Hawk
ប្រព័ន្ធទប់ស្កាត់ការលាងលុយកខ្វក់ និងរកឃើញការបោកបន្លាស់បែប Cloud-Native ដែលផ្តោតលើការកាត់បន្ថយការជូនដំណឹងខុស (False Positives)
ចូលមើលគេហទំព័រ ↗Hawk គឺជាក្រុមហ៊ុនស្តាតអាប់ប្រយុទ្ធប្រឆាំងបទល្មើសហិរញ្ញវត្ថុមកពីទីក្រុង Munich ប្រទេសអាល្លឺម៉ង់ ដែលដំណើរការប្រព័ន្ធក្បួនច្បាប់បែបប្រពៃណី និងម៉ាស៊ីនរៀន (Machine Learning) ទន្ទឹមគ្នា៖ ក្បួនច្បាប់ទទួលខុសត្រូវលើកម្រិតកំណត់ច្បាស់លាស់តាមការនិយតកម្ម ខណៈដែលម៉ាស៊ីនរៀនជួយរកមើលភាពមិនប្រក្រតីដែលក្បួនច្បាប់មើលមិនឃើញ ដោយលទ្ធផលទាំងពីរត្រូវបានបង្ហាញជូនអ្នកស៊ើបអង្កេតក្នុងពេលតែមួយ។
លក្ខណៈពិសេស និងសេណារីយ៉ូនៃការប្រើប្រាស់
ចំណុចទាក់ទាញសំខាន់របស់វាគឺ ភាពអាចពន្យល់បាន (Explainability) ដែលការជូនដំណឹងនីមួយៗអាចដានរកមើលក្បួនច្បាប់ ឬលក្ខណៈពិសេសរបស់ម៉ាស៊ីនដែលបាន kích hoạt វាឡើង ដែលជួយឱ្យបុគ្គលិកអនុលោមភាព (Compliance) มีមូលដ្ឋានក្នុងការបកស្រាយជូនអាជ្ញាធរនិយតករ។ ប្រព័ន្ធនេះត្រូវបានរចនាឡើងជាបែប Cloud-Native និងភ្ជាប់តាមរយៈ API ដែលមានល្បឿនដាក់ឱ្យប្រើប្រាស់លឿនជាងប្រព័ន្ធទម្រង់ចាស់ៗ ដោយអតិថិជនភាគច្រើនគឺជាធនាគារឌីជីថល ស្ថាប័នទូទាត់ប្រាក់ និងធនាគារខ្នាតតូចនិងមធ្យមនៅអឺរ៉ុប ហើយថ្មីៗនេះក៏បានពង្រីកខ្លួនទៅកាន់អាមេរិកខាងជើងផងដែរ។
វាសសមស្របសម្រាប់ធនាគារឌីជីថលដែលកំពុងរីកចម្រើន ស្ថាប័នទូទាត់ប្រាក់ និងស្ថាប័នប្រាក់អេឡិចត្រូនិກ ដែលមានបរិមាណប្រតិបត្តិការធំពេកមិនអាចពិនិត្យដោយមនុស្សបាន ប៉ុន្តែមិនទាន់មានថវិកាខ្នាតធំដូចធនាគារធំៗក្នុងការថែទាំប្រព័ន្ធបុរាណនោះទេ។
លក្ខណៈពិសេសចម្បង
- ប្រព័ន្ធក្បួនច្បាប់ និងម៉ាស៊ីនរៀនដំណើរការទន្ទឹមគ្នា
- ការដានរកមើលការជូនដំណឹងដែលអាចពន្យល់បាន
- ការត្រួតពិនិត្យប្រតិបត្តិការពេលវេលាជាក់ស្តែង (Real-time)
- ការត្រួតពិនិត្យទណ្ឌកម្ម និងបញ្ជីឈ្មោះ
- ស្ថាបត្យកម្ម Cloud-Native ផ្តោតលើ API ជាចម្បង
ការប្រើប្រាស់ទូទៅ
- ការត្រួតពិនិត្យប្រតិបត្តិការធនាគារឌីជីថល
- ការរកឃើញការបោកបន្លាស់របស់ស្ថាប័នទូទាត់ប្រាក់
- ការធ្វើឱ្យការជូនដំណឹងរបស់ប្រព័ន្ធដែលមានស្រាប់ប្រសើរឡើង
- ការធ្វើឌីជីថលភាវូបនីយកម្មលើដំណើរការស៊ើបអង្កេតការអនុលោមភាព
លក្ខណៈសំខាន់
- ប្រព័ន្ធក្បួនច្បាប់ និងម៉ាស៊ីនរៀនដំណើរការទន្ទឹមគ្នា
