El ritmo acelerado de las amenazas de alto perfil (p. ej., ransomware) muestra un crecimiento de dos dígitos (15,8 %). El resultado es un camino peligroso que muy probablemente conducirá a pérdidas duraderas para las organizaciones que sean víctimas de un ataque cibernético sin fortalecer las defensas. De hecho, un informe de filtración de datos de 2021 realizado por IBM y el Instituto Ponemon muestra que el costo promedio de una filtración de datos es de 4,24 millones de dólares.

Además del costo, un ataque cibernético puede causar un daño irreparable a la marca, el precio de las acciones y las operaciones diarias de una empresa. Según una encuesta reciente de Deloitte, el 32 % de los encuestados mencionaron la interrupción del negocio como el principal impacto de un incidente cibernético o una violación. Otras consecuencias citadas por las empresas encuestadas son el robo de propiedad intelectual (22 %), la caída del precio de las acciones (19 %), la pérdida de reputación (17 %) y la pérdida de confianza de los clientes (17 %).

Dados estos riesgos significativos, las organizaciones simplemente no pueden permitirse el lujo de aceptar el statu quo cuando se trata de proteger los activos digitales. «Si alguna vez vamos a adelantarnos a nuestros oponentes, el mundo necesita cambiar la mentalidad de detección a prevención», dice Caspi. «Las organizaciones deben cambiar la forma en que llevan a cabo la seguridad y luchan contra los piratas informáticos».

MIT DeepInstinct QuoteRev caspi1200

El aprendizaje profundo puede marcar la diferencia

Hasta ahora, muchos profesionales de la ciberseguridad han visto el aprendizaje automático como el enfoque más innovador para proteger los activos digitales. Sin embargo, el aprendizaje profundo es ideal para transformar la forma en que prevenimos los ataques de ciberseguridad. Cualquier herramienta de aprendizaje automático puede entenderse y, en teoría, puede someterse a ingeniería inversa para introducir un sesgo o una vulnerabilidad que debilite sus defensas contra un ataque. Los atacantes también pueden usar sus propios algoritmos de aprendizaje automático para contaminar una solución de mitigación con registros falsos.

Afortunadamente, el aprendizaje profundo supera las limitaciones del aprendizaje automático al pasar por alto la necesidad de científicos de datos altamente calificados y experimentados para alimentar manualmente un conjunto de datos de solución. Más bien, un modelo de aprendizaje profundo diseñado específicamente para la ciberseguridad puede ingerir y procesar cantidades masivas de datos sin procesar para entrenar completamente el sistema. Estas redes neuronales se vuelven autónomas después del entrenamiento y no requieren una intervención humana constante. Esta combinación de una metodología de aprendizaje basada en datos sin procesar y conjuntos de datos más grandes significa que el aprendizaje profundo finalmente puede identificar con precisión patrones mucho más complejos que el aprendizaje automático a velocidades mucho más rápidas.

“El aprendizaje profundo eclipsa cualquier enfoque de aprendizaje automático estándar, basado en heurística o de lista de denegación”, dijo Mirel Sehic, vicepresidenta y gerente general de Honeywell Building Technologies (HBT), una multinacional y proveedora de materiales aeroespaciales, de alto rendimiento y de seguridad. y tecnologías de productividad. «El tiempo que tarda un enfoque basado en el aprendizaje profundo en detectar una amenaza específica es mucho más rápido que todos estos elementos combinados».

Descarga el informe completo.

Este contenido fue creado por Insights, el brazo de contenido personalizado de MIT Technology Review. No fue escrito por los editores de MIT Technology Review.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí