🚀 قبل از هوش مصنوعی مدرن، چطور ایمیل‌های اسپم رو تشخیص می‌دادن؟

وقتی هنوز مدل‌های بزرگی مثل GPT وجود نداشتن، Gmail و Yahoo مجبور بودن با روش‌های کلاسیک ریاضی جلوی اسپم رو بگیرن. این سیستم‌ها بادقت بالا و قوی بودن و روزانه میلیون‌ها ایمیل رو فقط با چند فرمول ساده دسته‌بندی می‌کردن. 🧠

📩 تشخیص اسپم چطور کار می‌کرد؟

🔹 ۱) شمارش کلمات مهم

سیستم می‌اومد داخل هر ایمیل، کلمات حساس رو می‌شمرد:
مثل free, win, credit, click here
هر کلمه یک امتیاز اسپم داشت.

به این روش می‌گفتن Bag of Words یعنی فقط نگاه می‌کرد چه کلماتی وجود دارن، اصلاً مهم نبود جمله چیه یا معناش چی هست.

🔹 ۲) محاسبه احتمال اسپم با Naive Bayes

بعد با یک روش آماری ساده به اسم Naive Bayes احتمال اسپم بودن ایمیل رو حساب می‌کرد:

«ایمیلی که این ۵ کلمه رو داره، با توجه به تاریخچه، احتمالاً ۸۲٪ اسپمه.»

الگوریتم فقط با جمع کردن احتمال‌ها تصمیم می‌گرفت، نه شبکه عصبی، نه یادگیری عمیق.

🔹 ۳) یادگیری از رفتار کاربر

اگر کاربر می‌گفت «این اسپم نیست»، سیستم دوباره آمارش رو اصلاح می‌کرد.
این یعنی یادگیری، اما یادگیری خیلی ساده و قانون‌محور، نه شبیه مدل‌های امروز.

🔹 ۴) بررسی الگوهای ساده مثل لینک‌ها و فرستنده

تعداد لینک‌ها

فرستنده‌های مشکوک

ضمیمه‌های exe

تعداد ایمیل‌های یکباره از یک IP

هر کدوم یک امتیاز خطر داشتن و در نهایت مجموع امتیاز تصمیم می‌گرفت.

با همین روش ساده، Gmail بیش از ۹۸٪ اسپم‌ها رو فیلتر می‌کرد.
بدون هوش مصنوعی عمیق، فقط با آمار، شمارش کلمات و تجربه کاربر.

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@