圖片來源: 

Google

Google近日公開Gmail透過自家機器學習框架TensorFlow,提升垃圾郵件偵測能力,每天多刪除了1億則垃圾郵件的成果,儘管Google現有的機器學習模型,加上其他保護服務,能夠阻擋Gmail收件匣中99.9%以上的垃圾郵件、釣魚郵件,或是惡意軟體,Google還在持續改善機器學習模型,提升安全防護,因此,Gmail最近藉由ML框架TensorFlow,整合現有的機器學習模型和rules-based的保護機制,成功地找出少於0.1%的遺漏垃圾郵件。

Google表示,Gmail每個月有15億名用戶使用,其中有500萬人是G Suite的企業用戶,不管是對消費者或是企業來說,Gmail很大的賣點即是內建的安全保護機制,好的安全管理意味著持續領先於威脅,而Google是從哪邊發現這些額外的1億則垃圾郵件?Google指出,過去一些難以偵測的垃圾郵件種類,現在透過TensorFlow的協助,能夠找出這些隱藏垃圾訊息的郵件,像是以圖像為主的郵件、隱藏嵌入內容的郵件,或是來自新創建domain的郵件等。

Google指出,機器學習技術可以從大量的垃圾郵件資料中,抓出人類無法察覺的特徵,也能夠快速地應對不斷推陳出新的垃圾郵件,透過機器學習,能夠使Google根據多種不同因素,做出更細化的決策,每封郵件都含有上千個潛在的訊號,只出現一些特徵符合常見的垃圾郵件特徵,並不代表該郵件就是垃圾郵件,而機器學習則是讓Google能夠綜合評估每一個特徵,再做出決定,最後,機器學習方法還能幫助Google打造個人化的垃圾郵件保護,每個人對郵件的看法不同,有些信件會被認為是垃圾郵件,也可能被認定為重要郵件,像是新聞電子報訂閱郵件,或是應用程式的郵件通知。

藉由機器學習框架TensorFlow,Google可以不斷ML優化模型,並且可以花更少心力於ML框架,聚焦在偵測垃圾郵件的工作上, 由於大規模部署機器學習模型是一項複雜且耗時的工作,TensorFlow框架提供多種工具,讓機器學習執行的過程更加簡單且有效率,舉例來說,TensorBoard能夠讓開發者全面地監督模型訓練流程,以及快速評估新模型的效能,也因為透過TensorFlow框架,Google能夠一次訓練和測試多個不同的ML模型,使開發最佳模型的工作變得更加有效率。

熱門新聞

Advertisement