En los últimos años, el aprendizaje profundo ha revolucionado casi todos los campos en los que se ha aplicado, lo que ha dado lugar al mayor salto de rendimiento en la historia de la informática.
En muchos problemas en los que solíamos observar pequeñas mejoras graduales cada año, ahora vemos mejoras del 20 % al 30 % en cuestión de meses gracias a la aplicación del aprendizaje profundo.
Este éxito también ha generado mucho revuelo en los medios de comunicación y las relaciones públicas, por lo que hoy en día los términos «inteligencia artificial», «aprendizaje automático» y «aprendizaje profundo» se usan ampliamente y, con demasiada frecuencia, de manera imprecisa y confusa.
Es importante intentar aclarar y desmitificar la diferencia entre estos términos técnicos y, después, centrarnos en su aplicación al campo de la ciberseguridad.
IA
Inteligencia artificial (IA), expresión acuñada por el pionero de la informática John McCarthy en la década de 1950, es un término general que engloba todos los métodos y disciplinas que dan lugar a cualquier forma de inteligencia que exhiban las máquinas.
Esto abarca desde los sistemas expertos de la década de 1980 (básicamente, conjuntos de datos de conocimientos codificados de forma rígida) hasta las formas más avanzadas de IA de la década de 2010.
Hoy en día, casi todos los programas de todos los sectores utilizan algún tipo de IA, aunque se limite a procedimientos básicos codificados manualmente.
Aprendizaje automático
El aprendizaje automático es actualmente el principal subcampo de la IA. Permite que los ordenadores aprendan sin que se los programe explícitamente.
Los métodos basados en el aprendizaje automático dominaron por completo la IA en la década de 2000 y superaron todos los resultados obtenidos con métodos de aprendizaje no automático.
A pesar de su éxito, una de las principales limitaciones del aprendizaje automático tradicional es su dependencia de la extracción de características, un proceso mediante el cual expertos humanos determinan cuáles son las características importantes (es decir, las propiedades) de cada problema.
Por ejemplo, al aplicar el aprendizaje automático al reconocimiento facial, no se pueden introducir directamente en el módulo de aprendizaje automático los píxeles sin procesar de la imagen; primero hay que convertirlos en características, como la distancia entre las pupilas, las proporciones del rostro, la textura, el color, etc.
Esta fase de extracción de características hace que, en la práctica, se ignore la mayor parte de los datos sin procesar y que las características seleccionadas, por buenas que sean, no capten las ricas no linealidades presentes en los datos.
Aprendizaje profundo
El aprendizaje profundo, también conocido como «redes neuronales profundas», es un subcampo del aprendizaje automático inspirado en el funcionamiento de nuestro cerebro.
La gran diferencia conceptual entre el aprendizaje profundo y el aprendizaje automático tradicional es que el aprendizaje profundo es el primer método de aprendizaje —y actualmente el único— capaz de entrenarse directamente con datos sin procesar (por ejemplo, los píxeles de nuestro ejemplo de reconocimiento facial), sin necesidad de extraer características.
Además, el aprendizaje profundo se adapta bien a cientos de millones de muestras de entrenamiento y mejora continuamente a medida que el conjunto de datos de entrenamiento crece.
Un éxito asombroso
En los últimos años, el aprendizaje profundo ha logrado mejoras del 20 % al 30 % en la mayoría de las pruebas de referencia de visión artificial, reconocimiento del habla y comprensión de textos: el mayor salto de rendimiento en la historia de la IA y la informática.
Dos factores principales contribuyeron al repentino y asombroso éxito del aprendizaje profundo.
El primero fue la mejora de los algoritmos. Hasta hace unos años, podíamos entrenar redes neuronales superficiales, pero las redes más profundas no convergían debido a limitaciones algorítmicas.
Hoy, los métodos de entrenamiento mejorados permiten entrenar con éxito redes neuronales muy profundas, con varias decenas de capas y miles de millones de sinapsis (conexiones entre las neuronas).
