Bedrohungsinformationen / Live-Arbeitsbereich

Erkennen. Erklären. Schützen.

Analysieren Sie Nachrichtensignale mit einem erklärbaren Spam-Klassifikator, der für schnelle und sichere Entscheidungen entwickelt wurde.

Bereit zur Analyse0 scans today

01 / INPUT

E-Mail-Analyse

02 / DECISION

Erkennungsergebnis

LR · v1.4

0.0%Spam-Wahrscheinlichkeit

Awaiting analysis

Senden Sie eine E-Mail, um die Modellentscheidung und die unterstützenden Beweise anzuzeigen.

Modell-Konfidenz—

Schwellenwert50%

ModellLogistic regression

Modell-Score—

03 / SIGNALS

Extrahierte Merkmale

0

Verdächtige Wörter—

—

Links erkannt—

—

Verdächtige Links—

—

E-Mail-Länge—

—

Wortanzahl—

—

Dringlichkeitsindikatoren—

—

⌁Signale erscheinen hier nach der Analyse.

04 / EXPLANATION

Erkennungsnachweis

Warum das Modell diese Entscheidung getroffen hat

◎Noch keine NachweiseFühren Sie eine Analyse durch, um die Entscheidung in klare Signale unterteilt zu sehen.

05 / INSPECTNachrichtenhighlights
Annotiert
Verdächtige WörterRiskante LinksDringlichkeit
Ihre analysierte Nachricht wird hier mit Anmerkungen versehen.

06 / INTERPRETATION

Was hat die Vorhersage beeinflusst?

Lokale Basislinie + kontextuelle Gewichtungen, keine garantierten kausalen Erklärungen

Analysieren Sie eine E-Mail, um den Einfluss von Merkmalen zu vergleichen.

07 / MULTIMODAL

Risikoaufschlüsselung

Erweiterte Signale

Analysieren Sie eine E-Mail, um Text-, URL-, Struktur- und Metadatenrisiken zu erfassen.

08 / CONTENT SIGNALS

KI-gestützte Phishing-Indikatoren

Heuristik

—KI-Inhaltsindikator

—

Indikatoren, die mit automatisiertem oder KI-gestütztem Schreiben verbunden sind, sind kein definitiver Beweis für eine KI-Urheberschaft.

Phishing-Risiko—

Analysieren Sie eine E-Mail, um separate Phishing- und KI-Inhaltssignale zu sehen.

Betriebsprotokoll

Analyse-Verlauf

Überprüfen Sie aktuelle Klassifizierungen und öffnen Sie jede Nachricht erneut, um deren Nachweispfad einzusehen.

Zeit	Absender	Betreff	Wahrscheinlichkeit	Ergebnis	Open

◌Keine Analysen entsprechen diesem FilterIhre abgeschlossenen Scans werden hier angezeigt.

Erklärbares maschinelles Lernen

Modelleinblicke

Ein transparenter Blick darauf, wie Merkmalsignale zu einer Wahrscheinlichkeit werden.

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Sigmoid-Entscheidungskurve

σ(z) = 1 / (1 + e⁻ᶻ)

Modell-Score—

Sigmoid-Ausgabe—

Spam-Wahrscheinlichkeit—

Klassifizierung—

FEATURE VECTOR

Eingabemerkmale

X1 · Wortfrequenz—

X2 · Link-Risiko—

X3 · E-Mail-Länge—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

Baseline → Verbesserung

Basis-Modell3 Merkmale

Wortfrequenz, Link-Risiko und E-Mail-Länge speisen das bestehende Sigmoid-Modell.

→

Erweiterte Bewertung10+ Signale

Text, URLs, Struktur, Metadaten, Erklärungen und Inhaltsindikatoren fügen Kontext hinzu, ohne die Basis zu ersetzen.

EVALUATION

Modellmetriken

Datensatz erforderlich

Verbinden Sie einen beschrifteten Testdatensatz, um Baseline-gegenüber-verbesserte Präzision, Recall, F1, ROC-AUC und PR-AUC zu berechnen. In dieser Demo werden keine Leistungszahlen erfunden.

Untersuchungs-Canvas

Signalanalyse

Eine fokussierte Ansicht der neuesten Nachricht und ihrer extrahierten Indikatoren.

⌁Noch keine Nachricht analysiertIhre neueste Merkmalskarte erscheint hier nach einem Scan.

MailGuard AI Spam-Erkennung