Abstract
<jats:p>У цій статті проаналізовано зростаючу актуальність застосування технологій штучного інтелекту для підвищення кібербезпеки об'єктів критичної інформаційної інфраструктури, особливо в контексті ескалації кібератак та військових конфліктів. Автори наголошують, що сучасні методи протидії кіберзагрозам є недостатніми, що вимагає впровадження нових підходів, зокрема тих, що ґрунтуються на машинному навчанні. Основну увагу в роботі приділено методології навчання алгоритмів машинного навчання, яка формує основу для створення систем виявлення та протидії кіберзагрозам. Ця методологія охоплює три ключові етапи: Формулювання сімейства моделей. Розглядаються методи представлення даних у багатовимірному просторі та методи визначення меж рішень (наприклад, лінійних гіперплощин) для класифікації подій (наприклад, шахрайських транзакцій). Конкретно пояснюється використання логістичної (сигмоїдної) функції для перетворення числових балів у ймовірності. Визначення функції втрат. Описується роль функції втрат (наприклад, суми квадратів помилок для регресії або негативної логарифмічної правдоподібності для класифікації) як кількісної міри «вартості» неправильних прогнозів, яка мінімізується під час процесу навчання. Оптимізація моделі. Обговорюються різні алгоритми оптимізації (першого порядку, наприклад градієнтний спуск, стохастичний градієнтний спуск (SGD) та його варіації AdaGrad, Adam, та другого порядку), які використовуються для пошуку оптимальних параметрів моделі. Детально описано принцип роботи методу градієнтного спуску, а також надано практичні рекомендації щодо вибору відповідних алгоритмів оптимізації для конкретних завдань машинного навчання. Отже, у статті описано ключові аспекти машинного навчання, необхідні для розроблення та впровадження ефективних рішень у сфері кібербезпеки критичної інфраструктури, зокрема для виявлення та класифікації кіберінцидентів, що демонструється на прикладі аналізу шахрайських транзакцій.</jats:p>