防诈黑客松优胜得主运用多维技术架构 防范诈骗实力受Gogolook肯定

「team(1)」团队以「麦骗 FakeOff」方案，勇夺Gogolook「诈骗识别防范」组优胜。DIGITIMES摄

台湾诈骗已从单点手法演进为「跨渠道、多步骤」攻击。多数受害不是因为不懂诈骗，而是在高压、低信息、短时间的情境下做出错误决策。如何协助消费者在下一步移动前得到可信的风险判断与引导，成为当前迫切挑战。

随着生成式AI技术快速突破，假信息、深度伪造与诈骗样态更加多元精致，对社会信任机制与公共安全角成冲击。如何透过 AI 强化信息验证与风险防范，已成为全球迫切课题。

在「去伪存真：全民侦查黑客松（Agent for Truth：Disinformation Defense Hackathon）」Gogolook命题的诈骗识别防范组别中，台大电机系实验室成员组成的team(1)以「麦骗 FakeOff」方案获得「优选奖」肯定。

诈骗手法日新月异，往往与社会时事紧密结合，降低消费者警戒心。如报税季节来临，相关诈骗简讯便会大量涌现。传统防诈模型依赖过去数据训练，无法主动识别诈骗集团的新招式。

team(1) 团队表示，「麦骗 FakeOff」采用持续学习与数据对齐机制，运用爬虫技术监控主流新闻网站，实时抓取最新时事，并利用AI识别可能被诈骗集团利用的内容。系统能在诈骗信息大规模发布前完成模型训练与识别，达到防堵诈骗的目的。

此次竞赛由Amazon Web Services（AWS）提供云端技术支持，team(1)团队运用AWS云端运算服务建构完整的AI防诈系统。系统部署于Amazon Elastic Compute Cloud（Amazon EC2）执行个体，透过 Amazon Simple Storage Service（Amazon S3）存储海量诈骗数据集与训练数据，并运用AWS基础模型服务Amazon Titan Text Embeddings V2进行高效的文本矢量化处理，展现了AWS云端服务在支持创新AI应用开发上的完整能力。

在技术架构上，「麦骗 FakeOff」导入视觉语言模型Claude Sonnet 4.6，解析屏幕截图与文字内容。系统建构Multi-Agent协作流程，并采用Claude Haiku 4.5，由Function Calling Agent根据视觉特徵自动调度诈骗信息检测工具、黑名单与号码API，随后由Conclusion Agent汇整反馈，产出可解释的判定报告与防御建议。

针对诈骗信息检测核心，FakeOff采用跨模型对齐投票机制，整合GPT-4O、Claude Sonnet 4.5、Llama-3-70B、Mistral、Qwen3-30B等顶尖大型语言模型进行交叉验证，筛选出最贴近中文语感的模型，并对国际数据集进行本地化翻译与训练，解决台湾诈骗样本不足问题。系统透过持续学习机制，运用Amazon Titan Text Embeddings V2进行文本矢量化，结合神经网络分类器，以真实世界数据与人类反馈持续更新模型。

针对新兴诈骗手法，FakeOff自动从新闻网爬取最新报导并提取高风险关键字，无需重新训练模型即可防护新兴诈骗。此完善技术架构，让team(1)团队获得评审团青睐。

team(1)团队指出，本次竞赛中在AWS解决方案架构师现场支持、Gogolook的企业导师指导之下，让团队从纯技术视角延伸到真实应用场景。团队成员也希望能为防范诈骗、守护信息安全，贡献一己之力。