Group-IB Threat Intelligence หน่วยงานด้านความปลอดภัยทางไซเบอร์ ตรวจพบโทรจันที่สามารถทำการ Bypass ระบบความปลอดภัยของ Apple และลักลอบเข้าแอปธนาคารเพื่อโอนเงิน ที่น่ากลัวคือ โทรจันนี้เป้าหมายโจมตีประเทศในกลุ่ม เอเซียแปซิฟิก แน่นอนรวมถึงไทยด้วย
ในโลกธุรกิจปัจจุบันที่ขับเคลื่อนด้วยดิจิทัล การทำธุรกรรมต่างๆ อยู่บนออนไลน์มากยิ่งขึ้น รวมถึงพฤติกรรมผู้บริโภคที่เปลี่ยนไป ธุรกิจ SMEs ต้องปรับตัว มีการทรานส์ฟอร์มสู่ดิจิทัล นำเทคโนโลยีดิจิทัลมาใช้งาน ทั้งเป็นช่องทางในการขายและให้บริการลูกค้า หลายองค์กรนำระบบงานภายในมาใช้งานผ่านอินเทอร์เน็ต ซึ่งถ้าการรักษาความปลอดภัยไม่ดีพอจะกลายเป็นช่องโหว่ให้ถูกโจมตีเข้ามาในระบบงานได้ง่าย
การ์ทเนอร์เผยแนวโน้มสำคัญที่ส่งผลต่ออนาคตของวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิ่ง (Data Science and Machine Learning หรือ DSML) ซึ่งเป็นผลมาจากวิวัฒนาการและการเติบโตของภาคอุตสาหกรรมอย่างรวดเร็ว เพื่อตอบสนองต่อการเพิ่มขึ้นอย่างมีนัยของข้อมูลในปัญญาประดิษฐ์ (AI) โดยเฉพาะอย่างยิ่งเมื่อธุรกิจโฟกัสการลงทุน Generative AI ระบุภายในปี 2567 60% ของข้อมูลสำหรับ AI จะถูกสังเคราะห์ขึ้นเพื่อจำลองความเป็นจริง ปีเตอร์ เครนสกี้ ผู้อำนวยการฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า แมชชีนเลิร์นนิ่งยังคงเติบโตอย่างรวดเร็วในภาคอุตสาหกรรมต่าง ๆ ขณะเดียวกัน DSML กำลังพัฒนาจากเดิมที่มุ่งเน้นโมเดลการคาดการณ์ (Predictive Models) ไปเป็นให้ทุกคนสามารถเข้าถึงได้ในวงกว้างขึ้น ไดนามิก และเน้นข้อมูลเป็นหลัก รวมถึงได้รับแรงหนุนจาก Generative AI “แม้อาจมีความเสี่ยงเกิดขึ้น แต่มีความสามารถและช่วยสร้างยูสเคสการใช้งานใหม่ ๆ ที่เป็นประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลและองค์กรด้วยเช่นกัน” 5 แนวโน้มสำคัญที่จะเป็นตัวกำหนดอนาคตของ DSML ซึ่งการ์ทเนอร์รวบรวมไว้ประกอบด้วย เทรนด์ที่ 1 Cloud Data Ecosystems…
วิศวกรไทย-ญี่ปุ่นเตือนภัยหลังผลวิจัยพิสูจน์ AI-Machine Learning ถูกโจมตีผ่านข้อมูลซ่อนในคิวอาร์โค้ดได้ ชี้ 2 แนวทางป้องกัน ย้ำแม้เทคโนโลยีจะเลิศล้ำเพียงใด ยังจำเป็นต้องมีมนุษย์ตรวจสอบเพื่อยืนยันผลลัพธ์ที่เชื่อถือได้ รศ.ดร.จักรกฤษณ์ ศุทธากรณ์ คณบดีคณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล กล่าวว่าเทคโนโลยีปัญญาประดิษฐ์ (AI) และ Machine Learning (ML) ยังมีคำถามเรื่องความปลอดภัยไว้วางใจได้ 100% หรือไม่? ทำให้ทีมวิศวกรนักวิจัยไทย-ญี่ปุ่น โดยคณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล ร่วมกับ สถาบันวิทยาศาสตร์และเทคโนโลยีขั้นสูงแห่งประเทศญี่ปุ่น หรือ JAIST (Japan Advanced Institute of Science and Technology) ลงมือทำวิจัยและได้รับการตีพิมพ์ในวารสารนานาชาติ เรื่อง การโจมตีการเรียนรู้ของเครื่องผ่านรูปแบบตัวอย่างปฏิปักษ์ (Attacking Machine Learning With Adversarial Examples) ชี้ให้เห็นว่า Machine Learning ยังมีช่องโหว่ภัยความเสี่ยงจากการโดนโจมตีที่จะสร้างความเสียหายได้ “ปัจจุบันเทคโนโลยี AI และ…
