Pinipigilan ng depensa ng AI ng Doppel ang pag-atake bago kumalat

Ang site na nagpapanggap ay pwedeng maglunsad, pumunitrya sa libu-libong user, at maglaho sa nang wala pang isang oras. Sapat na ang oras para magdulot ng tunay na pinsala ang umaatake. At sa tulong ng mga generative na tool, makakagawa sila agad ng daan-daang iba pang katulad nito.

Ang Doppel ay binuo upang ipagtanggol ang mga organisasyon laban sa mga deepfake at pagpapanggap online, ngunit mabilis nitong napagtanto na ang mga bantang para sa AI ay pwedeng lumawak nang lumawak. Hindi na kinailangang mano-manong gumawa ng mga scam ng mga umaatake; maaari silang bumuo ng walang katapusang uri ng phishing kit, mga spoofed domain, at mga panggap na account sa loob ng ilang segundo.

Upang manatiling nangunguna, bumuo ang Doppel ng bagong uri ng sistema ng depensa laban sa social engineering na binuo gamit ang mga modelo ng OpenAI GPT‑5 at o4-mini. Ang plataporma ng Doppel ay awtonomong tumutukoy, nag-uuri at nagpapatigil ng mga banta, binabawasan ang trabaho ng mga analyst nang 80%, triniple ang kapasidad sa paghawak ng banta, at binabawasan ang oras ng pagtugon mula oras tungo sa ilang minuto.

Ang tradisyonal na proteksyon sa digital na panganib ay umaasa sa mga tao upang mano-manong suriin ang mga site ng pagpapanggap, phishing domain, at mga profile at post sa social media. Nakita ng Doppel na nagsisimulang bumigay ang modelo habang nagsimulang mag-automate ang mga umaatake, na naglulunsad ng mga banta nang mas mabilis, at sa mas maraming lugar ng pag-atake, kaysa kayang suriin ng mga tao.

Kritikal ang bilis na iyon para sa mga customer ng Doppel—mga organisasyong hindi kayang maghintay nang ilang oras para makumpirma kung may banta. Awtomatikong inuuri ng system ng Doppel ang karamihan sa mga banta, gamit ang mga modelo ng OpenAI para sa pangangatuwiran at isang nakabalangkas na feedback loop na kilala bilang fine-tuning gamit ang reinforcement (RFT) upang pahusayin ang modelo sa pagdaan ng panahon. Sa RFT, ginagamit ang feedback ng tao bilang mga halimbawang may grado, na tumutulong sa mga modelo na matutong gumawa ng pare-pareho at naipapaliwanag na mga desisyon nang mag-isa.

Ang proseso ng Doppel na pinapagana ng LLM ay nasa gitna ng stack nito ng pagtukoy. Pagkatapos makuha at ma-filter ang mga signal, nagsasagawa ang system ng sunod-sunod na naka-target na gawain sa pangangatuwiran: pagsusuri ng mga posibleng banta, pagkumpirma ng layunin, at paggabay sa mga desisyon sa klasipikasyon. Ang bawat yugto ay dinisenyo upang balansehin ang bilis, katumpakan, at pagkakapare-pareho, habang pinananatiling nakatuon ang mga analyst sa mga edge case na nangangailangan ng hatol ng tao.

Narito kung paano ito gumagana:

• Pag-filter ng signal at pagkuha ng tampok: Ang mga system ng Doppel ay nagpoproseso ng milyun-milyong domain, URL, at account araw-araw. Pinagsasama ng heuristics at OpenAI o4-mini ang pag-filter ng ingay at pagkuha ng mga nakaayos na tampok upang gabayan ang mga susunod na pagsusuri ng modelo.
• Magkakaayon na pagkumpirma sa banta: Ang bawat signal ay pinapadaan sa maraming GPT‑5 prompt na partikular na dinisenyo para sa iba't ibang uri ng pagsusuri ng banta. Tinatasa ng mga prompt na ito ang mga salik tulad ng panganib ng pagpapanggap, maling paggamit ng tatak, o mga pattern ng social engineering.
• Klasipikasyon ng banta: Pinagsama ng bersyong RFT ng o4-mini ang mga naunang kumpirmasyon upang magtalaga ng nakabalangkas na label—malisyoso, benign, o hindi malinaw—na may pagkakapare-pareho pasok sa antas ng produksyon.
• Panghuling beripikasyon: Ang ikalawang pagpapatakbo ng GPT‑5 ay nagpapatunay sa pasya ng modelo at bumubuo ng paliwanag sa natural na wika. Kung lumampas sa hangganan ang kumpiyansa, awtomatikong sinisimulan ng system ang pagpapatupad.
• Pagsusuri ng tao: Ang mga resultang may mababang kumpiyansa o magkakasalungat ay ipinapasa sa mga analyst na tao. Ang kanilang mga pasya ay nilo-log at binabalik sa RFT loop upang patuloy na mapabuti ang pagiging pare-pareho ng modelo.

