อัลกอริทึมแมชชีนเลิร์นนิง คุณนั่งลงหน้าโทรทัศน์หรือพลิกไปที่แอพสตรีมมิ่งบนสมาร์ทโฟน คุณเลือกดูอะไร? การพิจารณาว่ารายการและภาพยนตร์ ใดจบลงต่อหน้าผู้ชมนั้นเป็นกระบวนการที่มนุษย์เป็นผู้ควบคุม แต่ละคนจะเห็นว่ามีเนื้อหาใดบ้าง พิจารณาว่ากลุ่มประชากรใดรับชมเมื่อใด และจัดตารางการแสดงและภาพยนตร์ในช่วงเวลาที่น่าจะมีผู้ชมที่เหมาะสม 

อย่างไรก็ตามด้วยบริการสตรีมมิ่งไม่มีกำหนดการ ทุกอย่างสามารถใช้ได้ทุกเวลา การแสดงที่ถูกต้องต่อหน้าผู้ชมเมื่อพวกเขาพร้อมที่จะรับชมกลายเป็นปัญหาหลัก 

สิ่งที่ครั้งหนึ่งเคยเป็นกระบวนการของมนุษย์ล้วน ๆ ได้พัฒนาขึ้นด้วยความก้าวหน้าของเทคโนโลยีแมชชีนเลิร์นนิง ที่ Warner Bros. Discovery เราใช้แมชชีนเลิร์นนิงเพื่อแสดงภาพยนตร์และรายการทีวีที่จะโดนใจผู้ชมมากที่สุด ทีมบรรณาธิการของเราได้เลือกโปรแกรมที่พวกเขาคิดว่าเป็นโปรแกรมที่ดีที่สุดในห้องสมุดของเรามานานแล้ว แต่โปรแกรมโปรดของคนๆ หนึ่งมักไม่ถูกใจใครอีกคนหนึ่งเสมอไป เช่นเดียวกับหลายๆ อุตสาหกรรม เราได้หันไปใช้แมชชีนเลิร์นนิงและข้อมูลผู้ใช้เพื่อทำให้ประสบการณ์ดิจิทัลของเราดีขึ้น 

เป้าหมายของเราคือการทำให้ประสบการณ์ของผู้ชมง่ายขึ้นและง่ายขึ้น เพื่อให้พวกเขาพบเนื้อหาที่ต้องการรับชมได้อย่างรวดเร็ว ไม่มีใครในอุตสาหกรรมที่ไขปัญหานี้ได้อย่างสมบูรณ์ ซึ่งเป็นสิ่งที่ทำให้น่าตื่นเต้นมาก 

ในบทความนี้ เราจะพูดถึงสิ่งที่เรากำลังทำกับ ML เพื่อให้แน่ใจว่ารายการโปรดใหม่ของคุณกำลังรอคุณอยู่เมื่อคุณเปิดDiscovery +หรือHBO Max

การย้ายจากกระบวนการของมนุษย์ไปสู่กระบวนการของเครื่องจักร

อย่างง่ายที่สุด คำแนะนำจะขึ้นอยู่กับรูปแบบ ถ้าคุณชอบนิยายวิทยาศาสตร์ คุณน่าจะดูหนังนิยายวิทยาศาสตร์มากกว่า จากการศึกษาของเรา เราพบว่าผู้ชมโดยเฉลี่ยมีแนวเพลงประมาณ 5 หรือ 6 ประเภท พวกมันไม่ใช่ประเภทเดียวกันสำหรับผู้ดูทุกคน ดังนั้นการเรียงลำดับการนำทางทั่วไป—แม้แต่การเรียงตามตัวอักษร—อาจเป็นเรื่องยาก คุณสามารถแสดงโปรแกรมยอดนิยมได้ แต่จากนั้นคุณก็จะละเลยเนื้อหา  หางยาว ของคุณ

ระบบอัตโนมัติที่ง่ายที่สุดที่เราทำได้คือทำให้มั่นใจว่าแนวเพลงโปรดของผู้ใช้นั้นเข้าถึงได้ง่ายที่สุด เราทำสิ่งนี้ทั้งในหน้าเรียกดู เมื่อผู้ใช้คลิกเข้าไปในรายการทีวีและภาพยนตร์ และเห็นประเภทที่มีให้ แต่ยังรวมถึงในหน้าแรกของผู้ใช้ด้วย การสร้างโฮมเพจนั้นจำเป็นต้องปรับเปลี่ยนในแบบของคุณ เพื่อที่ผู้ใช้จะไม่เลื่อนแล้วเลื่อนอีกเพื่อไปยังประเภทของรายการที่พวกเขาดูตลอดเวลา 

บรรณาธิการที่เป็นมนุษย์จะวิเคราะห์ประเภทเหล่านั้นและเลือกภาพยนตร์หรือรายการที่พวกเขาคิดว่าดีที่สุด: อัญมณี แต่บรรณาธิการคนเดียว ไม่ว่าจะมีรสนิยมดีแค่ไหน ก็ไม่สามารถเลือกผู้ชนะสำหรับทุกคนได้ เราเก็บข้อมูลประวัติของผู้ใช้ การโต้ตอบที่พวกเขาทำบนไซต์ และสัญญาณอื่น ๆ ที่บอกเราว่าพวกเขาสนใจอะไร เราใช้อัลกอริทึมการเรียนรู้เชิงลึกที่เรียกใช้ประวัติเหล่านี้ผ่านแบบจำลองตามลำดับเพื่อกำหนดความน่าจะเป็นของผู้ชมนี้ ต้องการชมการแสดงใด ๆ จากนั้นเราจะจัดอันดับเนื้อหาตามแนวโน้มที่จะดึงดูดลูกค้าและส่งอันดับนั้นไปให้พวกเขา ซึ่งนั่นคือสิ่งที่อัญมณีของพวกเขามี โดยพิจารณาจากข้อมูลที่พวกเขาส่งมาให้เรา 

แน่นอน เราไม่เพียงแค่ต้องการให้บริการเนื้อหาที่คุณชอบอยู่แล้วเท่านั้น บรรณาธิการที่เป็นมนุษย์นั้นเก่งมากในการหากลุ่มความเชื่อมโยงที่กว้างขึ้นระหว่างสื่อต่างๆ พวกเขาจะแนะนำบางสิ่งที่ไม่ใช่เพราะข้อมูลเมตาบอกว่ามีฉากแอ็คชั่นที่นี่และฉากโรแมนติกที่นี่ แต่เป็นเพราะตัวแก้ไขกำลังเชื่อมต่อจุดที่อาจไม่สามารถแปลเป็นป้ายกำกับได้ง่ายๆ คุณชอบภาพยนตร์จากผู้กำกับคนนี้ บางทีคุณอาจจะชอบงานของพวกเขาในประเภทที่คุณไม่เคยสำรวจมาก่อน Pandora ลองใช้โมเดลนี้กับเพลงโดยให้บรรณาธิการที่เป็นมนุษย์สร้างความเชื่อมโยงระหว่างเพลง  อย่างชัดเจน อัลกอริทึมแมชชีนเลิร์นนิง

เครือข่ายการเชื่อมต่อที่สร้างเนื้อหาที่หลากหลายและประสบการณ์ที่น่ายินดีคือสิ่งที่เรากำลังสำรวจอยู่ในขณะนี้ เว้นแต่ว่าเรากำลังพยายามใช้โปรแกรม ML ของเราเพื่ออนุมานการเชื่อมต่อเหล่านั้น ไม่ว่าจะเป็นการเชื่อมต่อรูปแบบการดู การดูข้อมูลเมตา หรือการแยกตัวชี้นำจากตัวเนื้อหา เราต้องการสร้างกลุ่มเนื้อหาที่สมบูรณ์ยิ่งขึ้นมากกว่าที่จะหาได้จากสัญญาณประเภทเท่านั้น อัลกอริทึมแมชชีนเลิร์นนิง

Warner Brothers Discovery กำลังเปลี่ยนโดยรวมจากการเป็นกองบรรณาธิการที่หนักหน่วงและขับเคลื่อนโดยมนุษย์ไปสู่ ​​ML ที่หนักหน่วงมากขึ้น หนึ่งในสถานที่ที่เราเพิ่งเริ่มเข้าสู่วัฒนธรรมบรรณาธิการคือในสิ่งที่เราเรียกว่าแผงฮีโร่ ซึ่งเป็นแผงขนาดใหญ่ที่ด้านบนที่แสดงตัวอย่างรายการเดียวสำหรับรายการเด่น บรรณาธิการของเรามักจะเลือกสิ่งที่จะไปที่นั่น—ไม่ใช้เครื่องจักร เป็นเพียงชุดตัวเลือกที่หมุนเวียนตลอดเวลา ตอนนี้ เรากำลังเปลี่ยนสิ่งนี้ให้กลายเป็นปัญหาการเรียนรู้ของเครื่อง โดยพยายามหาวิธีปรับแต่งพื้นที่นั้นให้เป็นส่วนตัวด้วยชุดโปรแกรมที่เกี่ยวข้องกับผู้ที่กำลังดูพื้นที่นั้นหมุนเวียนอยู่ตลอดเวลา 

เครื่องที่แนะนำภาพยนตร์ให้คุณ

มีตัวเลือกและเครื่องมือมากมายในการสร้างโซลูชัน ML ในปัจจุบัน เราเป็นร้านค้า AWS ส่วนใหญ่ และเราเริ่มต้นเส้นทาง ML โดยใช้บริการจำนวนมากของพวกเขา รวมถึง SageMaker สำหรับการฝึกอบรมโมเดลและไปป์ไลน์การปรับใช้ เราใช้ AWS Personalize สำหรับเครื่องมือแนะนำเบื้องต้นของเรา มันช่วยให้เราเริ่มต้นได้อย่างรวดเร็วและทำงานได้ดีกับปัญหาส่วนใหญ่ 

ตอนนี้เรากำลังสร้างโมเดลของเราเองใน TensorFlow หากคุณต้องการกรอบการประเมินที่สมบูรณ์ยิ่งขึ้น เวลาตอบสนองที่เร็วขึ้น และการควบคุมเทคนิคการเรียนรู้และอัลกอริทึมที่ใช้มากขึ้น นั่นคือขั้นตอนต่อไป โมเดลแบบกำหนดเองของเราทำงานได้ดีพอๆ กับสิ่งที่อุตสาหกรรมและ AWS จัดหาให้ และเรากำลังต้องการสร้างไปป์ไลน์ ML ที่รองรับกรณีการใช้งานเฉพาะของเราโดยไม่ต้องอาศัยเฟรมเวิร์กทั่วไปเหล่านี้ 

เราไม่ได้ต้องการคิดค้นล้อขึ้นมาใหม่ มีเทคโนโลยีโอเพ่นซอร์สและโซลูชันสำหรับองค์กรจำนวนมากที่เรากำลังพิจารณาที่จะเพิ่มเข้าไปในสแต็กของเรา เรากำลังดูเทคโนโลยีอย่างเช่นFeastสำหรับฟีเจอร์สโตร์และเครื่องมืออนุมานอย่าง KServe และ MLflow เพื่อจัดการการทดลองและไปป์ไลน์การปรับใช้ของเรา ด้วยเครื่องมือที่เรากำหนดเองและเทคโนโลยีโอเพ่นซอร์สที่ยอดเยี่ยมในตลาด เราสามารถออกแบบโซลูชัน ML ที่จัดการกับกรณีการใช้งานเฉพาะของเราได้ 

ในความเป็นจริงแล้ว ML tooling โดยทั่วไปมีมาไกลมาก แถบสำหรับการเริ่มต้นได้ลดลงอย่างมากในช่วงทศวรรษที่ผ่านมา ซึ่งคุณสามารถสร้างไปป์ไลน์ ML ที่มีประสิทธิภาพมากได้เพียงแค่ใช้เครื่องมือนอกกรอบ ด้วยความก้าวหน้าของฮาร์ดแวร์และอัลกอริทึมที่คุณสามารถใช้ประโยชน์ได้ คุณสามารถบูตสแตรปโซลูชันที่มีประสิทธิภาพมากซึ่งจะทำการอนุมานในเสี้ยวมิลลิวินาที 

หากคุณต้องการพัฒนาเฟรมเวิร์กการประเมินที่สมบูรณ์ยิ่งขึ้นและเจาะลึกลงไปในชุดข้อมูลการฝึกอบรมของคุณ ถึงเวลานั้นคุณสามารถเริ่มปรับแต่ง เราได้พัฒนาโมเดลและไปป์ไลน์ของเราเองเพื่อให้เราควบคุมเทคนิคการเรียนรู้ได้มากขึ้น และช่วยให้ชุดข้อมูลของเรามีเวลาตอบสนองเร็วขึ้น จากนั้นเราสามารถสร้างโซลูชันที่เราได้บูทสแตรปไว้

แน่นอนว่าเครื่องมือ อัลกอริทึม และโมเดลไม่ใช่ส่วนที่ยากที่สุดเกี่ยวกับแมชชีนเลิร์นนิง มันคือข้อมูล 

ปัญหาที่แท้จริงคือข้อมูล

รหัส ML เป็นส่วนเล็ก ๆ ของปริศนาที่ใหญ่กว่า: ข้อมูล การรวมข้อมูลและข้อมูลเมตาจำนวนมหาศาลเข้าด้วยกันเพื่อกำหนดคุณสมบัติและตัดสินใจว่าจะใช้ความหมายอย่างไรนั้นทั้งยากและจำเป็น หากคุณเคยผ่านบทช่วยสอน ML ข้อมูลจะมอบให้คุณ แต่ในการใช้งานจริง ข้อมูลจะไม่มีคุณภาพสูงเท่าที่คุณต้องการ คุณลงเอยด้วยการต่อสู้กับข้อมูลสำหรับโมเดลของคุณแล้วฝึกฝนโมเดลของคุณ แต่ส่วนการจัดการข้อมูลเป็นส่วนที่เราใช้เวลาส่วนใหญ่ 

เครื่องมือโอเพ่นซอร์สบางตัวนั้นดีมากจนคุณสามารถเขียนโค้ดสองบรรทัดใน Tensorflow และมีแอปพลิเคชัน ML เป็นของตัวเอง แต่จากนั้นคุณต้องปรับใช้ และเมื่อคุณปรับใช้ในสถานการณ์ธุรกิจจริง คุณจะต้องดำเนินการผ่านรายการตรวจสอบต่างๆ ไปป์ไลน์ต้องทำงานแบบเรียลไทม์ ปรับขนาดได้อย่างรวดเร็ว บำรุงรักษาได้ และยังคงโปร่งใสเพียงพอสำหรับเราที่จะประเมินว่าเรากำลังปฏิบัติตามสัญญาณที่ถูกต้องและสนับสนุนผู้ใช้ในทิศทางที่ดีหรือไม่ 

รับสัญญาณง่ายๆ: เวลาในการรับชม หากผู้ดูดูรายการใดรายการหนึ่งมากกว่า พวกเขาอาจจะชอบ และเราสามารถใช้รายการนั้นเพื่อสรุปรายการอื่นๆ ที่พวกเขาอาจชอบได้ ค่อนข้างตรงไปตรงมา แต่ข้อมูลนั้นจำเป็นต้องไหลกลับจากผู้ดูไปยังระบบของเรา สตรีมเนื้อหาไปยังไคลเอ็นต์ ซึ่งมักจะบัฟเฟอร์เกินความจำเป็นเพื่อป้องกันการหยุดชะงัก เพื่อให้คำแนะนำของเราแสดงเนื้อหาที่ถูกต้อง ข้อมูลนี้จำเป็นต้องไหลย้อนกลับในเวลาเกือบเรียลไทม์ หากผู้ชมเกลียดการแสดงและคลิกกลับไปที่หน้าแรก หน้านั้นจะต้องพร้อมที่จะรีเฟรชด้วยคำแนะนำใหม่ 

ข้อมูลเหล่านี้จะกลายเป็นข้อมูลขนาดเพตะไบต์ในแต่ละวัน และข้อมูลนี้จำเป็นต้องรวบรวมและส่งผ่านไปยังระบบแบ็กเอนด์ของเรา ข้อมูลที่มาจากไคลเอ็นต์ไม่ได้อยู่ในรูปแบบที่ใช้งานได้ง่าย ดังนั้นการรวมข้อมูลให้เป็นรูปแบบที่สามารถรวบรวมและป้อนเข้าสู่โมเดลของเราจึงเป็นหนึ่งในงานที่ท้าทายที่สุดที่เราเผชิญ 

แต่เปอร์เซ็นต์การดูเป็นเมตริกพื้นฐานที่ค่อนข้างดี และไม่ได้บอกอะไรเรามากนักเกี่ยวกับสิ่งที่ผู้ชมชอบเกี่ยวกับรายการ เมตริกสำคัญอย่างหนึ่งของเราคือผลตอบแทนจากการลงทุนด้านเนื้อหา: จำนวนผู้ชมที่โปรแกรมได้รับขึ้นอยู่กับการลงทุนของเราในนั้น ส่วนหนึ่งของสิ่งที่เราต้องการจากสัญญาณที่ผู้ชมส่งกลับมาคือความสามารถในการเข้าใจเนื้อหาของวิดีโอได้ดีขึ้นโดยไม่ต้องพึ่งพาผู้ดูแลที่เป็นมนุษย์ เราเพียงแค่ขูดพื้นผิวของการแยกข้อมูลเมตาและคุณลักษณะต่างๆ จากวิดีโอ และกำลังพยายามตรวจสอบอย่างจริงจังว่ามีอะไรเพิ่มเติมที่เราสามารถเรียนรู้เกี่ยวกับเนื้อหาของเราจาก ML ได้หรือไม่ 

แมชชีนเลิร์นนิงเปลี่ยนแปลงอยู่เสมอ เช่นเดียวกับอัลกอริทึมของเรา ดังนั้นในขณะที่เราอัปเดตโมเดลและทำซ้ำตามข้อมูลของเรา เราต้องการวิธีที่ดีในการประเมินว่าโมเดลและการเปลี่ยนแปลงของคุณให้ผลลัพธ์ที่คุณต้องการหรือไม่ เราทำการทดลองมากมาย: การประเมินโมเดลแบบเทียบเคียงกับเมตริกเป้าหมายต่างๆ ขณะที่ผู้ใช้โต้ตอบกับรายการ ประเภท หรือส่วนต่างๆ ของแอป เราต้องการให้ฟีดข้อมูลนั้นกลับเข้าสู่โมเดลของเรา 

ความเสี่ยงคือเราให้น้ำหนักมากเกินไปกับเมตริกใดเมตริกหนึ่งหรืออีกเมตริกหนึ่ง หากเมตริกเดียวของเราคือเวลาในการดู อัลกอริทึมจะเพิ่มประสิทธิภาพสำหรับสิ่งนั้น และตัวเลขเหล่านั้นก็จะเพิ่มขึ้น แต่ผู้ชมเลือกเนื้อหาที่มีความหมายสำหรับพวกเขาหรือไม่ เรากำลังนำพวกเขาไปยังวิดีโอที่พวกเขาชอบหรือเราแค่โยนเนื้อหาจำนวนมากใส่พวกเขาจนมีบางอย่างติดขัด? การพึ่งพาเมตริกเดียวมากเกินไปอาจทำให้คุณละเลยความสมบูรณ์ของมาโครโดยรวม ซึ่งอาจส่งผลต่อลำดับที่สองโดยไม่ได้ตั้งใจสำหรับเนื้อหาที่เหลือของคุณ  

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

ลงชื่อครั้งเดียว สตาร์ทอัพ SaaS ส่วนใหญ่ต้องการขายให้กับองค์กร แต่หลายๆ แห่งไม่ได้เตรียมพร้อมสำหรับข้อกำหนดที่องค์กรร้องขอมากที่สุด นั่นคือ การลงชื่อเพียงครั้งเดียว (SSO) ผลิตภัณฑ์ SaaS มักจะออกแบบมาสำหรับชื่อผู้ใช้และรหัสผ่าน ไม่ใช่การผสานรวมที่ซับซ้อนกับผู้ให้บริการข้อมูลประจำตัว (IdP) เช่น Okta, Google หรือ Active Directory 

เมื่อเผชิญกับความท้าทายในการสร้างการผสานรวม นักพัฒนาจำนวนมากจะเตรียมรับมือ อ่านข้อกำหนดการตรวจสอบสิทธิ์และการอนุญาต และเริ่มทำงาน น่าเสียดาย อาจมีช่องว่างมากมายสำหรับการตีความในข้อกำหนดเหล่านี้ ซึ่งการนำ SSO ไปใช้จะกลายเป็นเรื่องยาก ช้า และมีความเสี่ยง หากคุณเป็นบริษัทสตาร์ทอัพขนาดเล็ก หรือแม้แต่ธุรกิจขนาดกลางที่มีทีมวิศวกรที่ยุ่งวุ่นวาย งานนี้อาจเป็นการระบายครั้งใหญ่และทำให้ความสามารถของคุณในการเริ่มหาลูกค้าระดับองค์กรช้าลง

อาจใช้เวลาหลายสัปดาห์ (หรือหลายเดือน) อันมีค่าในการติดตั้ง SSO สำหรับดีลระดับองค์กร และที่สร้างความประหลาดใจให้กับนักพัฒนาหลายๆ คนก็คือ สิ่งที่ได้ผลกับลูกค้าองค์กรรายหนึ่งอาจใช้ไม่ได้กับอีกรายถัดไป SSO เป็นสิ่งที่ท้าทายอย่างไม่คาดคิดที่จะทำอย่างถูกต้องและสม่ำเสมอ เรามาแยกสาเหตุแล้วเสนอแนวทางอื่น

การสร้าง SSO นั้นยากอะไร

ให้ฉันบอกคุณเกี่ยวกับครั้งแรกที่ฉันพยายามใช้ SSO 

ฉันเริ่ม Nylas Mail ในปี 2013 หลังจากเขียนโค้ดบรรทัดแรกในห้องหอพักของฉันที่ MIT กลายเป็นโครงการโอเพ่นซอร์สที่ประสบความสำเร็จอย่างมากและเราระดมเงินได้มากกว่า 10 ล้านเหรียญในความพยายามที่จะโค่น Microsoft Outlook ไม่นานก่อนที่เราจะต้องทำการค้า ซึ่งก็คือตอนที่เราต้องเผชิญหน้ากับผู้ชมกลุ่มใหม่ที่เป็นผู้ซื้อ ซึ่งได้แก่ ผู้นำด้านไอทีและผู้เชี่ยวชาญด้านการจัดซื้อจัดจ้าง เรารู้สึกตื่นเต้นที่จะได้พูดคุยกับลูกค้าระดับองค์กรเกี่ยวกับการนำไปใช้ แต่พวกเขาต้องการคุณสมบัติระดับองค์กรเพื่อเปิดตัว Nylas ในวงกว้าง ในฐานะบริษัทสตาร์ทอัพเล็กๆ เราได้ออกแบบแอปสำหรับผู้ใช้ทั่วไป ไม่ใช่เพื่อการใช้งานในองค์กร ดังนั้นเราจึงไม่พร้อมที่จะรวมเข้ากับ IdP หรือตอบสนองข้อกำหนดอื่นๆ ขององค์กร การทำงานเพื่อเพิ่มคุณลักษณะเหล่านั้นได้รับการพิสูจน์แล้วว่ามากเกินไปสำหรับเรา และขัดขวางไม่ให้เราประสบความสำเร็จในตลาดเชิงพาณิชย์ 

บทเรียนในที่นี้คือหากไม่มี SSO และฟีเจอร์สำหรับองค์กรอื่นๆ ผลิตภัณฑ์ก็จะไปได้ไกลเท่านั้น

สิ่งสำคัญที่ต้องทำความเข้าใจเกี่ยวกับ SSO คือปัญหาการรวมระบบ นักพัฒนาส่วนใหญ่สร้างแอปโดยใช้แพ็คเกจ OSS เช่นDeviseซึ่งจัดการการพิสูจน์ตัวตนสำหรับ Ruby on Rails สิ่งนี้ใช้ได้กับลูกค้าที่มีความต้องการพื้นฐาน ช่วยให้ผู้คนสามารถใช้โมเดลต่างๆ ที่มีโมดูลาร์สูงได้ เมื่อถึงจุดหนึ่ง นักพัฒนาจำเป็นต้องผสานรวมผลิตภัณฑ์ของตนเข้ากับ IdP ซึ่งมักจะเริ่มต้นด้วยอะไรก็ตามที่ลูกค้าต้องการมากที่สุด องค์กรต่างๆ ใช้โซลูชัน IdP ที่แตกต่างกัน: บางแห่งอาจใช้โซลูชันที่จำหน่ายทั่วไป เช่น Okta หรือ Azure Active Directory ในขณะที่บางแห่งมีโซลูชันที่ผลิตขึ้นเองเอง

ผู้ขายรายใดก็ตามที่ต้องการขายให้กับบริษัทเหล่านี้จะต้องผสานรวมกับ IdP เหล่านี้ทั้งหมด ซึ่งหมายถึงการจัดการทั้งการตรวจสอบความถูกต้องของ IdP และผู้ใช้ที่ใช้ข้อมูลรับรองดั้งเดิม (นั่นคือ ชื่อผู้ใช้และรหัสผ่านที่มาจากแพลตฟอร์มของผู้ขาย) เนื่องจากไม่มีฟังก์ชัน IdPs ใดที่เหมือนกันและมีผู้ให้บริการ SSO จำนวนมาก คุณจึงต้องรักษาการผสานรวมหลายรายการพร้อมกัน 

หากคุณต้องการอ่านเกี่ยวกับขั้นตอนอื่นในการเพิ่ม SSO ให้กับผลิตภัณฑ์ขององค์กร นี่คือวิธี ที่  Stack Overflow ทำ

การรวม SSO เป็นมากกว่าการสร้างฟีเจอร์และฟังก์ชันการทำงาน ต้องใช้ความพยายามอย่างมากในการปรับขั้นตอนการเข้าสู่ระบบของแอปให้ราบรื่น การจัดระเบียบและการเปิดใช้งานคุณสมบัติขึ้นอยู่กับฟังก์ชันการทำงานของ IdP และต้องการตรรกะทางธุรกิจใหม่ที่มีความเกี่ยวข้องกับมือถือและการตรวจสอบสิทธิ์แบบสองปัจจัย (2FA) SSO มักจะมี 2FA ในตัวด้วย สร้างความซับซ้อนเพิ่มเติมที่ต้องพิจารณาควบคู่ไปกับการผสานรวมระดับระบบอื่นๆ 

SAML มีชัยไปกว่าครึ่ง

มีหลายวิธีในการดำเนินการ SSO หนึ่งในความนิยมมากที่สุดคือผ่านมาตรฐานเปิดแบบ XML ที่เรียกว่า Security Assertion Markup Language (SAML) ข้อกำหนดSAMLมีความยืดหยุ่นและมีตัวเลือกมากมายเพื่อให้ครอบคลุมกรณีต่างๆ ที่เป็นไปได้ ไม่มีผู้ขายสองรายใช้ข้อมูลจำเพาะในลักษณะเดียวกัน กล่าวอีกนัยหนึ่ง มันไม่ได้ใช้งานอย่างสม่ำเสมอ และ SAML มี “รสชาติ” หลายอย่าง เป็นผลให้มีโอกาสมากมายสำหรับปัญหาด้านความปลอดภัย

พูดให้ชัดเจน ไม่ใช่ว่าสเปคได้รับการออกแบบมาไม่ดี เมื่อโปรโตคอลได้รับการออกแบบ นักออกแบบต้องการครอบคลุมความเป็นไปได้มากมาย สามารถทำได้หลายอย่างด้วย SAML ที่ไม่ค่อยได้นำมาใช้ แต่การผสานรวม SSO ยังคงต้องพร้อมรองรับกรณีขอบบางกรณี ซึ่งเป็นจุดที่ช่องโหว่ปรากฏขึ้น

เพย์โหลด SAML

เมื่อเตรียมการรวม SSO ผู้ให้บริการองค์กรมักจะดำเนินการตรวจสอบความปลอดภัยของรหัส SAML เพื่อค้นหารหัสหรือโฟลว์ที่ใช้ประโยชน์ได้ ตัวอย่างเช่น SAML ใช้ใบรับรองและลายเซ็นสำหรับเพย์โหลด ซึ่งโครงสร้างข้อมูลที่ซ้อนกันอาจมีความซับซ้อนเป็นพิเศษ สิ่งนี้มีประโยชน์สำหรับการจัดการการสื่อสาร IdP หลายระดับ โดยเฉพาะอย่างยิ่งในองค์กรขนาดใหญ่ที่อาจมีการตรวจสอบสิทธิ์ SAML หลายชั้นเพื่อส่งผ่าน แต่ละเลเยอร์มีลายเซ็นที่ต้องได้รับการตรวจสอบ ซึ่งเป็นกระบวนการที่เหมือนกับการปอกหัวหอม การผสานรวม SAML แบบทั่วไปอาจใช้งานและตรวจสอบได้ยาก เนื่องจากไม่ได้เป็นลำดับชั้นเสมอไป และคำขอระหว่างระบบอาจไม่ใช่แบบเชิงเส้น ลงชื่อครั้งเดียว

หากไม่ตรวจสอบทุกเลเยอร์อย่างละเอียด ผู้ประสงค์ร้ายอาจใช้เพย์โหลดในทางที่ผิดได้ การหาประโยชน์จาก SAML ทั่วไปคือการแก้ไขการตอบกลับที่ถูกต้องและใส่ลายเซ็นที่ไม่ถูกต้องจากเซสชันที่หมดอายุ เหตุผลที่ใช้งานได้ง่ายๆ ก็คือ นักพัฒนาซอฟต์แวร์ SAML SSO รายหนึ่งเขียนโค้ดที่ตรวจหาลายเซ็นที่ถูกต้อง แต่ไม่ผ่านการตอบกลับทั้งหมด ทุกเลเยอร์ของเพย์โหลด SAML จำเป็นต้องได้รับการตรวจสอบตลอด องค์กรส่วนใหญ่ไม่มีระบบรหัสหลายระดับ ดังนั้นนี่จึงไม่ใช่การใช้ประโยชน์ทั่วไปโดยเฉพาะ แต่โปรโตคอลรองรับเพราะได้รับการออกแบบโดยคำนึงถึงความยืดหยุ่นประเภทนี้

การขาดมาตรฐานสามารถนำไปสู่ความล้มเหลวและความเปราะบางได้ง่าย

เมื่อพูดถึง SSO มีหลายสิ่งที่ต้องทำให้ถูกต้องและมีรายละเอียดเล็กๆ น้อยๆ มากมายที่ต้องพิจารณา คุณสามารถใช้บางอย่างและทำให้ใช้งานได้ แต่ความทนทานจะมาจากการทดสอบกับการใช้งาน และแม้ว่าข้อมูลจำเพาะจะเป็นมาตรฐาน แต่การใช้งานเหล่านั้นกลับไม่เป็นอย่างนั้น

พิจารณาเขียนการรวม SAML สำหรับแพลตฟอร์มใหม่ขององค์กร แพลตฟอร์มอาจใช้Canonical XMLแต่อาจไม่ประกาศเนมสเปซอย่างชัดเจน ซึ่งอาจทำให้การตรวจสอบสิทธิ์ล้มเหลว แม้ว่าทั้งสองฝ่ายในแต่ละด้านของโฟลว์จะเป็นไปตามข้อกำหนด ก็ไม่มีการรับประกันว่าจะทำงานนอกกรอบ เป็นเรื่องที่เจ็บปวดอย่างยิ่งเมื่อฝ่ายใดฝ่ายหนึ่งทำการเปลี่ยนแปลงแม้เพียงเล็กน้อยในการนำไปใช้งาน เนื่องจากอาจนำไปสู่การเข้าสู่ระบบล้มเหลวซึ่งยากต่อการแก้ไขปัญหาเป็นพิเศษ ผู้ใช้อาจโทรหาแผนกไอทีและพูดว่า “ฉันเข้าสู่ระบบไม่ได้” ซึ่งเป็นการเริ่มต้นการไล่ล่าห่านป่าด้วยความพยายามที่จะแก้ไขปัญหาเกี่ยวกับการเปลี่ยนแปลง XML เล็กน้อยในระบบที่พวกเขาไม่ได้ควบคุม

ลักษณะที่ใช้ XML ของ SAML มาพร้อมกับความท้าทายที่เกี่ยวข้องกับ XML การเรียงลำดับวัตถุและการจัดเรียงเอนทิตีที่ซ้อนกัน (นั่นคือแท็ก) อาจทำให้เกิดปัญหาได้ การแมปแอตทริบิวต์ไม่ได้มาตรฐานในทุกแพลตฟอร์ม ตัวระบุสำหรับผู้ใช้บนแพลตฟอร์มไม่ได้มาตรฐาน บางครั้งคุณได้รับ ID บางครั้งอีเมล บางครั้งไม่มีตัวระบุและมีลักษณะทึบแสง เช่น สตริง Active Directory ที่ทำให้เป็นอนุกรม อาจเป็นเรื่องดึงดูดใจที่จะใช้ไลบรารีโอเพนซอร์ส ซึ่งไม่มีอะไรดีไปกว่าของฟรีราคาถูก แต่มีแพ็คเกจโอเพ่นซอร์สไม่มากนักที่จัดการกับ XML ได้ดี 

การออกแบบแอปอาจส่งผลต่อฟังก์ชันการทำงานและความปลอดภัยของ SAML

การรวม SSO อาจแตกต่างกันไปตามโครงสร้างของแอปพลิเคชัน ตัวอย่างเช่น ฉันสามารถลงชื่อเข้าใช้ GitHub ด้วยบัญชี Gmail ส่วนตัวของฉัน จากนั้นจึงข้ามเข้าสู่ระบบภายในบริษัทระบบใดระบบหนึ่ง โดยพื้นฐานแล้ว GitHub ทำหน้าที่เป็นปัจจัยการตรวจสอบสิทธิ์ที่สองสำหรับแอปภายในของฉัน ทำให้ฉันข้ามผ่านกลไกการตรวจสอบสิทธิ์หลักสำหรับแอปได้ คุณสามารถมีวิธีตรวจสอบสิทธิ์หลักและวิธีรอง—และขั้นตอนต่างๆ สำหรับการตรวจสอบสิทธิ์อีเมลและรหัสผ่าน—แต่ระบบเหล่านั้นจะทำงานตามที่ออกแบบไว้หรือไม่นั้นขึ้นอยู่กับลักษณะของแอปพลิเคชันเอง

เมื่อคุณสร้างแอปด้วย SAML SSO คุณไม่ต้องกังวลเกี่ยวกับการเปลี่ยนชื่อผู้ใช้หรือรหัสผ่าน เพราะสามารถทำได้นอกแอปพลิเคชันของคุณ อย่างไรก็ตามกระแสต้องสะท้อนความเป็นจริงนั้น ระบบ IdP บางอย่าง เช่น Active Directory ของ Microsoft ซึ่งมีสตริงที่ไม่ซ้ำและไม่ซ้ำกัน ไม่มีที่อยู่อีเมล หากคุณไม่ได้รับที่อยู่อีเมล คุณต้องหาวิธีอื่นในการระบุและรับรองผู้ใช้ วิธีการดังกล่าวอาจใช้ไม่ได้กับโครงสร้างข้อมูลหรือสถาปัตยกรรมโดยรวมของแอปพลิเคชันของคุณ

แอป SaaS ที่พร้อมใช้งานสำหรับองค์กรจำนวนมากเริ่มต้นการเข้าสู่ระบบ SSO โดยขอโดเมนย่อยขององค์กร การค้นหาเบื้องหลังจะนำคุณไปยังแบบฟอร์มเข้าสู่ระบบสำหรับการเข้าสู่ระบบ IdP ของบริษัทนั้นในแอปพลิเคชัน SaaS นั้น ปัญหาคือผู้ประสงค์ร้ายอาจหาช่องโหว่ได้โดยการพิมพ์โดเมนย่อยของบริษัทต่างๆ และรู้ว่าใครใช้ SSO และ SAML หากผู้ประสงค์ร้ายรายนั้นต้องการใช้ช่องโหว่ด้านความปลอดภัยที่เพิ่งค้นพบ เป็นไปได้ว่าการโจมตีจะทำงานในหน้าจอเข้าสู่ระบบ IdP เหล่านี้อย่างน้อยหนึ่งหน้าจอ

การสร้างส่วนต่อประสานผู้ใช้ที่รองรับ SSO นั้นยากและทุกบริษัทต่างทำสิ่งที่แตกต่างออกไป รูปแบบที่พบบ่อยที่สุดคือให้มีช่องชื่อผู้ใช้และรหัสผ่านพร้อมไอคอน IdP ด้านล่างและในข้อความขนาดเล็ก “ลงชื่อเข้าใช้ด้วย SAML/SSO” การเข้าสู่ระบบ iCloud ของ Apple จะไม่แสดงฟิลด์รหัสผ่านทันที เนื่องจากจะตรวจสอบว่าโดเมนของชื่อผู้ใช้ครอบคลุมอยู่ในโฟลว์ SSO หรือไม่ Slack ใช้ CNAME ที่กำหนดเองใน URL เช่น StackOverflow.slack.com และส่งคุณไปยังขั้นตอนการเข้าสู่ระบบที่ถูกต้อง ไม่มีวิธีมาตรฐานในการทำ ซึ่งเป็นเหตุผลว่าทำไมทุกคนจึงทำแตกต่างกัน

การต้อนรับองค์กรและการออกจากพนักงาน

ความยุ่งยากอีกอย่างที่เกี่ยวข้องกับ SSO ที่ใช้ SAML คือการต้อนรับลูกค้าใหม่ สมมติว่าคุณเป็นผู้ให้บริการ SaaS และคุณเพิ่งลงนามในสัญญาขนาดใหญ่ฉบับแรกกับองค์กรขนาดใหญ่ ตอนนี้ได้เวลานำผู้ใช้ระดับองค์กรเข้าสู่ระบบของคุณแล้ว วิศวกรการรวมระบบของคุณจะได้รับการตั้งค่าการรวม SAML โดยทำงานร่วมกับสถาปนิกด้านความปลอดภัยขององค์กร

การตั้งค่าการรวม SAML เกี่ยวข้องกับการแลกเปลี่ยนชุดพารามิเตอร์ข้อมูล เช่น URL การเปลี่ยนเส้นทาง และการแมปฟิลด์ของแอตทริบิวต์ SAML ไม่มีข้อมูลจำเพาะที่ชัดเจนว่าชื่อควรเป็นอย่างไร (เช่น ความละเอียดอ่อนของตัวพิมพ์เล็กและใหญ่) ดังนั้นจึงจำเป็นต้องทำการทดสอบเพื่อให้แน่ใจว่าทั้งสองด้านทำงานได้ นอกจากนี้ยังจำเป็นต้องอัปโหลดใบรับรองซึ่งไม่มีวิธีการที่ชัดเจนในข้อมูลจำเพาะ

การทดสอบการผสานรวม SAML เป็นอุปสรรคใหญ่สำหรับบริษัทต่างๆ และมักจะทำด้วยตนเอง ซึ่งหมายความว่าเครื่องมือสำหรับการตั้งค่าจะได้รับการจัดการด้วยตนเองเช่นกัน โดยพื้นฐานแล้ว บริษัทต่างๆ จะใช้สเปรดชีตหรือแบบฟอร์มอย่างง่ายสำหรับการแลกเปลี่ยนพารามิเตอร์ข้อมูล กระบวนการนี้มีแนวโน้มที่จะแตกหักง่าย จึงมักได้รับการจัดการด้วยบริการส่วนบุคคลที่สวมถุงมือสีขาว การสร้างแผงการดูแลระบบแบบใช้งานได้หลากหลายสำหรับ SAML นั้นมีค่าใช้จ่ายสูงและยาก ดังนั้นบริษัทต่างๆ มักจะดำเนินการด้วยตนเองจนกว่าโครงการจะประหยัดค่าใช้จ่าย

การประสานงาน การกำหนดค่า การนำไปใช้ และการทดสอบ SSO อาจใช้เวลาหลายสัปดาห์หากไม่ใช่การสื่อสารกลับไปกลับมาหลายเดือน เป็นกระบวนการที่ลำบาก มักจะเกี่ยวข้องกับการอภิปรายจำนวนมากและการทำงานเกี่ยวกับการรับรองความถูกต้อง (“นี่คือข้อมูลระบุตัวตนที่ตรวจสอบความถูกต้องของผู้ใช้”) และการอนุญาต (“นี่คือบริการและคุณสมบัติที่ผู้ใช้ที่ผ่านการตรวจสอบแล้วสามารถเข้าถึงได้”) ระบบ Enterprise ID เช่น SAML ทำการตรวจสอบสิทธิ์เพื่อพิสูจน์ว่าใครบางคนคือบุคคลที่พวกเขากล่าวว่าเป็นเท่านั้น โดยปล่อยให้การอนุญาตขึ้นอยู่กับแอปและบริการต่างๆ SAML ควรเป็นนายหน้าในเซสชันจริง เช่น การอนุญาตแบบบิต การพิสูจน์ว่าบุคคลนั้นเป็นใคร เกือบจะเหมือนกับการสแกนป้าย RFID ที่ประตูรักษาความปลอดภัย สิ่งที่เกิดขึ้นหลังจากที่พวกเขาผ่านประตูไปก็เป็นอีกเรื่องหนึ่ง 

ความท้าทายในการจัดการเซสชัน

เมื่อคุณตรวจสอบสิทธิ์ด้วย SAML แสดงว่าคุณกำลังตรวจสอบสิทธิ์ผู้ใช้ แต่หลังจากการตรวจสอบแล้ว คุณจะตรวจสอบไม่ได้ว่าผู้ใช้นั้นยังคงเป็นเซสชันที่ใช้งานอยู่ในปัจจุบัน คุณรู้ว่าคุณมีเซสชันปัจจุบัน ณ เวลาใดเวลาหนึ่งเมื่อคุณตรวจสอบสิทธิ์ แต่เซสชันของคุณจะอยู่ได้นานแค่ไหน หากเวลาสั้นเกินไป เช่น 24 ชั่วโมง อาจเป็นเรื่องที่น่าปวดหัว เพราะต้องมีการเข้าสู่ระบบทุกวันสำหรับผู้ใช้ทุกคน มีวิธีแก้ไขปัญหานี้หากคุณมีสิทธิ์เข้าถึงระบบระบุตัวตนอื่นๆ แต่ประเด็นคือ: การจัดการเซสชันเป็นสิ่งที่ท้าทาย

สำหรับผลิตภัณฑ์ B2C SaaS การออกจากระบบของผู้ใช้มีผลเสียต่อการรักษาและการมีส่วนร่วม ผลิตภัณฑ์ส่วนใหญ่มีคุกกี้สองสัปดาห์เพื่อให้เซสชันใหม่อยู่เสมอ แต่ผู้ดูแลระบบไอทีขององค์กรไม่ต้องการเช่นนั้นเสมอไป ผู้จำหน่าย SaaS โดยเฉพาะที่เพิ่งขายให้กับลูกค้าองค์กรรายแรก อาจต้องคิดใหม่เกี่ยวกับการจัดการเซสชันสำหรับแอปของตน จากนั้นมีข้อพิจารณาเกี่ยวกับวิธีจัดการเซสชันบนอุปกรณ์เคลื่อนที่ 

ผู้ใช้นอกระบบ

เมื่อองค์กรเซ็นสัญญากับผลิตภัณฑ์ของคุณ พวกเขาจะนำผู้ใช้ใหม่เข้ามาจำนวนมาก แต่ไม่ใช่ผู้ใช้ทั้งหมดที่จะอยู่ตลอดอายุของสัญญา จำเป็นต้องออกแบบกระบวนการที่หลากหลายสำหรับการออกจากงานของพนักงานในองค์กร ตัวอย่างเช่น:

• จะเกิดอะไรขึ้นกับข้อมูลของผู้ใช้เมื่อพนักงานลาออก
• ข้อมูลหรือบัญชีของผู้ใช้จะเปลี่ยนเป็นบัญชีผู้ดูแลระบบหรือไม่
• ควรยกเลิกเซสชันทั้งหมดหรือไม่ ถ้าเป็นเช่นนั้น คุณจะรู้ได้เร็วแค่ไหนและอย่างไรว่าพวกเขาจากไป?
• สิ่งของที่ใช้ร่วมกันจะได้รับการจัดการอย่างไร?
• อะไรที่ต้องปิดการใช้งานและอะไรที่ต้องรักษาไว้?

คำถามเหล่านี้เป็นคำถามสำคัญหลายประการที่ควรพิจารณาเมื่อขายให้กับลูกค้าองค์กร ไม่ใช่เรื่องง่ายที่จะตอบคำถาม โดยเฉพาะอย่างยิ่งหากมีการปิดใช้งานผู้ใช้ด้วยวิธีที่ไม่ยืดหยุ่นอยู่แล้ว

เมื่อพนักงานออกจากองค์กรลูกค้า อาจด้วยแง่ที่ไม่ดี มีโอกาสที่พนักงานจะเข้าถึงข้อมูลที่ละเอียดอ่อน การส่งมอบที่สำคัญที่กำลังดำเนินการ หรือเอกสารที่ใช้ร่วมกันซึ่งมีผลกระทบทางการเงินที่มีผลกระทบ หากปราศจากแผนการที่มั่นคงสำหรับการปิดใช้งานผู้ใช้เหล่านั้น ผู้จำหน่าย SaaS สามารถพบว่าตัวเองอยู่ในเส้นทางที่สำคัญสำหรับกระบวนการปิดระบบ HR, IT และความปลอดภัยของข้อมูลของลูกค้าองค์กร หากพนักงานเลือกที่จะก่อวินาศกรรมหรือยุ่งเกี่ยวกับข้อมูลที่พวกเขาไม่ควรเข้าถึงอีกต่อไป นั่นเป็นข่าวร้ายสำหรับผู้ขาย

ข้ามช่องว่างขององค์กร

เมื่อขายให้กับองค์กร ผลิตภัณฑ์ของคุณต้องมีคุณสมบัติสำหรับองค์กร การใช้ SSO ซึ่งเป็นฟีเจอร์ระดับองค์กรที่ได้รับการร้องขอมากที่สุด อาจต้องมีการเปลี่ยนแปลงตั้งแต่สถาปัตยกรรมแอปพลิเคชันและข้อมูลไปจนถึงวิธีที่ทีมพัฒนาดำเนินการและโต้ตอบกับลูกค้ารายใหญ่ แทบไม่มีสิ่งใดในแอป SaaS ที่ไม่ต้องการการพิจารณาใหม่ (หรืออย่างน้อยการตรวจสอบอีกครั้ง) เพื่อรองรับไคลเอ็นต์องค์กรรายแรก

SSO ไม่ใช่แค่การสร้างฟีเจอร์ระดับองค์กร แต่ยังเกี่ยวกับการรักษาชุดโฟลว์ที่ช่วยให้ไคลเอ็นต์ต่างๆ ที่มี IdP ต่างกันใช้แอปได้ การสร้าง SSO ด้วย SAML ต้องใช้การตัดสินใจและตรรกะทางธุรกิจมากมาย ซึ่งไม่ได้เกิดขึ้นเอง นอกจากนี้ แนวทางปฏิบัติที่ดีที่สุดคือเพื่อให้แน่ใจว่ามีพนักงานมากกว่าหนึ่งคนที่เข้าใจการใช้งาน SAML มิฉะนั้น หากผู้พัฒนาออกไปและไม่มีใครรู้โปรโตคอล มันอาจจะยุ่งเหยิงอย่างรวดเร็ว และองค์กรต่างๆ ก็ไม่ต้องการยุ่งกับ SAML

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

ชุดข้อมูลแมชชีนเลิร์นนิง ด้วยการเพิ่มจำนวนของเทคโนโลยี AI เช่น GitHub Copilot สำหรับการกรอกโค้ด การแพร่กระจายที่เสถียรสำหรับการสร้างรูปภาพ และ GPT-3 สำหรับข้อความ ทำให้นักวิจารณ์จำนวนมากเริ่มพิจารณาข้อมูลที่พวกเขาใช้ในการฝึกโมเดล AI/ML ของตน ปัญหาด้านความเป็นส่วนตัวและความเป็นเจ้าของเกี่ยวกับเครื่องมือเหล่านี้เป็นเรื่องที่ยุ่งยาก และข้อมูลที่ใช้ในการฝึกเครื่องมือ AI ที่โดดเด่นน้อยกว่าก็สามารถให้ผลลัพธ์ที่เป็นปัญหาได้ไม่แพ้กัน โมเดลใดก็ตามที่ใช้ข้อมูลจริงมีโอกาสที่จะเปิดเผยข้อมูลนั้นหรือปล่อยให้ผู้ไม่หวังดีทำวิศวกรรมย้อนกลับข้อมูลผ่านการโจมตีต่างๆ 

นั่นคือที่มาของข้อมูลสังเคราะห์ ข้อมูลสังเคราะห์คือข้อมูลที่สร้างขึ้นผ่านโปรแกรมคอมพิวเตอร์แทนที่จะรวบรวมผ่านเหตุการณ์ในโลกแห่งความเป็นจริง เราติดต่อกับ Kalyan Veeramachaneni นักวิทยาศาสตร์การวิจัยหลักของ MIT และผู้ร่วมก่อตั้ง DataCebo บริษัทสตาร์ทอัพด้านข้อมูลขนาดใหญ่เกี่ยวกับโครงการของเขาในการเปิดแหล่งที่มาของพลังของข้อมูลขนาดใหญ่และให้การเรียนรู้ของเครื่องรวบรวมข้อมูลที่จำเป็นในการสร้างแบบจำลองของจริง โลกโดยไม่มีปัญหาความเป็นส่วนตัวในโลกแห่งความจริง

ก่อนหน้านี้เราได้กล่าวถึงข้อมูลสังเคราะห์ในพอดคาสต์ในอดีต 

คำตอบด้านล่างได้รับการแก้ไขเพื่อรูปแบบและความชัดเจน 

ถาม:คุณช่วยบอกเราเล็กน้อยเกี่ยวกับข้อมูลสังเคราะห์และสิ่งที่ทีมของคุณกำลังจะเผยแพร่ได้ไหม

ตอบ:เป้าหมายของข้อมูลสังเคราะห์คือการแสดงข้อมูลในโลกแห่งความเป็นจริงอย่างถูกต้องเพียงพอที่จะใช้ในการฝึกปัญญาประดิษฐ์ (AI) และโมเดลการเรียนรู้ของเครื่องที่ใช้ในโลกแห่งความเป็นจริง

ตัวอย่างเช่น สำหรับบริษัทที่ทำงานเพื่อพัฒนาระบบนำทางสำหรับรถยนต์ไร้คนขับ ไม่สามารถรับข้อมูลการฝึกอบรมที่แสดงถึงทุกสถานการณ์การขับขี่ที่อาจเกิดขึ้นได้ ในกรณีนี้ ข้อมูลสังเคราะห์เป็นวิธีที่มีประโยชน์ในการแนะนำระบบให้รู้จักกับสถานการณ์ที่แตกต่างกันมากที่สุดเท่าที่จะเป็นไปได้

ในเดือนกันยายน ทีมงานของฉันที่DataCeboได้เปิดตัวSDMetrics 0.7ซึ่งเป็นชุดเครื่องมือโอเพ่นซอร์สสำหรับประเมินคุณภาพของฐานข้อมูลสังเคราะห์โดยเปรียบเทียบกับฐานข้อมูลจริงที่จำลองขึ้นมา SDMetrics สามารถวิเคราะห์ปัจจัยต่างๆ ที่เกี่ยวข้องกับว่าข้อมูลสังเคราะห์เป็นตัวแทนของข้อมูลต้นฉบับได้ดีเพียงใด ตั้งแต่การปฏิบัติตามขอบเขตไปจนถึงความคล้ายคลึงกันของความสัมพันธ์ ตลอดจนความเสี่ยงด้านความเป็นส่วนตัวที่คาดการณ์ไว้ นอกจากนี้ยังสามารถสร้างรายงานและภาพกราฟิกเพื่อสร้างกรณีที่ชัดเจนยิ่งขึ้นสำหรับผู้ที่ไม่ใช่วิศวกรเกี่ยวกับมูลค่าของชุดข้อมูลสังเคราะห์ที่กำหนด

ตรวจสอบ  เว็บไซต์ SDMetrics  เพื่อดูองค์ประกอบต่างๆ ของกล่องเครื่องมือ SDMetrics

ถาม:ข้อมูลสังเคราะห์มีการป้องกันสถานการณ์ประเภทใดบ้าง

ตอบ:ข้อมูลสังเคราะห์มีศักยภาพมากมายจากมุมมองด้านความเป็นส่วนตัว มีตัวอย่างมากมายเกี่ยวกับปัญหาความเป็นส่วนตัวที่สำคัญที่เกี่ยวข้องกับการรวบรวม จัดเก็บ แบ่งปัน และวิเคราะห์ข้อมูลของบุคคลจริง รวมถึงกรณีของนักวิจัยและแฮ็กเกอร์ที่สามารถยกเลิกการระบุข้อมูลที่ไม่ระบุชื่อได้ โดยทั่วไปปัญหาประเภทนี้มักไม่ค่อยเกิดขึ้นกับข้อมูลสังเคราะห์ เนื่องจากชุดข้อมูลไม่สอดคล้องโดยตรงกับเหตุการณ์จริงหรือผู้คนตั้งแต่แรก

ข้อมูลในโลกแห่งความเป็นจริงมักมีข้อผิดพลาดและความไม่ถูกต้อง และอาจพลาดกรณีขอบที่ไม่ได้เกิดขึ้นเป็นประจำ ชุดข้อมูลสังเคราะห์สามารถพัฒนาได้เพื่อให้มั่นใจว่าข้อมูลมีคุณภาพถึงระดับรายละเอียด ซึ่งรวมถึงการแก้ไขฉลากที่ผิดพลาดโดยอัตโนมัติและการเติมค่าที่ขาดหายไป 

นอกจากนี้ ข้อมูลในโลกแห่งความเป็นจริงอาจมีอคติทางวัฒนธรรมในลักษณะที่อาจส่งผลกระทบต่ออัลกอริทึมที่ฝึกฝน วิธีการสังเคราะห์ข้อมูลสามารถใช้คำจำกัดความทางสถิติของความเป็นธรรมเพื่อแก้ไขอคติเหล่านี้ที่แกนหลักของปัญหา: ในข้อมูลเอง ชุดข้อมูลแมชชีนเลิร์นนิง

ถาม:คุณจะสร้างข้อมูลสังเคราะห์ที่ดูเหมือนข้อมูลจริงได้อย่างไร

ตอบ:ข้อมูลสังเคราะห์ถูกสร้างขึ้นโดยใช้วิธีการเรียนรู้ของเครื่องที่มีทั้งการเรียนรู้ของเครื่องแบบดั้งเดิมและวิธีการเรียนรู้เชิงลึกที่เกี่ยวข้องกับโครงข่ายประสาทเทียม 

พูดกว้าง ๆ มีข้อมูลสองประเภท: มีโครงสร้างและไม่มีโครงสร้าง โดยทั่วไปข้อมูลที่มีโครงสร้างจะเป็นแบบตาราง กล่าวคือเป็นประเภทข้อมูลที่สามารถจัดเรียงในตารางหรือสเปรดชีตได้ ในทางตรงกันข้าม ข้อมูลที่ไม่มีโครงสร้างครอบคลุมแหล่งที่มาและรูปแบบที่หลากหลาย รวมถึงรูปภาพ ข้อความ และวิดีโอ 

มีวิธีการต่างๆ มากมายที่ใช้เพื่อสร้างข้อมูลสังเคราะห์ประเภทต่างๆ ประเภทของข้อมูลที่จำเป็นอาจส่งผลต่อวิธีการสร้างที่ดีที่สุดที่จะใช้ ในแง่ของแมชชีนเลิร์นนิงแบบคลาสสิก วิธีที่พบมากที่สุดคือการจำลองแบบมอนติคาร์โล ซึ่งสร้างผลลัพธ์ที่หลากหลายโดยกำหนดพารามิเตอร์เริ่มต้นที่เฉพาะเจาะจง โมเดลเหล่านี้มักจะออกแบบโดยผู้เชี่ยวชาญที่รู้จักโดเมนซึ่งข้อมูลสังเคราะห์นั้นถูกสร้างขึ้นเป็นอย่างดี ในบางกรณีจะใช้การจำลองตามหลักฟิสิกส์ ตัวอย่างเช่น แบบจำลองการคำนวณตามพลศาสตร์ของไหลที่สามารถจำลองรูปแบบการบินได้ 

ในทางตรงกันข้าม วิธีการเรียนรู้เชิงลึกมักจะเกี่ยวข้องกับเครือข่ายฝ่ายตรงข้ามเชิงกำเนิด (GAN) ตัวเข้ารหัสแบบแปรผัน (VAE) หรือฟิลด์ความกระจ่างใสของระบบประสาท (NeRF) วิธีการเหล่านี้ได้รับชุดย่อยของข้อมูลจริงและเรียนรู้รูปแบบเชิงกำเนิด เมื่อเรียนรู้แบบจำลองแล้ว คุณสามารถสร้างข้อมูลสังเคราะห์ได้มากเท่าที่คุณต้องการ วิธีการอัตโนมัตินี้ทำให้การสร้างข้อมูลสังเคราะห์เป็นไปได้สำหรับแอปพลิเคชันทุกประเภท ข้อมูลสังเคราะห์จำเป็นต้องตรงตามเกณฑ์บางประการจึงจะเชื่อถือได้และมีประสิทธิภาพ ตัวอย่างเช่น การรักษารูปร่างของคอลัมน์การครอบคลุมหมวดหมู่และความสัมพันธ์. เพื่อเปิดใช้งานสิ่งนี้ กระบวนการที่ใช้สร้างข้อมูลสามารถควบคุมได้โดยการระบุการแจกแจงทางสถิติเฉพาะสำหรับคอลัมน์ สถาปัตยกรรมแบบจำลอง และวิธีการแปลงข้อมูล การเลือกวิธีการแจกแจงหรือการแปลงที่จะใช้นั้นขึ้นอยู่กับข้อมูลและกรณีการใช้งานเป็นอย่างมาก 

ถาม:ข้อดีของการใช้ข้อมูลสังเคราะห์เทียบกับข้อมูลจำลองคืออะไร

ตอบ: การจำลองข้อมูลซึ่งโดยปกติจะสร้างขึ้นด้วยมือและเขียนขึ้นโดยใช้กฎนั้นไม่สามารถนำไปใช้ได้จริงในระดับที่เป็นประโยชน์สำหรับบริษัทส่วนใหญ่ที่ใช้ข้อมูลขนาดใหญ่ 

แอปพลิเคชันที่ขับเคลื่อนด้วยข้อมูลส่วนใหญ่จำเป็นต้องเขียนตรรกะของซอฟต์แวร์ที่สอดคล้องกับความสัมพันธ์ที่เห็นในข้อมูลเมื่อเวลาผ่านไป และข้อมูลจำลองจะไม่จับความสัมพันธ์เหล่านี้

ตัวอย่างเช่น สมมติว่าคุณเป็นผู้ค้าปลีกออนไลน์ที่ต้องการแนะนำข้อตกลงเฉพาะสำหรับลูกค้าที่ซื้อทีวีและทำธุรกรรมอื่นๆ อย่างน้อยเจ็ดรายการ หากต้องการทดสอบว่าตรรกะนี้จะทำงานตามที่ระบุเมื่อเขียนในซอฟต์แวร์หรือไม่ คุณต้องใช้ข้อมูลที่มีรูปแบบเหล่านั้น ซึ่งอาจเป็นข้อมูลการผลิตจริงหรือข้อมูลสังเคราะห์ที่อ้างอิงจากข้อมูลในโลกแห่งความเป็นจริงก็ได้

มีตัวอย่างมากมายเช่นนี้ที่รูปแบบในข้อมูลมีความสำคัญต่อการทดสอบตรรกะที่เขียนในซอฟต์แวร์ ข้อมูลจำลองไม่สามารถจับสิ่งนั้นได้ ทุกวันนี้มีการเพิ่มตรรกะที่ใช้ข้อมูลมากขึ้นเรื่อยๆ ในแอปพลิเคชันซอฟต์แวร์ การรวบรวมตรรกะนี้ทีละรายการผ่านกฎแทบจะเป็นไปไม่ได้ที่จะทำในระดับที่จำเป็นในการให้คุณค่าที่แท้จริงแก่องค์กรที่ใช้งาน 

เราจะหารือเกี่ยวกับข้อจำกัดของข้อมูลจำลองในรายละเอียดเพิ่มเติมในบล็อกของเรา 

ถาม:ห้องสมุดนี้มีประโยชน์หรือข้อกังวลใด ๆ หรือไม่? จะปลอดภัยกว่าไหม? มีใครสามารถทำวิศวกรรมย้อนกลับข้อมูลจริงที่รู้โมเดลและอัลกอริทึมได้หรือไม่?

