En el mundo digital, identificar el tipo de archivos que encontramos es crucial por varias razones, como garantizar la seguridad del usuario y mantener la seguridad. El desafío radica en detectar con precisión y rapidez el contenido de los archivos, especialmente cuando se trata de una amplia gama de formatos de archivo. Es posible que los métodos actuales no siempre sean eficientes o precisos, lo que genera riesgos potenciales o clasificaciones erróneas.
Encontrarse magika: Una innovadora herramienta de detección de tipos de archivos impulsada por inteligencia artificial (IA) y aprendizaje profundo. Magika utiliza un modelo Keras personalizado y altamente optimizado, que pesa solo alrededor de 1 MB. Lo que distingue a Magika es su capacidad para ofrecer una identificación precisa de archivos en milisegundos, incluso cuando se ejecuta en una sola CPU. Esta eficiencia es una mejora significativa con respecto a las soluciones existentes.
Las impresionantes capacidades de Magika quedan demostradas por su evaluación de un conjunto de datos de más de 1 millón de archivos en más de 100 tipos de contenido, que cubren formatos de archivos binarios y textuales. La herramienta logra una notable precisión y recuperación del 99% o más, superando a otros enfoques en el campo. Este nivel de precisión es crucial para aplicaciones como Gmail, Drive y Navegación segura, donde los archivos deben enrutarse a los escáneres de políticas de contenido y seguridad adecuados.
Las métricas resaltan aún más la eficiencia de Magika, con un tiempo de inferencia de aproximadamente cinco milisegundos por archivo después de cargar el modelo. Además, Magika admite el procesamiento por lotes, lo que permite a los usuarios procesar varios archivos simultáneamente y acelerar el proceso de detección general. Es importante destacar que el tiempo de inferencia permanece casi constante, independientemente del tamaño del archivo, ya que Magika utiliza inteligentemente un subconjunto limitado de bytes del archivo.
Magika emplea un sistema de umbral por tipo de contenido, lo que garantiza que las predicciones sean confiables. Si es necesario, la herramienta puede devolver una etiqueta genérica como “Documento de texto genérico” o “Datos binarios desconocidos” cuando el nivel de confianza es menor. Magika ofrece tres modos de predicción con diferente tolerancia a errores: confianza alta, confianza media y mejor suposición.
En conclusión, Magika se destaca como una solución potente y de código abierto para la detección de tipos de archivos. Su versatilidad la convierte en una herramienta esencial para mejorar la seguridad del usuario. Si bien ya supera los métodos existentes, el equipo de Magika reconoce que hay margen de mejora y alienta los comentarios de la comunidad para futuras mejoras y soporte para tipos de contenido adicionales.
Niharika es pasante de consultoría técnica en Marktechpost. Es estudiante de tercer año y actualmente cursa su licenciatura en tecnología en el Instituto Indio de Tecnología (IIT), Kharagpur. Es una persona muy entusiasta con un gran interés en el aprendizaje automático, la ciencia de datos y la inteligencia artificial y una ávida lectora de los últimos avances en estos campos.