Il mercato dei chip per l’AI crescerà di 902,65 miliardi di dollari tra il 2025 e il 2029

Generative AI Insights è la rubrica curata da Recomb, il think tank dedicato all’esplorazione dell’impatto e del potenziale dell’AI generativa in vari aspetti della vita umana. Recomb studia l’AI generativa da tutte le angolazioni: professionale, etica, tecnica, legale, economica, ambientale, sociale, educativa e culturale. Per leggere tutti gli articoli della rubrica Generative AI Insights su Key4biz clicca qui..

Il mercato globale dei chip per l’intelligenza artificiale (AI) è destinato a crescere di 902,65 miliardi di dollari tra il 2025 e il 2029, con un tasso di crescita annuale composto (CAGR) dell’81,2%. L’aumento della domanda è trainato dall’integrazione dei chip AI negli smartphone, dove l’Internet delle cose (IoT) e le tecnologie di interfaccia uomo-macchina (HMI) stanno favorendo una convergenza tecnologica.

I chip AI stanno trovando applicazione in numerosi settori, tra cui sanità, elettronica di consumo, automotive e telecomunicazioni, contribuendo a una maggiore efficienza energetica e ad una capacità di elaborazione dei dati sempre più autonoma.

Grandi attori come NVIDIA, AMD, Intel, e Huawei sono leader nello sviluppo di chip come ASIC, GPU e FPGA, progettati per supportare algoritmi di apprendimento automatico e apprendimento profondo. Tuttavia, il settore deve affrontare sfide significative, tra cui la carenza di personale qualificato e l’elevato costo dello sviluppo tecnologico. Inoltre, le questioni etiche e la necessità di ridurre l’impatto energetico dei data center rappresentano ulteriori aree di attenzione per il settore.

Con una crescente domanda di soluzioni in tempo reale, i dispositivi edge e le applicazioni di calcolo avanzato stanno emergendo come segmenti cruciali. L’espansione del mercato sarà guidata dall’adozione di tecnologie avanzate come il quantum computing e dalla crescente necessità di analisi dei dati in settori come la sanità, la finanza e l’automazione.

Per maggiori informazioni, clicca per l’articolo originale.

Ricercatori addestrano l’AI per diagnosticare malattie polmonari con il 96,57% di precisione

Un nuovo modello di intelligenza artificiale sviluppato da ricercatori di diverse istituzioni internazionali, tra cui la Charles Darwin University, ha raggiunto un’accuratezza del 96,57% nella diagnosi di malattie respiratorie come polmonite, COVID-19 e altre patologie polmonari.

Questo sistema analizza video di ecografie polmonari, identificando caratteristiche e schemi rilevanti nei polmoni per fornire diagnosi accurate. Oltre alla precisione, il modello utilizza tecniche di “explainable AI” per mostrare ai radiologi il processo decisionale attraverso strumenti visivi, come le mappe di calore, aumentando la trasparenza e la fiducia nei risultati.

L’approccio innovativo non solo aiuta i medici a diagnosticare rapidamente, ma offre anche uno strumento di supporto decisionale e di formazione, risparmiando tempo prezioso e migliorando l’efficacia clinica.

Secondo i ricercatori, il modello potrebbe essere ulteriormente addestrato per riconoscere patologie più complesse, tra cui tubercolosi, asma, cancro e fibrosi polmonare, se alimentato con dati appropriati. In prospettiva, questo sistema potrebbe essere applicato anche ad altre tecniche di imaging, come TAC e radiografie.

Il modello rappresenta un passo significativo verso l’integrazione dell’AI nella diagnostica medica, migliorando la qualità delle cure e il supporto decisionale per i professionisti sanitari.

Per maggiori informazioni, clicca per l’articolo originale.

L’AI scriverà leggi complesse

L’intelligenza artificiale (AI) sta iniziando a giocare un ruolo diretto nella creazione legislativa, rivoluzionando il modo in cui le leggi vengono redatte. Senza necessità di modificare le procedure legislative, gli assistenti legislativi possono già utilizzare AI generativa per redigere testi di legge, come dimostrato da esperimenti in Brasile e negli Stati Uniti.

L’adozione di AI in questo contesto è destinata a crescere, soprattutto in risposta alla crescente complessità delle leggi moderne, alimentata da polarizzazioni ideologiche e da governi divisi. Negli Stati Uniti, il recente ribaltamento della dottrina Chevron, che limitava il potere delle agenzie esecutive di specificare dettagli legislativi, obbliga il Congresso a redigere normative più dettagliate, incrementando la domanda di strumenti avanzati come l’AI.

La capacità degli strumenti di AI di elaborare informazioni complesse e multidisciplinari può consentire ai legislatori di affrontare più temi contemporaneamente, migliorando la precisione linguistica e l’aderenza a standard legislativi. Tuttavia, l’uso dell’AI solleva interrogativi etici e pratici. Se da un lato può rendere le leggi più dettagliate e coerenti, dall’altro potrebbe essere sfruttata per avvantaggiare interessi specifici, proprio come fanno oggi i lobbisti.

Inoltre, leggi generate dall’AI potrebbero risultare errate o inefficaci, replicando problemi già presenti nelle normative scritte da esseri umani. La questione centrale riguarda la trasparenza: nel 2023, un disegno di legge brasiliano scritto con ChatGPT è stato approvato senza che i legislatori sapessero dell’intervento dell’AI.

Questo episodio sottolinea l’urgenza di stabilire regole e garanzie etiche per l’uso dell’AI nella legislazione, poiché il futuro della normativa automatizzata è inevitabile.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/il-mercato-dei-chip-per-lai-crescera-di-90265-miliardi-di-dollari-tra-il-2025-e-il-2029/519265/




OpenAI lancia Operator, l’Agente AI che ti prenota da solo un viaggio e tanto altro

OpenAI ha annunciato Operator, un agente di intelligenza artificiale in grado di navigare sul web e svolgere autonomamente attività per conto delle persone.

La disponibilità è attualmente limitata agli Stati Uniti. Operator si basa sul modello Computer-Using Agent, che combina le capacità visive di Gpt-4o (chiamate ‘multimodali’) con un sistema di ragionamento e apprendimento avanzato. Secondo la nota ufficiale di OpenAI, Operator è capace di interagire con le interfacce grafiche, ossia i computer, partendo da poche indicazioni degli utenti. Un esempio è la possibilità di prenotare un tavolo per un ristorante appena si libera oppure il biglietto di un aereo quando il prezzo scende al di sotto di una soglia.

Dopo alcuni test interni, Operator ha completato con successo l’87% delle operazioni basate sul web e il 38,1% di quelle che richiedono l’utilizzo completo del computer. L’agente può anche compilare moduli sui portali, ordinare cibo a domicilio, acquistare prodotti online e creare immagini. Nei casi più complessi, quando è richiesto l’intervento di un umano, Operator invia una notifica per lasciare il controllo all’utente. Accade, tra l’altro, dopo che l’IA ha scritto una email ed è pronto ad inviarla o quando bisogna inserire online dati sensibili, come quelli delle carte di credito.

