Wywiad o zagrożeniach / obszar roboczy na żywo

Wykrywaj. Wyjaśniaj. Chroń.

Analizuj sygnały wiadomości za pomocą wyjaśnialnego klasyfikatora spamu stworzonego do szybkich i pewnych decyzji.

Gotowe do analizy0 scans today

01 / INPUT

Analiza wiadomości e-mail

02 / DECISION

Wynik wykrywania

LR · v1.4

0.0%prawdopodobieństwo spamu

Awaiting analysis

Prześlij wiadomość e-mail, aby poznać decyzję modelu i dowody, na których się opiera.

Pewność modelu—

Próg50%

ModelLogistic regression

Wynik modelu—

03 / SIGNALS

Wyodrębnione cechy

0

Podejrzane słowa—

—

Wykryto linki—

—

Podejrzane linki—

—

Długość wiadomości e-mail—

—

Liczba słów—

—

Wskaźniki pilności—

—

⌁Sygnały pojawią się tutaj po analizie.

04 / EXPLANATION

Dowody wykrycia

Dlaczego model podjął taką decyzję

◎Brak dowodówUruchom analizę, aby zobaczyć decyzję rozbitą na jasne sygnały.

05 / INSPECTNajważniejsze elementy wiadomości
Opatrzone adnotacją
Podejrzane słowaRyzykowne linkiPilność
Twoja przeanalizowana wiadomość zostanie tutaj opatrzona adnotacjami.

06 / INTERPRETATION

Co wpłynęło na przewidywanie?

Lokalna baza + wagi kontekstowe, nie gwarantują przyczynowych wyjaśnień

Przeanalizuj wiadomość e-mail, aby porównać wpływ funkcji.

07 / MULTIMODAL

Analiza ryzyka

Ulepszone sygnały

Przeanalizuj wiadomość e-mail, aby zmapować ryzyko tekstu, adresu URL, struktury i metadanych.

08 / CONTENT SIGNALS

Wskaźniki phishingu wspomaganego przez AI

Heurystyka

—Wskaźnik treści AI

—

Wskaźniki powiązane z automatycznym lub wspomaganym przez AI pisaniem nie są ostatecznym dowodem autorstwa AI.

Ryzyko phishingu—

Przeanalizuj wiadomość e-mail, aby zobaczyć osobne sygnały phishingu i treści AI.

Zapis operacyjny

Historia analizy

Przeglądaj ostatnie klasyfikacje i otwórz ponownie dowolną wiadomość, aby zobaczyć ścieżkę dowodową.

Czas	Nadawca	Temat	Prawdopodobieństwo	Wynik	Open

◌Brak analiz pasujących do tego filtraTwoje zakończone skany pojawią się tutaj.

Wyjaśnialne uczenie maszynowe

Wnioski z modelu

Przejrzyste spojrzenie na to, jak sygnały cech stają się prawdopodobieństwem.

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Krzywa decyzyjna sigmoidy

σ(z) = 1 / (1 + e⁻ᶻ)

Wynik modelu—

Wyjście sigmoidalne—

Prawdopodobieństwo spamu—

Klasyfikacja—

FEATURE VECTOR

Cechy wejściowe

X1 · Częstotliwość słów—

X2 · Ryzyko linku—

X3 · Długość wiadomości e-mail—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

Baza → ulepszenie

Model bazowy3 cechy

Częstotliwość słów, ryzyko linków i długość wiadomości e-mail zasilają istniejący model sigmoidalny.

→

Rozszerzona ocena10+ sygnały

Tekst, adresy URL, struktura, metadane, wyjaśnienia i wskaźniki treści dodają kontekst bez zastępowania modelu bazowego.

EVALUATION

Metryki modelu

Wymagany zbiór danych

Podłącz oznaczony zestaw testowy, aby obliczyć precyzję, pełność, F1, ROC-AUC i PR-AUC dla modelu bazowego w porównaniu z ulepszonym. W tym demo nie są generowane żadne zmyślone liczby dotyczące wydajności.

Kanwa dochodzeniowa

Analiza sygnałów

Skupiony widok najnowszej wiadomości i wyodrębnionych z niej wskaźników.

⌁Nie przeanalizowano jeszcze żadnej wiadomościTwoja najnowsza mapa funkcji pojawi się tutaj po skanowaniu.

MailGuard AI Wykrywacz Spamu