ตอบ: แหล่ง ข้อมูล Synthetic Data Vaultของ DataCebo มีเทคนิคการสร้างแบบจำลองและอัลกอริทึมจำนวนมาก การทำให้อัลกอริทึมเหล่านี้เป็นสาธารณะช่วยให้เกิดความโปร่งใส ปรับปรุงการตรวจสอบข้ามจากชุมชน และปรับปรุงวิธีการพื้นฐานเพื่อให้มีความเป็นส่วนตัวมากขึ้น จากนั้นอัลกอริทึมเหล่านี้จะนำไปใช้กับข้อมูลโดยผู้ควบคุมข้อมูลในการตั้งค่าส่วนตัว เพื่อฝึกโมเดล ผลลัพธ์อย่างหนึ่งของแนวทางนี้คือตัวแบบไม่ได้เปิดเผยต่อสาธารณะ 

นอกจากนี้ยังมีเทคนิคการเพิ่มความเป็นส่วนตัวบางอย่างที่เพิ่มเข้ามาในระหว่างกระบวนการฝึกอบรม เทคนิคเหล่านี้ไม่ได้เป็นส่วนหนึ่งของไลบรารีโอเพ่นซอร์ส ในขณะที่อธิบายไว้ในเอกสาร  

การรู้เทคนิคเหล่านี้ในตัวมันเองอาจไม่นำไปสู่การทำวิศวกรรมย้อนกลับ เนื่องจากมีการสุ่มเข้ามาเกี่ยวข้องในปริมาณที่เพียงพอ อย่างไรก็ตาม เป็นคำถามที่น่าสนใจที่ชุมชนควรพิจารณา 

SDMetrics รุ่น ใหม่ของเราเกี่ยวข้องกับวิธีการประเมินข้อมูลสังเคราะห์บนแกนต่างๆ เมตริกเหล่านี้เกี่ยวกับคุณภาพของข้อมูลสังเคราะห์ ประสิทธิภาพของข้อมูลสังเคราะห์สำหรับงานเฉพาะ และเมตริกความเป็นส่วนตัวบางรายการ

เรารู้สึกว่าเมตริกเหล่านี้มีความสำคัญอย่างยิ่งที่จะต้องเป็นโอเพ่นซอร์ส เนื่องจากจะช่วยให้การประเมินเป็นมาตรฐานในชุมชนได้ การสร้างข้อมูลสังเคราะห์—และตัวข้อมูลสังเคราะห์เอง—ท้ายที่สุดจะอยู่ในการตั้งค่า “หลังกำแพง” เนื่องจากไดนามิกดังกล่าว เราจึงต้องการสร้างมาตรฐานที่ทุกคนสามารถอ้างอิงได้เมื่อมีคนอ้างอิงเมตริกที่พวกเขาใช้ในการประเมินข้อมูล (ปิดวอลล์) ของตน ผู้คนสามารถกลับไปที่ SDMetrics เพื่อดูรหัสที่อยู่ใต้เมตริก และหวังว่าจะมีความเชื่อมั่นมากขึ้นในเมตริกที่ใช้อยู่

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

เพิ่มสถานะโฟลว์ของคุณ สนับสนุนโดยโลจิเทค อาจเป็นการดึงดูดให้คิดว่าประสิทธิภาพของนักพัฒนาสัมพันธ์โดยตรงกับความเร็วบนแป้นพิมพ์ ท้ายที่สุดแล้ว ความเร็วในการเขียนโปรแกรมของคุณจะถูกจำกัดด้วยความเร็วที่คุณสามารถป้อนอักขระที่จำเป็นในการสร้างบรรทัดโค้ดที่เขียนซอฟต์แวร์ 

อันที่จริงแล้ว นี่เป็นการวัดประสิทธิภาพที่แย่มาก ความเร็วบนแป้นพิมพ์ของคุณไม่ได้บ่งบอกว่าคุณมีประสิทธิภาพเพียงใด เช่นเดียวกับจำนวนบรรทัดของโค้ดหรือคอมมิตที่คุณทำไม่ได้บ่งชี้ว่าแอปพลิเคชันนั้นดีเพียงใด นี่เป็นข้อผิดพลาดที่ แอปพลิเคชัน Bosswareทำขึ้น โดยวัดว่าพนักงานทำงานได้ดีหรือไม่โดยการดูการกดแป้นพิมพ์และการเคลื่อนไหวของเมาส์ นั่นคือการวัดความร้อน ไม่ใช่ผลลัพธ์ 

อย่างไรก็ตาม เป็นเรื่องจริงที่นักพัฒนาใช้เวลาส่วนใหญ่ไปกับการเลื่อนแป้นพิมพ์ แปลความคิดของตนเป็นโค้ด ดังนั้นหากพวกเขาใช้Vim , Emacsหรือโปรแกรมแก้ไขข้อความบนคอนโซลอื่นๆ สำหรับพวกเราที่ไล่ตามความเร่งรีบอย่างมีประสิทธิผลของสถานะการไหล มันมักจะเริ่มต้นด้วยส่วนต่อประสานระหว่างนิ้วของคุณกับคอมพิวเตอร์: แป้นพิมพ์ที่เรียบง่าย คีย์บอร์ด (และเมาส์) ไม่จำเป็นต้องช่วยให้คุณเข้าสู่สถานะลื่นไหล แต่คีย์บอร์ดที่ดีอย่างMX Master Seriesสามารถช่วยให้คุณไปต่อได้ 

ในบทความนี้ เราจะพูดถึงการวิจัยเกี่ยวกับนักพัฒนาซอฟต์แวร์และสถานะโฟลว์ การเอาชนะสิ่งรบกวนที่ดึงคุณออกจากโฟกัส และเครื่องมือที่ดีที่สุดคือเครื่องมือที่คุณลืมได้อย่างไร 

สถานะการไหลและผู้พัฒนาซอฟต์แวร์

สถานะที่ลื่นไหล หรือสถานะที่มีสมาธิ คือการที่คุณมีส่วนร่วมในงานของคุณมากจนคุณสูญเสียเวลาและโลกรอบตัวคุณไป มีสมาธิจดจ่อกับงานที่ทำอยู่อย่างเต็มที่และเต็มที่ มันเป็นสภาวะที่น่าพึงพอใจที่พวกเราหลายคนแสวงหา แต่เพียงตระหนักว่าเราเคยอยู่ในนั้นเมื่อเราโผล่ออกมาจากมันและตระหนักว่าเราลืมกินข้าวเที่ยง การอยู่ในสถานะลื่นไหลนั้นรู้สึกดีมากเพราะคุณกำลังสร้างสิ่งที่ตรงกับทักษะของคุณโดยทำในสิ่งที่คุณชอบทำ

ในฐานะนักพัฒนาซอฟต์แวร์ สถานะโฟลว์เกิดขึ้นเมื่อคุณกำลังแก้ปัญหาที่เท่ากับทักษะของคุณ คุณต้องการงานที่ท้าทายพอสมควร หากงานไม่ท้าทายพอ คุณก็อาจจะเบื่อได้ ถ้ามันยากเกินไปสำหรับชุดทักษะของคุณ คุณอาจรู้สึกหงุดหงิดและเสียสมาธิ คุณสามารถก้าวขึ้นสู่ความท้าทายได้ แต่จำเป็นต้องลงทุนอย่างเต็มที่กับความท้าทายนั้น 

การทำงานหน้าคอมพิวเตอร์ย่อมมีขึ้นมีลงเป็นธรรมดา ดร. กลอเรีย มาร์ค แห่งมหาวิทยาลัยแคลิฟอร์เนีย เออร์ไวน์ พบว่าสัปดาห์ทำงานสำหรับพนักงานข้อมูลมีรูปแบบที่คาดเดาได้ โฟกัสสูงสุดในช่วงบ่าย ส่วนความเบื่อจะสูงสุดในช่วงบ่าย วันจันทร์เป็นทั้งวันที่น่าเบื่อที่สุด แต่ก็มีสมาธิมากที่สุดเช่นกัน ในแง่ของการทำงาน ผู้คนมีความสุขที่สุดในการทำงานแบบจำเจ และเครียดมากที่สุดระหว่างการทำงานที่มีสมาธิ 

ศาสตราจารย์ Thomas Fritz แห่งมหาวิทยาลัย Zurich (ผู้ที่เราพูดคุยด้วยในบทความนี้) พบว่านักพัฒนาใช้เวลาประมาณ 50% ของวันทำงานหน้าคอมพิวเตอร์ ครึ่งหนึ่งของเวลานั้นถูกใช้ไปกับ IDE ที่ทำงานเกี่ยวกับโค้ด ในขณะที่การเขียนและอ่านโค้ดใช้เวลาเพียงหนึ่งในสี่ของวันของวิศวกรซอฟต์แวร์ นั่นเป็นช่วงเวลาที่พวกเขาต้องให้ความสำคัญมากที่สุด ขอบใด ๆ เพื่อลดความเครียดและปรับปรุงการไหลช่วยได้ 

นักวิจัยเหล่านี้ทราบได้อย่างไรว่าบุคคลใดอยู่ในสถานะไหล วิธีที่ง่ายที่สุดคือการถามพวกเขาเป็นระยะ—แสดงป๊อปอัปบนหน้าจอหรือสมาร์ทวอทช์ทุกๆ 10 นาทีหรือชั่วโมง แม้ว่าจะเป็นกลยุทธ์การวิจัยที่มีประสิทธิภาพ แต่คำขอเหล่านั้นอาจสร้างการหยุดชะงักและทำลายสถานะที่มุ่งเน้นได้ 

การค้นพบที่น่าประหลาดใจประการหนึ่งจากการวิจัยของศาสตราจารย์ฟริตซ์คือสิ่งที่เราถือว่ามีประสิทธิผลคือการรับรู้ของแต่ละคน ในระหว่างการศึกษาการรายงานด้วยตนเอง การเช็คอินรายชั่วโมงที่ถามเกี่ยวกับประสิทธิภาพการทำงานของพวกเขากระตุ้นให้นักพัฒนาพิจารณาว่าพวกเขาใช้เวลาอย่างไร การได้หยุดพักและพิจารณางานของตนเองทำให้บางคนรู้สึกดีขึ้นเกี่ยวกับวิธีที่พวกเขาใช้เวลา และด้วยเหตุนี้พวกเขาจึงมองว่าตนเองมีประสิทธิผลมากกว่าการไม่ไตร่ตรองตนเอง สำหรับคนอื่นๆการทบทวนตนเองช่วยให้พวกเขาพิจารณากิจกรรมของตนใหม่และเปลี่ยนแปลงบางอย่างหากยังทำไม่ได้ผล เพิ่มสถานะโฟลว์ของคุณ
นอกจากนี้ นักพัฒนามองว่าตนเองมีประสิทธิภาพมากขึ้นเมื่อใช้เวลากับแป้นพิมพ์และเมาส์มากขึ้น

นักวิจัยยังได้ลองใช้มาตรการทางไบโอเมตริกซ์ต่างๆ เนื่องจากสถานะที่โฟกัสมักจะสัมพันธ์กับตัวบ่งชี้ความเครียด: การทำงานของผิวหนังอิเล็กโทรด อัตราการกะพริบตา และความแปรปรวนของอัตราการเต้นของหัวใจ อย่างไรก็ตาม มาตรการไบโอเมตริกทั้งหมดเหล่านี้ (รวบรวมจากเซ็นเซอร์ที่มีการรุกล้ำต่ำ) นั้นดีพอๆ กับหรือแย่กว่า การตรวจสอบการทำงาน ของแป้นพิมพ์และเมาส์ แม้ว่าเทคนิคการวัดจะรุกรานมากที่สุด—ศ. โดยพื้นฐานแล้ว ทีมของ Fritz ทำการล็อกคีย์โดยไม่บันทึกการกดคีย์ใดคีย์หนึ่ง พวกเขาสามารถคาดการณ์สถานะการโฟกัสได้ค่อนข้างดี 

แม้ว่าการใช้แป้นพิมพ์และเมาส์จะมีความสัมพันธ์อย่างมากกับประสิทธิภาพการทำงาน แต่ก็ไม่มีเส้นทางที่แน่นอนจากแป้นพิมพ์ไปยังสถานะโฟลว์ หากมีกระบวนการทางเวทมนตร์เช่นนั้น พวกเราทุกคนจะใช้มัน ที่กล่าวว่าคีย์บอร์ดเชิงกลสามารถช่วยในการรับรู้ของนักพัฒนาเกี่ยวกับประสิทธิภาพการทำงาน สิ่งที่เรียบง่ายอย่างการกดปุ่มทั้งเมื่อกดลงและเมื่อปล่อยสามารถทำให้คุณรู้สึกมีประสิทธิผลมากขึ้นเป็นสองเท่า ซึ่งเป็นการตอบสนองแบบ Pavlovian ต่อสิ่งเร้าทางการได้ยิน เมื่อคีย์บอร์ดใช้งานได้ดี คุณจะสามารถใช้งานคีย์บอร์ดได้ง่ายขึ้น 

แม้ว่าประสิทธิภาพการทำงานอาจเป็นเรื่องยากและเป็นอัตนัยในการวัด แต่เราสามารถค่อนข้างแน่ใจได้ในสิ่งที่ไม่ใช่: การขัดจังหวะและการเสียสมาธิ 

ลดการรบกวนด้วยเครื่องมือที่ดี

อีกวิธีหนึ่งในการคิดเกี่ยวกับสภาวะที่มีสมาธิคือกรอบความคิดซึ่งคุณจะไม่ถูกขัดจังหวะน้อยลง เมื่อสถานะจดจ่อเปลี่ยนความสนใจของคุณไปที่งานเดียว สถานะเน้นความสนใจบางสถานะจะกระจายมากกว่า และทำให้คุณไวต่อการแจ้งเตือนและสิ่งรบกวนอื่นๆ ขึ้นอยู่กับงานที่พนักงานสารสนเทศทำ พวกเขาอาจใช้เวลาส่วนใหญ่ในการเปิดรับสิ่งรบกวนจากอีเมลและโปรแกรมแชท การสลับบริบทระหว่างงานเล็กๆ หรือการเข้าร่วมการประชุม คนอื่นอาจใช้เวลาส่วนใหญ่ในสถานะโฟกัส เขียนโค้ดหรือดีบัก 

คุณไม่ได้รับการยกเว้นจากการรบกวนเมื่อคุณอยู่ในสถานะการไหลที่ไม่หยุดชะงัก แต่ความฟุ้งซ่านอาจส่งผลเสียต่อสมาธิของคุณ ดร. มาร์คพบว่าต้องใช้เวลาเฉลี่ย 23 นาทีในการกู้คืนโฟกัสหลังจากมีสิ่งรบกวน ซึ่งเป็นการสูญเสียประสิทธิภาพการทำงานอย่างมาก

ศาสตราจารย์ฟริตซ์และทีมของเขาใช้ข้อมูลจากการศึกษาไบโอเมตริกและแป้นพิมพ์และเมาส์ด้านบนเพื่อระบุสถานะที่หยุดชะงัก พวกเขาใช้การวัดแบบอัตวิสัยบวกกับการจัดประเภทการเรียนรู้ของเครื่องเพื่อกำหนดโดยอัตโนมัติว่าบุคคลสามารถถูกขัดจังหวะโดยไม่ทำลายสถานะการไหลหรือไม่ ความมุ่งมั่นนี้ถูกป้อนเข้าไปในไฟ LED(เช่นเดียวกับสถานะสำหรับโปรแกรมแชท) เพื่อสร้างสถานะสีแดง เหลือง และเขียว จำลองตามสัญญาณไฟจราจร สีแดงหมายถึงมีสมาธิ และสีเขียวหมายถึงเปิดรับสิ่งรบกวน หลังจากทดสอบภาคสนามกับผู้เข้าร่วม 450 คน ทีมวิจัยพบว่าตัวบ่งชี้สถานะนี้มีความแม่นยำประมาณ 75% ของเวลาทั้งหมด มันไม่สมบูรณ์แบบ แต่ดีพอที่จะรักษาสถานะการไหล คิดว่ามันเหมือนกับตัวบ่งชี้สถานะในแอปแชทที่บอกคนอื่นว่าคุณว่างหรือไม่อยู่ แต่ตัวบ่งชี้นี้จะอัปเดตโดยอัตโนมัติเพื่อให้ตรงกับสภาวะจิตใจของคุณ เพิ่มสถานะโฟลว์ของคุณ

คุณสามารถใช้ฮาร์ดแวร์และซอฟต์แวร์ที่มีอยู่เพื่อลดสิ่งรบกวนให้เหลือน้อยที่สุดโดยลดสิ่งเหล่านั้นและทำให้การสลับบริบทเป็นไปได้อย่างราบรื่นยิ่งขึ้น ลองนึกถึงแอปพลิเคชันที่คุณเปิดไว้—มีป๊อปอัปการแจ้งเตือนมากมายหรือเรียกร้องความสนใจจากคุณ คุณสามารถช่วยได้โดยการล้างเดสก์ท็อปและย่อขนาดแอปพลิเคชันที่ไม่ได้อยู่ในบริบทของงานปัจจุบันของคุณ ซอฟต์แวร์ก็สามารถช่วยได้โดยการทำให้ทุกอย่างที่ไม่อยู่ในเวิร์กโฟลว์ของคุณเป็นสีเทาหรือทำให้กระโดดเข้าสู่แอปพลิเคชันที่คุณต้องการได้ง่ายขึ้น 

บางครั้งสวิตช์บริบทเป็นส่วนหนึ่งของเวิร์กโฟลว์เดียว ลองนึกภาพกระบวนการสร้างที่ใช้เวลาห้าถึงสิบนาที คุณสามารถข้ามไปที่อีเมล ตอบคำถามสั้นๆ และกลับมาทดสอบบิลด์ได้โดยไม่หยุดชะงัก สตรีมงานนั้นมีประสิทธิผลมากกว่าการอยู่ในบริบทกระบวนการสร้าง ในบางครั้ง อาจเป็นไปได้ว่าคุณเจออุปสรรคด้านข้อมูล เปลี่ยนไปใช้ Stack Overflow เพื่อหาคำตอบ และกลับไปที่ IDE ของคุณ แต่พวกเราหลายคนมีแท็บมากมายที่เปิดอยู่ในเบราว์เซอร์ของเรา ทำให้มีโอกาสมากขึ้นที่เราจะเสียสมาธิและสงสัยว่าทำไมเราถึงเปลี่ยนไปใช้เบราว์เซอร์ตั้งแต่แรก หากเวิร์กโฟลว์ของคุณมีการสลับไปมาระหว่างหน้าต่างเบราว์เซอร์เป็นประจำ ให้พิจารณาจำกัดจำนวนแท็บที่คุณเปิดในหน้าต่างที่กำหนด 

บางครั้งการสลับบริบทอาจทำได้ง่ายเพียงแค่ย้ายจากแป้นพิมพ์และเมาส์ ดูจำนวนนักพัฒนาที่เติบโตบนเครื่องมือบรรทัดคำสั่งหรือโปรแกรมแก้ไขข้อความคอนโซลเช่น Vim อาจมีเส้นโค้งการเรียนรู้เริ่มต้น แต่เมื่อคุณจำทางลัดได้แล้ว การทำงานกับทุกสิ่งที่คุณต้องการภายใต้ปลายนิ้วทั้งสิบของคุณจะกลายเป็นเรื่องลื่นไหลมากขึ้น หากคุณมีแป้นพิมพ์ที่ปรับแต่งได้ซึ่งคุณสามารถปรับแต่งทางลัดได้ คุณก็จะสามารถเคลื่อนที่ได้เร็วยิ่งขึ้นไปอีก 

