第一百一十六期 老董開講 跨界合作加速智慧醫療效能,以科技助人

過去 20-30 年國眾就在醫院資訊系統、偏鄉照護中扮演關鍵系統整合商角色,因應未來醫療數位轉型、精準醫療需求。例如過去幾年國眾提出的「AI視力保健創新智慧照護服務」計畫,此計畫深入偏鄉為糖尿病友及偏鄉民眾提供眼底視網膜病變檢查服務,利用這套「AI行動視力智慧箱」與「AI行動視力檢查箱及糖尿病眼底病變診斷分析輔助系統」科技專案,為偏鄉民眾提供眼底鏡的掃描與拍照服務,所獲取的視網膜影像再結合醫師專業知識與人工智慧分析,並以醫療即時影像 AI 辨識技術輔助醫生診斷,來做為糖尿病視網膜病變的判讀,有效率進行疾病早期防治判斷,透過糖尿病視網膜病變5個級別的分類模型,給予不同分級病患進行回診,以及提供後續更為貼切的醫療照護,減少醫療照護支出與社會成本。藉以強化行政區醫療資源,以提升照護品質及縮短城鄉差距,更透過智慧醫療影像資料庫及醫療AI之研發與應用,為臨床醫療經驗創造更大的價值。除了發展新的科技應用,也期望能為大眾帶來幫助,善盡本司的社會責任。

民視新聞:加速智慧醫療效能 長庚醫攜手三科技大廠共同打造「高速運算AI資訊中心」

長庚醫院攜手國際科技大廠思科、英特爾、國眾電腦,四方合作共同打造「高速運算AI資訊中心」,推動智慧醫療發展。預計未來可以提供相關實驗室高速運算需求,例如醫療AI核心實驗室、基因醫學核心實驗室,加速提升長庚醫院智慧醫療的效能。 長庚醫院與科技大廠intel,國眾電腦,思科,齊聚一堂,舉辦合作儀式,打造智慧醫療,「高速運算AI資訊中心」。

【搶先報名】F5 從負載均衡到雲原生應用服務與安全 線上講堂!12/7 與您線上見!

雲原生架構是企業/組織未來的方向,然而雲原生架構並不會一蹴而就。它必然是在企業/組織現有IT基礎設施之上慢慢演進,在這樣一個演進的進程中,企業/組織正在建設的雲原生環境需要利用已有基礎設施。原有基礎設施也要面向雲原生環境進行改變,兩者之間需要相互融合。從單純的 Web 負載均衡到複雜的企業應用交付,從單體應用到分散式、微服務架構。所面向的人群也從網路人員到應用人員到如今的平臺、基礎架構人員。 企業/組織如何在雲原生進程中走的更順,如何讓雲原生環境應用交付更加平滑。企業/組織需要一套真正能夠面向企業當下實際環境的雲原生應用服務與安全方案。

第一百一十四期 老編說說 創新Wi-Fi6技術 加速企業數位化建設

製造業已明顯成為易受攻擊的行業。電子、半導體和高科技製造業更加容易受到威脅,尤其是在「工業4.0」大潮促使這些行業將工廠生產與信息技術網路相連接的情況下。而這些工廠很可能正在使用老舊的機器和已經停止支持的SQL伺服器,為其安全架構留下了巨大漏洞。

第一百一十五期 老編說說 網路安全面臨的新挑戰-AI

製造業已明顯成為易受攻擊的行業。電子、半導體和高科技製造業更加容易受到威脅,尤其是在「工業4.0」大潮促使這些行業將工廠生產與信息技術網路相連接的情況下。而這些工廠很可能正在使用老舊的機器和已經停止支持的SQL伺服器,為其安全架構留下了巨大漏洞。

第一百一十六期 老編說說 淨零碳排,一起為地球環境盡一分力

由於人類科技飛速發展,導致地球的生態情況遭到了嚴重的毀壞。生活在城市中間的我們大概對此感想不是非常深,但是這並不代表環境污染問題就不存在。在人類開展科技的這兩百年時間裡,地球生態情況出現了極大的轉變,原本湛藍的地球,現在某些區域表面上頭被籠蓋了一層厚厚的灰濛濛的外套,而這層外套即是導致溫室效應的罪魁——二氧化碳。地球有驚人的自我修復能力,當人們不再污染環境,環境就會恢復清潔。一旦人們不再製造更多的污染物,令地球不堪重負,水和土壤中的各種微生物就會發揮作用,使地球自我修復。

人工智慧 (AI) 和機器學習 (ML) 對網路安全既有負面影響,也有積極的影響。AI 演算法使用培訓資料來學習如何應對不同情況。他們通過複製和添加其他資訊來學習。儘管網路安全取得了進步,但攻擊正變得越來越危險。網路安全的不同的挑戰包括: 