El segundo factor, y el más importante, es el uso de unidades de procesamiento gráfico (GPU).
Hoy en día, todo el entrenamiento de aprendizaje profundo se realiza con GPU de Nvidia, que ofrecen velocidades 100 veces mayores que el hardware alternativo (a modo de comparación, un cerebro de aprendizaje profundo que tardaría más de tres meses en entrenarse con CPU puede entrenarse en aproximadamente un solo día usando GPU).
A pesar del éxito del aprendizaje profundo en muchas tareas, las barreras de entrada siguen siendo altas, principalmente por la escasez de investigadores y científicos especializados en aprendizaje profundo, que son esenciales para aplicarlo con éxito.
IA y ciberseguridad
Cada día se crean más de un millón de nuevos programas maliciosos y su sofisticación aumenta continuamente, por lo que detectarlos sigue siendo muy difícil.
Las soluciones tradicionales basadas en firmas solo pueden detectar los programas maliciosos conocidos en ese momento, y cualquier programa malicioso conocido puede modificarse fácilmente para eludir su detección. Para hacer frente a esta dificultad creciente, hoy muchas soluciones de ciberseguridad utilizan algún tipo de IA.
Los enfoques basados en heurísticas ofrecen mejoras limitadas en este campo; por ello, las soluciones de ciberseguridad más avanzadas recurren al aprendizaje automático.
Mediante el aprendizaje automático es posible entrenar conjuntos de datos grandes de archivos que pueden aprender automáticamente a distinguir entre archivos maliciosos y legítimos, de una manera que ningún método manual o semimanual podría lograr.
Cómo evitar la detección
A pesar de las importantes mejoras que el aprendizaje automático ha aportado a la ciberseguridad, los programas maliciosos sofisticados siguen logrando eludir la detección con relativa facilidad.
Al aplicar el aprendizaje automático tradicional, primero hay que convertir los archivos informáticos de bytes sin procesar en una lista de características (por ejemplo, llamadas importantes a API, etc.); solo entonces se introduce esa lista en el módulo de aprendizaje automático.
Aunque los expertos humanos tengan en cuenta cientos o miles de características, estas siguen representando solo una fracción de los datos sin procesar de los archivos; por eso, es fácil modificar los archivos para eludir la detección basada en estas características lineales de alto nivel.
Al igual que en otros ámbitos, la aplicación del aprendizaje profundo a la ciberseguridad permite procesar directamente el contenido de los archivos, sin extraer características.
Es decir, la entrada del cerebro de aprendizaje profundo son los valores de los bytes sin procesar, independientemente del formato o el tamaño del archivo e incluso del sistema operativo.
Mejora continua
Además, a diferencia del aprendizaje automático tradicional, cuyo rendimiento alcanza un límite a medida que aumenta el número de archivos con los que se entrena, el aprendizaje profundo puede mejorar de manera efectiva a medida que crecen los conjuntos de datos, hasta abarcar cientos de millones de archivos maliciosos y legítimos.
Los resultados de las pruebas de referencia que comparan el rendimiento del aprendizaje profundo con el del aprendizaje automático tradicional en ciberseguridad muestran que el aprendizaje profundo produce una tasa de detección considerablemente mayor y una tasa menor de falsos positivos.
Estos resultados concuerdan con el gran aumento del rendimiento que se ha obtenido al aplicar el aprendizaje profundo en otros ámbitos.
A medida que los desarrolladores de programas maliciosos utilicen métodos más avanzados para crear nuevos programas maliciosos, se ampliará la brecha entre las tasas de detección del aprendizaje profundo y las del aprendizaje automático tradicional; en los próximos años, será fundamental recurrir al aprendizaje profundo para tener posibilidades reales de frustrar los ataques más sofisticados.
Para obtener más información sobre la promoción de Pioneros Tecnológicos de 2017, visite nuestro sitio web.
