بسیاری از فناوری‌ها مانند یادگیری، تحلیل پیش‌بینی و علوم رفتاری ماشین‌ها از «هوش منبع باز» برای درک بهتر رفتار و الگوهای داده، استفاده کرده‌اند. بر اساس مدل RAND OSINT، فناوری اطلاعات در چهار مرحله کلیدی با توجه به اطلاعات موجود در اخبار، رسانه‌های اجتماعی و ادبیات خاکستری کار می‌کند. این مراحل عبارتند از:
جمع‌آوری
- فراگیری
- حفظ و نگهداری
پردازش
- ترجمه
- گردآوردی
بهره‌برداری
- احراز هویت
- ارزیابی اعتبار
- زمینه‌سازی
تولید
- طبقه‌بندی
- انتشار
این مراحل، اطلاعات جمع‌آوری‌شده معتبرتر و قابل‌اعتمادتر می‌شوند. اما جمع‌آوری و پردازش چنین فرآیندهای پیچیده‌ای نیازمند زمان و تلاش بیشتری از سوی محققان داده است. از آنجایی که «هوش منبع باز» تحقیقات کاملی انجام می‌دهد و شامل تجزیه و تحلیل پیچیده می‌شود، چند چالش وجود دارد که باید در هنگام استفاده از «هوش منبع باز» به آن‌ها توجه کرد:
تاثیر قوانین امنیت داده‌ها
«هوش منبع باز» ممکن است پیچیده‌ترین و مفیدترین اطلاعات را در اختیار شما قرار دهد، اما فاکتورهای زیادی وجود دارد که هنگام درک دامنه و چالش‌های «هوش منبع باز» باید در نظر بگیرید. تاثیر قوانین امنیت داده‌ها، تاکید بر امنیت داده‌ها با اجرای قوانین سختگیرانه امنیت داده مانند قانون حفاظت از داده‌های عمومی (GDPR) افزایش می‌یابد. این قوانین امنیت داده به آن معنی است که محققان داده باید روشی را که برای جمع‌آوری، پردازش و تجزیه و تحلیل داده‌ها استفاده می‌کنند، تغییر دهند تا نتیجه‌گیری کنند.
سازمان‌ها اکنون باید رضایت صریح سوژه‌های داده را قبل از پردازش تجزیه و تحلیل اطلاعات جمع‌آوری‌شده در نظر بگیرند و این یکی از چالش‌های کلیدی «هوش منبع باز» برای سازمان‌های مختلف است.
فیلتر کردن محتوا
انقلاب دیجیتال برای کاربران در سراسر جهان این امکان را فراهم کرده است که آزادانه با هم ارتباط برقرار کنند و نظرات خود را بیان کنند و بدون صرف هزینه به مخاطبان جهانی دسترسی پیدا کنند.
اما، انقلاب دیجیتال حجم داده‌ها را نیز افزایش داده است. در هوش منبع باز، برای به دست آوردن با ارزش‌ترین گزارش‌های اطلاعاتی، باید داده‌هایی با کیفیت بالا داشته باشید. این بدان معناست که سازمان‌ها برای دریافت بالاترین کیفیت داده‌ها باید فیلترهای محتوای مختلفی را اعمال کنند. سازمان‌ها با آموزش محققان داده خود در تلاشند که با بهبود مهارت‌های خود این چالش هوش منبع باز را برطرف کنند.
زیاد بودن داده‌های رد شده
از آنجایی که انتظار می‌رود کیفیت داده‌های جمع‌آوری‌شده بالا باشد، تعداد داده‌های ردشده و نامعتبر نیز به میزان قابل‌توجهی زیاد است. این منجر به نیاز سطح بالاتری از تلاش مورد نیاز محققان داده می‌شود. همچنین، با محاسبه و ارائه داده‌های پیچیده و دقیق هوش منبع باز تعداد تلاش‌های مورد نیاز برای جمع‌آوری، پردازش و تحویل این داده‌ها نیز بیشتر می‌شود.
همپوشانی با دیگر فناوری‌ها
هوش منبع باز ترکیبی از بسیاری از فناوری‌های اطلاعاتی دیگر مانند هوش مکانی (GEOINT)، هوش اندازه‌گیری (MASINT)، هوش انسانی (HUMINT) و هوش سیگنالی (SIGINT) است. این ماهیت همپوشانی طبقه‌بندی نوع عملیاتی را که تحت «هوش منبع باز» قرار می‌گیرند دشوار می‌کند. به عنوان مثال، اطلاعات جمع‌آوری‌شده از تجزیه و تحلیل رسانه‌های اجتماعی در حالت ایده‌آل باید تحت HUMINT باشد، اما همچنین تحت «هوش منبع باز» (OSINT) هم قرار می‌گیرد، زیرا اطلاعات به طور آشکار در اینترنت در دسترس است و این نیز یک چالش اساسی «هوش منبع باز» است.
چالش‌های ژئوپلیتیک
«هوش منبع باز»، هنگامی که در برنامه‌های دفاعی استفاده می‌شود ممکن است باعث ایجاد برخی چالش‌های سیاسی شود زیرا شامل نظارت بر داده‌ها در سراسر جهان است. به عنوان مثال تصاویر ماهواره‌ای سامانه موشکی S-300 که روسیه در نبرد اوکراین استفاده می‌کند و بیش از ۱۰۰ میلیون دلار آمریکا قیمت دارد به تازگی به کمک «هوش منبعباز» آشکار شده است.
این شیوه‌های اطلاعاتی برای سازمان‌های دولتی و اطلاعاتی مانند اینترپل جهت ردیابی و توقف تهدیدات تروریستی مثمر ثمر است. اما، در عین حال، این شیوه‌های ضد جاسوسی توجه ژئوپلیتیک زیادی را به خود جلب می‌کند زیرا شامل نظارت بر داده‌های فرامرزی می‌شود. تا آنجا که به شیوه‌های دفاعی در فناوری‌های «هوش منبع باز» مربوط می‌شود، این یک چالش سخت به شمار می‌رود.
سازمان‌های دولتی در حال بهبود روابط فرامرزی برای غلبه بر این چالش «هوش منبع باز» هستند. دامنه آینده «هوش منبع باز ۴» به دلیل انعطاف‌پذیری در کار با فناوری‌های مختلف، ابزار پیچیده‌تری نسبت به نسخه‌های قبلی خود محسوب می‌شود. می‌تواند پایگاه داده‌ای ایجاد کند که به سازمان‌ها کمک می‌کند تا داده‌ها را به راحتی تجزیه و تحلیل کنند و نتایج دقیق‌تری بگیرند.
پیشرفت‌های سریع در فناوری‌هایی مانند هوش مصنوعی، یادگیری و تجزیه و تحلیل داده‌های گسترده توسط ماشین‌ها و هوش مصنوعی، افق‌های جدیدی را در مقابل «هوش منبع باز» قرار داده است که قبلاً در دسترس نبود. همچنین ابزارهایی مانند IntelTechniques اکنون می‌توانند داده‌های مورد نیاز را از اطلاعات جمع‌آوری شده از این ابزارها در اختیار محققان داده قرار دهند.
منبع: knowledgenile
۵۴۳۲۳