Форум Сообщества Практиков Конкурентной разведки (СПКР)

Модуль 1. Методы киберразведки. Новый арсенал OSINT в цифровом мире. Базовый Курс
Продолжительность: 16 ак. часов

Автор и преподаватель: Андрей Масалович, ведущий эксперт АИС по конкурентной разведке

Мастер-класс: ведущая – Зоя Боровкова, аналитик Bi.Zone

1. OSINT и конкурентная разведка. Терминология, история, методология, общие принципы и правовые основы деятельности

2. Работа с базами данных в цифровом мире.

2.1. поиск информации о людях, компаниях, событиях
2.2. поиск субъектов в офшорных юрисдикциях
2.3. Due Diligence

infosystems.ru/services/konkurentnaya_r_638/kr006.html
3. Новый взгляд на традиционные поисковые системы

3.1. Логика работы поисковиков
3.2. Изменение алгоритмов ранжирования
3.3. Изменения в языке запросов
3.4. Новые поисковые системы и их особенности

4. Поиск информации в невидимом Интернете. Работа с источниками в «сером интернете», даркнете, в мессенджерах, в среде Tor

5. Сбор информации из подключенных цифровых устройств. Использование мобильных приложений, GPS-трекеров, умных камер и других IoT для сбора информации о владельцах.

6. Разведка по Большим данным

6.1. Сбор Больших данных
6.2. Новые методы анализа (обогащение, очистка, ассоциирование, машинное обучение, нейронные сети)
6.3. Подготовка отчетов на основе проведенного анализа для принятия управленческих решений

7. Обзор современных инструментов OSINT и разведки в Интернете: Palantir, IBM i2, IBM Watson, HPE Idol, Avalanche

8. Кейсы и решения типовых практических задач для разных отраслей.

9. Мастер-класс «Идентификация личности по цифровым отпечаткам на основе методов OSINT».



Модуль 2. Основы машинного обучения и нейронных сетей
Продолжительность: 8 ак. часов

Автор и преподаватель: Дмитрий Петухов, Microsoft AI MVP, Openwaygroup

1. Введение в машинное обучение (Machine Learning, ML)

1.1. Основная терминология, область применения и актуальность;
1.2. Типовые ML задачи;
1.3. Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;
1.4. Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;
1.5. Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;
1.6. Практика: создание первой модели
1.7. Современный процесс создания ML-моделей
1.8. Как сформулировать задачу
1.8.1. Поиск и источники данных
1.8.2. Препроцессинг данных
1.8.3. Выбор подходящего ML-алгоритма
1.8.4. Тренировка модели
1.8.5. Оценка результата
1.9. Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы
1.10.Практика: создание ML-модели с использованием облачного сервиса

2. Введение в глубокое обучение (Deep Learning, DL)

2.1. Основная терминология, область применения и актуальность;
2.2. Основы нейронных сетей. Персептрон;
2.3. Современные нейросетевые архитектуры;
2.4. Сверточные нейронные сети;
2.5. Рекуррентные нейронные сети;
2.6. Состязательные нейронные сети
2.7. Автоэнкодеры;
2.8. Data science инструменты: DL-фреймворки;
2.9. Практика:
2.9.1. Основы R
2.9.2. Лабораторная по задаче компьютерного зрения
2.9.3. Лабораторная по предсказания значения временных рядов.



Модуль 3. Анализ неструктурированной информации
Продолжительность: 8 ак. часов

Автор и преподаватель: Игорь Нежданов, технический руководитель направления brand protection, Group IB

1. Эффективный поиск информации в Интернете

1.1. Особенности функционирования поисковых систем
1.2. Построение сложных запросов
1.3. Соцсети как источник информации
1.4. Специфические источники информации

2. Теория анализа

2.1. Что такое анализ информации.
2.2. Как происходит анализ. Определение последовательности действий.
2.2.1. Целеуказание. Определение цели и постановка задач.
2.2.2. Планирование исследований.
2.3. Свойства информации (оценка информации).

3. Методы и приемы анализа

3.1. Предварительная обработка информации или с чего начать анализ
3.1.1. Выделение утверждений
3.1.2. Формализация текста
3.1.3. Интерпретация данных
3.2. Дезинформация – что это такое и как ее выявлять
3.3. Приемы анализа
3.3.1. Описание
3.3.2. Аналогия
3.3.3. Группировка данных
3.4. Методы анализа
3.4.1. Исторический метод (ретроспективный анализ):
3.4.1.1. Анализ связей
3.4.1.2. Анализ силы связей
3.4.1.3. Сопоставление информации
3.4.2. Лингвистический метод
3.4.2.1. Анализ отдельных слов
3.4.2.2. Анализ соединения слов
3.4.2.3. Анализ знаков препинания
3.4.3. Творческий метод
3.4.3.1. Анализ возможностей
3.4.3.2. Анализ сценариев
3.4.3.3. Декомпозиция
3.5. Прогнозирование
3.6. Практические задания

4. Раздел 4. Аналитик. Как развивать аналитические способности

4.1. Память
4.2. Внимание
4.3. Любопытство
4.4. Точность передачи данных
4.5. Усидчивость
4.6. Переключаемость

5. Раздел 5. Возможная автоматизация работы аналитика

5.1. Что можно автоматизировать
5.2. Существующие решения
5.3. Полный цикл на примере программы «Д. Ватсон»