- ការដានរកមើលการជូនដំណឹងដែលអាចពន្យល់បាន
- การត្រួតពិនិត្យប្រតិបត្តិการពេលវេលាជាក់ស្តែង (Real-time)
- ការត្រួតពិនិត្យទណ្ឌកម្ម และបញ្ជីឈ្មោះ
- ស្ថាបត្យកម្ម Cloud-Native ផ្តោតលើ API ជាចម្បង
គុណសម្បត្តិ
- ល្បឿនដាក់ឱ្យប្រើប្រាស់លឿនជាងប្រព័ន្ធទម្រង់ចាស់ៗ
- ការជូនដំណឹងអាចពន្យល់បាន ងាយស្រួលទប់ទល់នឹងការនិយត
- การកាត់បន្ថយการជូនដំណឹងខុស គឺជាគោលដៅផលិតផលច្បាស់លាស់
គុណវិបត្តិ
- ទំហំក្រុមហ៊ុនតូចជាង ករណីសិក្សាពីស្ថាប័នខ្នាតយក្សនៅមានកម្រិត
- ការគាំទ្រក្នុងតំបន់អាស៊ីប៉ាស៊ីហ្វិកត្រូវធ្វើការបញ្ជាក់បន្ថែម
- การដាក់ពង្រាយលើ Cloud អាចជាបញ្ហាប្រឈមសម្រាប់គោលនយោបាយសន្តិសុខព័ត៌មានរបស់ស្ថាប័នខ្លះ
ករណីប្រើប្រាស់
- การត្រួតពិនិត្យប្រតិបត្តិการธនាគារឌីជីថល
- การរកឃើញការបោកបន្លាស់របស់ស្ថាប័នទូទាត់ប្រាក់
- ការធ្វើឱ្យការជូនដំណឹងរបស់ប្រព័ន្ធដែលមានស្រាប់ប្រសើរឡើង
- การធ្វើឌីជីថលភាវូបនីយកម្មលើដំណើរការស៊ើបអង្កេតการអនុលោមភាព
កំណត់ចំណាំអ្នកកែសម្រួល
ចំណាយលាក់កំបាំងដ៏ធំបំផុតនៃប្រព័ន្ធប្រឆាំងការលាងលុយកខ្វក់ គឺកម្លាំងពលកម្ម - មិនមែនប្រាក់ទិញប្រព័ន្ធទេ ប៉ុន្តែគឺមនុស្សប៉ុន្មាននាក់ដែលត្រូវចំណាយពេលមើលការជូនដំណឹងក្លែងក្លាយជារៀងរាល់ថ្ងៃ។ នេះគឺជាតួលេខដែលគួរតែយកមកប្រើប្រាស់ដើម្បីវាយតម្លៃពីប្រសិទ្ធភាព។
សំណួរញឹកញាប់
តើប្រើតែម៉ាស៊ីនរៀន (Machine Learning) សុទ្ធមិនបានទេឬ? ហេតុអ្វីបានជាត្រូវការព្យាយាមប្រើក្បួនច្បាប់ទៀត?
ការនិយតតម្រូវឱ្យក្នុងកាលៈទេសៈខ្លះត្រូវតែមានកម្រិតកំណត់ច្បាស់លាស់ និងអាចសវនកម្មបាន (ឧទាហរណ៍ ការរាយការណ៍លើចំនួនទឹកប្រាក់ជាក់លាក់ណាមួយ) ដែលរឿងនេះអាចពឹងផ្អែកបានតែលើក្បួនច្បាប់ប៉ុណ្ណោះ។ ម៉ាស៊ីនរៀនចូលខ្លួនមកបំពេញបន្ថែមលើទម្រង់ភាពមិនប្រក្រតីក្រៅពីក្បួនច្បាប់ ដែលទាំងពីរនេះបំពេញឱ្យគ្នាទៅវិញទៅមក មិនមែនជំនួសគ្នាទេ។
តើអាចប្រើវាគ្រាន់តែដើម្បីកាត់បន្ថយการជូនដំណឹងខុសនៃប្រព័ន្ធដែលមានស្រាប់បានដែរឬទេ?
បាន នេះគឺជាផ្លូវនៃការដាក់ឱ្យប្រើប្រាស់ទូទៅ៖ ប្រព័ន្ធដែលមានស្រាប់ដំណើរការជាធម្មតា ហើយបញ្ជូនការជូនដំណឹងមកទីនេះដើម្បីធ្វើការដាក់ពិន្ទុ និងតម្រៀបលំដាប់ជាលើកទីពីរ ដែលមានហានិភ័យទាប និងងាយស្រួលโน้มน้าวផ្ទៃក្នុងជាង។