苹果最新回应垃圾信息泛滥:正探索采用机器学习模型识别

简介: 针对此前媒体广泛报道的iMessage垃圾信息泛滥现状,8月2日午间,苹果官方回应中新经纬客户端称,我们非常重视中国用户,目前我们正在探索更多的办法以进一步减少垃圾信息,包括采用更先进的机器学习模型以识别垃圾信息,以及推出更多的工具来阻止恶意发件账号。

针对此前媒体广泛报道的iMessage垃圾信息泛滥现状,8月2日午间,苹果官方回应中新经纬客户端称,我们非常重视中国用户,目前我们正在探索更多的办法以进一步减少垃圾信息,包括采用更先进的机器学习模型以识别垃圾信息,以及推出更多的工具来阻止恶意发件账号。

iMessage是苹果公司的一款即时通信服务,可以发送短信、视频等内容。当有陌生人发送iMessage信息时,用户可以点击信息下方的“报告垃圾信息”按键,删除并向苹果报告垃圾信息。但是发送垃圾信息的账号最多只是被封禁,发送消息者只需注册新账户即可再发。

image

(网友收到的iMessage垃圾短信)


“通过iOS,我们已经推出了一些让用户可以轻松采纳的应对方法,比如过滤非所需联系人或电话号码,阻止未知发件人的信息,并报告疑似垃圾信息的 iMessage 信息。我们将继续努力保护我们的顾客免受垃圾信息的骚扰。”苹果方面今天称,“苹果在iOS 11中推出了SMS fraud extension(恶意短信拦截插件),使得像腾讯手机管家这样的第三方App可以发现潜在的垃圾短信,并将它们移送到专属的文件夹里。”

据了解,苹果iMessage垃圾信息泛滥的背后,是极低的群发消息成本。在某网络平台,有用户搜索发现有不少代发iMessage广告的商家,报价多为0.1元一条,发送数量在十万条以上的价格为0.09元一条。不仅有商家明码标价售卖iMessage群发设备、代发iMessae垃圾信息,用户的AppleID 也疑似遭到泄漏和贩卖。

此前,针对iMessage垃圾信息的情况,苹果公司回复称用户可以在设备上阻止联系人和电话号码,还可以过滤掉未知发件人发来的iMessage信息,并报告疑似垃圾信息的iMessage信息。不过,苹果公司表示,iMessage垃圾信息是通过运营商发送的,苹果没有权力辨别或拦截个人信息。

多位业内人士曾对媒体表示,拦截iMessage垃圾消息的难点主要在于如何识别垃圾消息,存在误报风险。iMessage作为即时通信软件对时效性要求高,不像电子邮件,即便被误判为垃圾信息也不一定会损害通信效率。而iMessage相较于QQ、微信等其他即时通信软件,默认允许接收陌生人信息,因此垃圾信息很多。

