其他示例包括自動網絡釣魚和數據盜竊檢測，這非常有用，因為它們涉及實時響應。上下文感知的行為分析也很有趣，它提供了立即發現可能表示攻擊的用戶行為變化的可能性。

以上是機器學習和AI有用的所有示例。但是，過度依賴和虛假保證可能會帶來另一個問題：隨著AI在保護資產方面的進步，對資產的攻擊也隨之改善。隨著尖端技術被用來提高安全性，網絡罪犯正在使用相同的創新來獲得這些防御的優勢。

典型的攻擊可能涉及收集有關系統的信息或通過向AI系統發送大量請求來破壞AI系統。

在其他地方，所謂的Deepfake證明了相對較新的欺詐領域，這帶來了前所未有的挑戰。我們已經知道，網絡分子會用假冒垃圾在網絡上亂扔垃圾，這幾乎是不可能將真實新聞與假冒區別開來的。

結果是，許多立法者和監管者正在考慮建立規則和法律來治理這一現象。對于組織而言，這意味著深造型產品可能會在將來導致更復雜的網絡釣魚，并通過模仿公司的寫作風格甚至個人寫作風格來定位員工。

簡而言之，只要組織了解其局限性，并且在不斷關注不斷變化的威脅形勢的同時制定針對當前的明確戰略，人工智能就可以增強網絡安全性。