Los sistemas de Inteligencia de Arficial (IA), y algunas de sus disciplinas más populares, como el Machine Learning, son cada vez más usados en las organizaciones. Si bien, estos sistemas son susceptibles de sufrir ataques de ciberseguridad que afecten al funcionamiento de los algoritmos. Esto puede acarrear graves consecuencias. Por ello, ha surgido el Adversarial Machine Learning, que es la rama de la Inteligencia Artificial que se encarga de verificar la seguridad de los algoritmos y de sus capacidades de predicción.
Adversarial machine learning e Inteligencia Artificial
Como hemos visto, el Adversarial Machine Learning surge del Machine Learning que, a su vez, es una técnica de IA. El Machine Learning se basa en implementar algoritmos para que un sistema aprenda de forma autónoma. Si bien, estos algoritmos pueden sufrir ataques malintencionados. Por ello, el Adversarial Machine Learning se encarga de estudiar posibles manipulaciones o datos de entrada a un algoritmo entrenado, que un atacante ha modificado para provocar que el algoritmo cometa un error en la predicción. A partir de aquí, tendrán que idearse métodos de defensa también basados en estas técnicas.
Un ejemplo de ataque basado en Adversarial Machine Learning puede ser el de un sistema de reconocimiento de imágenes que, instalado en el coche, permite predecir las señales de tráfico que van a aparecer en los próximos kilómetros. En este caso, el atacante puede modificar el algoritmo de ese sistema de forma maliciosa, para que la predicción de las señales no sea correcta. Se trata de un ejemplo, pero también pueden encontrarse ataques similares en sistemas utilizados por coches autónomos, lo que puede suponer un peligro real.
Un problema importante de ciberseguridad
Este tipo de problemas ya están causando graves consecuencias de seguridad y son un preocupación y potencial amenaza para cualquier organización que implemente sistemas basados en IA en producción. Y es que, resulta complejo diseñar técnicas defensivas para algoritmos de IA que permitan protegerlos de ataques basados en Adversarial Machine Learning. Este tipo de riesgos deben analizarse a la hora de implantar un sistema de estas características en una organización.
Cabe tener en cuenta que las técnicas de ataque de Adversarial Machine Learning no se aplican sólo a sistemas de reconocimiento de imágenes. También se pueden utilizar para manipular cualquier otro tipo de información de entrada y que el sistema de IA no la identifique adecuadamente.
Junto a las técnicas de ataque, también existen técnicas defensivas de Adversarial Machine Learning, como el Adversarial Training o el Defensive Destillation.
Máster en Ciberseguridad y Riesgos Digitales
Los fundamentos de seguridad en sistemas de Inteligencia Artificial son estudiados en profundidad en el Máster en Ciberseguridad y Riesgos Digitales de EALDE Business School. Se trata de un máster 100% online, dirigido a profesionales que quieran especializarse en la gestión de problemas de seguridad informática relacionado con las nuevas tecnologías. El programa cuenta con una serie de becas disponibles y plazas limitadas.
Solicitar más información sobre el Máster en Ciberseguridad y Riesgos Digitales haciendo clic en el siguiente enlace:
Si quieres ampliar conocimientos relativos a la ciberseguridad en Inteligencia Artificial te recomendamos visionar el siguiente vídeo:
0 comentarios