ฮาร์ดแวร์ของคุณอาจเป็นสิ่งที่ทำให้ไขว้เขวได้ในบางครั้ง ทุกวันนี้เมาส์และคีย์บอร์ดไร้สายจำนวนมาก การเชื่อมต่อไร้สายที่ไม่ดีหรืออายุการใช้งานแบตเตอรี่ที่จำกัดสามารถหยุดเซสชันการเข้ารหัสที่มีประสิทธิผลได้ทันที หากคุณมีเมาส์ที่เคลื่อนที่ระหว่างจุดต่างๆ ช้าหรือเร็วเกินไป นั่นอาจทำให้คุณสะดุดได้เช่นกัน หากฮาร์ดแวร์ของคุณกำลังทำงาน คุณไม่ควรรู้ด้วยซ้ำว่ามีฮาร์ดแวร์อยู่ 

การออกแบบสำหรับการล่องหน

หากเรากำลังสร้างแป้นพิมพ์และเมาส์เพื่อประสิทธิภาพการทำงานสูงสุด เราต้องการให้ผู้ใช้นึกถึงพวกเขาให้น้อยที่สุด เราต้องการให้พวกเขาหายไป เมื่อใดก็ตามที่คุณต้องมองแป้นพิมพ์เพื่อปรับทิศทางตัวเอง เมื่อใดก็ตามที่คุณคิดว่ามือของคุณอยู่บนเมาส์ คุณจะช้าลง ลองนึกถึงนักเทนนิส: ไม้เทนนิสควรเป็นส่วนขยายของมือ ถ้ารู้สึกไม่ดี ถ้าพวกเขาต้องมองไปที่แร็กเก็ต แสดงว่ามีบางอย่างผิดปกติและพวกเขาจะเล่นแย่ลง จุดเริ่มต้นของเครื่องมือใดๆ คือความสะดวกสบาย 

สิ่งที่เราได้ยินจากนักพัฒนาจำนวนมากคือพวกเขาต้องการพิมพ์เร็วเท่าที่พวกเขาคิด เมื่ออยู่ในสถานะลื่นไหล พวกเขาต้องการให้แป้นพิมพ์ทำหน้าที่เป็นส่วนเสริมของมือ ดังนั้นโซลูชันโค้ดจึงส่งจากสมองไปยังหน้าจอให้เร็วที่สุด เรามักไม่นึกถึงมัน แต่การที่สามารถเลื่อนจากการกดแป้นหนึ่งไปยังอีกแป้นหนึ่งได้อย่างง่ายดายทำให้ความเร็วในการพิมพ์แตกต่างกันอย่างมาก อัน ที่จริง เค้าโครง QWERTY ดั้งเดิมนั้นมีความสำคัญมาช้านาน ซึ่ง ผ่านกระบวนการพัฒนาที่ยาวนานเพื่อรองรับผู้ให้บริการโทรเลขได้ดีที่สุด แม้ว่าเค้าโครงทางเลือกอย่าง DVORAK อาจเร็วกว่าหรือไม่เร็วกว่าสำหรับผู้สื่อสารสมัยใหม่ 

อุปกรณ์ที่สะดวกสบายและถูกหลักสรีรศาสตร์สามารถช่วยคุณได้ในระยะยาว เราทุกคนต่างเห็นกรณีอุโมงค์ carpal เพิ่มขึ้นในช่วงหลายปีที่ผ่านมา โดยเฉพาะอย่างยิ่งเมื่อพวกเราจำนวนมากขึ้นทำงานทุกวันโดยใช้คอมพิวเตอร์ การบาดเจ็บเช่นนี้อาจส่งผลต่อประสิทธิภาพการทำงานในระยะยาวของคุณ แต่แป้นพิมพ์ที่ออกแบบตามหลักสรีรศาสตร์สามารถบรรเทาความเจ็บปวดได้แม้ว่าจะได้รับบาดเจ็บก็ตาม 

โดยเฉพาะอย่างยิ่ง หนู อาจเป็นความท้าทายในการออกแบบตามหลักสรีรศาสตร์ แม้ว่าการออกแบบของมือมนุษย์จะไม่เปลี่ยนแปลงมานานนับพันปี แต่ขนาดของมือแต่ละบุคคลมีความแตกต่างกันอย่างมาก โดยเฉพาะอย่างยิ่งระหว่างชายและหญิง พวกเราที่ Logitech ได้ทำซ้ำ เมาส์ MX Masterในห้ารุ่นที่ผ่านมาโดยพยายามค้นหารูปทรงที่เหมาะสมที่สุดสำหรับมือทุกขนาด เราได้ตัดสินใจอย่างมีสติในรุ่นที่ห้าที่จะไม่เปลี่ยนจุดสัมผัส ผู้คนต่างชื่นชอบดีไซน์ปัจจุบัน ดังนั้นหวังว่าเราจะได้มันที่ถูกใจ สำหรับผู้ที่มีมือเล็ก เรามีMX Anywhereเมาส์เคลื่อนที่ของเราที่มีขนาดเล็กลงเพื่อการพกพา แต่ถ้าคุณมีมือที่เล็กกว่า เมาส์นี้จะทำหน้าที่เป็นเมาส์หลัก

สำหรับแป้นพิมพ์ MX ของเรา เราได้ทำงานเพื่อรวมรายละเอียดเล็กๆ น้อยๆ ที่ทำให้ง่ายต่อการรักษาสถานะของโฟลว์ พวกเราหลายคนทำงานอย่างหนักเพื่อเรียนรู้การพิมพ์แบบสัมผัสและทำให้แป้นพิมพ์ลัดของเราสมบูรณ์แบบ ดังนั้นการเหลือบมองที่แป้นพิมพ์ก็ทำให้เราหลุดจากความลื่นไหลได้ คีย์บอร์ดเชิงกลของเรามีโทนสีแบบทูโทน คุณจึงรับรู้ได้ว่านิ้วของคุณอยู่ตำแหน่งใดจากการมองเห็นอุปกรณ์ต่อพ่วง สำหรับช่วงเวลาที่คุณเคลื่อนผ่านพระอาทิตย์ตกดิน คีย์บอร์ดเชิงกลของเราจะปรับไฟแบ็คไลท์ให้เข้ากับแสงโดยรอบโดยอัตโนมัติ 

แทร็คแพดของแล็ปท็อปได้ทำสิ่งต่างๆ มากมายเพื่อสร้างสรรค์รูปแบบลายเส้นใหม่ๆ เพื่อสลับไปมาระหว่างแอพต่างๆ ทำให้แอพปัจจุบันเต็มหน้าจอ และอื่นๆ อีกมากมาย เราต้องการนำท่าทางสัมผัสเหล่านั้นมาใช้กับเมาส์ด้วย ดังนั้นเราจึงเพิ่มปุ่มให้กับเมาส์ MX Master ของเรา ซึ่งช่วยให้คุณสลับไปมาระหว่างพื้นที่ทำงานหรือเล่นแบบเต็มหน้าจอได้ คล้ายกับการปัดสามนิ้วบนแทร็คแพดของ Mac สำหรับผู้ที่มีแท็บจำนวนมากในเว็บเบราว์เซอร์ เราได้เพิ่มปุ่มหมุนสำหรับเลื่อนไปมาระหว่างแท็บต่างๆ เรายังมองหาการอัปเกรดล้อเลื่อนมาตรฐานเพื่อให้การเลื่อนช้าๆ ทีละบรรทัดผ่านหน้าจอ ในขณะที่การหมุนล้อจะปลดวงล้อและครอบคลุมโค้ดนับพันบรรทัดในวินาทีเดียว 

ผู้ใช้ขั้นสูงของเราสลับไปมาระหว่างบริบทขั้นสูงสุด: คอมพิวเตอร์แยกจากกัน สำหรับบางคน พวกเขาพัฒนาบน Mac และต้องทดสอบบนพีซีหรือ Linux สำหรับคนอื่นๆ ที่ทำงานจากที่บ้าน พวกเขาต้องการข้ามไปมาระหว่างคอมพิวเตอร์ที่ทำงานและที่บ้านได้อย่างราบรื่น ฮาร์ดแวร์บางตัวของเรามีปุ่มที่ให้คุณย้ายฮาร์ดแวร์ระหว่างคอมพิวเตอร์ผ่าน Bluetooth ได้ทันที ทางออกที่ดีที่สุดของเราคือซอฟต์แวร์ที่เราเรียกว่าโฟลว์ ช่วยให้คุณดูแลคอมพิวเตอร์หลายเครื่องได้เหมือนจอภาพเสริม เลื่อนเมาส์ไปที่ขอบของหน้าจอ Mac แล้วคุณก็อยู่บนเดสก์ท็อป Windows ทันที! 

ทำงานด้วยความเร็วของความคิด

แม้ว่างานทั้งหมดของเราในฐานะนักพัฒนาซอฟต์แวร์ไม่ได้เกิดขึ้นหน้าแป้นพิมพ์ แต่ขอบเขตนั้นก็กลายเป็นงานที่เรามุ่งเน้นมากที่สุด เมื่อเรากำลังแก้ปัญหาที่ต้องใช้ทักษะอย่างเต็มที่ นั่นคือเวลาที่เราต้องการลดสิ่งรบกวนให้เหลือน้อยที่สุดและเข้าสู่กระแส ดังนั้นการรักษาความลื่นไหลอาจขึ้นอยู่กับอินเทอร์เฟซที่คุณมีระหว่างสมองและคอมพิวเตอร์: แป้นพิมพ์และเมาส์ 

ที่ Logitech เราพยายามออกแบบฮาร์ดแวร์ที่สนับสนุนสถานะการไหลและขจัดสิ่งรบกวน องค์กรต่าง ๆ ไล่ตามเมตริกต่าง ๆ เพื่อลองและเพิ่มประสิทธิภาพการผลิตและความเร็ว แต่เมตริกที่ดีที่สุดอาจเป็นสิ่งที่สะดวกสบาย ยิ่งคีย์บอร์ดและเมาส์ของคุณกลายเป็นส่วนต่อขยายของมือ คุณก็ยิ่งเข้าใกล้การเขียนโค้ดได้เร็วเท่าความคิด 

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

แมชชีนเลิร์นนิง การจัดการข้อมูลเป็นส่วนสำคัญ ของกิจวัตรประจำวันของโปรแกรมเมอร์ โดยทั่วไป ข้อมูลจะถูกจัดระเบียบเป็นอาร์เรย์และอ็อบเจกต์ จัดเก็บภายนอกใน SQL หรือฐานข้อมูลแบบเอกสาร หรือเข้ารหัสเป็นข้อความหรือไฟล์ไบนารี แมชชีนเลิร์นนิงนั้นเกี่ยวกับข้อมูลและทำงานได้ดีที่สุดเมื่อใช้ข้อมูลจำนวนมาก ดังนั้น ข้อมูลและการประมวลผลข้อมูลจึงมีบทบาทสำคัญในการออกแบบ และสร้างไปป์ไลน์การเรียนรู้ของเครื่อง อย่างไรก็ตาม รูปแบบข้อมูลมักจะแตกต่าง จากคลาสและออบเจกต์อย่างมาก และมีการใช้คำศัพท์อย่างเช่น เวกเตอร์ เมทริกซ์ และเทนเซอร์ ในบทความนี้ เราจะอธิบายว่าเหตุใดแมชชีนเลิร์นนิงจึงต้องการไปป์ไลน์ข้อมูลและรูปแบบข้อมูล ที่มีประสิทธิภาพ เราอธิบายโครงสร้างข้อมูลพื้นฐานตั้งแต่สเกลาร์ไปจนถึงเทนเซอร์ n มิติ และยกตัวอย่างการประมวลผลข้อมูลประเภทต่างๆ

เหตุใดโครงสร้างข้อมูลจึงแตกต่างกันใน ML

เมื่อเราพูดถึงข้อมูล สำหรับแมชชีนเลิร์นนิง เราหมายถึงข้อมูลการฝึกอบรม ที่ใช้ในการสร้างและทดสอบโมเดล เป้าหมายการออกแบบ สำหรับโครงสร้างข้อมูล แมชชีนเลิร์นนิงนั้นแตกต่างจาก การเขียนโปรแกรมแบบดั้งเดิม บ่อยครั้งที่ข้อมูลดิบประกอบด้วย ข้อมูลแบบตาราง รูปภาพหรือวิดีโอ ข้อความหรือเสียงที่จัดเก็บไว้ในดิสก์ภายในเครื่อง หรือในที่เก็บข้อมูลบนคลาวด์ เฟรมเวิร์กแมชชีน เลิร์นนิงไม่สามารถใช้ข้อมูลนี้ได้โดยตรง เนื่องจากมักถูกเข้ารหัส (เช่น เป็น JPG หรือ MP4) มีข้อมูลเพิ่มเติมและไม่สามารถประมวลผลได้อย่างมีประสิทธิภาพ ประสิทธิภาพมีความสำคัญอย่างมากในแมชชีนเลิร์นนิง และข้อมูลการฝึกอบรมจะถูกอนุมานเป็นร้อยเป็นพันครั้งโดยแบบจำลองในระหว่างการฝึกอบรม แอปพลิเคชันแมชชีนเลิร์นนิงได้รับการฝึกฝนและใช้งานโดย GPU (หลายตัว) ที่ซิงโครไนซ์ข้อมูลผ่านเครือข่ายและไพพ์ภายในที่มีประสิทธิภาพสูง

เป้าหมายการออกแบบสำหรับโครงสร้างข้อมูล ML

• เหมาะสำหรับการประมวลผลและการคำนวณที่มีประสิทธิภาพสูง
• การซิงโครไนซ์ที่มีประสิทธิภาพระหว่าง GPU และเครื่องต่างๆ
• ยืดหยุ่นสำหรับข้อมูลประเภทต่างๆ

โชคดีที่งานที่ซับซ้อนส่วนใหญ่ได้รับการจัดการโดยเฟรมเวิร์กแมชชีนเลิร์นนิง เช่น Tensorflow หรือ PyTorch อย่างไรก็ตาม สิ่งสำคัญคือต้องเข้าใจพื้นฐานต่อไปนี้เพื่อออกแบบไปป์ไลน์ข้อมูลที่มีประสิทธิภาพ

สเกลาร์ เวกเตอร์ และเมทริกซ์

ในรูปแบบข้อมูลที่ยืดหยุ่นของเรา เราเริ่มต้นอย่างเรียบง่ายที่สุดเท่าที่จะเป็นไปได้ ด้วยองค์ประกอบเดียว: สเกลาร์ สเกลาร์หมายถึงจุดข้อมูลเดียว ตัวอย่างเช่น ปริมาณของสีน้ำเงินในพิกเซล RGB หรือการแทนโทเค็นสำหรับตัวอักษรหรือคำ ในภาษาการเขียนโปรแกรม เช่น Java หรือ Python สเกลาร์คือจำนวนเต็มเดี่ยว จำนวนเต็ม หรือบูลีน

เมื่อสร้างรายการจากสเกลาร์และรายการมีลำดับคงที่ (กำกับ) จะเรียกว่าเวกเตอร์ เวกเตอร์เป็นเรื่องปกติมากในการเขียนโปรแกรมแบบคลาสสิกและมักใช้เป็นทูเพิล อาร์เรย์ หรือรายการ ด้วยเวกเตอร์ เราสามารถแสดงพิกเซล RGB ที่สมบูรณ์ (ค่าสำหรับสีแดง สีเขียว และสีน้ำเงิน) หรือประโยค (แต่ละคำหรือบางส่วนของคำจะแสดงด้วยโทเค็นจำนวนเต็ม)

ในขั้นตอนถัดไป เราจะเพิ่มมิติที่สองโดยการซ้อนเวกเตอร์หลายตัวเข้ากับเมทริกซ์ เมทริกซ์เป็นแบบสองมิติและเทียบได้กับตาราง ซึ่งประกอบด้วยแถวและคอลัมน์ จากวิธีนี้ เราสามารถจัดเก็บรูปภาพระดับสีเทา เอกสารข้อความหลายฉบับ หรือไฟล์เสียงที่มีหลายช่องสัญญาณได้อย่างมีประสิทธิภาพ

เมทริกซ์การประมวลผลบน GPU นั้นมีประสิทธิภาพอย่างมาก และคณิตศาสตร์ที่อยู่เบื้องหลังการคำนวณเมทริกซ์นั้นได้รับการวิจัยมาเป็นอย่างดี (แม้ว่าจะเพิ่งค้นพบอัลกอริธึมการคูณที่มีประสิทธิภาพมากขึ้น เมื่อไม่นานมานี้ ) เมทริกซ์เป็นรากฐานสำหรับโครงสร้างข้อมูลในแมชชีนเลิร์นนิงสมัยใหม่ แมชชีนเลิร์นนิง

เทนเซอร์และคุณสมบัติของมัน

เทนเซอร์อธิบายอาร์เรย์ข้อมูลแบบ n มิติ บ่อยครั้งที่ อันดับที่เรียกว่าหรือจำนวนแกนหมายถึงมิติข้อมูล เทนเซอร์อันดับ 0 คือสเกลาร์ เทนเซอร์อันดับ 1 คือเวกเตอร์ และเมทริกซ์หมายถึงเทนเซอร์อันดับ 2

เทนเซอร์ N-มิติเหมาะอย่างยิ่งสำหรับแอปพลิเคชันการเรียนรู้ของเครื่องเนื่องจากช่วยให้เข้าถึงข้อมูลได้อย่างรวดเร็วโดยการค้นหาอย่างรวดเร็วและไม่ต้องถอดรหัสหรือประมวลผลเพิ่มเติม เนื่องจากคณิตศาสตร์เมทริกซ์ที่รู้จักกันดีการคำนวณด้วยเทนเซอร์จึงมีประสิทธิภาพมาก และช่วยให้สามารถฝึกฝนโมเดลการเรียนรู้เชิงลึกที่ต้องใช้การคำนวณพารามิเตอร์นับล้านและพันล้านพารามิเตอร์ การดำเนินการของเทนเซอร์หลายอย่าง เช่น การบวก การลบ การแปลง Hadamard , dot productและอื่นๆ อีกมากมายได้รับการนำไปใช้อย่างมีประสิทธิภาพในไลบรารีการเรียนรู้ของเครื่องมาตรฐาน

การจัดเก็บข้อมูลในรูปแบบเทนเซอร์มาพร้อมกับการแลกเปลี่ยนเวลา/หน่วยความจำที่โดดเด่น ซึ่งไม่ใช่เรื่องแปลกในวิทยาการคอมพิวเตอร์ การจัดเก็บข้อมูลที่เข้ารหัสและบีบอัดจะลดพื้นที่ดิสก์ที่ต้องการให้เหลือน้อยที่สุด ในการเข้าถึงข้อมูล จะต้องถอดรหัสและขยายขนาด ซึ่งต้องใช้ความพยายามในการคำนวณ สำหรับไฟล์เดียว ส่วนใหญ่จะไม่เกี่ยวข้อง และข้อดีของการถ่ายโอนที่รวดเร็วและความต้องการพื้นที่เก็บข้อมูลต่ำนั้นมีค่ามากกว่าเวลาในการเข้าถึง อย่างไรก็ตาม เมื่อฝึกโมเดลการเรียนรู้เชิงลึก ข้อมูลจะถูกเข้าถึงบ่อยครั้ง และอัลกอริทึมพื้นฐานสำหรับโมเดลแมชชีนเลิร์นนิง (เช่น การบิดเบี้ยวสำหรับการวิเคราะห์ภาพ) จะไม่สามารถทำงานกับข้อมูลที่เข้ารหัสได้

รูปภาพ JPG ขนาด 320 x 213 พิกเซลที่เข้ารหัสอย่างดีต้องการพื้นที่จัดเก็บประมาณ 13 KB เท่านั้น ในขณะที่โฟลต32 เทนเซอร์ของข้อมูลรูปภาพเดียวกันใช้หน่วยความจำประมาณ 798 KB ซึ่งเพิ่มขึ้น 6100%

พิกเซลสี 320 x 213 ใน JPG ต้องการพื้นที่เก็บข้อมูลเพียง 13 KB

ข้อมูลภาพเดียวกันที่จัดเก็บไว้ในเทนเซอร์ขนาด 320 x 213 x 3 float32 น้ำหนัก 798 KB

เพื่อรวมข้อดีของทั้งสองอย่างเข้า ด้วยกัน โมดูลตัวโหลดข้อมูลพิเศษได้รับการออกแบบเพื่อประมวลผลข้อมูลล่วงหน้าสำหรับการใช้งานที่เหมาะสมที่สุดในรูปแบบเทนเซอร์

