تتغير طرق تعلم طلاب أمن المعلومات والعاملين في المجال بوتيرة سريعة توازي وتيرة تطوّر التهديدات السيبرانية، كما تضاهي سرعة ظهور التقنيات التي يطورها هؤلاء المحترفون للتصدي لتلك التهديدات. 
كشفت أحدث البيانات المجموعة من دورات Kaspersky Expert Training أن الهندسة العكسية لا تزال أكثر المهارات المطلوبة لدى محترفي أمن تكنولوجيا المعلومات، وذلك للسنة الثانية على التوالي.

وما تزال الهندسة العكسية على قمة الهرم التعليمي بالنسبة للطلاب من مختلف المستويات، ابتداءً من المبتدئين في تحليل البرمجيات الخبيثة، ووصولاً إلى المتقدمين الذين يرغبون في تعزيز هذه المهارة من خلال تحليل مجموعات حقيقية من الكود الخبيث. بالإضافة إلى ذلك، أبدى الطلاب اهتماماً كبيراً بالدورات المتعلقة بالاستجابة للحوادث وقواعد Yara المخصصة للتعرف على البرمجيات الخبيثة وتصنيفها. 
بصرف النظر عن الاهتمام المتزايد بتحليل البرمجيات الخبيثة، لاحظ فريق كاسبرسكي بعض الاتجاهات الأخرى في طرق التعلم الإلكتروني لعاملي أمن المعلومات في عام 2023، وهي:
التعلُّم المستمر
يتطور مجال أمن المعلومات بشكل ديناميكي ودائم، لذا لم يعد كافياً أن يتعلم الخبير لمرة واحدة فقط ليحافظ على كونه مطلوباً، بل يحتاج ذلك تعلماً وممارسة إضافيين ومستمرين من طرفه. فإذا لم يقم العاملون في المجال بترقية معارفهم ومهاراتهم بشكل دوري، فقد يصبحون غير ملائمين للعمل في السوق. إضافة إلى ذلك، لم يعد العمر ولا الوقت المستغرق في التعلم مؤشرات على مدى اهتمام الشخص بالمجال، إذ هناك متابعة للدورات من أشخاص في سن 18 أو 30 أو حتى 50 عاماً،  ومنهم من يخصص بضع ساعات أو أيام أو حتى أشهر للتدريب. 
كما أظهرت نتائج الإحصائيات من دورات Kaspersky Expert Training أن الرغبة في التعلم تتجلى في أي عمر وعلى أي نطاق. إذ أمضى أحد طلاب هذه الدورات أكثر من 130 يوماً متواصلاً في التدرب في عام 2023، مما يقرب من ثلث عام كامل! حيث كرّس هذا الطالب أول 70 يوماً لتعلم تحليل البرمجيات الخبيثة، وخصص الباقي، 60 يوماً، لتعلّم الهندسة العكسية. 
التعلّم غير المتزامن
تعد القدرة على التعلم في أي زمان ومكان أو التعلُّم غير المتزامن الأسلوب التعليمي الأكثر شيوعاً الآن بين الطلاب، إذ أصبحوا غير مرتبطين بدورات ذات مواعيد ثابتة ويتمتعون مع هذا الأسلوب بحرية اختيار ظروف تعلمهم من ناحية مواعيده، أو مكانه، أو سرعته، أو ترتيب المواد الدراسية، وسواها.
