Google hat im vergangenen Jahr \u00fcber 5,5 Milliarden Anzeigen blockiert oder entfernt, die gegen die Richtlinien des Unternehmens versto\u00dfen haben. Dabei handelte es sich vor allem um potenziell gef\u00e4hrliche Anzeigen. Es ist ein wachsender Trend, dass Betr\u00fcger k\u00fcnstliche Intelligenz (KI) einsetzen, um solche gef\u00e4lschten Inhalte zu generieren. Auch Google setzt KI ein, um Betrugsversuche zu erkennen, und befindet sich somit in einem Wettrennen im Bereich der k\u00fcnstlichen Intelligenz.<\/p>\n
Von den blockierten Anzeigen haben \u00fcber eine Milliarde gegen die Richtlinien von Google versto\u00dfen, da sie sch\u00e4dliche Software enthielten. Mit 550 Millionen Anzeigen waren F\u00e4lle, in denen Markennamen und Logos unbefugt verwendet wurden, die zweith\u00e4ufigste Verletzung der Richtlinien. Dar\u00fcber hinaus hat Google insgesamt 372 Millionen personalisierte Anzeigen gel\u00f6scht, die gegen die Richtlinien versto\u00dfen haben. Mehr als 200 Millionen Anzeigen wurden entfernt, da es sich um Betrugsversuche handelte, die darauf abzielten, Informationen und Daten von potenziellen Opfern zu erlangen. Des Weiteren wurden auch 270 Millionen Anzeigen entfernt, die gegen die Richtlinien f\u00fcr Finanzdienstleistungen versto\u00dfen haben.<\/p>\n
Google erkl\u00e4rt anhand dieses Beispiels auch den Ablauf des KI-Wettrennens. In der Vergangenheit verwendete das Unternehmen Machine-Learning-Modelle, die mit einer gro\u00dfen Anzahl von Beispielen trainiert werden mussten, um Missbrauchsversuche zu erkennen. Dadurch waren die Systeme in der Lage, \u00e4hnliche F\u00e4lle sehr pr\u00e4zise zu identifizieren. Nun sind gro\u00dfe Sprachmodelle (Large Language Models, LLMs) in der Lage, Inhalte deutlich pr\u00e4ziser zu analysieren und zu bewerten. Sie erm\u00f6glichen eine schnellere Reaktion im Vergleich zum herk\u00f6mmlichen maschinellen Lernen und k\u00f6nnen beispielsweise auch zugrunde liegende Muster erkennen.<\/p>\n
Um eine h\u00f6here Erkennungsrate von Betrugsversuchen zu erzielen, integriert Google auch sein Sicherheitssystem f\u00fcr Anzeigen in seine eigenen Ma\u00dfnahmen. Das m\u00e4chtige Sprachmodell von Google, Gemini, ist in verschiedenen Ausf\u00fchrungen erh\u00e4ltlich und kann Text, Bilder, Audio, Video und Code verarbeiten. Dadurch kann es verschiedene Arten von Anzeigenbetrug identifizieren, falls dieser auftritt.<\/p>\n
Im Jahr 2023 hat Google zudem zus\u00e4tzliche Richtlinien implementiert, um den Betrug einzud\u00e4mmen. Beispielsweise werden Anzeigen von unbekannten Werbetreibenden zun\u00e4chst nicht in gro\u00dfem Umfang angezeigt. In der sogenannten „Kennenlernphase“ m\u00fcssen Auftraggeber zun\u00e4chst ihre F\u00e4higkeiten unter Beweis stellen. Google betont die hohe Bedeutung einer schnellen Reaktion auf neue Betrugs- und Missbrauchsversuche.<\/p>\n
Ein Beispiel f\u00fcr diesen Trend ist das Aufkommen von Deepfakes Ende 2023 und Anfang 2024, bei dem bekannte Personen in Werbeanzeigen verwendet wurden. F\u00fcr diejenigen, die sich fragen, wie es um die allgegenw\u00e4rtige Werbung von chinesischen Handelsplattformen wie Temu und Shein steht: Es scheint offensichtlich, dass diese Anzeigen den zul\u00e4ssigen Kriterien entsprechen.<\/p>\n
Das Wettrennen im Bereich der k\u00fcnstlichen Intelligenz zwischen Betr\u00fcgern und Unternehmen wie Google wird sich weiterhin entwickeln. Unternehmen wie Google setzen immer fortschrittlichere Technologien ein, um Anzeigenbetrug zu bek\u00e4mpfen und die Sicherheit der Nutzer zu gew\u00e4hrleisten.<\/p>\n
Schlagw\u00f6rter: Google Machine-Learning-Modelle + Google + Googles<\/p>\n","protected":false},"excerpt":{"rendered":"
Google hat im vergangenen Jahr \u00fcber 5,5 Milliarden Anzeigen blockiert oder entfernt, die gegen die Richtlinien des Unternehmens versto\u00dfen haben. Dabei handelte es sich vor allem um potenziell gef\u00e4hrliche Anzeigen. Es ist ein wachsender Trend, dass Betr\u00fcger k\u00fcnstliche Intelligenz (KI) einsetzen, um solche gef\u00e4lschten Inhalte zu generieren. Auch Google setzt...<\/p>\n","protected":false},"author":4,"featured_media":6028,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-6029","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/posts\/6029","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=6029"}],"version-history":[{"count":0,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/posts\/6029\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/media\/6028"}],"wp:attachment":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6029"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6029"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6029"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}