除了用机器学习模型以识别垃圾信息,苹果公司还表示正在跟国内的电信企业接触,并探索其他可以采取的方法来减轻垃圾信息带来的困扰。

原文发布时间为:2018-08-02
本文作者:AI小智君
本文来自云栖社区合作伙伴“人工智能观察”,了解相关信息可以关注“人工智能观察”。

目录
打赏
0
0
0
0
73529
分享
相关文章
特征时序化建模:基于特征缓慢变化维度历史追踪的机器学习模型性能优化方法
本文探讨了数据基础设施设计中常见的一个问题:数据仓库或数据湖仓中的表格缺乏构建高性能机器学习模型所需的历史记录,导致模型性能受限。为解决这一问题,文章介绍了缓慢变化维度(SCD)技术,特别是Type II类型的应用。通过SCD,可以有效追踪维度表的历史变更,确保模型训练数据包含完整的时序信息,从而提升预测准确性。文章还从数据工程师、数据科学家和产品经理的不同视角提供了实施建议,强调历史数据追踪对提升模型性能和业务洞察的重要性,并建议采用渐进式策略逐步引入SCD设计模式。
143 8
特征时序化建模:基于特征缓慢变化维度历史追踪的机器学习模型性能优化方法
PAI Model Gallery 支持云上一键部署 DeepSeek-V3、DeepSeek-R1 系列模型
DeepSeek 系列模型以其卓越性能在全球范围内备受瞩目,多次评测中表现优异,性能接近甚至超越国际顶尖闭源模型(如OpenAI的GPT-4、Claude-3.5-Sonnet等)。企业用户和开发者可使用 PAI 平台一键部署 DeepSeek 系列模型,实现 DeepSeek 系列模型与现有业务的高效融合。
云上一键部署 DeepSeek-V3 模型,阿里云 PAI-Model Gallery 最佳实践
本文介绍了如何在阿里云 PAI 平台上一键部署 DeepSeek-V3 模型,通过这一过程,用户能够轻松地利用 DeepSeek-V3 模型进行实时交互和 API 推理,从而加速 AI 应用的开发和部署。
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
382 13
机器学习算法的优化与改进:提升模型性能的策略与方法
FastAPI + ONNX 部署机器学习模型最佳实践
本文介绍了如何结合FastAPI和ONNX实现机器学习模型的高效部署。面对模型兼容性、性能瓶颈、服务稳定性和安全性等挑战,FastAPI与ONNX提供了高性能、易于开发维护、跨框架支持和活跃社区的优势。通过将模型转换为ONNX格式、构建FastAPI应用、进行性能优化及考虑安全性,可以简化部署流程,提升推理性能,确保服务的可靠性与安全性。最后,以手写数字识别模型为例,展示了完整的部署过程,帮助读者更好地理解和应用这些技术。
120 20
全网首发 | PAI Model Gallery一键部署阶跃星辰Step-Video-T2V、Step-Audio-Chat模型
Step-Video-T2V 是一个最先进的 (SoTA) 文本转视频预训练模型,具有 300 亿个参数,能够生成高达 204 帧的视频;Step-Audio 则是行业内首个产品级的开源语音交互模型,通过结合 130B 参数的大语言模型,语音识别模型与语音合成模型,实现了端到端的文本、语音对话生成,能和用户自然地进行高质量对话。PAI Model Gallery 已支持阶跃星辰最新发布的 Step-Video-T2V 文生视频模型与 Step-Audio-Chat 大语言模型的一键部署,本文将详细介绍具体操作步骤。
多元线性回归:机器学习中的经典模型探讨
多元线性回归是统计学和机器学习中广泛应用的回归分析方法,通过分析多个自变量与因变量之间的关系,帮助理解和预测数据行为。本文深入探讨其理论背景、数学原理、模型构建及实际应用,涵盖房价预测、销售预测和医疗研究等领域。文章还讨论了多重共线性、过拟合等挑战,并展望了未来发展方向,如模型压缩与高效推理、跨模态学习和自监督学习。通过理解这些内容,读者可以更好地运用多元线性回归解决实际问题。
|
2月前
如何看PAI产品下训练(train)模型任务的费用细节
PAI产品下训练(train)模型任务的费用细节
98 6
技术实践 | 使用 PAI+LLaMA Factory 微调 Qwen2-VL 模型快速搭建专业领域知识问答机器人
Qwen2-VL是一款具备高级图像和视频理解能力的多模态模型,支持多种语言,适用于多模态应用开发。通过PAI和LLaMA Factory框架,用户可以轻松微调Qwen2-VL模型,快速构建文旅领域的知识问答机器人。本教程详细介绍了从模型部署、微调到对话测试的全过程,帮助开发者高效实现定制化多模态应用。
人工智能浪潮下的编程实践:构建你的第一个机器学习模型
在人工智能的巨浪中,每个人都有机会成为弄潮儿。本文将带你一探究竟,从零基础开始,用最易懂的语言和步骤,教你如何构建属于自己的第一个机器学习模型。不需要复杂的数学公式,也不必担心编程难题,只需跟随我们的步伐,一起探索这个充满魔力的AI世界。
85 12

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等