Palo Alto Networks rechnet mit einer raschen Entwicklung maschinellen Lernens um Cybersicherheit und Produktivität zu verbessern. Eine Branche, die zukünftig maßgeblich beeinflusst werden wird, ist das Gesundheitswesen. [...]
Es gibt vielerlei Anwendungen von maschinellem Lernen im Gesundheitswesen, die die Heilungsergebnisse und Patientenversorgung verbessern können. Am offensichtlichsten ist es, maschinelle Lernalgorithmen zu verwenden, um Diagnosen und Therapien zu verbessern, viel genauer als chronisch überlastetes klinisches Personal und mit viel besseren Ergebnissen.
Die ersten Schlagzeilen dazu gibt es bereits:
- Stanford hat einen tiefgreifenden Lernalgorithmus entwickelt, um Hautkrebs zu identifizieren.
- Google nutzte maschinelles Lernen, um ein Tool zu entwickeln, das Brustkrebs besser erkennt als menschliche Pathologen.
- Es gibt erste Erfolge des maschinellen Lernens, um diabetische Retinopathie in retinalen Fotografien zu erkennen.
Die Branche erlebt den Beginn einer langen Reihe von Durchbrüchen, die die Art, wie Menschen über maschinelles Lernen denken, verändern werden – von interessanten Forschungen bis hin zu einem neuen Behandlungsstandard für Patienten. Die Cybersicherheit ebenso wie das Gesundheitswesen haben einige sehr überzeugende Anwendungen für maschinelles Lernen hervorgebracht, von denen viele gleichermaßen bahnbrechend sind. Vor zehn Jahren konnten sich Unternehmen mit signaturbasierten Sicherheitsprodukten am Endpunkt, im Netzwerk und in der Cloud vor Cyberattacken schützen. Es dauerte jedoch nicht lange, bis die Angreifer feststellten, dass sie signaturbasierte Sicherheitssysteme unterbinden konnten, indem sie die Erstellung von einzigartiger Malware automatisieren. Dieser Sprung markierte nach Meinung von Palo Alto Networks das Ende der reinen signaturbasierten Malware-Erkennung.
Maschinelles Lernen als Königsdisziplin der Cybersicherheit
Maschinelles Lernen wird nach Meinung von Palo Alto Networks einen größeren Einfluss auf die Wirksamkeit der Cyberangriffsprävention haben. Maschinelles Lernen wird beispielsweise beim erweiterten Endpunktschutzes ein wichtige Rolle spielen, um bösartige Dateien mit einem sehr hohen Genauigkeitsgrad zu identifizieren. Im Netzwerk nutzt die automatisierte Verhaltensanalyse ebenso maschinelles Lernen, um das erwartete Verhalten von Benutzern und Geräten zu „erlernen“ und dann Verhaltensanomalien zu erkennen, die auf einen Angriff hindeuten.
Maschinelles Lernen wird nach Meinung von Palo Alto Networks einen größeren Einfluss auf die Wirksamkeit der Cyberangriffsprävention haben. Maschinelles Lernen wird beispielsweise beim erweiterten Endpunktschutzes ein wichtige Rolle spielen, um bösartige Dateien mit einem sehr hohen Genauigkeitsgrad zu identifizieren. Im Netzwerk nutzt die automatisierte Verhaltensanalyse ebenso maschinelles Lernen, um das erwartete Verhalten von Benutzern und Geräten zu „erlernen“ und dann Verhaltensanomalien zu erkennen, die auf einen Angriff hindeuten.
Das Gesundheitswesen und die Cybersicherheit generieren eine enorme Menge an Daten. Maschinelles Lernen bietet hier einen standardisierten und bewährten Ansatz, um aussagekräftige Schlussfolgerungen aus riesigen und scheinbar unzusammenhängenden Datensätzen zu ziehen. Insbesondere die Gesundheitsbranche war im vergangenen Jahr stark von gezielten und nicht zielgerichteten Cyberangriffen betroffen. Sie ist daher nach Meinung von Palo Alto Networks für das kommende Jahr sehr gut positioniert, um von den Fortschritten beim maschinellen Lernen sowohl bei der Patientenversorgung als auch bei der Cybersicherheit zu profitieren.
Im Jahr 2018 sollten Sicherheitsverantwortliche von Gesundheitsorganisationen planen, in ihren Cybersicherheitsprogrammen maschinelles Lernen einzuführen. Die Anwendungen für maschinelles Lernen werden im Laufe der Zeit zunehmen. Das Prinzip hat sich aber heute bereits als effektiv erwiesen, um fortschrittliche Malware in IT-Umgebungen im Gesundheitswesen und auch anderen Branchen zuverlässig zu erkennen.
Be the first to comment