AI for Identity and Access Management (IAM) in the Cloud: Exploring the Potential of Artificial Intelligence to Improve User Authentication, Authorization, and Access Control within Cloud-Based Systems
Notice bibliographique
Résumé
This comprehensive study explores the integration and effectiveness of Artificial Intelligence (AI) in Identity and Access Management (IAM) within cloud environments. It primarily focuses on how AI can enhance user authentication, authorization, and access control, addressing the challenges and possibilities in cloud computing. The study adopts a mixed-methods approach, employing both quantitative and qualitative analyses. A survey involving 582 cybersecurity experts provides insights into the current state and potential of AI in IAM, while multiple regression analysis examines the impact of various factors on system effectiveness. Four hypotheses are explored: the impact of hardware and software configurations on system accuracy (H1), the influence of computational environments on reliability (H2), the role of demographic factors in user acceptance (H3), and the effect of technological enhancements on system performance and acceptance (H4). Findings indicate significant correlations between these factors and the effectiveness of AI in IAM. Notably, hardware configurations and security concerns influence system accuracy; computational environment variations affect system reliability; demographic factors impact user acceptance; and enhancements such as user feedback, advancements in AI technology, continuous learning algorithms, and system transparency improve performance and acceptance. These insights underscore the need for advanced hardware, standardized software, user-centric design, and continuous improvement in AI technologies for effective IAM in cloud environments. The study provides actionable recommendations for cloud service providers and developers, emphasizing the importance of involving users in development processes, ensuring transparency, and adopting adaptive algorithms. Future research directions include longitudinal studies on the impact of technological advancements and exploring demographic-specific responses to AI-integrated IAM solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».