Operator: a cosa serve nello specifico

  1. Assistenza Virtuale Personalizzata
    Può essere utilizzato per creare chatbot o assistenti virtuali altamente personalizzati che rispondono a domande, forniscono assistenza ai clienti o supportano l’utente in compiti specifici.
  2. Automazione dei Processi Aziendali
    Aiuta a gestire processi ripetitivi come rispondere alle email, generare documentazione, analizzare dati o automatizzare la gestione di domande frequenti.
  3. Generazione di Contenuti
    Può essere usato per creare testi, articoli, email, descrizioni di prodotti, script e molto altro.
  4. Analisi e Sintesi delle Informazioni
    L’Operator può sintetizzare dati complessi o grandi volumi di informazioni (ad esempio riassunti di documenti o analisi di tendenze di mercato).
  5. Interfacciarsi con Sistemi Complessi
    L’Operator può fungere da “ponte” per integrare l’AI in CRM, ERP, sistemi di supporto IT e altre piattaforme, migliorando l’interazione con tali sistemi.
  6. Esperienze Utente Intelligenti
    È utile per creare esperienze utente uniche, come motori di ricerca intelligenti, sistemi di raccomandazione personalizzati e interfacce conversazionali in applicazioni.

OpenAI ha annunciato collaborazioni con diverse aziende, tra cui Uber, DoorDash e Instacart, per integrare Operator nel quotidiano e semplificare le attività. Gli abbonati a ChatGpt Pro negli Usa possono provare la novità mentre in futuro Operator arriverà anche per gli utenti ChatGpt Plus, Team ed Enterprise.

“Raccogliendo feedback dal mondo reale, possiamo perfezionare le misure di sicurezza e migliorarle costantemente, mentre ci prepariamo per un futuro che vedrà un uso crescente degli agenti digitali”, le parole di OpenAI. 

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/openai-lancia-operator-un-agente-ai-che-puo-usare-il-computer-al-posto-tuo/519162/




Microsoft rafforza i legami con l’esercito israeliano per supporto tecnologico durante la guerra a Gaza

Generative AI Insights è la rubrica curata da Recomb, il think tank dedicato all’esplorazione dell’impatto e del potenziale dell’AI generativa in vari aspetti della vita umana. Recomb studia l’AI generativa da tutte le angolazioni: professionale, etica, tecnica, legale, economica, ambientale, sociale, educativa e culturale. Per leggere tutti gli articoli della rubrica Generative AI Insights su Key4biz clicca qui..

Documenti trapelati rivelano come Microsoft abbia intensificato la collaborazione con l’esercito israeliano durante il conflitto a Gaza, fornendo tecnologie cloud e strumenti di AI per soddisfare le crescenti richieste operative. Dopo l’inizio dell’offensiva nell’ottobre 2023, l’esercito israeliano ha incrementato notevolmente l’uso della piattaforma Azure di Microsoft per archiviazione dati, analisi di informazioni e supporto ad attività di intelligence.

Questa collaborazione ha incluso progetti sensibili e classificati, coinvolgendo unità come Unit 8200 e altre divisioni di sorveglianza avanzata. Tra ottobre 2023 e giugno 2024, il Ministero della Difesa israeliano ha speso oltre 10 milioni di dollari in supporto tecnico e consulenze, con un aumento del 60% nell’uso delle capacità cloud rispetto ai mesi precedenti il conflitto.

La partnership ha permesso di utilizzare strumenti di AI per traduzioni, analisi vocali e supporto a sistemi isolati da reti pubbliche, suggerendo impieghi altamente riservati. OpenAI, integrata tramite Azure, ha avuto un ruolo significativo, nonostante avesse recentemente modificato le proprie politiche per consentire usi militari.

Questa relazione tra Microsoft e l’IDF rappresenta un caso emblematico di come il settore tecnologico privato stia influenzando la guerra moderna, con conseguenze etiche e strategiche.

La crescente dipendenza da fornitori cloud come Microsoft, Amazon e Google sottolinea il ruolo cruciale della tecnologia nell’ambito della difesa e nelle operazioni belliche, sollevando interrogativi su responsabilità e trasparenza.

Per maggiori informazioni, clicca per l’articolo originale.

La startup nucleare di Bill Gates sigla un accordo con un data center

TerraPower, una startup per l’energia nucleare fondata da Bill Gates, ha stretto un accordo con Sabey Data Centers, uno dei maggiori sviluppatori di data center negli Stati Uniti, per alimentare le loro strutture con reattori nucleari avanzati.

L’obiettivo della collaborazione è l’implementazione di piccoli reattori nucleari per soddisfare le crescenti esigenze energetiche dei data center, spinte dall’espansione dell’AI e dalla crescente pressione sulle reti elettriche tradizionali. Il memorandum d’intesa tra le due società prevede l’esplorazione di siti potenziali per nuove centrali nucleari in Texas e nella regione delle Montagne Rocciose.

Tuttavia, la realizzazione di questi progetti dipenderà dal superamento delle sfide regolatorie e dalla dimostrazione della loro fattibilità commerciale. I reattori avanzati, come quelli progettati da TerraPower, sono concepiti per essere più compatti e più facili da installare rispetto agli impianti nucleari tradizionali, posizionandosi come un’alternativa sostenibile ai combustibili fossili.

La tecnologia Natrium di TerraPower è l’unica del suo genere con una domanda di costruzione in attesa di approvazione presso la U.S. Nuclear Regulatory Commission. Un progetto dimostrativo è già in corso in Wyoming e dovrebbe essere operativo entro il 2030.

Grandi aziende tecnologiche, tra cui Microsoft, Google e Amazon, stanno anch’esse esplorando soluzioni nucleari per alimentare i loro data center, segnalando un crescente interesse per il nucleare come soluzione alle sfide climatiche ed energetiche.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/microsoft-rafforza-i-legami-con-lesercito-israeliano-per-supporto-tecnologico-durante-la-guerra-a-gaza/519156/




Microsoft e LinkedIn denunciati per aver divulgato dati dei clienti per l’addestramento di modelli di AI

Generative AI Insights è la rubrica curata da Recomb, il think tank dedicato all’esplorazione dell’impatto e del potenziale dell’AI generativa in vari aspetti della vita umana. Recomb studia l’AI generativa da tutte le angolazioni: professionale, etica, tecnica, legale, economica, ambientale, sociale, educativa e culturale. Per leggere tutti gli articoli della rubrica Generative AI Insights su Key4biz clicca qui..

LinkedIn, di proprietà di Microsoft, è stata citata in giudizio da utenti Premium che accusano la piattaforma di aver condiviso senza consenso i loro messaggi privati con terze parti per l’addestramento di modelli di intelligenza artificiale generativa.

La causa, presentata presso un tribunale federale della California, afferma che LinkedIn abbia introdotto una nuova impostazione sulla privacy ad agosto 2024, permettendo agli utenti di scegliere se condividere o meno i propri dati personali.

Tuttavia, il 18 settembre 2024, LinkedIn avrebbe aggiornato silenziosamente la sua politica sulla privacy, dichiarando che i dati potevano essere usati per addestrare modelli di AI, specificando in una FAQ che l’opzione di disattivazione non avrebbe avuto effetto sui dati già utilizzati. Questa strategia, secondo i querelanti, dimostra che LinkedIn era pienamente consapevole delle potenziali violazioni della privacy, cercando di minimizzare le ripercussioni legali e il controllo pubblico.

La causa rappresenta milioni di utenti che hanno utilizzato il servizio InMail e i cui dati sarebbero stati condivisi prima dell’aggiornamento della politica sulla privacy. Gli attori richiedono risarcimenti per violazioni contrattuali e delle leggi sulla concorrenza sleale in California, oltre a un compenso di 1.000 dollari per persona in base allo Stored Communications Act federale.

Il caso è stato depositato poche ore dopo l’annuncio di un’importante collaborazione tra OpenAI, Oracle e SoftBank per un investimento di 500 miliardi di dollari in infrastrutture AI negli Stati Uniti. Microsoft non ha ancora rilasciato commenti ufficiali sull’accaduto.

