PROBLEMA
¿Qué sucede cuando el Admin hace clic en "Mark As" o "Report As"?SOLUCIÓN
Gestionar falsos positivos (FP) y falsos negativos (FN) es parte natural del funcionamiento de cualquier sistema de seguridad de correo electrónico. Incluso los motores de filtrado más avanzados pueden clasificar erróneamente los mensajes en ocasiones, especialmente durante la fase inicial de aprendizaje o en función de las preferencias individuales del usuario. Los boletines informativos, las notificaciones automáticas y los correos de marketing son ejemplos habituales en los que la percepción del spam puede variar de un destinatario a otro. Por este motivo, un sistema eficaz no solo debe detectar los errores, sino también ofrecer herramientas rápidas y fiables para corregirlos y mejorar continuamente la precisión.
El mecanismo principal para gestionar los falsos positivos y los falsos negativos es Machine Learning y el AI Classifier. El sistema aprende continuamente del flujo de correo, de la clasificación de los mensajes y del comportamiento de los usuarios, adaptando sus decisiones con el tiempo. Los administradores desempeñan un papel clave a la hora de acelerar y perfeccionar este proceso de aprendizaje mediante dos acciones principales disponibles en la interfaz: “Mark as” y “Report as.”
Cuando un administrador hace clic en “Mark as”, la acción se utiliza exclusivamente para el entrenamiento local de Machine Learning. Esto indica al sistema cómo debería haberse clasificado ese mensaje concreto y mejora de inmediato el comportamiento de los motores de Machine Learning en el appliance. No se envía ninguna muestra de correo fuera del sistema, y la corrección se aplica únicamente al entorno local. Esta opción resulta especialmente útil para acelerar el entrenamiento inicial tras la implementación o para corregir rápidamente clasificaciones erróneas recurrentes específicas de la organización.
Cuando un administrador hace clic en “Report as”, la acción realiza tres operaciones al mismo tiempo. En primer lugar, entrena los motores de Machine Learning locales de la misma manera que la acción “Mark as”. Además, envía la muestra completa del correo original, junto con el análisis del gateway, a Libraesva EsvaLabs.
Las muestras se transmiten de forma segura a Libraesva EsvaLabs mediante una comunicación cifrada y se almacenan sin conexión y de forma local en EsvaLabs con cifrado AES256.
Los analistas de seguridad de EsvaLabs revisan los mensajes, identifican indicadores de compromiso, los correlacionan con otras muestras e implementan medidas correctivas en los datos de reputación global y en los motores de detección. Además, actualizan a diario el motor de AI centrado en la privacidad de su appliance para mejorar continuamente sus capacidades. Estas actualizaciones frecuentes evitan que se repita el mismo falso positivo o falso negativo en el futuro.