Gmail靠TensorFlow快速開發ML模型，每天多刪除1億則垃圾郵件

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。