Per maggiori informazioni, clicca per l’articolo originale.

Le emissioni di carbonio generate dai data center potrebbero essere significativamente più alte

Le emissioni di carbonio generate dai data center potrebbero essere significativamente più alte di quanto riportato dai principali operatori cloud come Amazon Web Services (AWS), Google e Microsoft, secondo l’analista Elsa Nightingale di Canalys.

Gli attuali metodi di contabilizzazione delle emissioni, che includono certificati di energia rinnovabile per compensare l’impatto ambientale, nascondono dati reali, rendendo difficile valutare l’effettiva impronta di carbonio delle loro operazioni.

AWS è particolarmente criticata per non fornire dettagli specifici sulle emissioni dei suoi data center, lasciando i dati aggregati alle emissioni complessive dell’azienda. Al contrario, Google e Microsoft pubblicano rapporti di sostenibilità con dati relativi alle emissioni indirette (Scope 3), ma senza distinguere le emissioni legate ai data center. Questo crea sfide per le aziende europee che devono conformarsi alla direttiva CSRD dell’UE, la quale richiede una rendicontazione trasparente delle emissioni.

L’uso sempre maggiore di server ad alta potenza, guidati dalla crescita dell’AI generativa, ha ulteriormente aggravato il problema. Nonostante gli sforzi dichiarati di Amazon per migliorare l’efficienza energetica e l’uso di energie rinnovabili, il consumo globale di energia nei data center continua a crescere.

Le critiche si concentrano sulla mancanza di trasparenza e sull’inadeguatezza dei report di sostenibilità nel rappresentare il reale impatto ambientale, con conseguenze negative per clienti e legislatori.

Questa situazione evidenzia una contraddizione tra gli impegni verso la sostenibilità e l’espansione delle infrastrutture per soddisfare la crescente domanda di servizi basati sull’AI, mettendo in discussione la possibilità di raggiungere obiettivi di neutralità carbonica.

Le app di AI hanno superato 1 miliardo di dollari di spesa dei consumatori nel 2024

Nel 2024, la spesa globale dei consumatori in app ha raggiunto 150 miliardi di dollari, con un incremento del 13% rispetto all’anno precedente. Le applicazioni di AI hanno registrato una crescita esplosiva, superando il miliardo di dollari di spesa, con un aumento di oltre il 200% anno su anno. Secondo il rapporto annuale “State of Mobile” di Sensor Tower, applicazioni come ChatGPT, Gemini e Doubao di ByteDance hanno alimentato questa domanda crescente.

Questa categoria di app potrebbe entrare nella top 10 per spesa dei consumatori entro un anno, se il tasso di crescita verrà mantenuto.

Nel 2024, gli utenti hanno trascorso complessivamente 7,7 miliardi di ore utilizzando app con funzionalità di AI, e queste sono state scaricate 17 miliardi di volte. ChatGPT, in particolare, ha raggiunto 50 milioni di utenti attivi mensili più velocemente di servizi popolari come Disney+ e YouTube Music.

Altri settori in movimento nel 2024 includono il fintech, le criptovalute, e l’e-commerce, mentre lo streaming ha visto un calo nell’engagement nonostante l’aumento dei ricavi. Tra i successi del 2024, Sensor Tower ha identificato quattro giochi e un’app che hanno superato il miliardo di dollari di spesa dei consumatori, tra cui Last War e Brawl Stars.

Il rapporto sottolinea come la domanda di applicazioni basate su AI rimanga in forte ascesa, indicando un futuro promettente per questo segmento nel panorama globale delle app mobili.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/microsoft-e-linkedin-denunciati-per-aver-divulgato-dati-dei-clienti-per-laddestramento-di-modelli-di-ai/519022/




Musk a Altman: “Sei un bugiardo. E i 500 miliardi per l’AI non ci sono”

Nemmeno il tempo di iniziare che già litigano. Il recente annuncio del progetto Stargate, l’iniziativa da 500 miliardi di dollari per sviluppare infrastrutture di intelligenza artificiale negli Stati Uniti, ha riacceso le tensioni tra Elon Musk e Sam Altman.

“In realtà non hanno i soldi”, ha commentato Musk al post di OpenAI che comunicava l’iniziativa Stargate. Musk è stato tra i fondatori di OpenAI, dalla quale è uscito entrando in conflitto con il ceo Sam Altman, come si capisce anche da questo post. Musk ha espresso anche dubbi sulla solidità finanziaria del progetto, affermando che SoftBank, uno dei principali investitori, ha assicurato meno di 10 miliardi di dollari, mettendo in discussione la fattibilità dell’intera operazione.

In risposta, Altman ha difeso l’iniziativa, invitando Musk a visitare il sito di costruzione in Texas per valutare personalmente i progressi.

Le origini del conflitto Musk e Altman

Il conflitto tra Musk e Altman non è solo una disputa personale, ma riflette differenze fondamentali su come gestire il futuro dell’intelligenza artificiale.

Musk e Altman hanno co-fondato OpenAI nel 2015, con l’obiettivo di sviluppare un’IA sicura e benefica per tutta l’umanità. Nel 2018, Musk ha lasciato l’organizzazione, ufficialmente per evitare conflitti di interesse con Tesla, che sviluppava la sua IA per veicoli autonomi. Tuttavia, si dice che Musk fosse insoddisfatto della direzione strategica di OpenAI e che desiderasse un maggiore controllo, che Altman e altri membri non gli concessero.

Il passaggio di OpenAI al profitto

Nel 2019, OpenAI è passata da un’organizzazione no-profit a una “capped-profit”, attirando investimenti miliardari da aziende come Microsoft. Musk ha criticato questa decisione, accusando Altman di tradire la missione originaria di OpenAI per inseguire guadagni. Ha pubblicamente definito il nuovo modello come contrario all’interesse pubblico. In un post su X pubblicato qualche minuto fa Musk è ritornato sul tema attaccando di nuovo Altman.

“Altman ha letteralmente testimoniato al Congresso che non avrebbe ottenuto alcun risarcimento da OpenAI e ora ne vuole 10 miliardi! Che bugiardo”, ha scritto.

Critiche personali

Musk ha più volte accusato Altman di mancare di trasparenza e di guidare OpenAI come una “macchina per fare soldi”, mentre Altman ha descritto Musk come egocentrico e incline al controllo assoluto.

Nel 2024, Musk ha anche intentato causa contro Altman e OpenAI, accusandoli di violazioni contrattuali e di aver “corrotto” il progetto originale.

Musk crede che l’IA rappresenti un pericolo esistenziale se non regolata, preferendo un approccio lento e ponderato. Altman, pur riconoscendo i rischi, è più ottimista sul fatto che un progresso rapido e collaborativo possa portare benefici tangibili al mondo.

Il progetto Stargate da 500 miliardi

Lo “Stargate Project”, annunciato ieri dal presidente Trump, sarà finanziato con 500 miliardi di dollari nei prossimi quattro anni, avrà al centro OpenAI, che metterà subito sul piatto 100 miliardi di dollari.

I primi azionisti e finanziatori di Stargate, oltre alla società creatrice di ChatGPT, sono l’altra americana Oracle, la MGX dagli Emirati Arabi Uniti e la giapponese SoftBank (che metteranno ognuna altri 100 miliardi di dollari circa).

Come spiegato dal Presidente americano, alla presenza del Presidente e CTO di Oracle, Larry Ellison, del CEO di OpenAI, Sam Altman, e il CEO di SoftBank, Masayoshi Son, la nuova infrastruttura dovrà garantire la leadership americana nell’AI, creare 100 mila posti di lavoro negli Stati Uniti, garantire maggiore sicurezza nazionale, sostenere crescita economica e reindustrializzare il Paese. La responsabilità finanziaria del progetto è di SoftBank, mentre quella operativa rimarrà ad OpenAI.

