中国邮箱网讯 5月22日消息 你知道吗,员工平均只花5%的时间进行创造性的头脑风暴?根据谷歌的研究,这是真的。像跟踪、研究和分析、最后的润色、格式化和整合反馈大部分是通过电子邮件完成的这样的任务会挤掉创意。事实上,平均每个人每周要花11个小时来筛选工作信息,每天大约有1450万封垃圾邮件发送(或接收),这只会让人更加分心。
幸运的是,对于每月使用Gmail的15亿人以及Gmail到G套件的500万家企业的员工来说,好消息是:谷歌正在关注着你。早在2015年,声称块99.9%的垃圾邮件,网络钓鱼,和恶意软件的帮助下从到达账户人工神经网络(数学函数层松散模仿大脑神经元),同时确保分享oflegitimate邮件,无意中最终在垃圾邮件文件夹保持在0.05%以下。(2012年,垃圾邮件的比例是99%。)现在谷歌说,部分由于它的开源机器学习框架TensorFlow提供的新保护它每天可以阻止大约1亿条额外的垃圾邮件。
该公司此前表示,它保护用户免受每分钟1000万封垃圾邮件和恶意邮件的攻击。
Gogole反滥用技术部门的产品经理Neil Kumaran在电话采访中告诉VentureBeat我们过去利用过(机器学习),(而且)我们也[有]许多规则和基于规则的保护措施。TensorFlow的有趣之处在于,它能够很好地检测剩余的垃圾邮件。
这并不是说Gmail工程师没有利用TensorFlow来改进垃圾邮件检测远非如此。谷歌在2017年5月的一篇博文中提到了团队向框架的迁移。相反,据库马兰说,这一最新的里程碑是通过广泛采用TensorFlow和一组更大的大规模垃圾邮件分类实现的。
Gmail已经保护用户免受垃圾邮件、网络钓鱼和恶意软件的攻击有一段时间了,我们已经利用了各种各样的技术,他补充说。
那么,什么样的增量式垃圾邮件能让Gmail更好地转向呢?主要是基于图像垃圾邮件。图片垃圾邮件在2011年的垃圾邮件流量中占到了8%,文本信息被嵌入到电子邮件所附的照片中这类照片是电子邮件客户端直接显示给用户的。它试图绕过文本分析垃圾邮件过滤器和光学字符识别(OCR)工具,其中一些方案相当复杂。骗子使用模糊处理来阻止OCR工具读取嵌入的文本,或者试图用无意义的单词来误导基于签名的检测算法。
Kumaransaid TensorFlow在实验中为Gmail团队提供了灵活性,从而允许更快地部署新方法来对抗图像垃圾邮件和其他新消息类型。
(垃圾邮件发送者不断使用)新域名例如,(发送)一些合法的电子邮件,然后开始发送垃圾邮件。从历史上看,我们的工作人员一直在利用TensorFlow来捕捉这些信息,库马兰说。它为我们提供了更好的工具,让我们能够更快地进行实验。
谷歌长期以来一直依靠用户来判断哪些邮件消息是真实的,哪些不是。它用这些数据来训练它的人工智能系统。
Gmail中的报告垃圾邮件和非垃圾邮件按钮不仅仅是为了显示它们通知邮件过滤机器学习算法,提高它们检测不需要的邮件和反映个人偏好的能力。(后一点是为什么有些用户会在收件箱里看到每周的时事通讯,而有些用户则不会。)它们补充了谷歌的钓鱼检测模型,在某些情况下,当它的算法实时更新时,会延迟消息执行详细的分析。
库马兰说:每个人对垃圾邮件的定义可能不一样对一个人来说可能是好的,对另一个人来说可能不是好的。通过(机器学习)个性化是可能的它)在考虑用户的特定偏好方面做得非常好。
有些人可能会马上指责谷歌用大刷子给大量电子邮件涂色,但它偶尔也会伸出橄榄枝。例如,在2015年,它发布了Postmaster Tools,这是一个诊断套件,可以向向Gmail用户发送大量电子邮件的公司暴露发送错误、垃圾邮件报告和其他可能有用的分析。
山景城公司声称,最终,它将努力保护用户和组织免受网络的侵害。2015年McAfee的一项调查发现,97%的人不能正确识别网络钓鱼诈骗邮件如果成功,中等规模的公司平均损失约160万美元的邮件。
如果一切按计划进行,垃圾邮件检测算法将不会是TensorFlow正在推进的唯一事情。库马兰说,该小组已经在测试改进的钓鱼和恶意软件过滤模型,希望在未来详细说明。库马兰说:希望今后我们也能发表类似的博文。
在消息过滤领域之外,AI正悄悄进入Gmail新老版本的各个方面。2016年,谷歌推出了智能回复(Smart Reply)功能,该功能使用机器学习来建议回复电子邮件,随着谷歌将智能回复引入hangouts聊天等平台,智能回复功能还在不断完善和改进。(根据谷歌的数据,智能回复每天处理数亿条信息,超过10%的电子邮件回复是通过手机完成的。)最近,谷歌推出了Smart Compose,它使用人工智能来自动完成单词和短语,以及轻推(nudge),这是一个由机器学习驱动的功能,可以提供后续电子邮件提醒。这些都是除了高优先级通知之外的,高优先级通知是一种将电子邮件通知限制为重要消息的设置,而时事通讯则是退订建议。