  • 地理距離遠的IT系統使手動跟蹤事件更加困難。網路安全專家需要克服基礎設施的差異,以成功監控跨區域的事件。
  • 手動威脅狩獵-可能既昂貴又耗時,導致更多被忽視的攻擊。
  • 網路安全公司的反應性質只有在問題已經發生之後才能解決。在威脅發生之前預測威脅對安全專家來說是一個巨大的挑戰。
  • 駭客經常隱藏和更改他們的IP位址-駭客使用不同的程式,如虛擬專用網路(VPN),代理伺服器,Tor瀏覽器,等等。這些程式幫助駭客保持匿名和未被發現。 

人工智慧和網路安全

網路安全是人工智慧的多種用途之一。知名資安廠商Norton的一份報告顯示,全球典型資料洩露恢復的成本為386萬美元。報告還指出,公司平均需要 196 天才能從任何資料洩露中恢復過來。因此,組織應加大對人工智慧的投資,以避免浪費時間和財務損失。

人工智慧、機器學習和威脅智慧可以識別資料中的模式,使安全系統能夠從過去的經驗中學習。此外,AI 和機器學習使公司能夠縮短事件回應時間並遵守安全最佳實踐。 

傳統安全技術使用數位簽章或妥協指標來識別威脅。此技術可能適用於以前遇到的威脅,但對於尚未發現的威脅,這種技術並不有效。基於數位簽章的技術可以檢測大約90%的威脅。用人工智慧取代傳統技術可以將檢測率提高到 95%,但您會發現大量誤報。最好的解決方案是將傳統方法和 AI 結合起來。這可以導致 100% 的檢測率,並最大限度地減少誤報。還可以使用 AI 通過集成行為分析來增強威脅尋獵過程。例如,您可以利用 AI 模型處理大量端點資料,從而開發組織網路內每個應用程式的個人資料。

雖然傳統的漏洞資料庫對於管理和遏制已知漏洞至關重要,但人工智慧和機器學習技,如對使用者和事件行為分析,可以分析使用者帳戶、端點和伺服器的基準行為,並識別可能表示零日未知攻擊的異常行為。這有助於在漏洞被正式報告和修補之前保護組織。AI 可以優化和監控許多基本資料中心流程,如備份電源、功耗、內部溫度和頻寬使用。AI 的計算能力和持續監控能力提供了對哪些值將提高硬體和基礎設施的有效性和安全性的見解。此外,AI 可以通過在需要修復設備時發出警報來降低硬體維護成本。這些警報使您能夠在設備以更嚴重的方式損壞之前修復設備。

網路安全的應用,傳統網路安全有兩個時間密集型方面,即制定安全政策和瞭解組織的網路地形。

策略-安全策略確定哪些網路連接是合法的,哪些網路連接應進一步檢查惡意行為。您可以使用這些策略有效地執行零信任模式。真正的挑戰在於創建和維護大量網路的政策。

架構- 大多數組織沒有應用程式和工作負載的確切命名約定。因此,安全團隊必須花費大量時間確定哪組工作負載屬於給定應用程式。

公司可以通過學習網路流量模式和推薦工作負載的功能組和安全策略來利用 AI 來改善網路安全。 

使用 AI 進行網路安全的缺點和限制,還有一些限制阻止 AI 成為主流安全工具:

資源-企業需要投入大量的時間和金錢在計算能力、記憶體和資料等資源上,以構建和維護人工智慧系統。

資料集-AI模型需通過學習資料集進行培訓。安全團隊需要掌握許多不同的惡意代碼、惡意軟體代碼和異常資料集。有些企業只是沒有資源和時間來獲取所有這些準確的資料集。

駭客也使用-AI攻擊者測試並改進其惡意軟體,使其對基於AI的安全工具具有抵抗力。駭客從現有的人工智慧工具中學習,以開發更高級的攻擊和攻擊傳統的安全系統,甚至人工智慧增強系統。

模糊神經網路-模糊是測試軟體中大量隨機輸入資料以識別其漏洞的過程。模糊神經利用 AI 快速測試大量隨機輸入。然而,模糊也有建設性的一面。駭客可以通過神經網路的力量收集資訊來瞭解目標系統的弱點。Microsoft開發了一種方法來應用此方法來改進其軟體,從而生成更安全的代碼,而這些代碼更難被利用。

縱觀來說,人工智慧和機器學習可以提高安全性,但同時也讓網路罪犯更容易在沒有人工干預下穿透系統。這會給任何公司帶來重大損失。如果你想減少損失和繼續經營下去,強烈建議你加強網路保護,以防範網路罪犯。