يتيح هذا الأسلوب للعاملين في مجال أمن المعلومات تبادل الخبرات مع زملائهم من دول أخرى في أي وقت، وتلقي أحدث المعلومات حول التهديدات السيبرانية الحالية، والأدوات المفيدة، والطرق الخبيثة التي يستخدمها المجرمون السيبرانيون. 
وفقاً لإحصاءات كاسبرسكي، أمضى الطلاب في المتوسط 560 دقيقة في كل برنامج تدريبي في عام 2023، وكانت الدورات المتخصصة الأكثر جاذبية تتناول تقنيات تحليل البرمجيات الخبيثة المتقدمة وقواعد Yara. وبالمجمل، أمضى المتدربون أكثر من 4 آلاف دقيقة في هذه الدورات.  
وداعاً لمقاطع الفيديو الطويلة
تعتمد الدورات الإلكترونية الحديثة على التعليم عبر وحدات قصيرة، لذا تُقْسَم مقاطع الفيديو الطويلة إلى أجزاء أقصر لمساعدة الطلاب على حفظ كتل كبيرة من المعلومات بالتتابع. وعادة ما يشرح كل درس في هذه الدورات موضوعاً محدداً ويبني مهارة واحدة لا أكثر. والهدف من هذا الأسلوب هو تكرار أجزاء صغيرة من المعلومات المعقدة لبناء فهم أكبر للموضوع المدروس تدريجياً. غالباً، تكون دورات Kaspersky Expert Training مقسومة إلى ما يتراوح بين 30 و40 مقطع فيديو قصير لتسهل عملية التعلم وتعزز كفاءتها. 
التعلُّم النظري لا يكفي
لا يرى طلاب اليوم أن مردودهم التعليمي الأكبر يأتي من التعلم النظري فقط، بل أنه يأتي من فرص تعزيز مهاراتهم العملية، وتحليل الحالات الحقيقية مع المعلمين المؤهلين، إضافة إلى تطوير مشاريعهم الخاصة. ولعل أكثر ما يراه متدربو أمن المعلومات مفيداً هو كون مدربهم يساعدهم على التحقق من مستوى فهمهم ويحلل أمثلة حقيقية معهم. 
ووفقاً لإحصاءات كاسبرسكي، أمضى كل طالب متوسط 20 ساعة في منصة Virtual Lab، وهي بيئة آمنة على الإنترنت مخصصة لتعزيز المهارات العملية. وكانت أكثر الدورات توجهاً نحو الناحية العملية هي تلك المرتبطة بتحليل البرمجيات الخبيثة والهندسة العكسية. 
لا يزال التعلُّم الذاتي سائداً
يمكن أن يكون التعلُّم الذاتي جزءاً من التعليم التقليدي، أو على شكل تعلُّم غير رسمي، سواء كان مستقلاً تماماً أو يعتمد على دعم ومشورة مدرب. ويفتح هذا الأسلوب المجال الأكبر لأن يُظهر كل فرد إمكاناته بغض النظر عن مكان هذا التعلُّم، ووقته، وظروفه الأخرى. 
كثيراً ما يلاحظ فريق كاسبرسكي أن الكثير من الطلاب يطلبون مواد إضافية يمكنهم دراستها بأنفسهم وتوسيع نطاق معرفتهم بها. 
إذا كنت مهتماًَ بمجال أمن المعلومات وترغب في تعزيز مهاراتك العملية في تحليل البرمجيات الخبيثة، والاستجابة للحوادث، وتقييم أمان المنتجات، وغيرها من المجالات، قم بالتسجيل في دورات Kaspersky Expert Training واستمتع برحلة تعليمية مثيرة للاهتمام مع خبراء كاسبرسكي.
 

