ข้อมูลเชิงลึกด้านภัยคุกคาม / พื้นที่ทำงานสด
ตรวจจับ อธิบาย ปกป้อง
วิเคราะห์สัญญาณข้อความด้วยตัวจำแนกสแปมที่อธิบายได้ ซึ่งสร้างขึ้นเพื่อการตัดสินใจที่รวดเร็วและมั่นใจ
พร้อมสำหรับการวิเคราะห์0 scans today
01 / INPUT
การวิเคราะห์อีเมล
ล้าง
อีเมลผู้ส่ง
หัวข้อ
เนื้อหาอีเมล
ส่วนหัวเพิ่มเติม (ไม่บังคับ)ไม่บังคับ
วิเคราะห์อีเมล→
โหลดตัวอย่าง
↑อัปโหลด .EML
วางจากคลิปบอร์ด⌘ V
02 / DECISION
ผลการตรวจจับ
LR · v1.4
Awaiting analysis
ส่งอีเมลเพื่อดูการตัดสินใจของโมเดลและหลักฐานสนับสนุน
ทำไมถึงได้ผลลัพธ์นี้?
ความมั่นใจของโมเดล—
เกณฑ์50%
โมเดลLogistic regression
03 / SIGNALS
ฟีเจอร์ที่ดึงมา
0⌁สัญญาณจะปรากฏที่นี่หลังจากการวิเคราะห์
04 / EXPLANATION
หลักฐานการตรวจจับ
เหตุผลที่โมเดลตัดสินใจ◎ยังไม่มีหลักฐานเรียกใช้การวิเคราะห์เพื่อดูการตัดสินใจที่แบ่งออกเป็นสัญญาณที่ชัดเจน
05 / INSPECT
ไฮไลท์ข้อความ
ใส่คำอธิบายประกอบแล้วคำที่น่าสงสัยลิงก์ที่มีความเสี่ยงความเร่งด่วน
ข้อความที่คุณวิเคราะห์จะถูกใส่คำอธิบายประกอบที่นี่
06 / INTERPRETATION
อะไรที่มีอิทธิพลต่อการคาดการณ์?
เกณฑ์มาตรฐานท้องถิ่น + น้ำหนักตามบริบท ไม่รับประกันว่าเป็นคำอธิบายเชิงสาเหตุ
วิเคราะห์อีเมลเพื่อเปรียบเทียบอิทธิพลของฟีเจอร์
07 / MULTIMODAL
การวิเคราะห์ความเสี่ยง
สัญญาณขั้นสูงวิเคราะห์อีเมลเพื่อระบุความเสี่ยงของข้อความ URL โครงสร้าง และข้อมูลเมตา
08 / CONTENT SIGNALS
ตัวบ่งชี้การฟิชชิงที่ใช้ AI ช่วย
ฮิวริสติก—ตัวบ่งชี้เนื้อหาที่สร้างโดย AI
—ตัวบ่งชี้ที่เกี่ยวข้องกับการเขียนอัตโนมัติหรือการเขียนโดยใช้ AI ช่วยไม่ใช่ข้อพิสูจน์ที่ชัดเจนของการเขียนโดย AI
ความเสี่ยงด้านฟิชชิง—
วิเคราะห์อีเมลเพื่อดูสัญญาณการฟิชชิงและเนื้อหาที่สร้างโดย AI แยกกัน
บันทึกการปฏิบัติงาน
ประวัติการวิเคราะห์
ตรวจสอบการจำแนกประเภทล่าสุดและเปิดข้อความใดๆ อีกครั้งเพื่อดูเส้นทางหลักฐาน
ล้างประวัติ
ทั้งหมดสแปมไม่ใช่สแปมความเสี่ยงสูง
0 analyses| เวลา | ผู้ส่ง | หัวข้อ | ความน่าจะเป็น | ผลลัพธ์ | Open |
|---|
◌ไม่มีการวิเคราะห์ที่ตรงกับตัวกรองนี้การสแกนที่เสร็จสมบูรณ์ของคุณจะปรากฏที่นี่
การเรียนรู้ของเครื่องที่อธิบายได้
ข้อมูลเชิงลึกของโมเดล
มุมมองที่โปร่งใสว่าสัญญาณคุณลักษณะกลายเป็นความน่าจะเป็นได้อย่างไร
MODEL FUNCTION
เส้นโค้งการตัดสินใจ Sigmoid
σ(z) = 1 / (1 + e⁻ᶻ)คะแนนของโมเดล—
ผลลัพธ์ Sigmoid—
ความน่าจะเป็นที่จะเป็นสแปม—
การจำแนกประเภท—
FEATURE VECTOR
คุณลักษณะอินพุต
X1 · ความถี่ของคำ—
X2 · ความเสี่ยงของลิงก์—
X3 · ความยาวอีเมล—
w1 · vocabulary4.20
w2 · link risk3.10
w3 · length signal0.95
b · intercept−2.10
Weighted score→Sigmoid→Probability→Class
MODEL STORY
พื้นฐาน → การปรับปรุง
โมเดลพื้นฐาน3 คุณลักษณะความถี่ของคำ ความเสี่ยงของลิงก์ และความยาวของอีเมลจะถูกนำไปใช้ในโมเดล sigmoid ที่มีอยู่
→การประเมินขั้นสูง10+ สัญญาณข้อความ, URL, โครงสร้าง, ข้อมูลเมตา, คำอธิบาย และตัวบ่งชี้เนื้อหาช่วยเพิ่มบริบทโดยไม่แทนที่โมเดลพื้นฐาน
EVALUATION
ตัวชี้วัดของโมเดล
ต้องใช้ชุดข้อมูลเชื่อมต่อชุดทดสอบที่มีการติดป้ายกำกับเพื่อคำนวณค่าความแม่นยำ (precision), ค่าความระลึก (recall), F1, ROC-AUC และ PR-AUC เมื่อเทียบกับค่าพื้นฐาน ตัวเลขประสิทธิภาพทั้งหมดในเดโมนี้ไม่ได้ถูกสร้างขึ้นมาเอง
พื้นที่การตรวจสอบ
การวิเคราะห์สัญญาณ
มุมมองที่เน้นข้อความล่าสุดและตัวบ่งชี้ที่ดึงออกมา
เรียกใช้การวิเคราะห์ล่าสุด
⌁ยังไม่มีการวิเคราะห์ข้อความแผนผังฟีเจอร์ล่าสุดของคุณจะปรากฏที่นี่หลังจากการสแกน
WORKSPACE
การตั้งค่าพื้นที่ทำงาน
×
เสร็จสิ้น
EXPLAINABILITY
ทำไมถึงได้ผลลัพธ์นี้?
×
วิเคราะห์อีเมลเพื่อสร้างคำอธิบายโมเดลในเครื่อง
ปิด
