Renseignement sur les menaces / espace de travail en direct

Détecter. Expliquer. Protéger.

Analysez les signaux des messages avec un classificateur de spam explicable conçu pour des décisions rapides et fiables.

Prêt pour l'analyse0 scans today

01 / INPUT

Analyse d'e-mail

02 / DECISION

Résultat de la détection

LR · v1.4

0.0%probabilité de spam

Awaiting analysis

Soumettez un e-mail pour révéler la décision du modèle et ses preuves justificatives.

Confiance du modèle—

Seuil50%

ModèleLogistic regression

Score du modèle—

03 / SIGNALS

Caractéristiques extraites

0

Mots suspects—

—

Liens détectés—

—

Liens suspects—

—

Longueur de l'e-mail—

—

Nombre de mots—

—

Indicateurs d'urgence—

—

⌁Les signaux apparaîtront ici après l'analyse.

04 / EXPLANATION

Preuve de détection

Pourquoi le modèle a pris cette décision

◎Aucune preuve pour le momentExécutez une analyse pour voir la décision décomposée en signaux clairs.

05 / INSPECTPoints saillants du message
Annoté
Mots suspectsLiens risquésUrgence
Votre message analysé sera annoté ici.

06 / INTERPRETATION

Qu'est-ce qui a influencé la prédiction ?

Référence locale + pondérations contextuelles, sans garantie d'explications causales

Analysez un e-mail pour comparer l'influence des caractéristiques.

07 / MULTIMODAL

Analyse des risques

Signaux améliorés

Analysez un e-mail pour cartographier les risques liés au texte, aux URL, à la structure et aux métadonnées.

08 / CONTENT SIGNALS

Indicateurs de phishing assisté par IA

Heuristique

—Indicateur de contenu généré par IA

—

Les indicateurs associés à une rédaction automatisée ou assistée par IA ne constituent pas une preuve définitive d'une paternité par IA.

Risque de phishing—

Analysez un e-mail pour voir les signaux distincts de phishing et de contenu généré par IA.

Dossier opérationnel

Historique d'analyse

Examinez les classifications récentes et rouvrez n'importe quel message pour consulter sa piste d'audit.

Heure	Expéditeur	Objet	Probabilité	Résultat	Open

◌Aucune analyse ne correspond à ce filtreVos analyses terminées apparaîtront ici.

Apprentissage automatique explicable

Informations sur le modèle

Un regard transparent sur la façon dont les signaux des caractéristiques deviennent une probabilité.

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Courbe de décision sigmoïde

σ(z) = 1 / (1 + e⁻ᶻ)

Score du modèle—

Sortie sigmoïde—

Probabilité de spam—

Classification—

FEATURE VECTOR

Caractéristiques d'entrée

X1 · Fréquence des mots—

X2 · Risque lié au lien—

X3 · Longueur de l'e-mail—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

Référence → amélioration

Modèle de base3 caractéristiques

La fréquence des mots, le risque des liens et la longueur de l'e-mail alimentent le modèle sigmoïde existant.

→

Évaluation améliorée10+ signaux

Le texte, les URL, la structure, les métadonnées, les explications et les indicateurs de contenu ajoutent du contexte sans remplacer la base.

EVALUATION

Métriques du modèle

Jeu de données requis

Connectez un ensemble de test étiqueté pour calculer la précision, le rappel, le F1, le ROC-AUC et le PR-AUC de référence par rapport à l'amélioration. Aucun chiffre de performance n'est fabriqué dans cette démo.

Canevas d'investigation

Analyse des signaux

Une vue ciblée du dernier message et de ses indicateurs extraits.

⌁Aucun message analysé pour le momentVotre dernière carte de caractéristiques apparaîtra ici après une analyse.

Détecteur de spam MailGuard AI