Big data на службе у безопасности: как на раннем этапе выявить потенциально опасного сотрудника

В 2020 году наша жизнь резко и неожиданно перешла в онлайн. Теперь мы общаемся, работаем и делаем покупки преимущественно в сети. Изменился привычный ритм жизни и для служб безопасности. Контролировать сотрудников, следить за потенциальными утечками информации и проверять кандидатов при приеме на работу тоже приходится в удаленном режиме.

Все эти изменения требуют новых инструментов для работы: на смену личному общению и системам контроля в офисе — приходит анализ цифровых следов. Какие следы и где можно найти о человеке? Как их анализ может помочь службам безопасности? Давайте разбираться.

[1] ЧТО О НАС ЗНАЮТ СОЦСЕТИ И МЕССЕНДЖЕРЫ

С кем мы дружим и с кем чаще всего общаемся, где мы были вчера и где провели последний отпуск, какой кофе мы предпочитаем и каких политических взглядов придерживаемся… Всей этой информацией мы активно делимся в соцсетях и мессенджерах. И даже больше — все эти данные находятся преимущественно в открытом доступе.

А что, если копнуть на уровень глубже… Ведь можно подтянуть всю историю взаимных лайков человека с его друзьями, проанализировать связи однофамильцев и, таким образом, найти родственников пользователя. Можно подтянуть комментарии 5-летней давности, вычленить из них смысл и оценить как менялись политические взгляды человека. А еще — прогнать фотографии со страниц друзей через алгоритм распознавания лиц и найти на них нашего человека, что откроет огромный пласт невидимой на первый взгляд информации о нем.

Конечно, для такого анализа нужны специальные инструменты работы с big data, о которых мы поговорим ниже. Но сперва разберемся с сотрудниками.

[2] ЧТО МОЖНО ПРОАНАЛИЗИРОВАТЬ О СОТРУДНИКЕ

Анализ и проверка коллектива — важная функция служб безопасности, которая позволяет уберечь компанию от утечек информации и других нежелательных проблем. А в реалиях удаленной работы, соцсети часто становятся незаменимым источником полезных данных:

  • возможные радикальные, пророссийские, сепаратистские взгляды;
  • возможные зависимости: игровая, алкогольная, наркотическая;
  • возможная принадлежность к религиозным сектам;
  • уровень конфликтности и использования нецензурной лексики;
  • подверженность манипуляциям и уровень информационной гигиены;
  • психотип и другие особенности характера человека;
  • родственники, близкие друзья и аналогичная информация о них.

Такие данные позволяют лучше узнать кандидата и его взгляды, даже не видя его вживую.

[3] КАК РАБОТАЮТ ИНСТРУМЕНТЫ АНАЛИЗА BIG DATA

В Artellence, мы научились оценивать различные качества человека, анализируя информацию из открытых источников. Давайте разберем на примере пророссийских (“Путин приди”) и радикальных (“вбити москалів”) взглядов как можно построить такие предикторы.

Шаг 1. Необходимо собрать данные об интересах человека, его лайках, комментариях и ближайшем окружении в соцсетях.

Шаг 2. Используя эти данные, обучить алгоритмы выявлять пророссийские / радикальные страницы, на которые человек может быть подписан.

Шаг 3. Создать алгоритм, анализирующий смысл комментариев, оставляемых человеком, и научить его классифицировать каждый комментарий как пророссийский, радикальный или нейтральный.

Шаг 4. Собрать вместе информацию о подписках человека, его комментариях и действиях ближайших друзей, на базе которой и сделать финальную оценку.

Проанализировав население Украины, мы выявили 750 тыс. человек с крайне пророссийскими взглядами и 485 тыс. с крайне радикальными. Хотите лучше знать, кого вы нанимаете на работу? Напишите нам в форму обратной связи, чтобы протестировать продукт.

Хотите следить за моими статьями?
Подписывайтесь: TG (Big data future), FB, LI.

Inventor, founder @Artellence. Top topics: artificial intelligence, big data, open data, fintech, public sector, politics, technologies of the future.

Inventor, founder @Artellence. Top topics: artificial intelligence, big data, open data, fintech, public sector, politics, technologies of the future.