Как машинное обучение помогает открыть мир Древней Японии

“… коллегами Тарином Клануватом”, Тарин Клануват — женщина. Кажется её вклад в KuroNet был наибольшим.

Как построить защиту от фрода в масштабах корпорации. Лекция на YaC 2018

С GDPR всё плохо. Но есть потенциальная возможность анонимизировать данные. Или применять биометрические фичи отдельно, используя сессионные идентификаторы не привязанные к учётной записи. То есть вы считаете что-то про аномальное поведение клиентского ПО (мобильного приложения или браузера); при этом игнорируя, кто конкретно это ПО использует. Это не так круто, как провязка биометрии для каждого профиля, но работает.

Как построить защиту от фрода в масштабах корпорации. Лекция на YaC 2018

Жалко, что не английская версия, пригодилось бы.

Как построить защиту от фрода в масштабах корпорации. Лекция на YaC 2018

Дело в том, что я не рассказывал про Яндекс в своей презентации.

Как мы проверяем безопасность мобильных приложений, и почему это непросто. Безопасность в Яндексе

По поводу разрешений для Yandex.Store — их действительно много, но все имеют смысл. Например, запись аудио — это необходимое условие для работы распознавания речи от Yandex.SpeechKit. Доступ к аккаунтам кажется для социальной авторизации нужен. Просто когда в приложении много функций имплементировано, количество разрешений тоже растет неизбежно. Отзыв я передам разработчикам Yandex.Store.

Как попасть в топ на Kaggle, или Матрикснет в домашних условиях

Иван, спасибо за статью. Очень интересно было читать. Про kaggle могу сказать, что это отличный ресурс и для изучения актуальных задач ML и способ заработать (если сильно постараться). Приятно, что во многих случаях задачки решаются полезные для людей в целом, например, построение медицинских экспертных систем или расчеты загруженности дорожных сетей.
Для ML-коммьюнити, то возможно лучше Google Groups?

Как мы проверяем безопасность мобильных приложений, и почему это непросто. Безопасность в Яндексе

Передал ваши пожелания разработчикам Yandex Store.

Как мы проверяем безопасность мобильных приложений, и почему это непросто. Безопасность в Яндексе

Тут видимо небольшое недопонимание. Первая часть статьи про приложения, которые мы пишем сами. Их гораздо меньше тысячи.
Если говорить про сторонние приложения, то они все проходят через анализатор при загрузке.

Как мы проверяем безопасность мобильных приложений, и почему это непросто. Безопасность в Яндексе

Извините, промахнулся немного, отвечая на ваш комментарий. Мы все-таки стараемся избегать экстенсивных путей развития, потому что иногда лучше немного математики и оптимизации, чем установка еще десяти серверов.
Нативный код постараемся проверять уже в ближайшем будущем.

Как мы проверяем безопасность мобильных приложений, и почему это непросто. Безопасность в Яндексе

Google очень далеко ушел в динамическом анализе, но мы постараемся наверстать упущенное. В том числе и в том, что касается нативных частей приложений.

Как мы проверяем безопасность мобильных приложений, и почему это непросто. Безопасность в Яндексе

На самом деле тут всё просто. Популярные приложения активно разрабатываются, кодовая база у них растет и меняется, поэтому следить за каждым коммитом вручную было бы тяжело. Поэтому важные части приложения анализируются вручную, но остальной код проверяется автоматически при сборке.
Что касается приложений с менее активной разработкой, то там можно руками без труда проверить каждое изменение и каждый новый релиз. Или опять же при желании собрать проект с Coverity.

Эксперимент в Яндексе. Как идентифицировать взломщика с помощью машинного обучения

В статье не говорится, что мы будем требовать какую-то информацию у пользователей, мы используем только те данные, которые у нас уже есть.

Эксперимент в Яндексе. Как идентифицировать взломщика с помощью машинного обучения

Многие почему-то сконцентрировали внимание на привязке телефона. Хотя это далеко не единственный способ понять, кого нашла система. Что касается IMAP, то «большой набор факторов» может включать и такие. Спасибо за ваш комментарий.

Эксперимент в Яндексе. Как идентифицировать взломщика с помощью машинного обучения

Не все так страшно, чтобы понять, что поведение учетной записи изменилось не нужно нарушать приватность. Как выше уже отметили, все дело скорее в математике.

Эксперимент в Яндексе. Как идентифицировать взломщика с помощью машинного обучения

Почему не попробовали внедрить? Методы машинного обучения в таких ситуациях дают хорошие результаты.

Эксперимент в Яндексе. Как идентифицировать взломщика с помощью машинного обучения

Мы постараемся сделать так, чтобы обычные пользователи не заметили, что система работает. Смысл агрегации индивидуальных характеристик для каждой учетной записи в том, чтобы избежать срабатываний даже в таком случае, как вы описали.
Думаю, что выражение «слежка за каждым шагом», это преувеличение в данном случае.