آپ کا Spam Filter آپ کی ای میل نہیں پڑھتا۔ یہ علامات کو گنتا ہے۔

Google ہر روز تقریباً 15 billion نامعقول پیغامات کو روکتا ہے، اور یہ اسے کسی ایسی چیز کے بغیر کرتا ہے جو آپ کو پڑھنے کی طرح لگے۔ کوئی ماڈل وہاں آپ کے دندان ساز کی یادآوری کے الفاظ کو منہ سے نہیں نکال رہا۔ یہ ذہنی تصویر — ایک ڈیجیٹل جاسوس جو آپ کے inbox پر جھکا ہوا ہے، آپ کے رازوں کو سمجھ رہا ہے — یہ وہ خوف ہے جو زیادہ تر لوگ رکھتے ہیں، اور یہ غلط نشانہ پر ہے۔

یہاں وہ ہے جو واقعی ہو رہا ہے۔ جب میل ایک filter تک پہنچتا ہے، تو نظام آپ کے متن سے شروع نہیں ہوتا۔ یہ لفافے سے شروع ہوتا ہے۔ یہ کس نے بھیجا ہے، اور کیا بھیجنے والا سرور کو واقعی اس ڈومین کو استعمال کرنے کی اجازت ہے؟ یہ SPF, DKIM اور DMARC ہے — تین checks جو تصدیق کرتے ہیں کہ "billing@yourbank.com" آپ کے بینک کے بنیادی ڈھانچے سے آیا ہے یا کسی کے تہہ خانے میں کرائے پر دیے گئے سرور سے۔ ایک scammer ایک لوگو کو بالکل درست نقل کر سکتا ہے اور پھر بھی DKIM میں ناکام ہو سکتا ہے، اور یہ ایک cryptographic mismatch filter کو اس سے زیادہ بتاتا ہے جتنا body میں کوئی بھی جملہ کبھی بھی کر سکتا ہے۔

پھر سستی علامات آتی ہیں۔ Sender reputation: کیا یہ IP address لاکھوں ایک جیسے پیغامات بھیج رہا ہے؟ Link analysis: کیا "یہاں کلک کریں" بٹن کسی ایسی جگہ کی طرف اشارہ کرتا ہے جہاں نظر آنے والا متن اس کا اعتراف نہیں کرتا؟ URL age, redirect chains, attachment types۔ Spam verdict کا زیادہ تر حصہ اس سے پہلے طے ہو جاتا ہے کہ ماڈل language کے بارے میں سخت سوچنا شروع کرے۔

جب language داخل ہوتی ہے، تو یہ comprehension نہیں ہے — یہ ریاضی ہے۔ پرانے filter Bayesian classifiers استعمال کرتے تھے، وہ طریقہ جو Paul Graham نے اپنے 2002 کے مضمون "A Plan for Spam" میں مقبول بنایا تھا، جو messages کو اس احتمال کی بنیاد پر score کرتا تھا کہ certain words junk یا real mail میں نمودار ہوں۔ لفظ "Viagra" کو ایک number دیا گیا۔ جدید systems transformer-based models کے ساتھ آگے بڑھتے ہیں جو متن کو embeddings میں تبدیل کرتے ہیں — اعداد کی لمبی lists جو معنی کو capture کرتے ہیں معنی کو الفاظ کے طور پر store کیے بغیر۔ Classifier کے لیے، آپ کی ای میل ایک کہانی نہیں ہے۔ یہ high-dimensional space میں ایک point ہے، اور سوال یہ ہے کہ وہ point "phishing" لیبل والے cluster کے قریب بیٹھتا ہے یا نہیں۔

یہ فرق اہم ہے، کیونکہ "AI میری الفاظ کو دیکھتا ہے" اور "AI میری الفاظ کو ایک vector میں تبدیل کرتا ہے اور اسے ایک fraud pattern سے موازنہ کرتا ہے" ایک ہی privacy event نہیں ہیں۔ ایک eavesdropping کی طرح لگتا ہے۔ دوسرا ایک metal detector کے زیادہ قریب ہے: یہ ایک confession نہیں، ایک signature کے ساتھ react کرتا ہے۔

تو اصل سوال یہ نہیں ہے کہ آیا ایک ماڈل آپ کے متن کو touch کرتا ہے۔ بالکل یہ کرتا ہے — یہ کام ہے۔ سوال دو گنا ہے، اور یہاں ہے جہاں آپ کو واقعی اپنا شک واضح کرنا چاہیے۔ پہلا: retention۔ کیا مواد store ہوتا ہے، اور کتنی دیر کے لیے؟ OpenAI کی API policy، مثال کے طور پر، کہتی ہے کہ یہ اپنے models کو train کرنے کے لیے business API data استعمال نہیں کرتا اور اسے deletion سے پہلے ایک محدود window کے لیے رکھتا ہے۔ Anthropic بھی اسی طرح کی commercial terms شائع کرتا ہے۔ یہ policies وہ چیز ہے جو پڑھنے کے قابل ہے، نہ کہ اس بارے میں تسلیاں کہ ایک logo کتنا "private" لگتا ہے۔

دوسرا: جہاں inference ہوتا ہے۔ ایک filter جو classification کو اپنے provider کی اپنی دیواروں کے اندر چلاتا ہے وہ ایک مختلف risk profile ہے جتنا متن کو ایک third-party model میں بھیجنا جو آپ نے کبھی نہیں سنا ہے۔ "On-device یا in-tenant" بمقابلہ "کسی اور جگہ بھیجا گیا" یہ privacy fork ہے جو فیصلہ کرتا ہے کہ کون، نظریے میں، کبھی بھی کچھ دیکھ سکتا ہے۔

یہ بھی ہے کہ کیوں "یہ سب کچھ scan کرتا ہے" panic backfires۔ جو systems سب کچھ scan کر رہے ہیں وہی آپ کی حفاظت کر رہے ہیں — fake invoice اور lookalike login page کو روکنے والے classifiers۔ خطرناک scanning وہ quiet قسم ہے: ایک newsletter میں tracking pixel جو ایک سرور کو ping کرتا ہے اس لمحے جب آپ اسے کھولتے ہیں، آپ کے IP اور وہ وقت log کرتے ہوئے جب آپ نے اسے پڑھا۔ یہ ایک genuine snoop ہے، اور یہ spam filter نہیں ہے۔

Retention کے بارے میں فکر کریں۔ Destination کے بارے میں فکر کریں۔ آپ کے الفاظ کو clues کے لیے پڑھنے والا ماڈل اس سے بہت کم ہے۔

@@END@@