Oltre Oracle e OpenAI, tra i partner tecnici iniziali troviamo Arm, Microsoft e NVIDIA. A quanto si apprende, la realizzazione del progetto è già in corso, a partire dal Texas, e si stanno valutando potenziali siti per altri campus nel resto del paese.

Il progetto vede al centro OpenAI perché organizzazione che ha dato il via all’avventura americana dell’AI con il suo ChatGPT, iniziando ad investire, sviluppare e realizzare data center in tutto il Paese.

Un’infrastruttura iniziale che oggi come ben sappiamo non regge più l’aumento esponenziale di utilizzatori di ChatGPT, 70 milioni solo negli Stati Uniti, più di 300 milioni nel resto del mondo, senza contare gli altri modelli ormai in commercio e in uso, come Claude di Anthropic, Gemini di Google, Copilot di Microsoft, Llama di Meta o Grok di xAI, solo per fare alcuni esempi tra i più conosciuti.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/musk-a-altman-sei-un-bugiardo-e-i-500-miliardi-per-lai-non-ci-sono/518991/




Trump lancia il progetto “Stargate”. SoftBank, OpenAI, Oracle e MGX investiranno 500 miliardi di dollari nell’AI

Un’infrastruttura AI avanzata per gli Stati Uniti

Sono i giorni dei grandi annunci, il Presidente degli Stati Uniti, Donald Trump, lo aveva ampiamente preannunciato. Tutti il mondo è attento a quello che si dice e accade a Washington. Da esperto uomo di spettacolo Trump non vuole deludere le aspettative. Ieri, parlando con i giornalisti, il Presidente degli Stati Uniti ha annunciato un nuovo imponente progetto per lo sviluppo dell’intelligenza artificiale (AI): lo “Stargate Project”.

La nuova impresa, che sarà finanziata con 500 miliardi di dollari nei prossimi quattro anni, avrà al centro OpenAI, che metterà subito sul piatto 100 miliardi di dollari.

I primi azionisti e finanziatori di Stargate, oltre alla società creatrice di ChatGPT, sono l’altra americana Oracle, la MGX dagli Emirati Arabi Uniti e la giapponese SoftBank (che metteranno ognuna altri 100 miliardi di dollari circa).

Come spiegato dal Presidente americano, alla presenza del Presidente e CTO di Oracle, Larry Ellison, del CEO di OpenAI, Sam Altman, e il CEO di SoftBank, Masayoshi Son, la nuova infrastruttura dovrà garantire la leadership americana nell’AI, creare 100 mila posti di lavoro negli Stati Uniti, garantire maggiore sicurezza nazionale, sostenere crescita economica e reindustrializzare il Paese.

Le Big Tech al lavoro per Trump

La responsabilità finanziaria del progetto è di SoftBank, mentre quella operativa rimarrà ad OpenAI.

Oltre Oracle e OpenAI, tra i partner tecnici iniziali troviamo Arm, Microsoft e NVIDIA. A quanto si apprende, la realizzazione del progetto è già in corso, a partire dal Texas, e si stanno valutando potenziali siti per altri campus nel resto del paese.

Il progetto vede al centro OpenAI perché organizzazione che ha dato il via all’avventura americana dell’AI con il suo ChatGPT, iniziando ad investire, sviluppare e realizzare data center in tutto il Paese.

Un’infrastruttura iniziale che oggi come ben sappiamo non regge più l’aumento esponenziale di utilizzatori di ChatGPT, 70 milioni solo negli Stati Uniti, più di 300 milioni nel resto del mondo, senza contare gli altri modelli ormai in commercio e in uso, come Claude di Anthropic, Gemini di Google, Copilot di Microsoft, Llama di Meta o Grok di xAI, solo per fare alcuni esempi tra i più conosciuti.

Da qui in poi bisognerà aspettarsi un moltiplicarsi di iniziative di questo tipo, soprattutto dopo che Trump, nello stesso giorno del suo insediamento, ha annullato un ordine esecutivo firmato nel 2023 dal suo predecessore Joe Biden, che mirava a mitigare i rischi posti dall’AI per la sicurezza nazionale, i lavoratori e i consumatori. Dalla Casa Bianca il messaggio è chiaro: poche regole, più business.

Si moltiplicano i data center AI negli USA

Microsoft, uno dei principali sostenitori di OpenAI, ha dichiarato di voler investire 80 miliardi di dollari in nuovi data center basati sull’intelligenza artificiale. Il gigante di Redmond è inoltre coinvolto in un’iniziativa analoga da 100 miliardi di dollari, con dentro BlackRock, per aumentare i data center AI in tutto il Paese.

Amazon, invece, solo negli ultimi due mesi ha già annunciato due progetti del valore di circa 10 miliardi di dollari ciascuno sempre dedicati all’AI.

In un rapporto dell’anno scorso, McKinsey ha affermato che la domanda globale di capacità dei data center sarà più che triplicata entro il 2030, con una crescita compresa tra il 19% e il 27% annuo entro il 2030.

Per soddisfare tale domanda, la società di consulenza ha stimato che entro il 2030 sarà necessario realizzare almeno il doppio della capacità realizzata a partire dal 2000.

Il problema del fabbisogno energetico (e dell’indifferenza climatica e ambientale)

Un trend che sembra inarrestabile, dunque, ma che deve fare già oggi i conti con un limite enorme: i data center sono altamente energivori. Si cerca di alimentarli sempre più con fonti energetiche rinnovabili, sia per sopperire al fabbisogno, sia per rendere il settore più sostenibile e rispettare gli obiettivi di decarbonizzazione annunciati praticamente da tutte le società in campo.

Trump ha già lasciato intendere che degli obiettivi climatici e ambientali a lui poco importa. Cosa questa che potrebbe far deragliare tutti i progetti green avviati e allentare ogni cordone regolatorio. Staremo a vedere se le Big Tech butteranno al mare quanto fin qui fatto in termini di transizione energetica, seguendo solo le leggi del profitto, o continueranno a tener conto della nuova sensibilità ambientale e climatica dimostrata da una larga parte della popolazione americana e mondiale (difficile che dimostrino reale attenzione e preoccupazione per lo stato sempre più critico del sistema climatico terrestre o per le conseguenze di inquinamento e surriscaldamento globale sulla nostra salute e quella degli ecosistemi).

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/trump-lancia-il-progetto-stargate-softbank-openai-oracle-e-mgx-investiranno-500-miliardi-di-dollari-nellai/518845/




Anomaly Detection tramite Neural Networks: identificazione di pattern anomali e prevenzione dei cyber attacchi

Nel panorama attuale della sicurezza informatica, la rilevazione delle anomalie (anomaly detection) rappresenta una componente fondamentale per proteggere le infrastrutture digitali moderne. L’evoluzione delle minacce informatiche ha reso necessario lo sviluppo di sistemi sempre più sofisticati in grado di identificare comportamenti anomali e potenziali rischi per la sicurezza. In questo contesto, l’utilizzo di tecniche basate su neural networks ha dimostrato una notevole efficacia, offrendo soluzioni innovative e potenti per l’identificazione di pattern anomali e la prevenzione di attacchi.

