Organizaciones que implementan seguridad de los datos, privacidad y gobernanza Los programas a menudo enfrentan su primer desafío en Saber qué datos tienen. Los equipos de datos necesitan clasificar datos, identificar qué datos son sensibles, y saber dónde están sus datos más valiosos para aplicar reglas de seguridad, privacidad y gobernanza.
BigID utiliza ML avanzado para clasificar automáticamente los datos a escalaPero incluso el mejor aprendizaje automático (ML) puede beneficiarse del entrenamiento para aumentar la precisión. Los modelos de ML pueden generar falsos positivos que los administradores de datos desean eliminar de los resultados y ajustarlos para evitar que se presenten los mismos falsos positivos una y otra vez. Anteriormente, no era posible interactuar con los resultados para ajustar fácilmente los modelos de clasificación sin una codificación compleja. BigID resuelve este problema con una nueva función para el ajuste del clasificador.
El ajuste de clasificadores combina la interacción humana con el aprendizaje automático para ajustar o guiar los motores automatizados y lograr una mayor precisión. BigID proporciona una interfaz intuitiva y fácil de usar para interactuar con clasificadores automatizados y aceptar o rechazar clasificadores para objetos de datos específicos sin necesidad de codificación compleja.
Cómo funciona:
Los administradores y propietarios de datos que trabajan en BigID obtienen una vista previa de una muestra de los resultados clasificados en cualquier activos de datos estructurados o no estructurados y confirmar que los datos coinciden con el clasificador asignado.
Ajuste los clasificadores realizando una de estas tres acciones:
- Validar: Si el clasificador genera resultados precisos, valide el clasificador y agregue una fecha de verificación
- Sintonizar y modificar: Si el clasificador es mayormente preciso pero tiene algunos falsos positivos, ajuste el clasificador enseñándole al modelo qué frases debe ignorar.
- Borrar: Si hay demasiados falsos positivos, el clasificador es demasiado ruidoso y no genera resultados útiles; los usuarios pueden eliminar el clasificador para eliminarlo.
Los equipos de datos ahora pueden revisar los hallazgos de la clasificación automática y previsualizar los recursos de datos para validar fácilmente que los clasificadores generen resultados útiles. Los administradores de datos pueden optimizar los clasificadores que generan demasiados falsos positivos, enseñándole al modelo qué frases ignorar. Las partes interesadas se benefician de resultados de clasificación más precisos con una reducción de falsos positivos para las iniciativas de seguridad, privacidad y gobernanza.
Programe una Demostración 1:1 con BigID para ver cómo combinar la automatización de ML con la interacción humana para obtener resultados de clasificación con mayor precisión.
Autor