Nakakita na ang Doppel ng makabuluhang mga paghusay mula sa orihinal nitong proseso ng pagtuklas na pinahusay ng LLM, ngunit pagdating sa mga kaso kung saan maaaring magkaiba ang paghuhusga sa parehong banta depende sa analyst, ang pagkakapare-pareho ang naging salik na naglilimita.

Upang mabuo ang pagkapare-parehong iyon, inilapat ng Doppel ang RFT gamit ang sarili nitong data ng analyst bilang pinagmulan ng feedback. Ang bawat desisyon na nag-uri sa isang domain bilang mapanira, hindi nakakapinsala, o hindi malinaw ay naging na-gradong halimbawa. Sinanay ng mga may label na halimbawang iyon ang modelo upang ulitin ang hatol ng eksperto, kahit sa mga hindi malinaw na edge case.

Sa pakikipagtulungan nang husto sa applied engineering team ng OpenAI, nagdisenyo ang Doppel ng mga kakayahan sa paggrado na sumusuri hindi lamang sa katumpakan, kundi pati sa kalidad ng pagpapaliwanag, na nagbibigay-gantimpala sa mga modelo na malinaw na nangangatuwiran, hindi lang tama. Sa pamamagitan ng pag-convert ng feedback ng analyst tungo sa naka-istrakturang data para sa pagsasanay, nakatulong ang Doppel na ipakita kung paano magagawang mas pare-pareho at mas maaasahan ng RFT ang awtomatikong pagtukoy.

Inilapit ng pag-tune ng hyperparameter at paulit-ulit na eval ang modelo sa pagiging pare-pareho sa antas ng tao. Ngunit para sa Doppel, ang pagkumpleto sa huling yugto ng awtomasyon ay nangangahulugang gawing madaling maunawaan ang mga pagdedesisyon.

Ang bawat naka-automate na takedown ay may kasamang paliwanag na binuo ng AI kung bakit inalis ang isang banta, na nagbibigay sa mga customer ng agarang pag-unawa kung bakit isinagawa ang aksyon—isang bagay na dati ay nangangailangan ng interbensyon ng analyst.

Ang bisibilidad na iyon ay nagpapataas ng tiwala, na isang kritikal na salik para sa mga user ng Doppel. Ang makita hindi lang kung anong aksyon ang ginawa, kundi pati kung bakit, ay nagbibigay sa mga team ng kumpiyansang makatugon agad at ng kontekstong kailangan upang maipaliwanag ang mga desisyong iyon sa loob ng organisasyon o sa mga stakeholder.

• Bawasan ang workload ng analyst nang 80%
• Binawasan ang mga oras ng pagtugon sa banta mula oras tungo sa ilang minuto
• Naitriple ang kapasidad sa pangangasiwa ng mga banta
• Karamihan sa mga banta ay awtomatikong inuri

Matapos makamit ang halos ganap na awtomasyon para sa mga domain ng phishing at pagpapanggap, inilalapat na ngayon ng Doppel ang kaparehong balangkas na pinapatakbo ng modelo sa iba pang mga channel na may mataas na pagkakaiba-iba.

“Marahil ang mga domain ang pinakamahirap na channel na hinahawakan namin,” sabi ni Madduluri. “Magulo ang mga signal, palaging nagbabago ang content, at mabilis na nagbabago ang mga banta sa iba’t ibang surface nang sabay-sabay. Kung mao-automate natin iyon mula simula hanggang dulo, magagawa natin ito para sa kahit ano: social media, mga bayad na ad, at iba pa.

Kabilang sa mga susunod na mahalagang tagumpay ay ang napakalaking pagpapalawak sa kanilang RFT dataset, pag-eksperimento sa mga bagong estratehiya sa paggrado, at paggamit ng GPT‑5 para sa upstream na pag-extract ng tampok. Ang mga pagbabagong ito ay magbibigay-daan sa Doppel na pagsama-samahin ang mga yugto ng proseso at magsuri ng mas kumplikadong mga tagapagpahiwatig ng banta nang mas maaga.

Sa bawat pag-iterate ang Doppel ay bumubuo ng system na nagtatanggol sa katotohanan sa bawat aspeto kung saan sinusubok ang tiwala.