2026. október 15., csütörtök · Eszközök

Google DeepMind és Szingapúr közös AI-modellt fejlesztett csalásfelismerésre

A Google DeepMind a szingapúri kormány technológiai ügynökségével, a GovTech Singapore-ral közösen finomhangolt egy könnyűsúlyú Gemma modellt csalási kísérletek felismerésére, a vállalat közlése szerint. A cég szerint Szingapúrban a bejelentett bűncselekmények több mint felét csalások teszik ki, amelyek 2019 óta 4 milliárd szingapúri dollárnál nagyobb kárt okoztak, és ma már a veszteségek akár 80 százalékáért felelős, kifinomult social engineering módszerek a jellemzők. A modellt helyi csalási beszélgetéseken tanították, köztük hatósági, banki és közszereplői megszemélyesítésekkel kapcsolatos esetekkel, hogy megkülönböztesse a ártalmatlan csevegést a valódi manipulációtól. A fejlesztők szerint a rendszer kizárólag a felhasználó eszközén, a felhőbe küldött adatok nélkül elemzi a beszélgetéseket, és csak a felhasználó hozzájárulásával fér hozzá azokhoz, így sem a kormány, sem a Google nem látja a tartalmat. A bevezetés a bejelentés szerint fokozatos lesz, és a szingapúri kormánnyal szorosan egyeztetve történik.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A modell on-device működése azt jelenti, hogy a Google és a szingapúri állam állítása szerint sem fér hozzá a felhasználók beszélgetéseihez, ami új irányt mutathat a privát adatkezelésű csalásvédelemben.

Források

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. október 15., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

A Google DeepMind jelnyelvi AI-t hoz a Pixel telefonokra

A Google DeepMind bemutatta a sign-language-to-text (SL2T) nevű, több nyelvet kezelő AI-modelljét, amely a vállalat állítása szerint minőségben és általánosíthatóságban áttörést jelent a jelnyelvi fordításban. A modell a Pixel 11 készülékeken a Gboard és a Live Transcribe funkciókban debütál, kezdetben amerikai jelnyelvről (ASL) angolra fordítva: a felhasználók jelelhetnek a telefonjuknak ott, ahol eddig gépelniük kellett volna, például keresésnél, üzenetírásnál vagy a Gemini utasításainál. A cég szerint a belső tesztelők gyorsabbnak és természetesebbnek találták a jelelést, mint a gépelést. A fejlesztők hangsúlyozzák, hogy a világ több mint 200 jelnyelvet használó, becslésük szerint 70 millió siket és nagyothalló embere eddig kimaradt a beszélt nyelvi AI-forradalomból. A vállalat további eszközöket és nyelveket ígér a jövőben.

Google frissítette a Gemini API menedzselt ügynökeit: alapértelmezett a 3.6 Flash

A Google hivatalos bejelentése szerint a Gemini API-ban futó menedzselt ügynökök (Managed Agents) mostantól alapértelmezetten a Gemini 3.6 Flash modellt használják, ehhez nincs szükség kódmódosításra. Az újdonság emellett úgynevezett környezeti hookokat vezet be: ezekkel egyéni szkripteket lehet futtatni minden eszközhívás előtt vagy után a homokozó-környezetben, például letiltva, ellenőrizve vagy naplózva a kód futtatását vagy fájlírást végző műveleteket. A vállalat szerint a fejlesztők explicit módon is választhatnak modellt a 3.6 Flash, a 3.5 Flash és a legkisebb késleltetésű 3.5 Flash-Lite közül. A frissítés emellett költségkeret-vezérlést, ütemezett triggereket és ingyenes hozzáférési szintet is bevezet a menedzselt ügynökökhöz.

A Google DeepMind háttérfuttatást és MCP-támogatást ad a Gemini API menedzselt ágenseihez

A Google DeepMind négy új funkcióval bővítette a Gemini API-ban elérhető Managed Agents szolgáltatást. A The Decoder beszámolója szerint a fejlesztők mostantól aszinkron módon, háttérben futtathatják az ágenseket (Background Execution), anélkül hogy nyitott HTTP-kapcsolatot kellene fenntartaniuk. Emellett távoli MCP (Model Context Protocol) szervereket csatlakoztathatnak közvetlenül belső adatbázisokhoz vagy API-khoz. Az újdonságok között szerepel, hogy egyedi függvények is használhatók a beépített sandbox-eszközök mellett, továbbá a hitelesítő tokenek frissíthetők interakciók között a sandbox állapot elvesztése nélkül. A bővítés azt követően érkezik, hogy a frissült Android Bench benchmarkon a Google saját Gemini modelljei a riválisok mögött végeztek kódgenerálásban, ami rámutat a cég ágensfejlesztési infrastruktúrájának fejlesztési kényszerére.

Google Antigravity SDK: helyi modellek a kódbiztonságért

A Google bejelentette, hogy az Antigravity SDK mostantól támogatja a helyi modellek futtatását, így a fejlesztők saját gépükön futtathatják az ágensalapú munkafolyamatokat, miközben felhőalapú modelleket is bevonhatnak a magasabb szintű feladatokhoz. A cég az Architect-Builder mintát alkalmazza hibrid környezetben: a felhőben futó „architect” ágens fájlnevek és feladatleírások alapján dolgozza ki a tervet a forráskód elérése nélkül, míg a helyi „builder” ágensek végzik a kódintenzív munkát, például sebezhetőségek reprodukálását és javítások tesztelését. A Google egy három sebezhető Python-modult érintő demonstrációban azt állítja, hogy a mintegy 3400 tokenből mindössze 95-öt használtak a felhőben tervezésre, a maradékot helyben dolgozták fel, és forráskód nem került fel a felhőbe. A kezdeti implementáció a Gemma modellt futtatja a Google LiteRT technológiáján, de OpenAI-kompatibilis helyi szerverek, köztük az Ollama, az LM Studio és a vLLM is használhatók a LocalOpenAIAgentConfig segítségével.