DOSSIER  
New Security Magazine 167 – oktober 2023

Kunstmatige Intelligentie: De Toekomst van Beveiliging?

Kunstmatige intelligentie (KI) boekte in de afgelopen jaren enorme vooruitgang en ontwikkelde zich tot een krachtige tool in verschillende domeinen. Een van de opvallendste toepassingsgebieden is beveiliging, waar kunstmatige intelligentie een revolutie teweegbrengt in hoe wordt omgegaan met dreigingen en risico’s. Van het detecteren van indringers tot het beschermen van gevoelige informatie, KI verandert de manier waarop de fysieke en digitale wereld wordt beveiligd.

In de fysieke beveiliging leidt kunstmatige intelligentie tot de ontwikkeling van geavanceerde systemen voor het bewaken en beschermen van eigendommen. Bewakingscamera’s met KI kunnen autonoom bewegingen volgen, ongebruikelijke activiteiten detecteren en verdachte gedragingen signaleren. Deze systemen zijn niet alleen in staat om real-time meldingen te genereren, maar kunnen ook patronen en trends herkennen, waardoor proactieve maatregelen kunnen worden genomen om zo te anticiperen op mogelijke dreigingen.

Daarnaast worden KI-gestuurde biometrische systemen steeds gebruikelijker. Gezichtsherkenning en stemidentificatie worden ingezet om het toegangsbeheer te verbeteren en onbevoegde toegang tot beveiligde gebieden te voorkomen. Het vermogen van KI om subtiele nuances en individuele kenmerken te analyseren, maakt deze systemen uiterst nauwkeurig en moeilijk te omzeilen.

Veel definities

Kunstmatige intelligentie is behalve een verbluffende technologie ook een populaire marketingterm. Een camera wordt door de fabrikant al snel ‘slim’ of ‘intelligent’ genoemd. Soms al als hij bewegingen kan detecteren. Sommige fabrikanten zeggen over hun camera’s dat deze over ‘machine learning’ of ‘deep learning’ beschikken. Wat betekenen deze termen? Kunstmatige intelligentie gaat in ieder geval verder dan bewegingsdetectie. Van een intelligente camera mag verwacht worden dat deze geprogrammeerd kan worden om te reageren op gedragingen die als dreigend kunnen worden beschouwd. Bij veel camera’s in het hogere marktsegment kan dat op verschillende manieren. Voor zeer complexe taken, zoals bewaking van een productieproces, kan aanvullende software worden geïnstalleerd. In de praktijk blijkt overigens dat van veel geavanceerde camera’s de intelligente functies niet of nauwelijks worden gebruikt. Vaak omdat dit niet in het eisenpakket van de klant staat, maar ook wel omdat installateurs de klant lang niet altijd op de mogelijkheden wijzen. Zo blijft een krachtig potentieel aan beveiligingsmogelijkheden helaas onbenut.

Machine learning

Machine Learning (ML) is een onderdeel van kunstmatige intelligentie (KI) dat zich richt op het ontwikkelen van algoritmes en modellen die computers in staat stellen te leren en voorspellingen te doen of beslissingen te nemen op basis van data, zonder dat ze expliciet geprogrammeerd worden voor elke specifieke taak. Dit komt dicht in de buurt bij hoe mensen intelligentie en ervaring ontwikkelen. Het is in het geval van bewakingscamera’s niet langer nodig om expliciet te beschrijven waarop het systeem moet reageren. In plaats daarvan leert de camera zelf patronen en relaties uit data te herkennen om bijvoorbeeld te bepalen of een situatie dreigend is of om waargenomen personen te identificeren. De apparatuur wordt als het ware in staat gesteld om een taak te verbeteren door te leren van voorbeelden en data. Dit proces begint met het verzamelen van relevante data over de situatie die men het systeem wil laten leren herkennen. Te denken valt aan het gedrag van een indringer.

Stap 2 is het voorbewerken van de data, zoals het uitfilteren van onnodige alarmoorzaken en het transformeren van de data zodat deze als input in het leerproces van het algoritme is te gebruiken. Dan volgt het identificeren van relevante kenmerken (attributen) van de data die door het algoritme gebruikt zullen worden om voorspellingen of beslissingen te maken. Voor de ingebruikname volgt dan nog het trainingsproces. Door gebruik te maken van de voorbereide data wordt het systeem als het ware getraind door het bloot te stellen aan een groot aantal voorbeelden met bekende uitkomsten. Tijdens dit trainingsproces past het model zijn interne parameters aan om de onderliggende patronen in de data te leren. Na afloop dient dan nog geëxperimenteerd te worden met testdata die het model nog niet eerder heeft gezien. Dit helpt te bepalen hoe goed het model generaliseert naar nieuwe, ongeziene data, zodat het systeem voorbereid wordt op het onverwachte. Na de ingebruikname zal altijd nog een zekere mate van ‘fine tuning’ nodig zijn.

Het is belangrijk op te merken dat machine learning een dynamisch vakgebied is met voortdurend onderzoek en ontwikkelingen, wat leidt tot de ontwikkeling van steeds geavanceerdere algoritmes en technieken.

Deep learning

Deep Learning gaat nog een stap verder en wordt onder andere toegepast in gebieden als beeldherkenning, natuurlijke taalverwerking, spraakherkenning en zelfs in autonome voertuigen. Het succes van deep learning is deels te danken aan de toename van rekenkracht en de beschikbaarheid van grote hoeveelheden geannoteerde data. De technologie is te zien als onderdeel van machine learning en draait om het gebruik van diepe neurale netwerken om complexe taken op te lossen. Deze netwerken zijn geïnspireerd op de structuur van het menselijk brein en kunnen leren om representaties van gegevens op verschillende niveaus van abstractie te vormen. Bij machine learning is het nog vaak nodig om handmatig de kenmerken of eigenschappen te selecteren van de data die het model moet gebruiken om voorspellingen te doen. Bij deep learning leert het model deze representaties zelf. Hierdoor zijn minder handmatige aanpassingen nodig en kan het model complexe patronen in de data ontdekken. Deep learning modellen leren dus automatisch kenmerken of eigenschappen van data te herkennen, zonder dat deze handmatig gespecificeerd hoeven te worden. Een apparaat, zoals een bewakingscamera, dat gebruikt maakt van deep learning is zelfs in staat om zichzelf steeds nauwkeuriger te maken. Dit gebeurt met een leermechanisme dan backpropagation wordt genoemd. Dit wordt gebruikt om het model aan te passen en te optimaliseren. Het past parameters in het neurale netwerk aan om de voorspellingen te verbeteren. Een ander mechanisme zijn de Convolutional Neural Networks (CNNs). Deze zijn gespecialiseerd in het verwerken van data met een ruimtelijke structuur, zoals beeldgegevens. Ze gebruiken convolutielagen om kenmerken te detecteren en te leren. Met Recurrent Neural Networks (RNNs) kan het systeem leren van eerdere ervaringen en historische patronen. Tot slot zijn er de Generative Adversarial Networks (GANs). Deze bestaan uit twee neurale netwerken, een generator en een discriminator, die tegen elkaar strijden om realistische data te genereren. GANs worden vaak gebruikt voor het genereren van afbeeldingen en video’s.

Digitale beveiliging en kunstmatige intelligentie

In de wereld van digitale beveiliging is kunstmatige intelligentie eveneens van onschatbare waarde gebleken. Cyberdreigingen worden steeds geavanceerder en complexer, waardoor traditionele beveiligingsmaatregelen vaak ontoereikend zijn. Hier komt KI in beeld om te helpen bij het identificeren en bestrijden van cyberaanvallen.

Machine learning-algoritmen kunnen patronen ontdekken in grote hoeveelheden data en zo afwijkingen detecteren die kunnen wijzen op een mogelijke inbreuk, zoals het kopiëren van data of het versleutelen van systemen met gijzelsoftware. Machine learning stelt beveiligingssystemen in staat om proactief te reageren en dreigingen te blokkeren voordat ze schade kunnen aanrichten. KI kan ook worden gebruikt om phishing-e-mails en malware te detecteren door te leren van historische gegevens en verdachte gedragspatronen.

Nu cyberaanvallen almaar geavanceerder worden en sneller verlopen, is kunstmatige intelligentie in deze sector onmisbaar geworden. Daarnaast helpt de technologie bijvoorbeeld banken bij het opsporen van verdachte transacties, die kunnen wijzen op het ‘witwassen’ van met criminaliteit verdiend geld.

Risico’s en Ethiek

Hoewel kunstmatige intelligentie de beveiligingsindustrie onmiskenbaar heeft versterkt, brengt het ook uitdagingen met zich mee. Ethische overwegingen en privacykwesties zijn prominenter geworden, vooral bij het gebruik van KI in surveillance en biometrie. Het verzamelen en opslaan van grote hoeveelheden persoonlijke gegevens roept vragen op over het recht op privacy en potentieel misbruik van deze gegevens.

Bovendien is er de dreiging van tegenmaatregelen door kwaadwillende actoren. Aanvallers kunnen proberen KI-systemen te misleiden door gegenereerde data die is ontworpen om de algoritmen te verwarren. Dit onderstreept de voortdurende behoefte aan menselijke supervisie en constante verbetering van de beveiligingsalgoritmen. In kritische situaties blijft meervoudige identificatie een vereiste.

Verder kan elke technologie die bedoeld is als zegen voor mensheid worden misbruikt door criminelen. Fraudeurs gebruiken bijvoorbeeld kunstmatige intelligentie om online fraude te plegen. Wie er zelf geen verstand van heeft, kan gebruik maken van gespecialiseerde dienstverleners, die via het darkweb of bepaalde Telegram-groepen makkelijk te vinden zijn.

Ook autoriteiten kunnen kunstmatige intelligentie inzetten om politieke tegenstanders en journalisten te volgen of bepaalde bevolkingsgroepen te onderdrukken. Privacy-organisaties als de Gegevensbeschermingsautoriteit zijn dan ook bijzonder terughoudend als het gaat om toepassing van kunstmatige intelligentie in beveiligingssystemen. Binnen de EU wordt toepassing van gezichtsherkenning in openbare ruimten waarschijnlijk vanaf 2026 verboden. Nu al gelden dergelijke verboden in veel lidstaten, waaronder België. Hoewel de opdrachtgever in principe verantwoordelijk is, past het beveiligingsbedrijven wel om op dergelijke bepalingen te wijzen, alvorens een systeem wordt geleverd en geïnstalleerd.

Conclusie

Kunstmatige intelligentie heeft de beveiligingsindustrie onherroepelijk veranderd en versterkt. Van fysieke beveiliging tot digitale bescherming, KI-systemen hebben bewezen in staat te zijn om dreigingen te detecteren, te analyseren en zelfs te voorkomen voordat ze schade kunnen aanrichten. Hoewel er uitdagingen zijn op het gebied van ethiek en privacy, is het duidelijk dat kunstmatige intelligentie een cruciale rol zal blijven spelen bij het beveiligen van onze steeds complexere wereld. De sleutel tot succes ligt in het vinden van het evenwicht tussen technologische vooruitgang en menselijke waarden.