La détection de spam Gmail a reçu ses «plus importantes améliorations de défense ces dernières années».

Bloquer le courrier indésirable est une bataille constante et en évolution permanente, et la dernière technique de Gmail permet d’améliorer la détection de 38 % grâce à une meilleure identification du texte. Les pourvoyeurs de spam utilisent souvent des homoglyphes (caractères ressemblant de façon frappante à des lettres réelles), des caractères invisibles, un bourrage de mots clés et d’autres «manipulations adverses du texte» pour contourner les modèles de classification de texte de Gmail qui identifient les attaques de hameçonnage, les escroqueries et autres contenus nocifs. Google réplique avec RETVec (Resilient & Efficient Text Vectorizer). Publié en open source par Google Research, cette approche «aide les modèles à atteindre des performances de classification de pointe et réduit considérablement le coût de calcul», tout en prenant en charge «toutes les langues et tous les caractères UTF-8 sans nécessiter de prétraitement du texte». Cela le rend idéal pour les cas d’utilisation en périphérie, sur le Web et d’autres cas d’utilisation à grande échelle: dans Gmail, RETVec a amélioré le «taux de détection du spam par rapport à la ligne de base de 38 %», tout en réduisant à la fois le taux de faux positifs (de 19,4 %) et l’utilisation de l’unité de traitement de tenseur (de 83 %). RETVec parvient à ces améliorations en arborant un modèle d’incrustation de mots très léger (~ 200k paramètres), ce qui nous permet de réduire la taille du modèle de transformateur à des performances égales ou meilleures, et de pouvoir diviser le calcul entre l’hôte et le TPU de manière efficace en termes de réseau et de mémoire.