作者：Ramesh Songukrishnasamy, HID Global高級副總裁兼CTO
隨著科學技術的發展與進步，安全領域討論的重點已經從風險緩解和預防轉向威脅預測和規避。數據科學因其在實現安全性和提升用戶體驗方面的潛力而成為了人們關注的焦點。
時至2022年，人工智能(AI)和機器學習(ML)將更緊密地融入橫跨物理和數字領域的可信身份解決方案的結構中，實現性能、準確性、可靠性和安全性的自動化和優化完善。這也將為下一個前沿領域——基于行為模式和異常預測的物理訪問及邏輯訪問安全，鋪平道路。
利用跨設備和接入點生成的數據與日俱增，安全行業則將極大地受益于使用數字信息來增強安全操作，更重要的是，在此過程中并不會為用戶增加太多摩擦。
利用數據科學進行安全保護
物聯網、云計算和移動技術的結合正在穩步推動整個安全行業的數字化轉型。這一技術浪潮正在創造振奮人心的全新機遇，卻也同時助長了物理和數字安全威脅。
隨著整個安全基礎設施中使用AI 和 ML 技術的應用程序迅速增加，企業可以深入了解客戶使用物理和數字資產的情況，并檢測異常狀況以防止欺詐行為的發生，同時還可以減少用戶干預。而這一切的實現，都依賴于安全設備和系統中不斷增長的數據量。
此外，AI和ML的使用可以使建筑物更加以數據為導向、以用戶為中心，通過結合物理和數字憑證以及連接的物聯網端點，使系統更易于管理。
最佳實踐
數據科學為安全專業人士提供了一種理解模式，有助于促進個性化、消除摩擦并動態地提供無縫服務。
以下是一些幫助企業利用數據科學提高其安全地位的最佳實踐：
● 制定清晰的數據策略——原始數據并不完全有用，因此，為了從大規模的數據中洞悉所需的信息，就必須制定數據策略。該策略應包括框架、工具及其相關應用程序。其中，框架和工具是通用的，因此應用程序需要與最終結果高度相關。
● 整合數據管理——理想的情況是，數據從一個系統中發出，格式正確且可以進行分析，然而現實情況卻是，數據的質量差異很大， 因此數據清理幾乎是必要的。考慮不同的特征有助于收集可用的數據，也意味著需要對收集的數據進行整合與清理。 畢竟，有價值的見解來自與其質量相當的數據。
● 主動擴展AI和ML技術——將這些能力緊密地整合到統一的物理和數字安全系統中，將確保為成功預測、檢測和緩解威脅提供快速響應。通過將AI和ML技術擴展至物理安全領域，企業安全運營將在管理業務的運營、增長和安全方面，從被動角色轉變為主動角色。人工智能算法可以綜合和關聯來自許多來源、設備和系統的物理安全信息，從而創建員工、承包商和訪客的完整視圖。這將有助于企業作出更準確的安全決策，并助力企業更好地支持動態業務環境。
● 自動化決策——使用數據科學不僅可以預測和規避威脅，AI和ML技術還可以幫助企業的各種決策過程實現自動化，從優化業務流程到主動識別風險和實施自動化預防，從而提高整體組織效率和效益。
● 系統設計以用戶為中心——系統設計的過程中很容易走向以犧牲用戶體驗為代價來增強安全性，不過數據科學可以幫助克服這一挑戰。AI 和 ML 技術有助于更好地理解用戶的使用語境，并消除真正使用過程中的摩擦。若想實現這一目標，就必須在設計系統時牢記用戶的主要交互。
