Ergebnisse der Rückläuferstudie-Teil 3

Der letzte Beitrag handelte vom Einsatz einer Auswertung auf Basis von intelligenter Machine-Learning-Algorithmen (künstliche Intelligenz) in mailworx anstatt regelbasierter Auswertungen.

Machine Learning

„Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern. Das heißt, es lernt nicht einfach die Beispiele auswendig, sondern es „erkennt“ Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen.“[1]

Ergebnisse der textuelle Analyse Neben der starken Verringerung der Fehlerraten der Hard- und Softbounce-Klassifizierung (siehe letzten Beitrag), funktioniert nun auch die Rückläuferauswertung laut Text (Hardbounce laut Text / HLT, Softbounce laut Text / SLT) wesentlich besser. Konnte zuvor bei der textuellen Analyse lediglich in 17,9% der Softbounces bzw. in 80,3% der Hardbounces überhaupt ein Diagnostic Code gefunden werden, lässt sich dank künstlicher Intelligenz die Fehlerquote bei der textuellen Analyse radikal verringern. Lediglich 1,01% konnten bei der Rückläuferauswertung als nicht korrekt festgestellt werden!
abb_textanalyseneu.png

Welche Auswirkung der Einsatz von künstlicher Intelligenz mailworx auf die Kategorie Spam hat lesen SIe im nächsten Teil!


[1] Definition aus Wikipedia, http://de.wikipedia.org/wiki/Maschinelles_Lernen, [Stand 08.08.2010]

Kommentar schreiben