Le principali Architetture di Reti Neurali

Nel campo dell’anomaly detection, diverse architetture di reti neurali hanno dimostrato la loro efficacia, ciascuna con caratteristiche e applicazioni specifiche. Le Deep Neural Networks (DNN) costituiscono l’architettura fondamentale per la rilevazione delle anomalie. Queste reti complesse sono organizzate in una struttura gerarchica che parte da un layer di input, deputato all’acquisizione dei dati grezzi, prosegue attraverso molteplici hidden layers che elaborano progressivamente l’informazione, e culmina in un layer di output che produce la classificazione finale. Il processo di addestramento delle DNN si concentra sull’apprendimento dei pattern normali del sistema, permettendo successivamente di identificare come anomalie le deviazioni significative da questi pattern durante la fase di inferenza.

Le Convolutional Neural Networks (CNN) rappresentano un’evoluzione specializzata particolarmente efficace nell’analisi di dati strutturati come i log di rete e le serie temporali. La loro architettura distintiva, basata su layer convolutivi, eccelle nell’estrazione di feature spaziali e temporali dai dati, nell’identificazione di pattern ricorrenti e nella riduzione intelligente della dimensionalità, preservando al contempo le informazioni cruciali per l’analisi.

Un’altra architettura fondamentale è rappresentata dalle Recurrent Neural Networks (RNN), insieme alle loro varianti evolute come le Long Short-Term Memory (LSTM) e le Gated Recurrent Units (GRU). Queste reti sono state specificamente progettate per l’analisi di sequenze temporali, caratteristica che le rende particolarmente adatte per l’analisi di log di sistema e traffico di rete. La loro capacità di mantenere una memoria interna permette di modellare efficacemente le dipendenze temporali nei dati, tracciando pattern complessi che si sviluppano nel tempo e identificando anomalie in sequenze di eventi correlati.

L’efficacia di queste architetture è ulteriormente potenziata dalla loro capacità di adattarsi a diversi contesti e tipologie di dati, rendendo possibile la creazione di sistemi di anomaly detection robusti e versatili. La scelta dell’architettura più appropriata dipende dalle specifiche esigenze del contesto applicativo, dalla natura dei dati da analizzare e dal tipo di anomalie da rilevare.

Approcci Metodologici nell’Anomaly Detection

Nel contesto dell’anomaly detection basata su neural networks, si sono sviluppati tre principali approcci metodologici, ciascuno con caratteristiche e applicazioni distintive che rispondono a diverse esigenze e scenari operativi.

Il supervised learning rappresenta l’approccio più tradizionale e strutturato, basandosi su dataset che contengono esempi esplicitamente etichettati di comportamenti sia normali che anomali. Questo metodo offre notevoli vantaggi in termini di accuratezza nella detection e nella capacità di identificare con precisione specifiche classi di anomalie. L’addestramento supervisionato permette infatti alla rete di apprendere caratteristiche distintive molto specifiche delle diverse tipologie di attacco. Tuttavia, questo approccio presenta alcune limitazioni significative: la necessità di disporre di dataset accuratamente etichettati, processo spesso costoso e time-consuming, e il rischio di overfitting sulle anomalie note, che può compromettere la capacità del sistema di rilevare nuove tipologie di attacchi.

L’unsupervised learning si pone come alternativa più flessibile, operando senza la necessità di esempi etichettati. Questo approccio si basa su tecniche sofisticate come gli autoencoders, che apprendono rappresentazioni compresse dei dati normali, e i modelli generativi come le Generative Adversarial Networks (GAN), che possono modellare la distribuzione dei dati normali. Le tecniche di clustering e outlier detection vengono impiegate per identificare pattern che deviano significativamente dal comportamento normale appreso. L’approccio non supervisionato offre il vantaggio significativo di poter operare su dati grezzi non etichettati, rendendolo particolarmente adatto per scenari reali dove l’etichettatura completa dei dati non è praticabile.

Il semi-supervised learning emerge come soluzione intermedia particolarmente promettente, combinando i punti di forza degli approcci precedenti. Questo metodo si basa principalmente sull’addestramento su dati normali etichettati, utilizzando poi questa conoscenza per identificare le anomalie come deviazioni significative dal comportamento normale appreso. L’approccio semi-supervisionato si è dimostrato particolarmente efficace nella capacità di generalizzare a nuove tipologie di attacco, mantenendo al contempo una buona robustezza nella detection. La sua flessibilità lo rende particolarmente adatto per sistemi di sicurezza che devono evolversi continuamente per far fronte a nuove minacce.

L’efficacia di questi approcci metodologici può essere ulteriormente potenziata attraverso tecniche di ensemble learning, che combinano multiple istanze di modelli per ottenere risultati più robusti e affidabili. Inoltre, l’integrazione di conoscenza di dominio specifica nel processo di addestramento può migliorare significativamente le prestazioni dei sistemi di anomaly detection, indipendentemente dall’approccio metodologico scelto.

Metriche di Valutazione nei Sistemi di Anomaly Detection

La valutazione dell’efficacia dei sistemi di anomaly detection basati su neural networks richiede un’analisi approfondita attraverso metriche specifiche che permettono di quantificare diversi aspetti delle prestazioni del sistema. Queste metriche sono fondamentali non solo per valutare l’efficacia complessiva del sistema, ma anche per confrontare diverse soluzioni e guidare il processo di ottimizzazione dei modelli.

La precision rappresenta una delle metriche fondamentali e misura l’accuratezza del sistema nella rilevazione delle vere anomalie. In termini pratici, indica la proporzione di anomalie correttamente identificate rispetto al totale delle segnalazioni generate dal sistema. Un’alta precision indica che il sistema è affidabile nelle sue segnalazioni, minimizzando i falsi allarmi che potrebbero sovraccaricare gli analisti di sicurezza.

Il recall, noto anche come sensitivity, valuta invece la capacità del sistema di identificare tutte le anomalie effettivamente presenti nei dati. Questa metrica è particolarmente critica in contesti di sicurezza, dove la mancata identificazione di un’anomalia potrebbe avere conseguenze gravi. Un elevato recall indica che il sistema è efficace nel rilevare la maggior parte delle minacce, minimizzando il rischio di lasciare vulnerabilità non identificate.

L’F1-score fornisce una misura bilanciata delle prestazioni del sistema, combinando precision e recall attraverso una media armonica. Questa metrica è particolarmente utile quando è necessario trovare un equilibrio ottimale tra la capacità di rilevare le anomalie e la minimizzazione dei falsi allarmi. L’F1-score risulta particolarmente significativo in scenari dove sia i falsi positivi che i falsi negativi hanno un impatto significativo sulle operazioni di sicurezza.

Il False Alarm Rate (FAR) misura la frequenza con cui il sistema genera falsi allarmi, ovvero segnala come anomalie comportamenti che in realtà sono normali. Questa metrica è cruciale per valutare l’usabilità pratica del sistema: un FAR troppo elevato può portare a quello che viene definito “alarm fatigue”, rendendo il sistema meno efficace nella pratica nonostante potenziali alte prestazioni in altre metriche.

Oltre a queste metriche principali, altri indicatori importanti includono il True Positive Rate (TPR), che misura la proporzione di anomalie correttamente identificate, e il True Negative Rate (TNR), che valuta la capacità del sistema di classificare correttamente i comportamenti normali. L’Area Under the Curve (AUC) della curva ROC (Receiver Operating Characteristic) fornisce invece una misura complessiva delle prestazioni del sistema attraverso diverse soglie di decisione.

La scelta delle metriche più appropriate per valutare un sistema di anomaly detection dipende fortemente dal contesto applicativo e dai requisiti specifici del sistema di sicurezza. In ambiti critici, potrebbe essere necessario privilegiare un alto recall anche a costo di un maggior numero di falsi positivi, mentre in altri contesti potrebbe essere più importante mantenere un basso FAR per garantire l’efficienza operativa del sistema.

