防詐黑客松優勝得主運用多維技術架構 防範詐騙實力受Gogolook肯定

「team(1)」團隊以「麥騙 FakeOff」方案，勇奪Gogolook「詐騙識別防範」組優勝。DIGITIMES攝

台灣詐騙已從單點手法演進為「跨渠道、多步驟」攻擊。多數受害不是因為不懂詐騙，而是在高壓、低資訊、短時間的情境下做出錯誤決策。如何協助消費者在下一步行動前得到可信的風險判斷與引導，成為當前迫切挑戰。

隨著生成式AI技術快速突破，假訊息、深度偽造與詐騙樣態更加多元精緻，對社會信任機制與公共安全形成衝擊。如何透過 AI 強化資訊驗證與風險防範，已成為全球迫切課題。

在「去偽存真：全民偵查黑客松（Agent for Truth：Disinformation Defense Hackathon）」Gogolook命題的詐騙識別防範組別中，台大電機系實驗室成員組成的team(1)以「麥騙 FakeOff」方案獲得「優選獎」肯定。

詐騙手法日新月異，往往與社會時事緊密結合，降低消費者警戒心。如報稅季節來臨，相關詐騙簡訊便會大量湧現。傳統防詐模型依賴過去資料訓練，無法主動辨識詐騙集團的新招式。

team(1) 團隊表示，「麥騙 FakeOff」採用持續學習與數據對齊機制，運用爬蟲技術監控主流新聞網站，即時抓取最新時事，並利用AI識別可能被詐騙集團利用的內容。系統能在詐騙訊息大規模發布前完成模型訓練與識別，達到防堵詐騙的目的。

此次競賽由Amazon Web Services（AWS）提供雲端技術支援，team(1)團隊運用AWS雲端運算服務建構完整的AI防詐系統。系統部署於Amazon Elastic Compute Cloud（Amazon EC2）執行個體，透過 Amazon Simple Storage Service（Amazon S3）儲存海量詐騙資料集與訓練數據，並運用AWS基礎模型服務Amazon Titan Text Embeddings V2進行高效的文本向量化處理，展現了AWS雲端服務在支援創新AI應用開發上的完整能力。

在技術架構上，「麥騙 FakeOff」導入視覺語言模型Claude Sonnet 4.6，解析螢幕截圖與文字內容。系統建構Multi-Agent協作流程，並採用Claude Haiku 4.5，由Function Calling Agent根據視覺特徵自動調度詐騙訊息檢測工具、黑名單與號碼API，隨後由Conclusion Agent彙整反饋，產出可解釋的判定報告與防禦建議。

針對詐騙訊息檢測核心，FakeOff採用跨模型對齊投票機制，整合GPT-4O、Claude Sonnet 4.5、Llama-3-70B、Mistral、Qwen3-30B等頂尖大型語言模型進行交叉驗證，篩選出最貼近中文語感的模型，並對國際資料集進行本地化翻譯與訓練，解決台灣詐騙樣本不足問題。系統透過持續學習機制，運用Amazon Titan Text Embeddings V2進行文本向量化，結合神經網路分類器，以真實世界資料與人類反饋持續更新模型。

針對新興詐騙手法，FakeOff自動從新聞網爬取最新報導並提取高風險關鍵字，無需重新訓練模型即可防護新興詐騙。此完善技術架構，讓team(1)團隊獲得評審團青睞。

team(1)團隊指出，本次競賽中在AWS解決方案架構師現場支援、Gogolook的企業導師指導之下，讓團隊從純技術視角延伸到真實應用場景。團隊成員也希望能為防範詐騙、守護資訊安全，貢獻一己之力。