Аналитика угроз / рабочая область в реальном времени

Обнаружение. Объяснение. Защита.

Анализируйте сигналы сообщений с помощью интерпретируемого классификатора спама, созданного для быстрых и уверенных решений.

Готово к анализу0 scans today

01 / INPUT

Анализ письма

02 / DECISION

Результат обнаружения

LR · v1.4

0.0%вероятность спама

Awaiting analysis

Отправьте электронное письмо, чтобы узнать решение модели и подтверждающие его доказательства.

Уверенность модели—

Порог50%

МодельLogistic regression

Оценка модели—

03 / SIGNALS

Извлеченные признаки

0

Подозрительные слова—

—

Обнаружены ссылки—

—

Подозрительные ссылки—

—

Длина письма—

—

Количество слов—

—

Индикаторы срочности—

—

⌁Сигналы появятся здесь после анализа.

04 / EXPLANATION

Доказательства обнаружения

Почему модель приняла такое решение

◎Пока нет данныхЗапустите анализ, чтобы увидеть решение, разбитое на понятные сигналы.

05 / INSPECTОсновные моменты сообщения
Аннотировано
Подозрительные словаРискованные ссылкиСрочность
Ваше проанализированное сообщение будет аннотировано здесь.

06 / INTERPRETATION

Что повлияло на прогноз?

Локальный базовый уровень + контекстные веса, не гарантируются как причинно-следственные объяснения

Проанализируйте электронное письмо, чтобы сравнить влияние признаков.

07 / MULTIMODAL

Анализ рисков

Расширенные сигналы

Проанализируйте электронное письмо, чтобы определить риски текста, URL, структуры и метаданных.

08 / CONTENT SIGNALS

Индикаторы фишинга с использованием ИИ

Эвристика

—Индикатор ИИ-контента

—

Признаки, связанные с автоматизированным или созданным с помощью ИИ текстом, не являются окончательным доказательством авторства ИИ.

Риск фишинга—

Проанализируйте электронное письмо, чтобы увидеть отдельные сигналы фишинга и ИИ-контента.

Оперативный учет

История анализа

Просматривайте недавние классификации и открывайте любое сообщение для проверки доказательств.

Время	Отправитель	Тема	Вероятность	Результат	Open

◌Ни один анализ не соответствует этому фильтруВаши завершенные сканирования появятся здесь.

Объяснимое машинное обучение

Аналитика модели

Прозрачный взгляд на то, как признаки превращаются в вероятность.

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Кривая принятия решений сигмоиды

σ(z) = 1 / (1 + e⁻ᶻ)

Оценка модели—

Выход сигмоиды—

Вероятность спама—

Классификация—

FEATURE VECTOR

Входные признаки

X1 · Частота слов—

X2 · Риск ссылки—

X3 · Длина письма—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

Базовая модель → улучшенная модель

Базовая модель3 признаки

Частота слов, риск ссылок и длина письма используются в существующей сигмоидальной модели.

→

Расширенная оценка10+ сигналы

Текст, URL-адреса, структура, метаданные, пояснения и индикаторы контента добавляют контекст, не заменяя базовую модель.

EVALUATION

Метрики модели

Требуется набор данных

Подключите размеченный тестовый набор данных для расчета точности, полноты, F1, ROC-AUC и PR-AUC для базовой и улучшенной моделей. В этой демонстрации нет вымышленных показателей производительности.

Поле исследования

Анализ сигналов

Фокусированный обзор последнего сообщения и извлеченных из него индикаторов.

⌁Сообщение еще не проанализированоВаша последняя карта признаков появится здесь после сканирования.

MailGuard AI Детектор спама