Sistem pertahanan AI Doppel mandhegake serangan sadurunge nyebar

Siji situs panyamaran bisa diluncurake, narget ewu pangguna, lan ilang kurang saka sakjam. Kuwi luwih saka cukup wektu kanggo penyerang nyebabake kerusakan nyata. Lan kanthi piranti generatif, dheweke bisa nggawe atusan liyane sing padha.

Doppel digawe kanggo nglindhungi organisasi saka deepfake lan panyamaran online, nanging cepet ngerti yen AI ndadekake ancaman bisa ngembang tanpa wates. Penyerang ora perlu maneh nggawe penipuan kanthi manual; dheweke bisa ngasilake varian tanpa entek saka kit phishing, domain palsu, lan akun panyamaran sajrone detik.

Kanggo tetep unggul, Doppel ngembangake jinis anyar sistem pertahanan social engineering sing dibangun ing ndhuwur model OpenAI GPT‑5 lan o4-mini. Platform Doppel ndeteksi, nggolongake, lan nurunake ancaman kanthi otonom, nyuda beban analis 80%, nglipat telu kapasitas nangani ancaman, lan nyuda wektu respons saka jam dadi menit.

Perlindungan risiko digital tradisional ngandelake manungsa kanggo mriksa kanthi manual situs panyamaran, domain phishing, lan profil uga kiriman media sosial. Doppel weruh model iki wiwit ambruk nalika penyerang miwiti ngotomatisasi, ngluncurake ancaman luwih cepet lan ing luwih akeh area tinimbang sing bisa dievaluasi manungsa.

Kecepatan iki kritis kanggo pelanggan Doppel, yaiku organisasi sing ora bisa ngenteni nganti jam-jaman kanggo ngonfirmasi ancaman. Sistem Doppel nggolongake umume ancaman kanthi otomatis, nggunakake model OpenAI kanggo nalar lan loop umpan balik terstruktur sing dikenal minangka penyetel penguatan (RFT) kanggo ningkatake model saka wektu ke wektu. Ing RFT, umpan balik manungsa digunakake minangka conto bergradasi, mbantu model sinau nggawe keputusan sing konsisten lan bisa dijelasake dhewe.

Jalur deteksi Doppel sing didorong LLM ana ing pusat tumpukan deteksine. Sawise sinyal dipikolehi lan disaring, sistem nindakake serangkaian tugas nalar sing ditargetake: nalar babagan ancaman potensial, ngonfirmasi niat, lan ngarahake keputusan klasifikasi. Saben tahap dirancang kanggo njaga imbangan antarane kecepatan, akurasi, lan konsistensi, nalika njaga analis tetep fokus ing kasus pinggiran sing butuh penilaian manungsa.

Mangkene cara kerjane:

• Penyaringan sinyal lan ekstraksi fitur: Sistem Doppel nyerap jutaan domain, URL, lan akun saben dina. Gabungan heuristik lan OpenAI o4-mini nyaring gangguan lan ngekstrak fitur terstruktur kanggo nuntun evaluasi model tahap sabanjure.
• Konfirmasi ancaman paralel: Saben sinyal dilewatake liwat pirang-pirang prompt GPT‑5 sing dirancang khusus kanggo macem-macem jinis analisis ancaman. Prompt iki ngetung faktor kayata risiko panyamaran, penyalahgunaan merek, utawa pola social engineering.
• Klasifikasi ancaman: Versi RFT saka o4-mini nyintesis konfirmasi sadurunge kanggo menehi label terstruktur—mbebayani, aman, utawa ambigu—kanthi konsistensi tingkat produksi.
• Verifikasi pungkasan: Pass GPT‑5 kapindho ngesahake keputusan model lan ngasilake justifikasi basa alami. Yen tingkat kapercayan ngluwihi ambang, sistem otomatis miwiti penegakan.
• Tinjauan manungsa: Asil sing kapercayane kurang utawa bentrok diterusake menyang analis manungsa. Keputusan dheweke dicathet lan diwenehake bali menyang loop RFT kanggo terus ningkatake konsistensi model.

Doppel wis ndeleng peningkatan nyata saka jalur deteksi asli sing ditingkatake LLM, nanging nalika tekan kasus sing ancaman padha bisa diadili beda gumantung analis, konsistensi dadi faktor sing matesi.

Kanggo mbangun konsistensi kasebut, Doppel nerapake RFT nggunakake data analis dhewe minangka sumber umpan balik. Saben keputusan kanggo nggolongake domain minangka mbebayani, aman, utawa ora cetha dadi conto bergradasi. Conto sing wis diwenehi label iki nglatih model supaya bisa niru penilaian ahli, sanajan ing kasus pinggiran sing ambigu.

Kanthi kerja bareng tim applied engineering OpenAI, Doppel ngrancang fungsi grader sing ngevaluasi ora mung akurasi nanging uga kualitas panjelasan, menehi ganjaran marang model sing nalar kanthi cetha, ora mung bener. Kanthi ngowahi umpan balik analis dadi data pelatihan terstruktur, Doppel mbantu nuduhake kepiye RFT bisa nggawe deteksi otomatis luwih konsisten lan andal.

Penyetelan hyperparameter lan eval iteratif nggawa model luwih cedhak menyang konsistensi tingkat manungsa. Nanging kanggo Doppel, ngrampungake tahap pungkasan otomatisasi uga ateges nggawe keputusan langsung gampang dipahami.

Saben takedown otomatis saiki kalebu justifikasi sing digawe AI kanggo nerangake kenapa ancaman dibusak, menehi pelanggan wawasan langsung kenapa tumindak ditindakake—sing biyen mbutuhake campur tangan analis.

Visibilitas iki nambah kapercayan, sing dadi faktor kritis kanggo pangguna Doppel. Ndelok ora mung tumindak apa sing dijupuk, nanging uga kenapa, menehi tim kapercayan kanggo nanggapi kanthi cepet lan konteks kanggo nerangake keputusan kasebut sacara internal utawa marang para pemangku kepentingan.

• Nyuda beban analis nganti 80%
• Nyuda wektu respons ancaman saka jam dadi menit
• Nglipat telu kapasitas nangani ancaman
• Umume ancaman diklasifikasikake kanthi otomatis

Sawise meh ngrampungake otomatisasi kanggo domain phishing lan panyamaran, Doppel saiki nerapake kerangka kerja sing didorong model sing padha menyang kanal liyane sing variasine dhuwur.

“Domain mesthine kanal paling angel sing kita tangani,” ujare Madduluri. “Sinyale semrawut, kontene owah terus, lan ancaman berkembang cepet ing pirang-pirang permukaan sekaligus. Yen kita bisa ngotomatisasi iki saka ujung ke ujung, kita bisa nindakake kanggo apa wae: media sosial, iklan berbayar, sakarepmu.”

Tengara sabanjure kalebu ngeskalakake dataset RFT kanthi urutan magnitudo, nyoba strategi penilaian anyar, lan nggunakake GPT‑5 kanggo ekstraksi fitur ing hulu. Owah-owahan iki bakal ngidini Doppel nggabungake tahap jalur lan nalar babagan indikator ancaman sing luwih kompleks luwih awal ing proses.

Kanthi saben iterasi, Doppel lagi mbangun menyang sistem sing nglindhungi sing nyata ing saben permukaan nalika kapercayan diserang.