Технології

Виявлення неприродних закономірностей у великих об’ємах даних

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.

Однак до найбільш важливих особливостей поведінки належить координації між різними, на вигляд не пов’язаними ідентичністями. Наявність такої координації означає щось нечесне. Це об’єктивна міра, 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.

Наші компоненти використовують (коли доречно), але не зловживають машинним навчанням (machine learning). Наприклад, машинне навчання зазвичай не підходить для сценаріїв надзвичайно динамічної «гонки озброєнь» або 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 створюємо свої власні алгоритми.