มีการเพิ่มประสิทธิภาพเพิ่มเติม เช่น การจัดกลุ่มและรูปแบบข้อมูลกระจัดกระจาย เพื่อจัดการกับข้อมูลจำนวนมาก อย่างไรก็ตาม ความต้องการด้านฮาร์ดแวร์สำหรับ (การฝึกอบรม) โมเดลการเรียนรู้เชิงลึกยังคงอยู่ในระดับสูง

การตัดสินใจสำหรับไปป์ไลน์ข้อมูลของคุณ

โดยคำนึงถึงข้อมูลเชิงลึกข้างต้นเกี่ยวกับโครงสร้างข้อมูลเฉพาะ มาดูการตัดสินใจที่ต้องทำเมื่อออกแบบไปป์ไลน์ข้อมูล

ก่อนอื่น แม้กระทั่งก่อนที่จะเริ่มพัฒนาโมเดลแมชชีนเลิร์นนิง ตรวจสอบให้แน่ใจว่าได้จัดเก็บข้อมูลที่เกี่ยวข้องอย่างมีโครงสร้างและเข้าถึงได้. สำหรับข้อมูลรูปภาพ มักหมายถึงพื้นที่เก็บข้อมูลบนคลาวด์บางส่วนที่มีข้อมูลเมตาเพิ่มเติมแนบมากับไฟล์หรือจัดเก็บไว้ในฐานข้อมูลแยกต่างหาก สำหรับตัวโหลดข้อมูลของเรา สิ่งสำคัญคือต้องมีรายการโครงสร้างของไฟล์ที่เกี่ยวข้องและป้ายกำกับที่แนบมา ข้อมูลเมตานี้จะใช้ในการดาวน์โหลดและประมวลผลไฟล์ล่วงหน้า โปรดทราบว่า ณ จุดหนึ่งอาจมีเครื่องหลายเครื่องที่ทำงานบนชุดข้อมูลเดียวกันแบบขนาน ดังนั้นเครื่องทั้งหมดจึงจำเป็นต้องเข้าถึงแบบขนาน สำหรับขั้นตอนการฝึกอบรม เราต้องการแคชข้อมูลบนเครื่องฝึกอบรมโดยตรงเพื่อหลีกเลี่ยงเวลาและค่าใช้จ่ายสูงในการทำธุรกรรม เนื่องจากเราเข้าถึงข้อมูลบ่อยครั้ง แม้ว่าคุณจะไม่ได้วางแผนที่จะฝึกโมเดลแมชชีนเลิร์นนิง (แต่ตอนนี้) ก็อาจคุ้มค่าที่จะคิดถึงการจัดเก็บข้อมูลที่เกี่ยวข้องและป้ายกำกับที่อาจเป็นประโยชน์สำหรับการเรียนรู้ภายใต้การดูแลในภายหลัง

ในขั้นตอนถัดไป เราจะแปลงข้อมูลเป็นรูปแบบเทนเซอร์ที่มีประโยชน์ อันดับเทนเซอร์ขึ้นอยู่กับชนิดข้อมูลที่ใช้ (ดูตัวอย่างในสมุดงาน ) และที่น่าประหลาดใจกว่านั้นคือขึ้นอยู่กับคำจำกัดความของปัญหา สิ่งสำคัญคือต้องกำหนดว่าโมเดลควรตีความข้อมูล (เช่น ประโยค) โดยเป็นอิสระจากส่วนอื่นๆ หรือส่วนใดของข้อมูลที่เกี่ยวข้องกัน ชุดงานมักจะประกอบด้วยตัวอย่างอิสระจำนวนหนึ่ง ขนาดแบทช์มีความยืดหยุ่นและสามารถลดให้เหลือเพียงตัวอย่างเดียวในเวลาอนุมาน/ทดสอบ ประเภทของเทนเซอร์ยังขึ้นอยู่กับประเภทข้อมูลและวิธีการทำให้เป็นมาตรฐาน (พิกเซลสามารถแสดงเป็นจำนวนเต็มตั้งแต่ 0 ถึง 255 หรือเป็นตัวเลขลอยตัวตั้งแต่ 0 ถึง 1)

สำหรับปัญหาเล็กๆ น้อยๆ อาจเป็นไปได้ที่จะโหลดชุดข้อมูลทั้งหมดลงในหน่วยความจำ (รูปแบบเทนเซอร์) และดำเนินการฝึกอบรมกับแหล่งข้อมูลนี้โดยใช้ประโยชน์จากการโหลดข้อมูลที่เร็วขึ้นระหว่างการฝึกและการโหลด CPU ต่ำ อย่างไรก็ตาม สำหรับปัญหาในทางปฏิบัติส่วนใหญ่ สิ่งนี้แทบจะเป็นไปไม่ได้เลย เนื่องจากชุดข้อมูลมาตรฐานมีขนาดเกินกว่าหลายร้อยกิกะไบต์ได้อย่างง่ายดาย สำหรับกรณีดังกล่าว ตัวโหลดข้อมูลแบบอะซิงโครนัสสามารถทำงานเป็นเธรดบน CPUและเตรียมข้อมูลในหน่วยความจำ นี่เป็นกระบวนการที่ต่อเนื่อง ดังนั้นจึงทำงานได้แม้ว่าจำนวนหน่วยความจำทั้งหมดจะน้อยกว่าชุดข้อมูลทั้งหมด

การตัดสินใจชุดข้อมูล:

• รูปแบบที่มีโครงสร้าง
• ที่เก็บข้อมูลที่สามารถเข้าถึงได้
• ป้ายชื่อและข้อมูลเมตา
• รูปแบบเทนเซอร์ (อันดับ, ขนาดแบทช์, ประเภท, การทำให้เป็นมาตรฐาน)
• การโหลดข้อมูลจากดิสก์ไปยังหน่วยความจำ การขนาน

สเกลาร์ เวกเตอร์ เมทริกซ์ และโดยเฉพาะอย่างยิ่งเทนเซอร์เป็นองค์ประกอบพื้นฐานของชุดข้อมูลแมชชีนเลิร์นนิง การฝึกอบรมแบบจำลองเริ่มต้นด้วยการสร้างชุดข้อมูลที่เกี่ยวข้องและไปป์ไลน์การประมวลผลข้อมูล บทความนี้แสดงภาพรวมของโครงสร้างข้อมูลที่ปรับให้เหมาะสม และอธิบายแง่มุมที่เกี่ยวข้องบางประการของรูปแบบเทนเซอร์ หวังว่าการตัดสินใจที่กล่าวถึงในการออกแบบไปป์ไลน์ข้อมูลสามารถใช้เป็นจุดเริ่มต้นสำหรับข้อมูลเชิงลึกที่ละเอียดยิ่งขึ้นในหัวข้อการประมวลผลข้อมูลในแมชชีนเลิร์นนิง

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

แอปพลิเคชัน AI ความปลอดภัยของแอปพลิเคชันมาไกลในช่วงสองสามทศวรรษที่ผ่านมา ในช่วงต้นทศวรรษ 2000 การโจมตีด้วย SQL Injection และ Cross Site Scripting (XSS) เป็นฝันร้ายสำหรับทีมรักษาความปลอดภัยทางไซเบอร์ เนื่องจากผู้โจมตีสามารถข้ามผ่านไฟร์วอลล์เครือข่ายผ่านการโจมตีที่ชั้นแอปพลิเคชันได้อย่างง่ายดาย เนื่องจากไฟร์วอลล์เครือข่ายแบบดั้งเดิมในเวลานั้นไม่รับรู้ถึงแอปพลิเคชัน การโจมตีเหล่านี้จึงพิสูจน์ให้เห็นถึงจุดบอดที่ทำให้ผู้โจมตีสามารถโจมตีเว็บแอปพลิเคชันได้อย่างง่ายดาย 

อุตสาหกรรมฟื้นตัวอย่างรวดเร็ว อย่างไรก็ตาม ไฟร์วอลล์ของเว็บแอปพลิเคชัน (WAF) และการตรวจสอบความปลอดภัยของซอร์สโค้ดกลายเป็นส่วนมาตรฐานของการตรวจสอบความปลอดภัยทางไซเบอร์ส่วนใหญ่ ตอนนี้เรามี DevSecOps ที่ทำการตรวจสอบเหล่านี้โดยอัตโนมัติภายในไปป์ไลน์ CI/CD เพื่อให้การรักษาความปลอดภัยเป็นไปอย่างรวดเร็วด้วย โซลูชันการทดสอบความปลอดภัยของ แอปพลิเคชันแบบไดนามิก (DAST) และการทดสอบความปลอดภัยของแอปพลิเคชันแบบคงที่ (SAST) ที่กลายเป็นเรื่องธรรมดา

อย่างไรก็ตาม เทรนด์ใหม่กำลังเพิ่มขึ้นซึ่งอาจเป็นจุดบอดอีกจุดหนึ่งได้ เช่น การฉีด SQL ในทศวรรษที่ผ่านมา เว้นแต่จะมีการควบคุม 

การโจมตีเหล่านี้มีเป้าหมายที่ AI และระบบการเรียนรู้ของเครื่อง 

ระบบ AI และการเรียนรู้ของเครื่อง 

AI และแมชชีนเลิร์นนิงเป็นหนึ่งในเทคโนโลยีที่ก่อกวนได้ง่ายที่สุดในช่วงไม่กี่ปีที่ผ่านมา และกำลังถูกนำไปใช้ทั่วโลกโดยบริษัทและรัฐบาล แม้แต่ผลิตภัณฑ์ด้านความปลอดภัยในโลกไซเบอร์ก็กำลังอวดอ้างป้าย “ขับเคลื่อนโดย AI” เนื่องจากใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อเพิ่มขีดความสามารถและหยุดการโจมตีทางไซเบอร์แบบเรียลไทม์โดยไม่ต้องป้อนข้อมูลจากมนุษย์ 

โมเดลเหล่านี้ได้รับการฝึกฝนเกี่ยวกับข้อมูลเพื่อสร้างความสามารถในการตัดสินใจ คล้ายกับวิธีที่มนุษย์เรียนรู้จากการลองผิดลองถูก โดยพื้นฐานแล้ว ยิ่งโมเดลแมชชีนเลิร์นนิงได้รับการฝึกอบรมเกี่ยวกับข้อมูลมากเท่าใด ก็ยิ่งมีความแม่นยำมากขึ้นเท่านั้น เมื่อเห็นว่าเหมาะสมสำหรับการผลิตแล้ว โมเดลเหล่านี้จะถูกวางไว้ด้านหลังแอปพลิเคชันซึ่งโดยทั่วไปจะเปิดเผย API สาธารณะ ซึ่งสามารถสอบถามผลลัพธ์ได้ 

อย่างไรก็ตาม การนำแอปพลิเคชันเหล่านี้ไปใช้ในอุตสาหกรรมที่ละเอียดอ่อน เช่น งานบริการ การแพทย์ และการเงิน รวมถึงการเข้าถึงข้อมูลการฝึกอบรมที่ละเอียดอ่อน ทำให้แอปพลิเคชันเหล่านี้ตกเป็นเป้าหมายหลักสำหรับผู้โจมตี ด้วยเหตุนี้ การโจมตีรูปแบบใหม่จึงกำลังพัฒนาโดยกำหนดเป้าหมายไปที่การทำงานของแอปพลิเคชันแมชชีนเลิร์นนิง

เหตุใด AI จึงเป็นจุดบอดในการรักษาความปลอดภัยทางไซเบอร์ 

โดยทั่วไปแล้วทีมรักษาความปลอดภัยทางไซเบอร์จะประเมินแอปพลิเคชัน AI ผ่านกระบวนการรักษาความปลอดภัยแบบดั้งเดิม เช่น การชุบแข็ง การแพตช์ การประเมินช่องโหว่ ฯลฯ การดำเนินการเหล่านี้จะดำเนินการที่ระดับโครงสร้างพื้นฐานและแอปพลิเคชัน แม้ว่านี่จะเป็นแนวทางปฏิบัติที่ดี แต่กระบวนการรับประกันเหล่านี้ไม่ครอบคลุมถึงการโจมตีเฉพาะของ AI เช่น พิษของข้อมูล การอนุมานสมาชิก การหลีกเลี่ยงแบบจำลอง เป็นต้น 

ในการโจมตีประเภทนี้ อาชญากรไซเบอร์ไม่สนใจที่จะประนีประนอมโครงสร้างพื้นฐานพื้นฐานหรือดำเนินการฉีด SQL แต่จะจัดการกับวิธีการที่แอปพลิเคชัน AI และการเรียนรู้ของเครื่องเข้าถึงการตัดสินใจ 

สิ่งนี้ทำให้พวกเขาสามารถ: 

1. รบกวนการทำงานของแอพพลิเคชั่น AI และทำให้ตัดสินใจผิดพลาด 
2. ค้นหาว่าโมเดลทำงานอย่างไร เพื่อที่พวกเขาจะได้ทำวิศวกรรมย้อนกลับสำหรับการโจมตีเพิ่มเติม 
3. ค้นหาว่าโมเดลได้รับการฝึกอบรมเกี่ยวกับข้อมูลใด โดยเปิดเผยลักษณะเฉพาะที่ละเอียดอ่อนที่พวกเขาไม่ควรรู้ 

การโจมตีเหล่านี้เพิ่มจำนวนขึ้นเรื่อย ๆ และประสบความสำเร็จกับแอปพลิเคชัน AI ที่ใช้การผลิตซึ่งแสดงไว้ที่  นี่

ให้เรามาดูการโจมตีที่พบบ่อยที่สุดบางส่วน เช่น การอนุมาน การหลบหลีก และการวางยาพิษ และวิธีที่เราจะทำให้แอปพลิเคชัน ML ของเราแข็งกระด้างต่อการโจมตีเหล่านั้น แอปพลิเคชัน AI

การโจมตีโดยอนุมาน 

ในระหว่างการโจมตีโดยอนุมานในแอปพลิเคชัน AI ผู้โจมตีจะพยายามค้นหาการทำงานภายในของแบบจำลองหรือประเภทของข้อมูลที่ใช้ในการฝึกฝน API ที่เปิดเผยโดยโมเดล ML อาจให้การตอบสนองเป็นคะแนนความเชื่อมั่นและให้คะแนนที่เข้มข้นกว่าหากข้อมูลที่ป้อนตรงกับข้อมูลที่ได้รับการฝึกอบรม ด้วยการเข้าถึง API นี้ ผู้โจมตีสามารถเริ่มเรียกใช้การค้นหาและวิเคราะห์การตอบสนองจากโมเดลแมชชีนเลิร์นนิง ในตัวอย่าง หนึ่ง ผู้โจมตีสามารถสร้างใบหน้าที่ใช้ในการฝึกโมเดลแมชชีนเลิร์นนิงขึ้นใหม่โดยการวิเคราะห์อัตราความเชื่อมั่นของรูปภาพต่างๆ ที่ส่งเข้ามา ด้วยการส่งภาพแบบสุ่มหลายภาพและดูการตอบสนอง ผู้โจมตีสามารถสร้างภาพการฝึกขึ้นใหม่ด้วยความแม่นยำสูงถึง 95% 

การโจมตีในลักษณะนี้อาจส่งผลให้โมเดล AI เปิดเผยข้อมูลที่มีความละเอียดอ่อนสูง โดยเฉพาะอย่างยิ่งในอุตสาหกรรมที่เกี่ยวข้องกับข้อมูลส่วนบุคคลที่สามารถระบุตัวบุคคลได้ บริษัทส่วนใหญ่ไม่สร้างโมเดลแมชชีนเลิร์นนิงตั้งแต่เริ่มต้น และมักจะใช้โมเดลที่สร้างไว้ล่วงหน้าซึ่งโฮสต์บนแพลตฟอร์มคลาวด์ การโจมตีที่ประสบความสำเร็จกับรูปแบบใดรูปแบบหนึ่งสามารถช่วยให้ผู้โจมตีสามารถประนีประนอมแอปพลิเคชัน AI หลายตัวในการโจมตีห่วงโซ่อุปทานได้ 

พิษโจมตี 

การโจมตีอีกครั้งอาจเกิดขึ้นกับข้อมูลการฝึกอบรมจริง ซึ่งผู้โจมตีสามารถ “ก่อกวน” ข้อมูลที่โมเดลกำลังได้รับการฝึกฝนเพื่อแทรกแซงการตัดสินใจ เช่นเดียวกับโมเดลที่สร้างไว้ล่วงหน้า บริษัทส่วนใหญ่ไม่ต้องการสร้างข้อมูลการฝึกอบรมตั้งแต่เริ่มต้น และมักจะใช้ประโยชน์จากข้อมูลการฝึกอบรมที่สร้างไว้ล่วงหน้า ซึ่งเรียกใช้ผ่านโมเดลการเรียนรู้ของเครื่อง หากผู้โจมตีสามารถบุกรุกที่เก็บข้อมูลนี้ผ่านช่องโหว่ด้านความปลอดภัยและแทรกข้อมูลของตัวเองเข้าไปในที่เก็บข้อมูลนี้ โมเดลการเรียนรู้ของเครื่องจะได้รับการฝึกให้ยอมรับการป้อนข้อมูลที่เป็นอันตรายตั้งแต่เริ่มต้น ตัวอย่างเช่น ผู้โจมตีสามารถป้อนข้อมูลลงในที่เก็บข้อมูลของรถยนต์ที่ขับเคลื่อนด้วยตนเองซึ่งฝึกให้รู้จักวัตถุขณะขับรถ โดยการเปลี่ยนฉลากของข้อมูล การทำงานจริงของยานพาหนะอาจถูกแก้ไขได้ 

ผู้โจมตีมักจะรอเวลาและรอให้ที่เก็บข้อมูลได้รับการยอมรับจากตลาดในระดับหนึ่งก่อนที่จะพยายาม “วางยา” พวกเขา การฝึกอบรมแบบจำลองไม่ใช่กิจกรรมที่ทำเพียงครั้งเดียว ที่เก็บข้อมูลอาจสมบูรณ์ดีในตอนเริ่มต้น จากนั้นจึงถูกโจมตีโดยผู้โจมตีในภายหลัง เมื่อพวกเขามั่นใจว่าจะไม่ถูกตรวจพบ 

หลบหลีกการโจมตี 

การโจมตีระบบ AI อีกอย่างหนึ่งคือการโจมตีแบบหลบหลีก ซึ่งผู้โจมตีพยายามหลอกล่อโมเดลด้วยการให้ข้อมูลที่เปลี่ยนแปลงอย่างละเอียด ได้รับการพิสูจน์แล้วว่าการเปลี่ยนแปลงเพียงเล็กน้อยกับภาพที่มนุษย์มองไม่เห็นอาจส่งผลให้โมเดลแมชชีนเลิร์นนิงตัดสินใจแตกต่างกันอย่างมาก ประเภทข้อมูลนี้เรียกว่าตัวอย่างฝ่ายตรงข้ามและสามารถหลอกระบบที่ขับเคลื่อนด้วย AI เช่น แอปพลิเคชันการจดจำใบหน้าหรือรถยนต์ที่ขับเคลื่อนด้วยตัวเอง 

ตัวอย่างเช่น การแปะเทปลงบนป้ายหยุดอาจส่งผลให้โมเดลการเรียนรู้ของเครื่องไม่รู้จักป้ายนั้น ซึ่งอาจทำให้เกิดอุบัติเหตุทางรถยนต์ได้ หรือหลอกลวงระบบการแพทย์เพื่อวัตถุประสงค์ในการฉ้อโกง 

ทางข้างหน้า 

การโจมตีโดยใช้ AI กลายเป็นเรื่องธรรมดา มากขึ้น และทีมรักษาความปลอดภัยทางไซเบอร์จำเป็นต้องเพิ่มทักษะเพื่อทำความเข้าใจกับการโจมตีแอปพลิเคชันสายพันธุ์ใหม่นี้ ในการแข่งขัน Machine Learning Security Evasion Competition (MLSEC 2022) ในปีนี้ แสดงให้เห็นว่าการหลบเลี่ยงโมเดลการจดจำใบหน้าผ่านการเปลี่ยนแปลงเล็กน้อยนั้นทำได้ง่ายเพียงเล็กน้อย