L’analisi combinata di queste metriche permette di ottenere una comprensione approfondita delle prestazioni del sistema e di identificare aree di possibile miglioramento. È importante notare che queste metriche dovrebbero essere valutate su diversi set di dati e in diverse condizioni operative per garantire una valutazione robusta e affidabile delle prestazioni del sistema.

Sfide Aperte nell’Anomaly Detection

Nel campo dell’anomaly detection basata su neural networks, diverse sfide significative rimangono ancora aperte e rappresentano importanti aree di ricerca e sviluppo. Queste sfide richiedono un approccio multidisciplinare che combina competenze in machine learning, sicurezza informatica e analisi dei dati.

La riduzione dei falsi positivi rimane una delle sfide più critiche. Nonostante i significativi progressi nelle tecniche di deep learning, i sistemi di anomaly detection continuano a generare un numero significativo di falsi allarmi. Questo problema non è solo una questione tecnica, ma ha importanti implicazioni pratiche: un elevato tasso di falsi positivi può portare alla cosiddetta “alert fatigue“, riducendo l’efficacia complessiva del sistema di sicurezza. La ricerca si sta concentrando sullo sviluppo di nuovi algoritmi e architetture che possano migliorare la precisione della detection mantenendo al contempo un’alta sensibilità nella rilevazione delle vere anomalie.

La robustness rispetto al rumore nei dati rappresenta un’altra sfida fondamentale. I sistemi di anomaly detection devono operare in ambienti reali dove i dati sono spesso imperfetti, incompleti o disturbati. La capacità di mantenere prestazioni affidabili in presenza di rumore è cruciale per l’applicabilità pratica di questi sistemi. Le ricerche attuali si stanno concentrando sullo sviluppo di architetture più robuste e tecniche di pre-processing dei dati più efficaci.

La scalabilità rappresenta una sfida sempre più rilevante con l’aumento costante dei volumi di dati da analizzare. I sistemi di anomaly detection devono essere in grado di processare e analizzare grandi quantità di dati in tempo reale, mantenendo prestazioni efficienti e tempi di risposta rapidi. Questo richiede non solo ottimizzazioni algoritmiche, ma anche innovazioni nell’architettura dei sistemi e nelle tecniche di distribuzione del carico computazionale.

L’interpretabilità dei risultati è diventata una sfida cruciale, specialmente in contesti dove le decisioni del sistema possono avere impatti significativi sulla sicurezza. Gli utenti finali necessitano di comprendere il ragionamento dietro le segnalazioni di anomalie per poter prendere decisioni informate. La ricerca si sta muovendo verso lo sviluppo di tecniche di explainable AI specifiche per l’anomaly detection, che possano fornire spiegazioni chiare e actionable delle anomalie rilevate.

La detection di anomalie zero-day, ovvero la capacità di identificare minacce precedentemente sconosciute, rappresenta una delle sfide più complesse. I sistemi devono essere in grado di generalizzare dalle anomalie note per identificare nuovi tipi di attacchi mai visti prima. Questo richiede lo sviluppo di approcci innovativi che combinino apprendimento supervisionato e non supervisionato, insieme a tecniche di transfer learning e domain adaptation.

Un’ulteriore sfida emergente riguarda la privacy e la sicurezza dei dati utilizzati per l’addestramento dei modelli. Con l’aumentare delle normative sulla protezione dei dati, diventa cruciale sviluppare tecniche di anomaly detection che possano operare efficacemente pur rispettando i vincoli di privacy e conformità normativa.

La gestione degli adversarial attacks rappresenta un’altra area critica. I sistemi di anomaly detection devono essere resistenti a tentativi deliberati di elusione o manipolazione. Questo richiede lo sviluppo di tecniche di adversarial training e meccanismi di difesa specifici per i sistemi di detection delle anomalie.

Infine, l’integrazione efficace dei sistemi di anomaly detection nelle infrastrutture di sicurezza esistenti rimane una sfida significativa. È necessario sviluppare standard e protocolli che permettano una seamless integration con altri sistemi di sicurezza, garantendo al contempo performance ottimali e facilità di gestione.

Conclusioni

Nel panorama attuale della sicurezza informatica, le neural networks hanno dimostrato di essere uno strumento fondamentale per l’anomaly detection, offrendo soluzioni innovative ed efficaci per la protezione delle infrastrutture digitali. L’evoluzione continua delle tecniche di deep learning, unita alla crescente disponibilità di risorse computazionali, ha aperto nuove possibilità per lo sviluppo di sistemi sempre più sofisticati e performanti.

La ricerca nel campo dell’anomaly detection basata su neural networks sta progredendo rapidamente, con miglioramenti significativi in termini di accuratezza, robustness e scalabilità. L’integrazione di diverse architetture neurali, ciascuna con le proprie specificità e punti di forza, permette di affrontare in modo efficace la complessità e la varietà delle minacce informatiche moderne. Le Convolutional Neural Networks, le Recurrent Neural Networks e le loro varianti specializzate stanno dimostrando capacità sempre più raffinate nell’identificazione di pattern anomali e nella previsione di potenziali minacce.

Un aspetto particolarmente promettente è l’integrazione sinergica tra le tecniche di deep learning e la conoscenza di dominio specifica nel campo della sicurezza informatica. Questa combinazione permette di sviluppare sistemi che non solo apprendono dai dati, ma incorporano anche l’expertise umana e le best practice del settore. Il feature engineering guidato dalla conoscenza del dominio sta emergendo come componente cruciale per migliorare l’efficacia dei sistemi di detection, permettendo di focalizzare l’attenzione su caratteristiche particolarmente rilevanti per l’identificazione delle anomalie.

La continua evoluzione delle minacce informatiche richiede sistemi di anomaly detection sempre più adattivi e intelligenti. In questo contesto, l’approccio basato su neural networks si sta dimostrando particolarmente valido grazie alla sua capacità di apprendere e adattarsi a nuovi pattern di attacco. La ricerca futura si concentrerà probabilmente sullo sviluppo di architetture ancora più avanzate, capaci di bilanciare efficacemente la necessità di alta accuratezza nella detection con requisiti pratici come l’efficienza computazionale e la facilità di deployment.

L’importanza crescente della explainable AI nel contesto della sicurezza informatica sta guidando lo sviluppo di nuove metodologie che rendano più trasparente e interpretabile il processo decisionale delle neural networks. Questo aspetto è fondamentale per costruire la fiducia degli utenti nei sistemi automatizzati di anomaly detection e per facilitare l’integrazione di questi sistemi nei processi di sicurezza esistenti.

In conclusione, mentre le sfide nel campo dell’anomaly detection rimangono significative, l’approccio basato su neural networks continua a mostrare un potenziale straordinario. La combinazione di tecniche avanzate di deep learning, conoscenza di dominio e innovazioni nell’architettura dei sistemi sta aprendo la strada a soluzioni sempre più efficaci per la protezione delle infrastrutture informatiche. Il futuro di questo campo appare promettente, con nuove opportunità di ricerca e sviluppo che emergeranno dall’evoluzione continua sia delle tecnologie di machine learning che delle esigenze di sicurezza informatica.

