「資訊安全」是目前許多公司所關注的議題，面對市場的變動、國際大廠競爭、人力等挑戰，皆顯示出資訊安全的重要性。
資訊安全外洩的現狀
過去曾爆出令人擔憂的資訊安全事件：一名匿名黑客在上週於駭客論壇「突破論壇」(Breach Forums) 中發文聲稱，從上海公安系統竊取了高達 10 億名中國公民的龐大個人資訊。這一事件若屬實，將成為史上最大規模的數據洩露之一，引起了技術專家的高度關切。此次事件再次凸顯了資訊安全的重要性，也提醒企業和機構在這個高度數位化的時代，需更加嚴密守護使用者資料，以應對日益嚴峻的數據外洩威脅。
值得慶幸的是，在企業數位轉型日趨成熟，人工智慧技術快速發展的今天，還有一項備受關注的技術——「AutoML 自動化機器學習」，為我們解決新時代所面臨的難題，提供全新的解決方案。接下來，我們將分享 Profet AI 如何運用 AutoML 來協助信息安全部門通過人工智能找出公司內部是否存在資安問題！
傳統做法的限制
傳統規則導向系統依賴 「有」 與 「無」 進行風險判斷和數量縮減，再仰賴 IT 人員的經驗逐一檢測潛在風險資訊。然而這種作法面臨許多限制，如規則訂定的困難、遺漏潛在風險的可能性和規則列舉的完整性。除上述限制，後續人員抽檢的經驗也面臨傳承與轉換成系統化執行的挑戰。然而 AI 技術的引入可以補足這些缺失，協助改善過去的稽核方式，並在判斷上提供更多輔助。AI應用可以簡化流程，改善效率。
AutoML 於資訊安全的應用與效益
針對 AutoML 在資訊安全的應用與效益，以下提供簡單的整理與描述：
- 彌補傳統規則不足：運用大數據建模，輔助判斷並彌補傳統規則導向系統的不足，降低整體風險。
- 資安外洩風險郵件：藉由過往公司內部資訊系統 Mail Log 資訊建立模型，透過預測模型推估公司內部人員郵件寄出風險疑慮。
- 關鍵風險領先指標監控 : 個人資料存取異常偵測指標建置 (IPG/DG) – IPG/DG 數據資安應用與建立監控指標。
- 數據驅動監控決策：過往大多依據經驗來做決策，AutoML 可協助資安人員提供數據面向的決策建議，還能進一步探討影響決策的關鍵因子，監控領先指標。
- 敏感資訊分級：公司重點部門資訊通常相對機密、敏感，過去缺乏工具時，難以透過好的工具協助分類及監控。透過 AutoML 工具可輔助企業做好敏感資訊分級。
AI 篩選高資安疑慮郵件，協助預測資安外洩風險
公司內部發生資安問題時，大部分都是已發生過的事件，等發現後已對公司造成莫大的損害，透過 AI 模型，可以改進以往公司需透過內部稽核人員抽檢的方式，來進行更有效率的檢驗。舉例 : 公司內部 Mail Log 一個月資訊量約為數萬封郵件，稽核人員抽檢頻率為每個禮拜一次，抽測量為數百封，因剩下郵件無法逐一檢測，造成其他郵件未經檢測而放信。然而運用過往數據建模，即可利用 AI 模型來預測及判斷出高風險疑慮的郵件，並針對風險過高的信件進行檢測，每封郵件都透過 AI 進行判斷，進而縮限風險範圍，實現AI有效運用。
隨著模型運用的成熟，未來還能持續加入新的特徵，透過初步的運用及領域專家的經驗，公司內部的資安專家可加入新的特徵，進而優化模型，讓模型更加精準，如果不確定額外特徵如何進行，Profet AI 也提供售後諮詢服務和AI工作坊，可透過 Profet AI 專業顧問跟公司內部資安領域專家，依據平台彈性增加特徵，進而優化模型。
若要直接做到上述內容對公司現階段來說還有些困難，其實也不用擔心。Profet AI AutoML 產品，提供「郵件特徵工程」可協助您將郵件資訊，自動轉換成 40 多個建模所需的特徵，建模之訓練資料。我們更提供了「AI 黑客松」工作坊的合作模式，透過這個方案，公司能與 Profet AI 的專業顧問合作，透過參與 AI 通識教育、資安議題尋找與動手建模的課程，讓公司成員與領域專家能夠快速了解 AI 的概念與應用方向。更重要的是，培養「數據應用」的概念以及如何有效運用預測模型，讓 AI 與數據驅動決策的文化在公司內部落地生根，實現全員 AI，協助 AI 數位轉型的成果能夠開花結果。