ทีมรักษาความปลอดภัยทางไซเบอร์จำเป็นต้องมีทักษะและตระหนักถึงการโจมตีเหล่านี้ เพื่อให้สามารถเน้นในเชิงรุกในการตรวจสอบการออกแบบเบื้องต้น ทรัพยากรอย่างMITER ATLASซึ่งอธิบายว่าตัวเองเป็นฐานความรู้ของการโจมตีต่อโมเดลแมชชีนเลิร์นนิง เป็นทรัพยากรที่ยอดเยี่ยมสำหรับทีมในการเร่งความเร็วอย่างรวดเร็ว แอปพลิเคชัน AI

ดังที่ได้กล่าวไว้ก่อนหน้านี้ การควบคุมความปลอดภัยทางไซเบอร์แบบดั้งเดิมจะไม่ป้องกันช่องโหว่เหล่านี้ และจำเป็นต้องมีการควบคุมประเภทใหม่ เช่นเดียวกับการที่ความปลอดภัยของแอปพลิเคชันพัฒนาและกลายเป็นโดเมนแยกต่างหากภายในความปลอดภัยทางไซเบอร์ ความปลอดภัยของ AI จำเป็นต้องทำเช่นเดียวกันอย่างรวดเร็ว แอปพลิเคชัน AI มีส่วนร่วมในการตัดสินใจที่สำคัญในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพ สถาบันการเงิน และการบังคับใช้กฎหมาย และนำเสนอเป้าหมายสำคัญสำหรับผู้โจมตีทางไซเบอร์ 

เนื่องจากไม่มีแพตช์ด่วนสำหรับแก้ไขปัญหาเหล่านี้ จึงจำเป็นต้องพัฒนาวัฒนธรรมด้านความปลอดภัยของ AI เพื่อให้มีการใช้การควบคุมเหล่านี้ในหลายระดับ การควบคุมหลักบางส่วนที่สามารถนำไปใช้ได้ ได้แก่: 

• การสร้างแบบจำลองภัยคุกคามของโมเดลแมชชีนเลิร์นนิงควรดำเนินการและสร้างแนวทางปฏิบัติที่เป็นมาตรฐานก่อนที่จะเลือกโมเดลใหม่หรือโมเดลที่สร้างไว้ล่วงหน้า หลักเกณฑ์เช่น National Cyber ​​Security Center ของสหราชอาณาจักรมีแหล่งข้อมูลเช่น ” หลักการเพื่อความปลอดภัยของแมชชีนเลิ ร์นนิง ” เป็นจุดอ้างอิงที่ดี 
• การควบคุมการตรวจจับจำเป็นต้องอัปเดตเพื่อแจ้งเตือนหากผู้โจมตีเจาะจงค้นหา API การเรียนรู้ของเครื่องนั้นๆ ซ้ำๆ นี่อาจบ่งบอกถึงการโจมตีโดยอนุมาน 
• นางแบบควรได้รับการชุบแข็งเพื่อฆ่าเชื้อคะแนนความมั่นใจในคำตอบ ความสมดุลระหว่างความสามารถในการใช้งานและความปลอดภัยจำเป็นต้องเกิดขึ้น โดยนักพัฒนาอาจได้รับรายละเอียดคะแนนความเชื่อมั่นเต็มจำนวน ในขณะที่ผู้ใช้ปลายทางต้องการเพียงคะแนนสรุปเท่านั้น สิ่งนี้จะเพิ่มความยากลำบากอย่างมากสำหรับผู้โจมตีในการประเมินตรรกะหรือข้อมูลพื้นฐานที่โมเดลได้รับการฝึกอบรม
• โมเดลแมชชีนเลิร์นนิงควรได้รับการฝึกฝนกับตัวอย่างฝ่ายตรงข้ามเพื่อประเมินความยืดหยุ่นต่อการโจมตีดังกล่าว การนำโมเดลดังกล่าวไปใช้ตั้งแต่เนิ่นๆ ทำให้บริษัทต่างๆ สามารถระบุช่องว่างในการเรียนรู้และแก้ไขสิ่งเดียวกันได้อย่างรวดเร็ว 
• ที่เก็บข้อมูลที่ใช้ในการฝึกโมเดลแมชชีนเลิร์นนิงควรผ่านการทดสอบความปลอดภัยอย่างเข้มงวดเพื่อให้แน่ใจว่าไม่มีช่องโหว่ที่อาจทำให้การโจมตีเข้าถึงข้อมูลและวางยาพิษได้ ในทำนองเดียวกัน ข้อมูลที่ “สะอาด” ในคราวเดียวอาจถูกพิษในภายหลัง ดังนั้นจึงจำเป็นอย่างยิ่งที่จะต้องตรวจสอบว่าแบบจำลองทำงานอย่างถูกต้องทุกครั้งที่รีเฟรชข้อมูลการฝึกอบรมหรือได้รับการฝึกฝนเกี่ยวกับข้อมูลใหม่ ทีมงานคุณภาพควรให้แบบจำลองผ่านการทดสอบต่างๆ และตรวจสอบผลลัพธ์ก่อนหน้านี้เพื่อให้แน่ใจว่าแบบจำลองยังคงทำงานได้อย่างเหมาะสมและไม่มี “พิษ” เกิดขึ้น 
• ประการสุดท้าย บริษัทควรมีนโยบายเกี่ยวกับการใช้ข้อมูลสาธารณะหรือข้อมูลโอเพ่นซอร์สสำหรับการฝึกอบรม แม้ว่าจะใช้งานได้ง่ายกว่าสำหรับโมเดลการฝึก การประนีประนอมของที่เก็บข้อมูลอาจทำให้โมเดลเสียหายในการฝึกได้ 

เป็นที่ชัดเจนว่าการโจมตีด้วย AI นั้นมีแนวโน้มที่จะเพิ่มขึ้นตามเวลาเท่านั้น และความตระหนักในหมู่ทีมรักษาความปลอดภัยทางไซเบอร์ก็ขาดความตระหนักอยู่ในขณะนี้ เว้นแต่จะมีการควบคุมทางเทคนิคและการกำกับดูแลที่เหมาะสม การโจมตีเหล่านี้จะสร้างความหายนะแบบเดียวกับที่การฉีด SQL เมื่อสองสามทศวรรษก่อนแท็ก

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

การใช้งาน Single Sign-on บริษัทต่างๆ มักจะประสบกับความยากลำบากในขณะที่ดำเนินการไปสู่การใช้งานการลงชื่อเพียงครั้งเดียว (SSO) หลายคนติดอยู่ที่ขั้นตอนที่หนึ่ง พยายามค้นหาประโยชน์ของ SSO แนวทางปฏิบัติที่ดีที่สุดในการใช้งาน ประเภท โปรโตคอล และสิ่งพื้นฐานอื่นๆ ฉันตัดสินใจที่จะอธิบายความหมายของการลงชื่อเพียงครั้งเดียว แบ่งปันประสบการณ์ของ MobiDev และแม้กระทั่งสร้างวงล้อใหม่สำหรับการใช้ SSO ระหว่างแอปพลิเคชันมือถือด้วยวิธีที่สะดวกที่สุด

การลงชื่อเพียงครั้งเดียว (SSO)เป็นวิธีการทางเทคนิคในการรับรองความถูกต้องที่ช่วยให้ผู้ใช้สามารถเข้าสู่ระบบด้วยข้อมูลรับรองชุดเดียวสำหรับแอปพลิเคชันและเว็บไซต์ต่างๆ เทคโนโลยีนี้ขึ้นอยู่กับการตั้งค่าความสัมพันธ์ที่เชื่อถือได้ระหว่างแอปพลิเคชันหรือที่เรียกว่าผู้ให้บริการ และระบบการจัดการการเข้าถึง ผู้ให้บริการและระบบการจัดการการเข้าถึงใช้ใบรับรองร่วมกับข้อมูลระบุตัวตน ซึ่งในกรณีของ SSO จะใช้รูปแบบของโทเค็นที่มีอีเมล ชื่อผู้ใช้ หรือข้อมูลอื่นๆ

พูดง่ายๆ ด้วย SSO ผู้ใช้ไม่จำเป็นต้องพิมพ์ชื่อและรหัสผ่านซ้ำเมื่อสลับระหว่างแอปพลิเคชัน

สปส.มีกี่ประเภท?

SSO เป็นส่วนหนึ่งของ สถาปัตยกรรม Federated Identity Management (FIM)

โปรโตคอลที่ใช้สำหรับ SSO คืออะไร

โปรโตคอลที่ใช้สำหรับการติดตั้ง SSO ได้แก่ Security Assertion Markup Language (SAML), Web Services Federation (WS-Fed), OpenID Connect (OIDC), Lightweight Directory Access Protocol (LDAP) และ Kerberos

สิทธิประโยชน์ สปส

จากการวิจัยและการตลาด ตลาดการลงชื่อเพียงครั้งเดียวทั่วโลกคาดว่าจะสูงถึง 2.2 พันล้านดอลลาร์ภายในปี 2570 อย่างไรก็ตาม บริษัทต่าง ๆ มีความกังวลเกี่ยวกับภัยคุกคามด้านความปลอดภัยที่อาจเกิดขึ้นซึ่งเกี่ยวข้องกับการเข้าถึงด้วยคลิกเดียว และพวกเขาพิจารณาการใช้งาน SSO เป็นวิธีการลดความซับซ้อนในการเข้าถึง แอปพลิเคชันและปรับปรุงประสบการณ์ผู้ใช้

สิทธิประโยชน์ของ SSO ไม่ได้สิ้นสุดที่นี่และรวมถึงประเด็นต่อไปนี้:

• ลดความเหนื่อยล้าของรหัสผ่าน – ผู้ใช้ต้องต่อสู้กับการจำรหัสผ่านเดียวเท่านั้น
• การทำงานร่วมกันแบบ B2B ที่มีประสิทธิภาพ – การเป็นหุ้นส่วนแบบ B2B ประสบความสำเร็จด้วยFederated SSOเนื่องจากผู้ใช้เข้าถึงบริการที่จัดหาโดยบริษัทต่างๆ ได้อย่างง่ายดาย
• เพิ่มประสิทธิภาพการทำงานที่เกิดจากการเข้าสู่ระบบที่เร็วขึ้น
• อัตราการยอมรับสูง – SSO เพิ่มโอกาสที่ผู้ใช้จะเปิดแอปบ่อยขึ้น

ข้อเสียเปรียบหลักคือหาก SSO ล้มเหลว ผู้ใช้จะไม่สามารถเข้าถึงระบบที่เกี่ยวข้องใดๆ ได้ สำหรับความซับซ้อนนั้นถือเป็นข้อเสียตามเงื่อนไข

ความปลอดภัยสามารถแยกรายการได้

ในแง่หนึ่ง SSO ที่มีข้อมูลประจำตัวชุดเดียวหมายความว่าในกรณีที่มีการละเมิดความปลอดภัย ผู้โจมตีจะสามารถเข้าถึงบัญชีและระบบที่เชื่อมโยง แอปพลิเคชัน และข้อมูลได้ และรอยเท้าของผู้โจมตีภายในบริษัทจะเพิ่มขึ้น

ในทางกลับกัน SSO จะลดจำนวนของพื้นผิวการโจมตี เนื่องจากผู้ใช้เข้าสู่ระบบวันละครั้งและใช้ข้อมูลรับรองเพียงชุดเดียว การรักษาความปลอดภัยในระดับที่สูงขึ้นอาจเกิดขึ้นได้หากคุณรวม SSO กับการรับรองความถูกต้องตามความเสี่ยง (RBA) ระบุพฤติกรรมที่ผิดปกติ และกำหนดให้ผู้ใช้ต้องผ่านการยืนยันเพิ่มเติม

แนวทางปฏิบัติที่ดีที่สุดในการนำ SSO ไปใช้งานสำหรับแอปพลิเคชันระดับองค์กร

SSO ดำเนินการยากหรือไม่ ภาพรวมของปัญหาคือ: การปรับใช้ SSO เป็นงานที่ซับซ้อนและใช้เวลานานสำหรับโซลูชันเดิม แต่ SSO บนคลาวด์นั้นแตกต่างออกไป ให้ฉันแบ่งปันประสบการณ์ของเราซึ่งจะให้ความกระจ่างเกี่ยวกับ SSO ในแอปพลิเคชันระดับองค์กร

จนกระทั่งเมื่อไม่นานมานี้ การตั้งค่า SSO แบบรวมศูนย์สำหรับแอปพลิเคชันแบบเนทีฟเป็นความท้าทายที่ซับซ้อน มีสองตัวเลือกสำหรับนักพัฒนาในการแสดงเนื้อหาในแอปด้วย SSO: เปลี่ยนผู้ใช้จากแอปเป็นเบราว์เซอร์ระบบ จากนั้นย้อนกลับหรือแสดงเว็บวิวในแอปเพื่อแสดงเนื้อหา html โดยตรงในแอป ตัวเลือกเหล่านี้ไม่สะดวกสำหรับผู้ใช้หรือมีปัญหาด้านความปลอดภัยและความเป็นส่วนตัว

การเกิดขึ้นของตัวเลือกที่สาม – SFSafariViewController (iOS9+) และ Chrome Custom Tabs (Android) เพิ่มตัวควบคุมเว็บเพื่อให้ข้อดีทั้งหมดของเบราว์เซอร์ระบบดั้งเดิม – สิ่งนี้เป็นประโยชน์ต่อนักพัฒนา

ประสบการณ์ของเราเกี่ยวข้องกับการใช้งาน SSO ระหว่างแอปพลิเคชันมือถือสองแอปพลิเคชันที่สร้างด้วย NativeScript เวอร์ชันต่างๆ – แอป1และแอป 2 แต่ในความเป็นจริง วิธีการที่อธิบายไว้สำหรับ SSO นั้นเหมือนกันสำหรับทั้งแอปพลิเคชันเนทีฟและข้ามแพลตฟอร์ม

App1เป็นอุปกรณ์เคลื่อนที่ ในขณะที่app2หมายถึงการรวมกันของอุปกรณ์เคลื่อนที่และเว็บ ซึ่งคาดว่าจะเกิดปัญหาเกี่ยวกับการเปลี่ยนไปใช้เวอร์ชันใหม่ ผู้ให้บริการข้อมูลประจำตัวสำหรับการให้สิทธิ์ผ่านไคลเอนต์ OpenID Connect (OIDC) มีอยู่ทั่วไปภายในแอปพลิเคชัน ซึ่งอำนวยความสะดวกในการเริ่มต้น เรามีสามตัวเลือกให้เลือก: WebView, เบราว์เซอร์ระบบ และ InAppBrowser

1. แนวทางการดำเนินการ SSO: WEBVIEW พร้อมการแบ่งปันคุกกี้

การลงชื่อเข้าใช้แอปพลิเคชันแรกจะอิงตามWebViewในขณะที่การลงชื่อเข้าใช้แอปที่สองใช้แอปพลิเคชันที่รู้จักกันดีในโลกของแอปพลิเคชันแบบไฮบริด – InAppBrowserโดยมี Chrome Custom Tabs สำหรับ Android และ SafariServices/AuthenticationServices สำหรับ iOS ภายใต้ประทุน

การวิจัยเปิดเผยตัวเลือกที่สามารถเข้าถึงได้ 3 แบบเพื่อใช้ SSO ภายในเงื่อนไขที่กำหนด แม้ว่าจะมีการระบุถึงสิ่งเดียวกันสำหรับการบันทึก – WebView (ควรมองเห็นคุกกี้ที่ใช้ร่วมกัน) การใช้งาน Single Sign-on

WebView ฝังอยู่ในหน้าจอเนทีฟของแอปพลิเคชัน (เหมือนเป็น iFrame ในเว็บ) ซึ่งสามารถรับรู้ได้ว่าเป็นข้อดีของวิธีนี้ เนื่องจากการนำทางระหว่างการบันทึกดูเป็นธรรมชาติสำหรับผู้ใช้ ภาพเคลื่อนไหวและสไตล์ไม่โดดเด่นจากภาพรวม

ปัญหาหลักของการใช้ WebView สำหรับการบันทึกคือความล่าช้าในการเรียกกลับที่เกี่ยวข้องกับการโหลดหน้าเว็บ เพื่อแก้ไขปัญหานั้น นักพัฒนาได้คิดแนวคิดของตัวเองว่าจะเข้าใจอย่างไรเมื่อโหลดแบบฟอร์มการเข้าสู่ระบบ (หน้าเว็บ) และพวกเขาอาจซ่อนตัวบ่งชี้ มิฉะนั้นจะแสดงบนหน้าจอเข้าสู่ระบบที่โหลดไว้แล้วหรือถูกซ่อนก่อนที่หน้าจอจะโหลด ความผิดพลาดนี้อาจนำไปสู่ปัญหาในการตรวจสอบแอปที่ส่งไปยัง App Store นอกจากนี้ยังมีปัญหาในการเข้าถึงคุกกี้บน Android และเป็นการยากที่จะตั้งค่าการเข้าสู่ระบบทั่วไปโดยไม่เปิดลิงก์ภายนอกที่ใช้ SSO

2. แนวทางการดำเนินการ SSO: เบราว์เซอร์ระบบ

การใช้เบราว์เซอร์ระบบอาจเป็นวิธีแก้ปัญหาที่เชื่อถือได้ แต่ก็หมายถึงการออกจากแอปพลิเคชันและเปิดเบราว์เซอร์เพื่อกรอกแบบฟอร์มเข้าสู่ระบบ แท็บที่มีการเข้าสู่ระบบจะยังคงไม่ถูกปิดในเบราว์เซอร์และสะสม อย่างไรก็ตาม แนวทางดังกล่าวนำไปปฏิบัติได้ง่าย เพราะทุกอย่างทำงานในลักษณะเดียวกับบนเว็บ และทั้งสองแอปพลิเคชันจะเปิดแบบฟอร์มการเข้าสู่ระบบในสภาพแวดล้อมเดียวกันด้วยคุกกี้เดียวกันกับที่ไคลเอนต์ OIDC ใช้เพื่อตรวจสอบผู้ใช้ และด้วยความถูกต้อง การตั้งค่าเอกลักษณ์ของเซิร์ฟเวอร์สำหรับทั้งสองแอปพลิเคชัน ในกรณีของเบราว์เซอร์ระบบ ทุกอย่างทำงานได้อย่างราบรื่นและไม่ล่าช้า แต่ผู้ใช้ไม่สะดวก

Microsoft Authenticator ไม่ถือว่าเป็นโซลูชันการใช้งาน SSO เนื่องจากในการเข้าสู่ระบบ ผู้ใช้ควรออกจากแอปพลิเคชัน ให้สิทธิ์ในแอปพลิเคชันที่สอง จากนั้นยืนยันการให้สิทธิ์ในแอปพลิเคชันแรก และอื่นๆ พูดง่ายๆ ก็คือไม่สะดวกสำหรับผู้ใช้ และแย่กว่าเบราว์เซอร์ระบบเสียอีก

3. แนวทางการดำเนินการ SSO: INAPPBROWSER

แท็บใน Android และบริการใน iOS สามารถปรับแต่งในระบบเป็นป๊อปอัปแบบเนทีฟพร้อมภาพเคลื่อนไหวและรูปลักษณ์ของแพลตฟอร์ม พวกเขาติดตามการเปลี่ยนเส้นทางและจะถูกปิดหากป้อนการเข้าสู่ระบบอย่างถูกต้อง ไม่มีปัญหาเหมือนในกรณีของ WebView แม้ว่าแบบฟอร์มการเข้าสู่ระบบจะดูแยกออกจากแอปพลิเคชันหากการออกแบบแตกต่างจากส่วนประกอบของแพลตฟอร์มดั้งเดิม นี่เป็นแนวทางที่แนะนำและปลอดภัยในการติดตั้ง SSO ในแอปพลิเคชันมือถือ

หลังจากลองผิดลองถูก เราตัดสินใจเลือกใช้ InAppBrowser มีแซนด์บ็อกซ์ทั่วไปที่มีคุกกี้อยู่ในแอปพลิเคชันเดียว ดังนั้นหากคุณใช้แอปพลิเคชันนี้แล้วเปิดลิงก์เว็บอื่นๆ ในนั้น ซึ่งควรเข้าสู่ระบบของผู้ใช้ผ่าน SSO ซึ่งหมายความว่าปัญหาจะไม่เกิดขึ้นเลย แต่ใน 2 แอปพลิเคชันที่แตกต่างกัน แซนด์บ็อกซ์เหล่านี้จะแตกต่างกัน และคุณจำเป็นต้องนำข้อมูลจากแอปพลิเคชันหนึ่งไปใส่ในอีกแอปพลิเคชันหนึ่งเพื่อใช้ SSO ระหว่างแอปพลิเคชัน