المصدر: بوابة الوفد

كلمات دلالية: أمن المعلومات من المعلومات هذا الأسلوب

إقرأ أيضاً:

بدعم من الذكاء الاصطناعي.. هل تقودنا الروبوتات إلى وداع الأعمال المنزلية؟

كجزء كبير من التطور التكنولوجي، تلعب الروبوتات دورا مهما في المجالات الصناعية، كالمساعدة في تحسين الإنتاجية والجودة، واللوجيستية كالتغليف والتعبئة بشكل أسرع ودقة أكثر، والطبية كمساعدة الأطباء والجراحين في إجراء العمليات الدقيقة وتقديم الرعاية الصحية للمرضى الذين يحتاجون إلى الرعاية الخاصة، والبيئية المحدودة كجمع النفايات وتنظيف الشوارع.

ولكن على عكس الباحثين الذين يعملون على نماذج الذكاء الاصطناعي مثل شات جي بي تي ويواجهون كميات هائلة من نصوص الإنترنت والصور ومقاطع الفيديو لتدريب الأنظمة، فإن الروبوتيين يواجهون تحديات أثناء تدريب الآلات الفيزيائية، لأن البيانات الخاصة بالروبوتات مكلفة، وبسبب عدم وجود أساطيل من الروبوتات تجوب العالم، فليس هنالك بيانات كافية ومتاحة بسهولة لتجعلها تؤدي بشكل جيد في البيئات الديناميكية مثل منازل الناس، وبالرغم من أن بعض الباحثين توجهوا إلى المحاكاة لتدريب الروبوتات، فإن هذه العملية التي غالبا ما تتطلب مصمم جرافيك أو مهندسا، تحتاج كثيرا من الجهد والتكلفة العالية.

وفي هذا السياق قدم فريق من الباحثين من جامعة واشنطن دراستين جديدتين عن أنظمة ذكاء اصطناعي تستخدم إما الفيديو أو الصور لإنشاء محاكاة يمكن أن تدرب الروبوتات على العمل في بيئات حقيقية، حيث ستمكن هذه الأنظمة من خفض كبير في تكاليف تدريب الروبوتات على العمل في بيئات معقدة، وقد تمّ تقديم الدراسة الأولى في 16 يوليو/تموز الماضي، والدراسة الثانية في الـ19 من الشهر نفسه خلال مؤتمر "علوم وأنظمة الروبوتات" في دلفت في هولندا.

نظام ريل تو

كشفت الدراسة الأولى عن نظام الذكاء الاصطناعي "ريل تو" (RialTo) الذي أنشأه "أبهيشيك غوبتا" وهو أستاذ مساعد في كلية "بول جي ألين" لعلوم وهندسة الحاسوب والمؤلف المشارك في كلا الورقتين مع فريق في معهد "ماساتشوستس" للتكنولوجيا.

ويساعد النظام المستخدم في تسجيل فيديو لهندسة هذه البيئة وأجزائها المتحركة عن طريق هاتفه الذكي، على سبيل المثال في المطبخ سيسجل المستخدم كيفية فتح الخزائن والثلاجة، ثم يستخدم النظام نماذج الذكاء الاصطناعي الموجودة، ويقوم إنسان ببعض العمل السريع من خلال واجهة مستخدم رسومية لإظهار كيفية تحرك الأشياء.

ولإنشاء نسخة محاكاة من المطبخ المعروض في الفيديو يتدرب روبوت افتراضي عن طريق التجربة والخطأ في البيئة الافتراضية من خلال محاولاته المتكررة لأداء مهام مثل فتح الخزانة أو المحمصة.

وتعرف هذه الطريقة بـ"التعلم المعزز"، ويتحسن أداء الروبوت في تلك المهمة من خلال المرور بهذه العملية التعليمية، ويتكيف مع الاضطرابات أو التغيرات في البيئة التي يوجَد فيها، مثل وجود كوب بجانب المحمصة، حيث يمكن للروبوت بعد ذلك نقل تلك المعرفة إلى البيئة الفيزيائية، وأن يكون دقيقا تقريبا مثل الروبوت المدرب في المطبخ الحقيقي.

وقال غوبتا "نحاول تعليم الأنظمة على العالم الحقيقي من خلال المحاكاة".

ويمكن للأنظمة بعد ذلك تدريب الروبوتات في مشاهد المحاكاة هذه، حتى يتمكن الروبوت من العمل بشكل أكثر فعالية في الفضاء المادي، هذا مفيد للسلامة، ويرى غوبتا أنه لا يمكن أن يكون لديك روبوتات سيئة التدريب تكسر الأشياء وتؤذي الناس.

ويمضي فريق ريل تو قدما في رغبته لنشر نظامه في منازل الناس بعد أن تمّ اختباره بشكل كبير في المختبر، وقال غوبتا أنه يريد دمج كميات صغيرة من بيانات التدريب الواقعية مع الأنظمة لتحسين معدلات نجاحها.

روبوت المحادثة يمكنها التحدث إلى شخص ما من خلال الدردشة وتفسير كلماته والرد عليه وفقا لذلك (غيتي) نظام يو آر دي فورمر

في الدراسة الثانية، قام الفريق ببناء نظام يسمى يو آر دي فورمر (URD Former)، وهو نظام يركز بشكل أقل على الدقة العالية في مطبخ واحد، ويقوم بسرعة وبشكل رخيص بإنشاء مئات من المحاكاة العامة للمطابخ، حيث يمسح النظام الصور من الإنترنت، ثم بربطها بالنماذج الموجودة حول كيفية تحرك تلك الأدراج والخزائن في المطبخ مثلا، وبعد ذلك يتنبأ بمحاكاة من الصورة الحقيقية الأولية، الأمر الذي يسمح للباحثين بتدريب الروبوتات بسرعة وبتكلفة منخفضة في مجموعة واسعة من البيئات.

وقالت "زوي تشين" المؤلفة الرئيسية لدراسة يو آر دي فورمر "في مصنع على سبيل المثال هنالك الكثير من التكرار" وأضافت "قد تكون المهام صعبة التنفيذ، ولكن بمجرد برمجة الروبوت يمكنه الاستمرار في أداء المهمة مرارا وتكرارا. بينما المنازل فريدة ومتغيرة باستمرار، هنالك تنوع في الأشياء والمهام وتصاميم الأرضيات، بالإضافة إلى الأشخاص الذين يتحركون من خلالها، وهنا يصبح الذكاء الاصطناعي مفيدا حقا لتدريب الروبوتات".

في سياق متصل، نبهت ورقة الدراسة إلى أن هذه المحاكاة أقل دقة بشكل ملحوظ من تلك التي تنتجها "ريل تو"، وقد قال الباحث "غوبتا" الذي أنشأ هذا الأخير "يمكن أن تكمل الطريقتان بعضهما البعض، يو آر دي فورمر مفيد حقا للتدريب المسبق على مئات السيناريوهات، في حين "ريل تو" مفيد بشكل خاص إذا كنت قد قمت بالفعل بتدريب روبوت، والآن تريد نشره في منزل شخص ما وتحقيق نجاح بنسبة 95%".

ما التعلم المعزز حسب المنظور الآلي؟

يعرف التعلم المعزز "آر إل" (RL) كفرع من فروع تعلم الآلة الذي يدرب البرامج على اتخاذ القرارات لتحقيق أفضل النتائج، عن طريق استخدام أسلوب التعلم بالمحاولة والخطأ الذي يستخدمه البشر لتحقيق أهدافهم.

وهذا يعني أن البرامج التي تعمل على تحقيق الهدف يتمّ تعزيزها، أمّا الإجراءات التي تنتقص من الهدف فيتمّ تجاهلها، وتشبه هذه العمليّة التعلم المعزز للإنسان والحيوان في مجال علم النفس السلوكي، مثل الطفل الذي يكتشف أنه يتلقى الثناء من والديه عندما يساعد شقيقه مثلا، ويتلقى ردود فعل سلبية عندما يصرخ أو يرمي ألعابه، ثم سرعان ما يتعلم مجموعة الأنشطة التي تؤدي إلى المكافأة النهائيّة.

وتقوم عملية التعلم المعزز على 3 خطوات مهمة:

1- البيئة

تبدأ الخطوة الأولى في التعلم المعزز في إعداد بيئة التدريب، وغالبا ما تكون بيئة محاكاة بمواصفات للملاحظات، والإجراءات (وهي خطوة يتخذها النظام الذاتي للتنقل في البيئة)، والمكافآت (وهي القيمة الإيجابية أو السلبية أو الصفرية بمعنى أوضح المكافأة أو العقاب لاتخاذ الإجراء).

وتشير مساحة الملاحظة عادة إلى مصادر المستشعر المتاحة على النظام الروبوتي الحقيقي ومدخلات التحكم المرغوبة، بينما توجد مساحات إجراءات منفصلة في تطبيقات التعلم المعزز الأخرى، إذ يفضل في الروبوتات عادة الإجراءات المستمرة التي تغطي على سبيل المثال أهداف موضع أو سرعة المفاصل، نظرا لأن المهام الروبوتية غالبا ما تتضمن قيودا إمّا على النظام الفيزيائي (مثل حدود المفاصل)، أو بعض أنماط السلوك المرغوبة، وتستخدم عادة وظائف المكافأة الكثيفة لتشفير بعض مواصفات الأهداف بشكل صريح.

2- التدريب

تشمل الخطوة الثانية من التعلم المعزز في الروبوتات تحديد نظام التدريب الفعلي للوكيل (وهو خوارزمية ما يسمى بالنظام الذاتي)، وعلى الرغم من وجود طرق مختلفة لتمثيل السياسة النهائية، فإنه يتمّ اعتماد الشبكات العصبية العميقة لتحديد العلاقة بين الحالة والإجراء (هو خطوة يتخذها وكيل "آر إل" للتنقل في البيئة) بسبب قدرتها على التعامل مع انعدام الرتابة، وأيضا يتمّ اقتراح مجموعة واسعة من الخوارزميات المحتملة على مدى السنوات الماضية.

وأما بالنسبة للتحكم في الروبوتات، فيتم عادة اعتماد خوارزميات التعلم المعزز غير المعتمدة على النموذج، لأنها لا تتطلب نموذجا حقيقيا للبيئة، والذي غالبا ما يكون غير متاح للروبوت، وهي مثالية عندما تكون البيئة غير معلومة ومتغيرة، بعكس خوارزميات التعلم المعزز المعتمدة على النموذج، التي تستخدم عادة عندما تكون البيئات محددة جيدا وغير متغيرة حيث يكون اختبار بيئة العالم الحقيقي صعبا.

3- النشر

بعد تقييم السياسات المدربة بنجاح في بيئات التدريب الافتراضية، يتمّ نشرها في النظام الروبوتي الحقيقي، ويعتمد نجاح النشر على عدة عوامل منها الفجوة بين العالم الافتراضي والعالم الحقيقي، وصعوبة المهمة التعليمية المقبلة، أو تعقيد منصة الروبوت نفسها.

مقالات مشابهة

  • بدعم من الذكاء الاصطناعي.. هل تقودنا الروبوتات إلى وداع الأعمال المنزلية؟
  • كاسبرسكي تطلق خدمة متطورة لتقييم أمن الأنظمة الصناعية في السعودية
  • 5 مساحات تفاعلية تُجسد رحلة التعلم في مؤتمر LEARN
  • المعرض العالمي لمستلزمات وحلول التعليم ينطلق 12 نوفمبر
  • تدشين المرحلة الخامسة من الدورات العسكرية المفتوحة في مديرية وشحة بحجة
  • نصائح كاسبرسكي للحد من مخاطر الذكاء الاصطناعي التوليدي في بيئة العمل
  • مصانع التعلم للابتكار
  • حوار مع صديقي الChatGPT-الحلقة (16)
  • مركز تطوير التعليم بجامعة أسيوط ينظم سلسلة دورات تدريبية
  • مركز تطوير التعليم بجامعة أسيوط ينظم دورات تدريبية "المراجعة الداخلية والخارجية للامتحانات"