Intelijen ancaman / ruang kerja langsung

Deteksi. Jelaskan. Lindungi.

Analisis sinyal pesan dengan pengklasifikasi spam yang dapat dijelaskan, dibuat untuk keputusan yang cepat dan meyakinkan.

Siap untuk dianalisis0 scans today

01 / INPUT

Analisis email

Bersihkan

Email pengirim Subjek Isi email Header opsionalOpsional

Analisis email→ Muat contoh ↑Unggah .EML

Tempel dari papan klip⌘ V

02 / DECISION

Hasil deteksi

LR · v1.4

0.0%probabilitas spam

Awaiting analysis

Kirim email untuk mengungkapkan keputusan model dan bukti pendukungnya.

Mengapa hasil ini?

Keyakinan model—

Ambang batas50%

ModelLogistic regression

Skor model—

03 / SIGNALS

Fitur yang diekstraksi

Kata mencurigakan—

—

Tautan terdeteksi—

—

Tautan mencurigakan—

—

Panjang email—

—

Jumlah kata—

—

Indikator urgensi—

—

⌁Sinyal akan muncul di sini setelah analisis.

04 / EXPLANATION

Bukti deteksi

Mengapa model memutuskan demikian

◎Belum ada buktiJalankan analisis untuk melihat keputusan yang dipecah menjadi sinyal-sinyal yang jelas.

05 / INSPECT

Sorotan pesan

Dianotasi

Kata mencurigakanTautan berisikoUrgensi

Pesan yang Anda analisis akan dianotasi di sini.

06 / INTERPRETATION

Apa yang memengaruhi prediksi tersebut?

Garis dasar lokal + bobot kontekstual, bukan jaminan penjelasan kausal

Analisis email untuk membandingkan pengaruh fitur.

07 / MULTIMODAL

Rincian risiko

Sinyal yang ditingkatkan

Analisis email untuk memetakan risiko teks, URL, struktur, dan metadata.

08 / CONTENT SIGNALS

Indikator phishing dengan bantuan AI

Heuristik

—Indikator konten AI

—

Indikator yang terkait dengan penulisan otomatis atau bantuan AI bukanlah bukti pasti kepenulisan AI.

Risiko phishing—

Analisis email untuk melihat sinyal phishing dan konten AI secara terpisah.

Catatan operasional

Riwayat analisis

Tinjau klasifikasi terbaru dan buka kembali pesan apa pun untuk melihat jejak buktinya.

Hapus riwayat

SemuaSpamBukan spamRisiko tinggi

0 analyses

Waktu	Pengirim	Subjek	Probabilitas	Hasil	Open

◌Tidak ada analisis yang cocok dengan filter iniPemindaian Anda yang telah selesai akan muncul di sini.

Pembelajaran mesin yang dapat dijelaskan

Wawasan model

Tampilan transparan tentang bagaimana sinyal fitur menjadi sebuah probabilitas.

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Kurva keputusan sigmoid

σ(z) = 1 / (1 + e⁻ᶻ)

Skor model—

Output sigmoid—

Probabilitas spam—

Klasifikasi—

FEATURE VECTOR

Fitur input

X1 · Frekuensi kata—

X2 · Risiko tautan—

X3 · Panjang email—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

Dasar → peningkatan

Model dasar3 fitur

Frekuensi kata, risiko tautan, dan panjang email menjadi masukan bagi model sigmoid yang ada.

→

Penilaian yang ditingkatkan10+ sinyal

Teks, URL, struktur, metadata, penjelasan, dan indikator konten menambahkan konteks tanpa menggantikan model dasar.

EVALUATION

Metrik model

Dataset diperlukan

Hubungkan set pengujian berlabel untuk menghitung presisi, recall, F1, ROC-AUC, dan PR-AUC dasar versus yang ditingkatkan. Tidak ada angka performa yang dibuat-buat dalam demo ini.

Kanvas investigasi

Analisis sinyal

Tampilan terfokus dari pesan terbaru dan indikator yang diekstrak.

Jalankan analisis terbaru

⌁Belum ada pesan yang dianalisisPeta fitur terbaru Anda akan muncul di sini setelah pemindaian.

Detektor Spam AI MailGuard