Inilalarawan ng DeepMind at GovTech ang on-device na scam detector

Noong Oktubre 14, nag-anunsyo ang Google DeepMind at Singapore Government Technology Agency (GovTech) ng modelong naghahanap ng panlilinlang sa mga usapan sa mensahe sa telepono. Mabilis na unang sinusuri ng disenyo ang mga karaniwang mensahe at ipinapasa sa pinong-inaangkop na Gemma ang mga posibleng kahina-hinala para mas masusing tingnan. Inilarawan ng mga katuwang ang paraan ng pagbibigay-babala habang nag-uusap nang hindi ipinapadala sa server ang usapan para suriin. Hindi pa sila nag-anunsyo ng consumer release o naglathala ng mga resulta ng pagtukoy.

Ang malaking pagbabago

• Ano ang nagbago: Inilarawan ng DeepMind at GovTech ang dalawang-yugto at on-device na scam detector: sinasala muna ng magaan na classifier ang mga papasok na mensahe, at sinusuri ng pinong-inaangkop na Gemma ang mas malaking bahagi ng usapan kapag may alalahanin sa unang yugto. Nagpapakita ng babala sa telepono kapag may natukoy na banta.
• Bakit ito mahalaga: Layunin ng disenyo na suriin ang panlilinlang sa usapan sa pribadong pagmemensahe habang nasa device ang inference. Nililimitahan din ng unang yugto kung gaano kadalas kailangang tumakbo ang mas mabigat na contextual model. Mga pagpili ito sa disenyo na inilarawan ng mga katuwang, hindi mga resultang independiyenteng sinukat para sa privacy, baterya o pagpigil sa panloloko.
• Ano ang dapat bantayan: Makikita kung paano gumaganap ang modelong ito sa labas ng iniulat na development work ng mga katuwang kung maglalathala sila ng release route, mga sinusuportahang device, at mga pagsusuri sa hindi natukoy na scam, maling babala, bilis at paggamit ng kuryente. Wala sa mga detalyeng iyon sa anunsyo.

Mabilis na pagsala bago suriin ang usapan

Sa salaysay ng DeepMind tungkol sa proyekto, sinasala ng magaan na classifier ang mga papasok na mensahe gamit ang kaunting kuryente. Dito nagtatapos ang mensaheng itinuturing nitong hindi mapanganib. Ipinapasa ang posibleng banta sa pinong-inaangkop na Gemma, na sumusuri sa mas malaking snapshot ng usapan at maaaring mag-alis ng alalahanin o gumawa ng scam alert. Pinapayuhan ng babala ang tao na huminto muna bago magbahagi ng pera o sensitibong impormasyon.

Mahalaga ang ikalawang yugto dahil maaaring hindi makita sa iisang mensahe ang panlilinlang na nabubuo sa kabuuan ng usapan. Sinasabi ng DeepMind na iniangkop ang modelo gamit ang mga lokal na usapan tungkol sa scam, kabilang ang pagpapanggap na mga pampublikong institusyon, bangko at lokal na personalidad, pati mga panrehiyong taktika. Hindi nito tinutukoy ang eksaktong bersyon o laki ng Gemma, arkitektura ng unang classifier, dami ng mensaheng umaabot sa ikalawang yugto, o hangganan para magpakita ng babala. Dahil wala ang mga detalyeng ito, imposibleng suriin mula sa anunsyo lamang ang balanse ng paggamit ng kuryente at katumpakan.

Inilaan ng DeepMind ang sistema para sa mga serbisyong pangmensaheng gumagamit ng end-to-end encryption. Sa ganitong sitwasyon, hindi basta masisiyasat ng serbisyo sa mga server nito ang naka-encrypt na nilalaman. Sinasabi ng mga katuwang na pinoproseso ng modelo ang usapan sa device. Tiyak na pahayag ito tungkol sa iminungkahing inference path; walang independiyenteng audit sa privacy o detalye kung anong datos ang maaaring kolektahin ng isang magiging app sa ibang feature.

Magkaibang hakbang ang cloud training at lokal na inference

Gumamit nga ng cloud infrastructure ang training ng proyekto. Sinasabi ng DeepMind na naganap ang fine-tuning sa kapaligiran ng Google Cloud na pinamamahalaan at pinananatili ng GovTech, at nakahiwalay doon ang training data. Ayon dito, inalis ang pribado at personal na impormasyong nakapagpapakilala sa isang tao, at in-anonymize ang mga dataset mula sa mga ulat ng scam at intelligence feed. Iniulat din ng mga katuwang ang mga pagsubok sa synthetic na diyalogo at lokal na corpus. Walang paraan ng paghahanda ng datos, test protocol o numerikal na resulta sa post, kaya paglalarawan pa rin ito ng mga katuwang sa kanilang proseso.

Hindi dapat ipagkamali ang development environment na iyon sa iminungkahing pang-araw-araw na operasyon. Ayon sa iniulat na disenyo, lokal na tumatakbo sa telepono ang pagsala ng mensahe at contextual inference ng Gemma, at doon ipinapakita ang babala. Hindi nangangahulugan ang cloud-based fine-tuning lamang na ipinadadala ang live na usapan ng user sa training environment ng GovTech. Gayundin, hindi pinatutunayan ng pahayag na on-device ang proseso ng mga katuwang kung paano gagamit ng datos ang hindi pa inaanunsyong consumer integration.

Sinasabi ng DeepMind na iniharap ang gawain sa Singapore International Cyber Week at maaaring isama ng mga platform ng pagmemensahe at vendor ng operating system ang mga modelo. Wala itong pinangalanang serbisyong mag-iintegrate, app o release ng operating system, listahan ng suportadong telepono, tuned weights, presyo o petsa ng rollout. Hindi independiyenteng field evaluation ang iniulat na stress test. Ang kapaki-pakinabang na pagsulong ay malinaw na arkitektura para suriin nang lokal ang mga usapan sa scam; bukas pa rin kung makatatanggap ang mga tao ng maaasahang babala sa aktuwal na paggamit.

Mga source at karagdagang babasahin

• Anunsyo ng Google DeepMind, Oktubre 14, 2026: ang dalawang-yugtong daloy, pag-tune ng Gemma, iminungkahing babala sa device, cloud training na pinamamahalaan ng GovTech at mga pahayag ng mga katuwang tungkol sa pamamahala at pagsusuri. Salaysay ito ng pangkat ng proyekto, walang pampublikong datos sa katumpakan, latency, baterya o rollout.
• Anunsyo ng National AI Partnership ng Singapore MDDI, Mayo 20, 2026: konteksto tungkol sa pagtutulungan ng Google at Singapore. Hindi nito inilalarawan ang performance o availability ng scam model.