Fonti:

Creating a deep learning neural network for anomaly detection on time-series data

Deep Learning for Anomaly Detection

A Review of Neural Networks for Anomaly Detection

Deep Learning for Anomaly Detection: A Review

Artificial neural networks based techniques for anomaly detection in Apache Spar

Anomaly Detection Using Deep Neural Network for IoT Architecture

A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data

Condividi sui Social Network:

https://www.ictsecuritymagazine.com/articoli/anomaly-detection-sec/




SentinelOne estende Purple AI alle soluzioni di sicurezza di terze parti


SentinelOne ha annunciato che Purple AI, la soluzione di sicurezza della compagnia basata su intelligenza artificiale, supporta ora le piattaforme di security Zero Trust Exchange di Zscaler, i firewall di Palo Alto Networks, la soluzione di Okta, TAP di Proofpoint, FortiGate di Fortinet e Microsoft Office 365.

Purple AI potenzia le analisi dei professioni di sicurezza consentendogli di individuare più facilmente i rischi nascosti e le minacce. Combinando strumenti di IA, la piattaforma offre riepiloghi delle minacce con informazioni di intelligence sintetizzate e approfondimenti contestuali.

“Purple AI è diventato velocemente il prodotto di SentinelOne con la crescita più rapida e il riscontro dei clienti è stato incredibile. E’ molto più di un semplice strumento di query in linguaggio naturale e Purple AI sta automatizzando le indagini, dando priorità alle minacce e riducendo i tempi di risposta da ore a pochi minuti“ ha dichiarato Ely Kahn, Vice President, Product Management, Cloud Security, AI/ML e Core Platform di SentinelOne. “Ampliando le capacità di Purple AI ai dati nativi e di terze parti in Singularity, i clienti possono bloccare rapidamente anche gli attacchi più sofisticati, ottenendo più valore dall’intero stack di sicurezza e dai dati di sicurezza raccolti“.

SentinelOne Purple AI

La piattaforma semplifica il processo di raccolta dei dati per i team di sicurezza e abilita un’individuazione delle minacce più semplice e completa, accelerando di conseguenza le indagini e la risposta agli attacchi. Purple AI sfrutta l’Open Cybersecurity Schema Framework (OCSF) per interrogare i dati che sono stati normalizzati al momento di acquisizione. I clienti possono beneficiare quindi di interrogazioni immediate su dati nativi e delle terze parti, di correlazioni e contesto in tutto lo stack di sicurezza e scalabilità su fonti di dati in continua espansione.

SentinelOne ha anche introdotto il supporto multilingua per Purple AI, ampliando le query in linguaggio naturale e le sintesi in spagnolo, francese, tedesco, italiano, olandese, arabo, giapponese, coreano, tailandese, malese, indonesiano e altre lingue.

L’espansione di Purple AI di SentinelOne a fornitori terzi è disponibile immediatamente per tutti i clienti della piattaforma, così come il supporto multilingua.

Condividi l’articolo



Articoli correlati

Altro in questa categoria


https://www.securityinfo.it/2025/01/20/sentinelone-estende-purple-ai-alle-soluzioni-di-sicurezza-di-terze-parti/?utm_source=rss&utm_medium=rss&utm_campaign=sentinelone-estende-purple-ai-alle-soluzioni-di-sicurezza-di-terze-parti




Cavi sottomarini, attivato il sistema di difesa baltico-scandinavo ‘Nordic Warden’ guidato dall’AI

Che cos’è il Nordic Warden e come funziona

La recente attivazione del sistema di monitoraggio dei cavi sottomarini basato sull’intelligenza artificiale Nordic Warden, sotto la guida del Joint Expeditionary Force (JEF), sottolinea l’importanza strategica delle infrastrutture (e del domìnio subacqueo) per la sicurezza e la prosperità delle nazioni occidentali.

L’iniziativa è stata lanciata a seguito di un incidente che ha coinvolto Estlink 2, un importante cavo sottomarino che collega Estonia e Finlandia, danneggiato il giorno di Natale 2024, riducendo drasticamente la capacità di trasmissione elettrica tra i due Paesi, da 1.016 MW a 358 MW circa.

La JEF (Joint Expeditionary Force) è una partnership militare multinazionale nordeuropea guidata dal Regno Unito, progettata per operazioni di risposta rapida in ogni scenario. Ne fanno parte, oltre alla Gran Bretagna, Danimarca, Finlandia, Islanda, Norvegia, Svezia, Estonia, Lettonia, Lituania e dai Paesi Bassi.

Può agire in maniera autonoma, ma allo stesso tempo schierarsi a supporto della NATO se necessario.

Il sistema attivato sfrutta l’intelligenza artificiale (AI) per valutare i dati provenienti da una serie di fonti, tra cui il sistema di identificazione automatica (AIS) utilizzato dalle navi per trasmettere la propria posizione, per calcolare il rischio rappresentato da ciascuna imbarcazione nelle vicinanze di importanti infrastrutture sottomarine.

L’annuncio fa seguito all’accordo siglato il mese scorso tra Regno Unito, Danimarca, Svezia, Polonia, Finlandia ed Estonia per aumentare il potenziale di controllo delle imbarcazioni considerate ‘sospette’ che navigano lungo la rotta baltica.

Dove è stato attivato e perché

Sono 22 le aree interessate dal Nordic Warden, tra cui parti della Manica, del Mare del Nord, del Kattegat e del Mar Baltico, attualmente monitorate dalla sede operativa del JEF a Northwood.

Cavi come Estlink 2 non rappresentano solo un mezzo tecnico per trasferire dati o energia, ma costituiscono una vera e propria infrastruttura critica per l’economia globale. Attualmente, oltre il 95% delle comunicazioni globali via Internet transita attraverso cavi sottomarini, e gli impianti di trasmissione energetica stanno diventando sempre più vitali per i collegamenti tra Paesi.

La loro sicurezza è essenziale per proteggere sistemi finanziari, operazioni militari e transazioni commerciali, oltre a garantire l’accesso stabile a energia e comunicazioni.

Il danneggiamento di Estlink 2, al momento, è stato attribuito a una possibile azione del cargo russo Eagle S, che potrebbe aver trascinato un’ancora sui fondali, evidenziando chiaramente la vulnerabilità di queste infrastrutture.

I pericoli che incombono sulle infrastrutture sottomarine

Non si tratta di un caso isolato: negli ultimi anni, il Baltico è stato teatro di diversi episodi di sabotaggio o danneggiamento non intenzionale. La crescente competizione tra Occidente e Russia, acuita dalla guerra in Ucraina, ha portato alla formazione di flotte ombra russe per aggirare le sanzioni e aumentato il rischio di operazioni mirate contro cavi strategici.

In questo scenario, Nordic Warden rappresenta un’innovazione cruciale per il monitoraggio delle minacce in tempo reale, utilizzando l’AI per analizzare i dati provenienti da diverse fonti, come il sistema di identificazione automatica (AIS) delle navi.

Centralità della protezione delle reti subacquee

La capacità di identificare e sorvegliare navi potenzialmente pericolose, come quelle appartenenti alla “flotta ombra” russa, consente ai partner del JEF e della NATO di rispondere tempestivamente a potenziali attacchi o incidenti.

L’importanza di questi sistemi, come è facile intervenire, va oltre la sicurezza locale. Come sottolineato dal premier britannico Keir Starmer, le infrastrutture sottomarine sono essenziali per il futuro energetico e digitale dell’Europa.

La cooperazione internazionale, abbinata a strumenti tecnologici avanzati come Nordic Warden, costituisce il fulcro delle politiche di sicurezza per proteggere queste arterie vitali dalle minacce fisiche e informatiche.

In un’epoca in cui le infrastrutture critiche sono sempre più esposte a sabotaggi e interferenze, investire nella loro protezione non è solo un imperativo di sicurezza nazionale, ma una condizione necessaria per garantire stabilità economica e geopolitica.

