Doppel AI 防禦系統：使用 GPT-5 和 o4-mini 自動化威脅偵測
Doppel 已推出一個由 AI 驅動的防禦系統，利用 OpenAI 的 GPT-5 和 o4-mini 模型自主偵測、分類並移除深偽與冒充網站。該系統透過將分析師工作量降低 80%、威脅處理能力提升三倍以及將響應時間從小時縮短至分鐘，來應對生成式 AI 驅動威脅的規模。
自動化威脅偵測與回應
Doppel 的系統使用 LLM 驅動的管線取代傳統的人工審核流程，以應對互聯網規模的攻擊。由於攻擊者現在可以幾乎即時生成無限變體的釣魚工具包和偽造域名，Doppel 利用 AI 自動化決策，在損害發生前的狹窄時間窗口內採取行動。
LLM 驅動的偵測管線
Doppel 利用 OpenAI 模型的多階段協調來處理每日數百萬個訊號：
- 訊號過濾: OpenAI o4-mini 與啟發式規則結合使用，以過濾噪聲並從數百萬個域名、URL 和帳戶中提取結構化特徵。
- 平行威脅確認: 多個 GPT-5 提示詞分析訊號以偵測品牌濫用、社交工程模式和冒充風險。
- 威脅分類: 經 RFT 調整的 o4-mini 版本綜合這些確認結果，將威脅標記為惡性、良性或模糊。
- 最終驗證: 第二次 GPT-5 通過驗證決策並生成自然語言的解釋。
- 人工審核: 低置信度或衝突的結果會被路由給人類分析師，他們的決策會被回饋回系統以提升未來的準確性。
透過強化微調 (RFT) 提升一致性
為了解決對模糊威脅判斷不一致的問題，Doppel 採用了強化微調 (RFT)。透過將分析師數據作為回饋來源，每個分類決策成為一個分級範例，訓練模型複製專家的人類判斷。
Doppel 與 OpenAI 應用工程團隊合作，開發了根據模型的準確性及其推理品質給予獎勵的評分函數。此流程確保即使面對複雜的邊界案例，自動化系統仍能保持一致且可靠。
運營透明度與信任
自動化與透明度結合以確保組織信任。每次自動化下架現在都包含一個 AI 生成的解釋，說明移除背後的具體理由。這為客戶提供了立即了解為何採取該行動的見解，而此任務以前需要人工分析師介入。
效能指標
GPT-5 和 o4-mini 管線的實施帶來了以下運營收益：
- 分析師工作量: 降低 80%。
- 響應時間: 從小時減少到分鐘。
- 威脅容量: 提升三倍。
- 自動化比率: 現在多數威脅均可自動分類。
未來路線圖
在自動化處理釣魚和冒充域名之後，Doppel 正將此框架擴展到其他高變異性渠道，包括社交媒體和付費廣告。未來的技術里程碑包括將 RFT 數據集規模擴大一個數量級、實驗新的評分策略，以及利用 GPT-5 進行上游特徵提取以合併管線階段。