สำหรับกระบวนการแบ่งปันดังกล่าว เราใช้ที่เก็บข้อมูลพวงกุญแจใน iOS และที่เก็บข้อมูลที่ปลอดภัยใน Android เนื่องจากทั้งคู่จัดเก็บข้อมูลบนอุปกรณ์อย่างปลอดภัย พวกเขาสามารถแยกร้านค้าสำหรับหนึ่งแอปพลิเคชันหรือหลายแอปพลิเคชันที่เชื่อถือได้ แต่สิ่งนี้ต้องมีขั้นตอนการกำหนดค่าเพิ่มเติมในแต่ละแอปพลิเคชันมือถือ การใช้งาน Single Sign-on

Summing Up

กล่าวโดยสรุป บริษัทต่าง ๆ กำลังลงทุนอย่างเข้มข้นในการจัดตั้ง SSO ในขณะที่แนวทางการดำเนินงานขับเคลื่อนโดยความต้องการของพวกเขา ที่ MobiDev เรามีความเชี่ยวชาญที่เกี่ยวข้องและมองเห็นโอกาสที่ดีสำหรับการลงชื่อเพียงครั้งเดียว เนื่องจากแม้แต่Google ก็ มี SSO ที่ผสานรวมไว้ล่วงหน้าพร้อมแอปพลิเคชันระบบคลาวด์ยอดนิยมกว่า 200 รายการ เรายังใช้เวลาไปกับแนวทางของเราเองในการใช้ SSO ระหว่างแอปพลิเคชันบนมือถือ

หากคุณมีคำถามเฉพาะใดๆ เกี่ยวกับการใช้งาน SSO ในโครงการของคุณเอง โปรดอย่าลังเลที่จะถาม

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699

การลงชื่อครั้งเดียว (SSO) เป็นเครื่องมือตรวจสอบสิทธิ์ผู้ใช้ขององค์กรที่ช่วยให้ผู้ใช้เข้าสู่ระบบและเข้าถึงแอปพลิเคชัน เว็บไซต์ และข้อมูลต่างๆ โดยใช้ข้อมูลประจำตัวเพียงชุดเดียว (ชื่อผู้ใช้และรหัสผ่าน) 

SSO เป็นโซลูชันการจัดการข้อมูลประจำตัวยอดนิยมสำหรับองค์กรที่ต้องการลดความเสี่ยงด้านความปลอดภัยโดยรอบข้อมูลผู้ใช้ ปรับปรุงประสบการณ์ผู้ใช้ ปรับปรุงการจัดการด้านไอทีและกระบวนการเข้าสู่ระบบ

องค์กรโดยเฉลี่ย ใช้บริการคลาวด์ที่แตกต่าง กันมากกว่า 1,000 บริการ และด้วยพนักงานหลายร้อยถึงหลายพันคนที่เข้าถึงบัญชีหลายบัญชีทุกวัน นั่นแปลว่าต้องใช้รหัสผ่านจำนวนมากเพื่อติดตามและปกป้อง 

การจัดการบัญชีนับพันและข้อมูลผู้ใช้ที่เกี่ยวข้องอย่างปลอดภัยเป็นสิ่งที่ท้าทายสำหรับทั้งผู้ใช้และผู้ดูแลระบบไอที การลงชื่อเพียงครั้งเดียวเป็นโซลูชันหนึ่งที่องค์กรธุรกิจใช้เพื่อเพิ่มความปลอดภัยด้านไอที ปรับปรุงประสบการณ์ผู้ใช้ และลดค่าใช้จ่าย

สปส.คืออะไร?

ตามชื่อของมัน SSO ช่วยให้ผู้ใช้สามารถเข้าถึงเว็บไซต์และแอปพลิเคชันหลายรายการผ่านขั้นตอนการเข้าสู่ระบบเดียวโดยใช้ข้อมูลรับรองเพียงชุดเดียว 

กล่าวอีกนัยหนึ่ง SSO ช่วยให้เข้าถึงโปรแกรมและข้อมูลที่คุณต้องการได้ง่ายขึ้นโดยการลบขั้นตอนพิเศษในการเข้าสู่ระบบและออกจากแต่ละแอปพลิเคชันแยกกัน บุคคลที่สามทำหน้าที่เป็นผู้รับรองความถูกต้องส่วนกลางแทน โดยยืนยันตัวตนของผู้ใช้โดยอัตโนมัติเมื่อพวกเขาย้ายจากหน้าหนึ่งไปยังอีกหน้าหนึ่งและไซต์หนึ่งไปยังอีกไซต์หนึ่ง

SSO มีอยู่ทั้งในสภาพแวดล้อมของผู้บริโภคและองค์กรระดับองค์กร ตัวอย่างเช่น ผู้บริโภคอาจใช้ Facebook หรือ Google เพื่อลงชื่อเข้าใช้บัญชีบนเว็บไซต์อื่นๆ แทนที่จะสร้างข้อมูลรับรองแยกต่างหาก

สิ่งนี้ทำให้กระบวนการลงชื่อเข้าใช้รวดเร็วและง่ายดาย และลดภาระในการพิสูจน์ตัวตนและที่เก็บข้อมูลประจำตัวจากเว็บไซต์ของบุคคลที่สาม

SSO เป็นโซลูชันทั่วไปสำหรับองค์กรที่พนักงานโต้ตอบกับโปรแกรมและแอปพลิเคชันต่างๆ มากมายเพื่อทำงานของตน

การลงชื่อเพียงครั้งเดียวทำงานอย่างไร

SSO ทำให้กระบวนการเข้าสู่ระบบและการรับรองความถูกต้องง่ายขึ้นสำหรับผู้ใช้ระดับองค์กร 

นี่คือวิธีการทำงานของ SSO:

1. คุณ (ผู้ใช้) ร้องขอการเข้าถึงไซต์หรือแอปพลิเคชัน
2. ไซต์จะตรวจสอบเพื่อดูว่าข้อมูลประจำตัวของคุณได้รับการรับรองกับผู้ให้บริการ SSO หรือไม่ ถ้าใช่ ไซต์นั้นให้สิทธิ์คุณในการเข้าถึง ถ้าไม่ คุณจะถูกนำไปยังการเข้าสู่ระบบ SSO เพื่อป้อนข้อมูลประจำตัวของคุณ (เช่น ชื่อผู้ใช้และรหัสผ่าน) 
3. คุณป้อนข้อมูลเข้าสู่ระบบของคุณ 
4. โซลูชัน SSO ร้องขอการรับรองความถูกต้องจากผู้ให้บริการข้อมูลประจำตัวที่บริษัทของคุณใช้
5. ผู้ให้บริการข้อมูลประจำตัวยืนยันข้อมูลประจำตัวของคุณกับโซลูชัน SSO
6. โซลูชัน SSO จะยืนยันตัวตนของคุณไปยังเว็บไซต์เดิมและนำคุณไปยังเว็บไซต์
7. เมื่อคุณนำทางผ่านเว็บไซต์ ไซต์จะติดตามคุณจากหน้าหนึ่งไปยังอีกหน้าหนึ่งโดยใช้โทเค็น ยืนยันตัวตนของคุณอีกครั้งเมื่อคุณไป
8. หากคุณไปที่เว็บไซต์หรือแอปพลิเคชันอื่น ไซต์นั้นจะตรวจสอบตัวตนของคุณด้วยโซลูชัน SSO เนื่องจากคุณเข้าสู่ระบบแล้ว ข้อมูลประจำตัวของคุณจะได้รับการยืนยันโดยอัตโนมัติกับเว็บไซต์ใหม่ และคุณไม่ต้องลงชื่อเข้าใช้อีก การลงชื่อครั้งเดียว

SSO ทำงานคล้ายกับใบขับขี่หรือหนังสือเดินทาง ตัวอย่างเช่น หากคุณไปขึ้นเครื่องบิน ตัวแทน TSA ไม่จำเป็นต้องรู้จักคุณเป็นการส่วนตัวหรือตรวจสอบคุณจากรายชื่อภายในเพื่อยืนยันตัวตนของคุณ ข้อมูลประจำตัวของคุณได้รับการยืนยันโดยหน่วยงานกลางแล้ว (เช่น รัฐหรือรัฐบาลกลาง) 

ในทำนองเดียวกัน เมื่อคุณพยายามเข้าถึงเว็บไซต์ ระบบ SSO จะรับรองตัวตนของคุณ ได้ทำการยกระดับการรับรองความถูกต้องอย่างหนักเพื่อให้เว็บไซต์สามารถไว้วางใจคุณได้  

ประโยชน์ของการลงชื่อเข้าใช้เพียงครั้งเดียว

หากไม่มี SSO การตรวจสอบสิทธิ์จะดำเนินการโดยแต่ละเว็บไซต์หรือแอปพลิเคชันแยกกัน ในการทำเช่นนี้ ไซต์จะต้องรักษาฐานข้อมูลส่วนตัวของข้อมูลรับรองผู้ใช้

สำหรับองค์กรที่อาจใช้แอปพลิเคชันคลาวด์และเครือข่ายภายในองค์กรร่วมกัน ปริมาณข้อมูลผู้ใช้ที่แท้จริงอาจล้นหลาม ฝ่ายไอทีต้องจัดเก็บและจัดการข้อมูลรับรองการเข้าสู่ระบบแยกต่างหากสำหรับผู้ใช้ในองค์กรแต่ละราย (เช่น พนักงาน ผู้รับเหมา และลูกค้า) สำหรับเว็บไซต์ โปรแกรม หรือแอปพลิเคชันทุกรายการในระบบ สถานการณ์นี้ก่อให้เกิดปัญหาเล็กน้อย รวมถึงความเสี่ยงด้านความปลอดภัย ค่าใช้จ่ายในการจัดการสูง และความไร้ประสิทธิภาพ 

นั่นคือที่มาของประโยชน์ของ SSO SSO ช่วยองค์กรในเรื่องต่อไปนี้:

ลดคำขอแผนกช่วยเหลือและลดค่าใช้จ่ายด้านไอที

Gartner ประมาณการว่ามากถึง 50% ของตั๋ว Help Desk ทั้งหมดเกี่ยวข้องกับการรีเซ็ตรหัสผ่าน ถึงเวลาแล้วที่องค์กรด้านไอทีของคุณสามารถลงทุนในโครงการและลำดับความสำคัญอื่นๆ ได้ และเมื่อการรีเซ็ตรหัสผ่านแต่ละครั้งทำให้องค์กรมีค่าใช้จ่ายเฉลี่ย 70 ดอลลาร์ คุณกำลังมองว่ามีราคาสูง 

SSO ช่วยขจัดปัญหาเหล่านี้ไปได้มาก เมื่อผู้ใช้มีข้อมูลประจำตัวที่ต้องจดจำเพียงชุดเดียว ผู้ใช้มักจะลืมข้อมูลดังกล่าวน้อยลง ดังนั้นจึงมีโอกาสน้อยที่จะโทรหาฝ่ายไอทีเพื่อขอความช่วยเหลือ การลงชื่อครั้งเดียว

เพิ่มประสิทธิภาพและความพึงพอใจของผู้ใช้

ด้วยการเข้าสู่ระบบเพียงครั้งเดียวเพื่อจดจำ ผู้คนใช้เวลาน้อยลงในการเลื่อนดูรายการรหัสผ่านทางจิต (หรือรายการทางกายภาพ) ที่พยายามเข้าถึงทุกไซต์ที่ต้องการตลอดวันทำงาน ผลลัพธ์ที่ได้คือใช้เวลาทำงานมากขึ้นและผู้ใช้ปลายทางมีความสุขมากขึ้น 

ปรับปรุงความปลอดภัย

เมื่อการประมวลผลขององค์กรเติบโตขึ้น ความเสี่ยงต่อความปลอดภัยและการปฏิบัติตามข้อกำหนดก็เพิ่มขึ้นเช่นกัน ปัจจุบัน องค์กรจำนวนมากทำงานกับทั้งระบบคลาวด์และแอปพลิเคชันภายในองค์กร การนำทางและจัดการข้อมูลในสภาพแวดล้อมเหล่านั้นมีความซับซ้อนและอาจยุ่งยากได้อย่างรวดเร็ว 

ตัวอย่างเช่น เมื่อพนักงานต้องติดตามข้อมูลรับรองการเข้าสู่ระบบหลายรายการ พวกเขามักจะสร้างรหัสผ่านที่จำง่ายและคล้ายกัน แม้ว่าสิ่งนี้จะทำให้เข้าถึงบัญชีของพวกเขาได้ง่ายขึ้นอย่างรวดเร็ว แต่ก็เป็นภัยคุกคามต่อความปลอดภัย นอกจากนี้ หากคุณโฮสต์และจัดการข้อมูลประจำตัวผู้ใช้ในระบบของคุณเอง องค์กรของคุณจะเป็นเป้าหมายที่ใหญ่กว่าสำหรับแฮ็กเกอร์ที่ต้องการเข้าถึงข้อมูลผู้ใช้ที่มีค่า 

SSO ช่วยลดความเสี่ยงด้านความปลอดภัยเหล่านั้น ผู้ใช้ไม่ต้องติดตามรหัสผ่านจำนวนมากอีกต่อไป และองค์กรต่างๆ สามารถถ่ายโอนข้อมูลที่ละเอียดอ่อนไปยังแพลตฟอร์ม SSO ของบุคคลที่สามได้

ข้อเสียของการลงชื่อเพียงครั้งเดียว

แม้ว่า SSO จะมีข้อดีมากมาย แต่ก็มีความท้าทายในการลงชื่อเข้าใช้เพียงครั้งเดียว: 

SSO สร้างความล้มเหลวเพียงจุดเดียว

กล่าวอีกนัยหนึ่ง หากผู้ให้บริการ SSO ของคุณถูกละเมิด ระบบที่เชื่อมโยงของคุณอาจมีความเสี่ยงและถูกเปิดเผย นั่นเป็นเหตุผลว่าทำไมการบังคับใช้โปรโตคอลรหัสผ่านที่คาดเดายากและใช้มาตรการรักษาความปลอดภัยเพิ่มเติม เช่น การยืนยันตัวตนแบบสองปัจจัย (2FA) และการกำกับดูแลข้อมูลประจำตัวในทุกระดับจึงเป็นเรื่องสำคัญ 

SSO ดำเนินการได้ยาก

สภาพแวดล้อมขององค์กรมักจะซับซ้อน ซึ่งหมายความว่าการกำหนดค่าและนำโซลูชัน SSO ที่รัดกุมมาใช้สำหรับองค์กรของคุณอาจใช้เวลาสักครู่ 

ปรึกษากับผู้มีส่วนได้ส่วนเสียจากแผนกต่างๆ เพื่อให้แน่ใจว่าคุณเข้าใจความต้องการ ความคาดหวัง และกรณีการใช้งานที่แตกต่างกัน โซลูชัน SSO ของคุณจะต้องระบุเพื่อป้องกันจุดบอดในการนำไปใช้งานของคุณ

ปัญหาความน่าเชื่อถือกับ SSO หรือผู้ให้บริการข้อมูลประจำตัวทำให้ธุรกิจของคุณหยุดชะงัก

เมื่อ SSO หรือผู้ให้บริการข้อมูลประจำตัวของคุณหยุดทำงาน คุณจะสูญเสียการเข้าถึงบัญชีของคุณจนกว่าระบบจะสำรองและทำงาน เลือกผู้ให้บริการ SSO ที่มีความน่าเชื่อถือสูงและแผนฉุกเฉินหากคุณขาดการเชื่อมต่อ  

การใช้การลงชื่อเพียงครั้งเดียว

การกำหนดค่าและการใช้งานโซลูชัน SSO ขององค์กรใหม่นั้นไม่ใช่เรื่องเล็ก มีหลายส่วนที่เคลื่อนไหวและลำดับความสำคัญที่ต้องพิจารณา 

ใช้ขั้นตอนและคำแนะนำต่อไปนี้เพื่อเตรียมและเปิดใช้งานโปรแกรม SSO ที่ประสบความสำเร็จ 

ก่อน

• ชี้แจงวัตถุประสงค์ของคุณ พิจารณา: เป้าหมายการทำงานของคุณสำหรับการดำเนินการ SSO นี้คืออะไร คุณจะวางตำแหน่งองค์กรเพื่อรองรับการเปลี่ยนแปลงการจัดการข้อมูลประจำตัวในอนาคตตามความต้องการที่เปลี่ยนแปลงไปได้อย่างไร
• ระบุผู้มีส่วนได้ส่วนเสียหลักและผู้ใช้เป้าหมาย ใครบ้างที่จะใช้โซลูชั่น SSO? พวกเขาต้องการเครื่องมือหรือข้อมูลอะไรจึงจะประสบความสำเร็จ? ใครคือผู้มีส่วนได้ส่วนเสียหลัก (เช่น ผู้ให้บริการ SSO ผู้ใช้ ผู้มีอำนาจตัดสินใจ ฯลฯ)
• พิจารณาตัวเลือกตามความสามารถในการปรับขนาดและการพิสูจน์อักษรในอนาคต สาเหตุหลักประการหนึ่งที่ทำให้โซลูชัน SSO ล้มเหลวเป็นเพราะไม่ได้ออกแบบและดำเนินการโดยคำนึงถึงอนาคต เมื่อคุณพิจารณาผู้ขายและตัวเลือกการกำหนดค่า ให้ประเมินทั้งแผนปัจจุบันและอนาคตของคุณ ตลอดจนความท้าทายด้านความสามารถในการปรับขนาดที่อาจเกิดขึ้นเช่น การเปลี่ยนแปลงของเทคโนโลยี 

ในระหว่าง

• จัดลำดับความสำคัญของแอปพลิเคชันสำหรับการผสานรวม คุณอาจต้องกำหนดค่าโซลูชัน SSO เป็นระยะๆ ตัดสินใจตั้งแต่เนิ่นๆ ว่าแอปพลิเคชันใดควรจัดลำดับความสำคัญสำหรับการนำไปปฏิบัติก่อน พิจารณาแอปพลิเคชันที่อาจมีความเสี่ยงด้านความปลอดภัยหรือการปฏิบัติตามข้อกำหนดที่สูงขึ้น 
• ออกแบบสถาปัตยกรรมของคุณ คุณจะเรียกใช้โซลูชัน SSO ในองค์กร ในระบบคลาวด์ หรือผ่านแพลตฟอร์มแบบไฮบริดหรือไม่ ทำซ้ำและปรับแต่งแนวทางของคุณตามต้องการ
• เตรียมความพร้อมสำหรับระยะเวลาดำเนินการ การเปิดใช้ SSO จะใช้เวลา แอปพลิเคชันบางตัวจะออฟไลน์โดยสมบูรณ์ระหว่างการกำหนดค่า SSO ซึ่งจะขัดจังหวะการเข้าถึง ตรวจสอบให้แน่ใจว่าคุณมีไทม์ไลน์ที่แมปไว้เพื่อให้ผู้ใช้สามารถวางแผนสำหรับการหยุดทำงาน

หลังจาก

• ทดสอบและรวบรวมความคิดเห็น เมื่อคุณใช้โซลูชัน SSO แล้ว คุณจะต้องประเมินประสิทธิภาพ ผู้ใช้ยอมรับและใช้อย่างถูกต้องหรือไม่? ถ้าไม่ ทำไมไม่? การทดสอบเบต้าโปรแกรม SSO กับกลุ่มเล็กๆ อาจเป็นประโยชน์ก่อนที่จะนำไปใช้กับทั้งองค์กร 

การลงชื่อเพียงครั้งเดียวไม่ใช่สัญลักษณ์ความปลอดภัยสีเงิน แต่เป็นหนึ่งในเครื่องมือที่ดีที่สุดที่องค์กรต่างๆ มีไว้ใช้สำหรับการจำกัดภัยคุกคามด้านความปลอดภัย ปรับปรุงการปฏิบัติตามข้อกำหนดของข้อมูล และช่วยลดอาการปวดหัวเรื่องรหัสผ่านของฝ่าย IT

Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด

หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699