabilmente una serie di problematiche da affrontare. Dopotutto, non si può pensare di conseguire ottimi risultati senza prima compiere degli sforzi, e questo vale anche per l'utilizzo dell'apprendimento automatico nella sicurezza informatica. Può essere incredibilmente potente, ma per riuscire a sfruttarlo al meglio occorre superare alcuni ostacoli lungo il percorso. Ecco quindi alcune delle sfide che potresti affrontare quando scegli di usare il ML per la sicurezza dei dati:

  • Adattamento alle minacce: le minacce informatiche stanno diventando sempre più complesse e sofisticate, pertanto è necessario sottoporre i modelli di ML a un addestramento continuo affinché possano identificare efficacemente le nuove vulnerabilità. Questo costante adattamento è fondamentale per garantire che i sistemi di sicurezza basati su ML siano sempre in grado di contrastare le più recenti tattiche impiegate dagli hacker, comprese le minacce emergenti mai osservate prima nel mondo reale.

  • Attacchi avversari (avvelenamento dei modelli di ML): manipolando i dati inseriti o introducendo informazioni ingannevoli, i criminali possono compromettere l'efficacia di un modello ML, diminuire l'affidabilità del sistema e metterne a repentaglio le attività. Poiché risulta più difficile identificare con precisione le attività dannose, viene indebolita la capacità di rilevamento delle minacce lungo l'intera catena.

  • Problemi a livello operativo: integrare l'apprendimento automatico in un'infrastruttura consolidata di sicurezza informatica non è sempre facile. Esistono infatti diversi ostacoli non trascurabili, come la complessità del processo di implementazione, il rischio di falsi positivi che possono gravare inutilmente sui carichi di lavoro degli analisti, i requisiti di conformità normativa, nonché la limitata disponibilità di professionisti esperti sia di ML che di sicurezza informatica.

In che modo NordPass usa l'apprendimento automatico?

L'apprendimento automatico offre una vasta gamma di applicazioni per le aziende, dalla sicurezza informatica al semplice miglioramento della soddisfazione della clientela. Con l'intelligenza artificiale che continua a far parlare molto di sé, è probabile che vedremo ancora più casi d'uso in futuro. In ogni caso, l'apprendimento automatico nell'ambito della sicurezza IT sarà uno dei principali settori che continueranno a progredire e svilupparsi.

NordPass è una delle aziende che utilizza l'apprendimento automatico, e lo facciamo per offrire maggiore accuratezza e praticità alla clientela. Il nostro motore di compilazione automatica fa ampio ricorso al ML per classificare in modo accurato i campi da compilare nei moduli su siti web o app, siano essi dati di registrazione, carte di credito o informazioni personali. Ricordi le reti neurali artificiali? L'addestramento è avvenuto proprio in questo modo!

Se desideri migliorare l'esperienza online del tuo reparto IT e migliorare la sicurezza generale dell'azienda, scopri tutti i vantaggi che un gestore password per grandi imprese può offrire alla tua attività.