Our View on What It Takes To Be Named an Industry-Recognized Threat Intelligence Leader

SafeGuard AI: Turning Scattered Digital Evidence Into an Actual Investigation

SafeGuard AI giải quyết vấn đề bằng cách phân tích các bằng chứng kỹ thuật số rải rác để tái tạo toàn bộ sự cố tấn công. Hệ thống sử dụng NLP (Natural Language Processing) và graph analytics để kết nối các điểm dữ liệu rời rạc như email, logs file, và traffic network thành một bức tranh liên hoàn. Với 85% độ chính xác, công cụ có thể phát hiện các mối đe dọa đa bước mà các giải pháp security truyền thống bỏ lỡ. Việc áp dụng graph-based approach cho phép hiển thị rõ luồng tấn công, giúp điều tra viên xác định root cause và affected systems nhanh chóng hơn 300%. Bài viết chia sẻ chi tiết về cách triển khai graph database Neo4j và thuật toán anomaly detection để xử lý 10,000 events mỗi giờ mà vẫn duy trì hiệu năng tối ưu.

SafeGuard AI giúp lập trình viên xây dựng hệ thống AI không chỉ phát hiện mà tái tạo toàn bộ sự số từ bằng chứng kỹ thuật phân tán.

What SHAP Can't Explain About Agentic AI Fraud

Why autonomous agents expose a new explainability problem in fraud detection

Bringing real-time fraud prevention to government benefits

Chính phủ liên bang mất hàng trăm tỷ đô la vào lừa đảo trợ cấp hàng năm. Databricks giải quyết vấn đề này với hệ thống fraud detection trong real-time, sử dụng dữ liệu mà các cơ quan đã có sẵn. Giải pháp này phân tích dữ liệu tại source bằng công nghệ Delta Lake và MLflow để phát hiện gian lận tức thì. Kết quả là giảm thiểu đáng kể thiệt hại tài chính mà không cần đầu tư thêm cơ sở hạ tầng dữ liệu. Bạn nên đọc bài này nếu đang tìm hiểu về ứng dụng real-time analytics trong lĩnh vực government benefits hay cách tối ưu hóa dữ liệu đã có sẵn.

Bài viết giải thích cách Databricks giúp chính phủ chống gian lận lợi tức an sinh trong thời gian thực bằng dữ liệu sẵn có.

What is an Anomaly Detection Dataset and Why It Matters

Bộ dữ liệu phát hiện bất thường (anomaly detection dataset) giúp xác định các điểm dữ liệu bất thường, nâng cao tính toàn vẹn của dữ liệu. Chúng đóng vai trò quan trọng trong việc cải thiện độ chính xác của các mô hình phát hiện gian lận, lỗi hệ thống hay các sự kiện bất thường khác.

Một lập trình viên nên đọc bài này để hiểu cách xây dựng và sử dụng các tập dữ liệu phát hiện ngoại lệ (anomaly detection) để tự động hóa việc phát hiện lỗi trong dữ liệu, từ đó cải thiện hiệu quả phân tích và bảo mật hệ thống.

How state and local agencies can get ahead of fraud starting with the data they already have

Fraud and waste continues to be a challenge for state and local government agencies in the US. Though the data exists, the challenge is pulling it all together for an accurate anomaly detection and re...

Five AI Questions We're Hearing from Financial Services Leaders

Last year at Sibos F

Project 1: Customer Intelligence Layer — Findings

Project 1: Customer Intelligence Layer — Findings What I found out while trying to know the customers Last time, I laid out what Project 1 was supposed to be: before Alpha Capital Bank can detect …