Наш підхід полягає в математичному моделюванні якомога більшої кількості різних особливостей онлайн-поведінки за допомогою максимальної кількості різноманітних методів, щоб побудувати багатовимірну модель. Цей підхід враховує те, що з метою уникнення виявлення досвідчені противники можуть часто змінювати багато аспектів своєї поведінки, але вони не можуть змінювати їх усі постійно.
Хоча в наших компонентах за потреби ми вдаємося до машинного навчання (machine learning), ми ним не зловживаємо. Наприклад, машинне навчання зазвичай не підходить для сценаріїв з обмеженими даними. Натомість, ми віддаємо перевагу дослідженню проблеми у тому вигляді, як вона існує, та під різними кутами. Лише потім визначаємо її найкращі математичні вирази. Це включає:
Гіперграфи
Різні типи графів / Теорія графів
(Lattice theory)
Теорія пучків та теорія категорій
Гомологія графів / Когомологія
Водночас, для того, щоб краще виявляти певні явища, які преставляють для нас інтерес, ми часто розробляємо свої власні алгоритми.
Однак до найбільш важливих особливостей поведінки належить координація між різними, на вигляд непов’язаними об’єктами. Наявність такої координації означає щось нечесне. Це об’єктивна ознака, яка актуальна завжди. Наша технологія перевірена в різноманітних контекстах, починаючи від виявлення приналежності до агресивних вуличних банд у Детройті до великих корпорацій, які публікують позитивні фальшиві відгуки співробітників на веб-сайтах пошуку роботи.
Наша модель уникає небезпечної пастки розсудити, що є істиною. Натомість, вона спрямована на ідентифікацію цілком об’єктивних артефактних аспектів онлайн-поведінки, таких як типів координації між обліковими записами, підозрілих одночасних ознак, повторення послідовного діалогу, аномально побудованих структур соціальних мереж тощо. Таким чином, в нашій аналітиці відсутні політичні чи інші упередження.
