谷歌机器学习框架成反垃圾邮件克星，Gmail每天多删1亿条！

Google现在通过其机器学习框架TensorFlow，整合现有的机器学习模型和rules-based的保护机制，提升垃圾邮件检查能力，每天多删除了1亿条垃圾邮件。

Google近日公开Gmail如何通过其机器学习框架TensorFlow，提升垃圾邮件检查能力，每天多删除了1亿条垃圾邮件的成果，尽管Google现有的机器学习模型，加上其他保护服务，能够阻挡Gmail收件箱中99.9％以上的垃圾邮件、钓鱼邮件，或是恶意软件，Google还在持续改善机器学习模型，提升安全防护，因此，Gmail最近借助ML框架TensorFlow，整合现有的机器学习模型和rules-based的保护机制，成功地找出少于0.1%的遗漏垃圾邮件。

Google表示，Gmail每个月有15亿名用户使用，其中有500万人是G Suite的企业用户，不管是对消费者或是企业来说，Gmail很大的卖点即是内建的安全保护机制，好的安全管理意味着持续领先于威胁，而Google是从哪发现这些额外的1亿条垃圾邮件？

Google指出，过去一些难以检查的垃圾邮件种类，现在通过TensorFlow的协助，能够找出这些隐藏垃圾信息的邮件，如以图像为主的邮件、隐藏嵌入内容的邮件，或是来自新创建domain的邮件等。

Google指出，机器学习技术可以从大量的垃圾邮件数据中，抓出人无法察觉的特征，也能够快速地应对不断推陈出新的垃圾邮件，通过机器学习，能够使Google根据多种不同因素，做出更细化的决策，每封邮件都含有上千个潜在的信号，只出现一些特征符合常见的垃圾邮件特征，并不代表该邮件就是垃圾邮件，而机器学习则是让Google能够综合评估每一个特征，再做出决定，最后，机器学习方法还能帮助Google打造个性化的垃圾邮件保护，每个人对邮件的看法不同，有些邮件会被认为是垃圾邮件，也可能被认定为重要邮件，如新闻订阅邮件，或是应用程序的邮件通知。

借助机器学习框架TensorFlow，Google可以不断ML优化模型，并且可以花更少心力于ML框架，聚焦在检查垃圾邮件的工作上， 由于大规模部署机器学习模型是一项复杂且耗时的工作，TensorFlow框架提供多种工具，让机器学习执行的过程更加简单且有效率，举例来说，TensorBoard能够让开发者全面地监督模型训练流程，以及快速评估新模型的性能，也因为通过TensorFlow框架，Google能够一次训练和测试多个不同的ML模型，使开发最佳模型的工作变得更加有效率。