掃描系統(tǒng)以獲取病毒的特征或?qū)σ阎穆┒催M行入侵測試已經(jīng)不夠了。AI必須基于過去漏洞的歷史數(shù)據(jù)庫，以及對惡意軟件行為和對系統(tǒng)攻擊的理解，從而參與檢測入侵和破壞行為。
艾美：這是人類和AI需要協(xié)同工作的領(lǐng)域之一，因為機器學習只能走到這一步。這是因為：
當我們的模型在檢測威脅方面變得有效時，危險分子就會尋找方法來混淆模型。這是一個我們稱為對抗性機器學習的領(lǐng)域，或者叫對抗性AI。危險分子會研究底層模型如何工作，并致力于要么混淆模型——我們稱之為中毒模型或者機器學習中毒，要么專注于廣泛的規(guī)避技術(shù)，其本質(zhì)是尋找他們可以規(guī)避模型的方法。3
隱私
克里斯：一個與隱私密切相關(guān)的話題。與計算和AI相關(guān)的數(shù)據(jù)隱私所面臨的挑戰(zhàn)很難被夸大。這個問題它不僅在技術(shù)上具有挑戰(zhàn)性，而且通常，那些談論這個問題的人都傾向于夸夸其談和高度情緒化的討論。用法律語言所寫的復雜的隱私協(xié)議并不能使這個話題更容易理解。
艾美：隨著物聯(lián)網(wǎng)的指數(shù)級增長，企業(yè)更多地將海量大數(shù)據(jù)用于AI和其他目的，至少可以這樣說，保護數(shù)據(jù)隱私變得具有挑戰(zhàn)性。
