思科 IT 如何利用 AI 实现语音安全现代化
内容提要
思科IT利用AI和机器学习，结合Splunk平台整合全球语音数据，构建综合风险评分引擎，实现主动防御。该系统将通话欺诈减少70%，人工调查工作量降低60%，提升运营效率和安全性，重塑企业语音信任。
延伸解读
从被动到主动：AI如何改变语音安全逻辑
传统语音安全依赖黑名单和静态规则，只能事后响应，导致欺诈已发生才被发现。思科IT通过引入AI和机器学习，将语音数据与威胁情报关联，构建风险评分引擎，实现从被动应对到主动预测的转变。这种思路的核心在于理解通话意图而非仅记录通话量，从而在威胁影响员工前进行干预。
可解释性与混合模型：避免“黑盒”风险
思科IT在构建AI检测框架时，特意采用规则与机器学习结合的混合方案，并强调可解释性，确保运营团队能理解为何某个呼叫被标记。这避免了单纯依赖“黑盒”模型可能带来的误判和信任问题。对于企业而言，AI安全工具的可解释性至关重要，它决定了安全团队能否有效信任和操作这些系统。
数据整合是关键：统一数据层的价值
思科IT利用Splunk平台整合本地UC和云Webex Calling环境的通话数据，形成统一数据层，实时关联用户级数据、基础设施遥测和全球威胁情报。这种跨环境的数据整合能力，使得系统能识别复杂威胁，而不仅仅是孤立分析。对于大型企业，打破数据孤岛是实现有效AI安全的基础。
内部构建与合作伙伴方案：不同规模企业的选择
思科IT选择自建解决方案，以应对其全球语音环境的独特规模和复杂性，但同时也指出，对于许多企业而言，Webex Solution Plus合作伙伴（如Mutare、SecureLogic、Pindrop）提供的即用型方案可能更合适。这提示企业应根据自身规模、资源和需求，权衡自建与采购成熟方案的利弊。
Q&A
思科IT如何利用AI实现语音安全现代化？
思科IT利用AI和机器学习，结合Splunk平台整合全球语音数据，构建综合风险评分引擎，实现主动防御。该系统将通话欺诈减少70%，人工调查工作量降低60%。
思科IT在语音安全现代化之前面临哪些挑战？
思科IT面临骚扰电话（如电话诈骗、自动拨号和垃圾电话）数量和复杂性增加，传统防御方法（如手动黑名单、运营商警报和静态规则）力不从心，缺乏上下文信息，导致欺诈发生后才进行人工调查，造成运营负担和监管风险。
思科IT构建的综合风险评分引擎是如何工作的？
该引擎利用Splunk云平台整合本地部署的思科统一通信（UC）和云原生Webex Calling环境的呼叫详细记录（CDR），实时关联用户级呼叫数据、基础设施遥测数据和全球威胁情报。通过机器学习模型（随机森林和XGBoost）评估每次通话，并结合外部威胁情报（如FTC投诉数据）进行风险分层，优先处理最危险的活动。
思科IT实施AI语音安全后取得了哪些成果？
成果包括：人工调查工作量减少约60%，潜在通话欺诈损失减少约70%，更快检测新欺诈模式，减少员工收到的垃圾邮件，并重塑了企业语音服务的信任度。
思科IT的语音安全解决方案有哪些特点？
特点包括：行为背景（了解通话意图）、可解释性（运营团队能理解标记原因）、可扩展性（应对全球数百万次呼叫），以及混合解决方案（规则与机器学习结合，避免依赖黑盒模型）。
思科IT的语音安全解决方案与其他企业有何不同？
思科IT选择构建内部解决方案以应对其全球语音环境的独特规模和复杂性，但思科也为客户提供选择：通过Webex Solution Plus合作伙伴（如Mutare、SecureLogic和Pindrop）提供即用型骚扰电话检测解决方案，或利用思科基础设施构建自定义可观测性框架。