รายงาน “Technology Radar” ฉบับล่าสุดโดย “Thoughtworks” บริษัทที่ปรึกษาด้านเทคโนโลยีชั้นนำคาดการณ์ว่า แมชีนเลิร์นนิงจะมีส่วนสำคัญต่อการขับเคลื่อนเทคโนโลยีไอโอทีและระบบการบริหารจัดการภายในต่าง ๆ รีเบคกา พาร์สันส์ ประธานเจ้าหน้าที่บริหารฝ่ายเทคโนโลยี Thoughtworks ได้ตั้งข้อสังเกตเกี่ยวกับ Machine Learning (แมชีนเลิร์นนิง) ว่าจากที่เคยต้องใช้ชุดข้อมูลขนาดใหญ่และการเข้าถึงพลังประมวลผลมหาศาลเพื่อจัดการกับปัญหาทางธุรกิจที่ซับซ้อนนั้น ขณะนี้ องค์กรด้านไอทีสามารถใช้ประโยชน์จาก Machine Learning ได้เพิ่มขึ้น ทั้งยังสามารถนำไปปรับใช้ในหลายภาคส่วนมากขึ้น สืบเนื่องมาจากการพัฒนาของเครื่องมือ แอปพลิเคชัน และเทคนิคต่าง ๆ ที่ก้าวหน้าไปอย่างมาก ท้าทาย การบริหารข้อมูล ด้วยประสิทธิภาพในการคำนวณที่ดีขึ้นบนอุปกรณ์ทุกขนาดและทุกประเภท รวมทั้งการใช้เครื่องมือแบบ open-source ที่แพร่หลายและใช้งานได้ง่ายขึ้น ได้ส่งผลให้ Machine Learning สามารถเข้าถึงได้ง่ายขึ้น แม้กระทั่งองค์กรที่มีขนาดเล็กมาก นอกจากนี้ ข้อกำหนด และข้อควรระวังของข้อมูลส่วนบุคคลที่เข้มงวดมากขึ้น ได้ผลักดันให้องค์กรต่างๆ พยายามค้นหาเทคนิค เช่น federated machine learning…
นักวิจัยจาก Google เผยรายละเอียดของ AudioLM ปัญญาประดิษฐ์ตัวใหม่ที่สามารถสร้างเสียงได้จากการป้อนข้อมูลเข้าไป AudioLM สามารถสังเคราะห์เสียงที่ซับซ้อนอย่างเพลงที่ใช้เปียโนเล่น หรือแม้แต่เสียงคนคุยกัน ผลก็คือได้เสียงที่มีคุณภาพแทบไม่ต่างจากเสียงจริง ๆ Google ฝึกปัญญาประดิษฐ์ชนิดนี้ด้วยการป้อนฐานข้อมูลเสียง ซึ่ง AudioLM จะใช้ Machine Learning ในการบีบอัดไฟล์เสียงให้เป็นไฟล์ข้อมูลเสียงชิ้นเล็ก ๆ ที่เรียกว่าโทเค็น ก่อนที่จะป้อนโทเค็นนี้เข้าไปให้โมเดล Machine-Learning เรียนรู้แบบแผนและรายละเอียดปลีกย่อยของเสียงนั้น ๆ สำหรับการใช้งาน AudioLM ในการสังเคราะห์เสียงนั้น เพียงแค่ป้อนเสียงความยาวไม่กี่วินาทีเข้าไป ตัว AudioLM ก็จะคาดเดาความต่อเนื่องของเสียงที่ควรจะมาหลังจากนั้น โดย AudioLM สามารถสังเคราะห์ได้ทั้งเสียงคนพูดหรือเสียงเครื่องดนตรี จากเสียงต้นฉบับความยาวเพียง 3 วินาที ให้กลายเป็น 10 วินาที โดยไม่ซ้ำรูปแบบกันได้ ทั้งนี้ เราสามารถให้ AudioLM ผลิตเสียงได้โดยไม่ต้องป้อนเสียงเข้าไปก็ได้ แต่ให้ผลิตเสียงจากข้อมูลที่มีอยู่แล้ว จากตัวอย่าง จะพบว่า AudioLM…
เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว