Zum Inhalt springen
Alle Beiträge anzeigen

Eine Branchenneuheit: Tuning-Klassifizierung für erhöhte Genauigkeit

Organisationen, die implementieren Datensicherheit, Datenschutz und Steuerung Programme stehen oft vor ihrer ersten Herausforderung in wissen, über welche Daten sie verfügen. Datenteams müssen Daten klassifizieren, Identifizieren Sie, welche Daten sensibel sindund wissen, wo sich ihre wertvollsten Daten befinden, um Regeln für Sicherheit, Datenschutz und Governance anzuwenden.

BigID nutzt fortschrittliches ML zur automatischen Klassifizierung großer Datenmengen, aber selbst das beste ML kann von Training zur Steigerung der Genauigkeit profitieren. ML-Modelle können Fehlalarme liefern, die Datenverwalter aus den Ergebnissen entfernen und die Modelle optimieren möchten, um nicht immer wieder dieselben Fehlalarme anzuzeigen. Bisher gab es keine Möglichkeit, mit den Ergebnissen zu interagieren, um die Klassifizierungsmodelle ohne komplexe Codierung einfach anzupassen. BigID löst dieses Problem mit einer neuen Funktion zur Classifier-Optimierung.

Classifier Tuning kombiniert menschliche Interaktion mit ML, um automatisierte Engines für höhere Genauigkeit zu optimieren oder zu steuern. BigID bietet eine intuitive, benutzerfreundliche Oberfläche für die Interaktion mit automatisierten Klassifikatoren, um Klassifikatoren für bestimmte Datenobjekte ohne komplexe Codierung zu akzeptieren oder abzulehnen.

Und so funktioniert es:

Datenverwalter und Dateneigentümer, die in BigID arbeiten, sehen sich eine Auswahl der klassifizierten Ergebnisse in jedem an strukturierte oder unstrukturierte Datenbestände und bestätigen Sie, dass die Daten mit dem zugewiesenen Klassifikator übereinstimmen.

Optimieren Sie Klassifikatoren, indem Sie eine der folgenden drei Aktionen ausführen:

  • Bestätigen: Wenn der Klassifikator genaue Ergebnisse liefert, validieren Sie den Klassifikator und fügen Sie ein Verifizierungsdatum hinzu
  • Optimieren und Ändern: Wenn der Klassifikator größtenteils genau ist, aber einige falsch-positive Ergebnisse liefert, optimieren Sie den Klassifikator, indem Sie dem Modell beibringen, welche Phrasen es ignorieren soll.
  • Löschen: Wenn zu viele Fehlalarme auftreten, ist der Klassifikator zu laut und erzeugt keine nützlichen Ergebnisse. Benutzer können den Klassifikator löschen, um ihn zu entfernen.

Datenteams können nun die Ergebnisse der automatischen Klassifizierung überprüfen und Datenbestände in der Vorschau anzeigen, um einfach zu überprüfen, ob die Klassifikatoren nützliche Ergebnisse liefern. Datenverwalter können Klassifikatoren, die zu viele Fehlalarme generieren, optimieren, indem sie dem Modell beibringen, welche Phrasen ignoriert werden sollen. Stakeholder profitieren von präziseren Klassifizierungsergebnissen mit weniger Fehlalarmen für Sicherheits-, Datenschutz- und Governance-Initiativen.

Planen Sie eine 1:1-Demo mit BigID, um zu sehen, wie ML-Automatisierung mit menschlicher Interaktion kombiniert werden kann, um Klassifizierungsergebnisse mit höherer Genauigkeit zu erzielen.

Inhalt

Erweiterte Sensibilitätsklassifizierung

Download Solution Brief