Fincantieri-Sparkle

Fincantieri, player globale nella cantieristica navale e delle tecnologie marine, e Sparkle, operatore specializzato in cavi sottomarini che fa capo a Tim, hanno firmato a dicembre 2024 un Memorandum d’Intesa per collaborare allo sviluppo di soluzioni tecnologiche innovative per la sorveglianza e la protezione dei cavi di telecomunicazione sottomarini.

L’accordo si inquadra nell’ambito di una visione strategica per lo sviluppo tecnologico e la competitività dell’Italia a livello internazionale, in cui due eccellenze collaborano per garantire la resilienza di infrastrutture fondamentali per la connettività digitale e per la crescita tecnologica del Paese.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/cavi-sottomarini-attivato-il-sistema-di-difesa-baltico-scandinavo-nordic-warden-guidato-dallai/518463/




Cybercrime 2025: Nuove Sfide per la Sicurezza Digitale

Nel panorama sempre più digitalizzato della nostra società, il cybercrime si sta evolvendo con una rapidità allarmante, presentando sfide senza precedenti per la sicurezza informatica globale. Un’analisi approfondita delle più recenti ricerche nel settore rivela non solo tendenze preoccupanti e nuove modalità di attacco, ma anche l’emergere di strutture criminali sempre più sofisticate e organizzate. Questo fenomeno richiede un’attenzione particolare da parte di istituzioni, aziende e cittadini, poiché le sue implicazioni si estendono ben oltre il mondo virtuale.

Le Nuove Frontiere degli Attacchi Informatici

Il cybercrime ha subito una trasformazione significativa negli ultimi anni, adattandosi rapidamente alle innovazioni tecnologiche e sfruttando le vulnerabilità emergenti. Gli esperti del settore hanno identificato un preoccupante aumento degli attacchi ibridi, che combinano ransomware con il furto di dati, rendendo particolarmente complesse le strategie di rilevamento e mitigazione. Questi attacchi mostrano un livello di sofisticazione crescente, con i criminali che sviluppano costantemente nuove tecniche per eludere i sistemi di sicurezza tradizionali.

Le attività criminali online si sono evolute fino a includere network criminali organizzati che operano su scala transnazionale. Questi gruppi hanno sviluppato strutture gerarchiche ben definite, con ruoli specializzati e una chiara divisione del lavoro. I membri di questi network spaziano da operatori tecnici altamente qualificati a intermediari finanziari e “money mules“, creando una catena operativa efficiente e difficile da smantellare.

L’Internet delle Cose sotto Attacco

Un aspetto particolarmente allarmante è l’incremento degli attacchi mirati ai dispositivi IoT (Internet of Things). Con la proliferazione di dispositivi connessi nelle case e nelle industrie, i cybercriminali stanno trovando nuove vie per compromettere sistemi critici e accedere a dati sensibili. La vulnerabilità di questi dispositivi è spesso aggravata da pratiche di sicurezza inadeguate e dalla mancanza di standard uniformi di protezione.

Secondo gli ultimi studi, questa tendenza è destinata a intensificarsi, soprattutto considerando la rapida espansione del mercato IoT. Le infrastrutture critiche, in particolare, sono diventate obiettivi sempre più attraenti per i criminali informatici, con potenziali conseguenze devastanti per la società nel suo complesso.

L’Intelligenza Artificiale: Arma a Doppio Taglio

Un elemento di particolare interesse è l’utilizzo crescente dell’intelligenza artificiale (AI) e del machine learning da parte dei cybercriminali. Le analisi più recenti mostrano come queste tecnologie vengano impiegate per sviluppare attacchi più sofisticati e adattabili, capaci di eludere i tradizionali sistemi di sicurezza. Gli attacchi basati su AI possono apprendere e adattarsi in tempo reale, rendendo sempre più difficile la loro identificazione e neutralizzazione.

Parallelamente, le stesse tecnologie vengono utilizzate per la difesa, creando una sorta di “corsa agli armamenti” digitale. I sistemi di sicurezza basati su AI stanno diventando sempre più sofisticati, in grado di rilevare anomalie e comportamenti sospetti con una precisione sempre maggiore. Le ricerche più recenti indicano che l’implementazione di modelli predittivi basati sul machine learning ha migliorato del 15% l’accuratezza nella previsione degli attacchi rispetto ai modelli convenzionali.

La Crescente Minaccia delle Frodi Online

Un settore in rapida espansione è quello delle frodi online, in particolare le truffe romantiche e il sextortion. Queste attività criminali si sono evolute da operazioni individuali a vere e proprie imprese criminali organizzate, specialmente nell’Africa occidentale. Le ricerche condotte in Costa d’Avorio hanno rivelato l’esistenza di network criminali strutturati, con ruoli ben definiti che includono operatori tecnici, intermediari finanziari e complici all’interno delle istituzioni finanziarie.

Il Ruolo delle Criptovalute nel Panorama Criminale

Le criptovalute hanno introdotto nuove dimensioni nel panorama del cybercrime. Il cryptojacking, ovvero il dirottamento delle risorse di calcolo per il mining di criptovalute, è diventato un fenomeno sempre più diffuso. I criminali informatici hanno sviluppato tecniche di offuscamento e evasione sempre più sofisticate, come il metamorfismo e il reverse engineering, per nascondere le loro attività maligne.

L’analisi forense digitale ha acquisito un’importanza cruciale nella lotta contro questi crimini. Gli esperti stanno esplorando l’uso della tecnologia blockchain come soluzione promettente per migliorare la sicurezza e preservare le prove digitali, particolarmente in ambienti di smart city.

La Risposta Istituzionale e Normativa

La risposta globale a queste minacce sta diventando sempre più coordinata e sofisticata. L’Unione Europea sta implementando nuove misure normative, come il Cyber Resilience Act e il Digital Operational Resilience Act, per rafforzare la sicurezza informatica nel settore finanziario e proteggere le infrastrutture critiche. Questi strumenti legislativi mirano a stabilire standard comuni di sicurezza e promuovere la cooperazione tra gli Stati membri nella lotta al cybercrime.

Cybercrime: Tendenze Future e Sfide Emergenti

La natura transfrontaliera del cybercrime richiede una collaborazione internazionale sempre più stretta. Gli esperti prevedono un’ulteriore evoluzione delle minacce nel prossimo futuro. Particolare attenzione viene posta sugli attacchi sempre più sofisticati basati su AI e sulle nuove forme di cryptojacking e ransomware. Non meno rilevanti sono le preoccupazioni legate alle vulnerabilità nei sistemi di smart city e infrastrutture critiche, mentre all’orizzonte si profilano già le prime minacce legate alle tecnologie quantistiche.

Conclusioni e Prospettive

Il panorama del cybercrime continua a evolversi con una rapidità che mette alla prova le capacità difensive di organizzazioni e istituzioni. La risposta a queste sfide richiede un approccio olistico che combini innovazione tecnologica, collaborazione internazionale e adattabilità nelle strategie di difesa.

Il futuro della sicurezza informatica dipenderà dalla capacità di anticipare e rispondere efficacemente alle nuove minacce, mantenendo al contempo un equilibrio tra sicurezza e funzionalità dei sistemi digitali che sono ormai parte integrante della nostra vita quotidiana. Solo attraverso uno sforzo coordinato e continuo sarà possibile mantenere il passo con le minacce emergenti nel cyberspazio, proteggendo efficacemente sia le infrastrutture critiche che i dati personali dei cittadini.

Condividi sui Social Network:

https://www.ictsecuritymagazine.com/notizie/cybercrime-2025/