«Яндекс 360» посчитал объёмы снижения выбросов парникового газа благодаря фильтрации почты
В 2022 году «Яндекс Почта», входящая в набор сервисов «Яндекс 360», заблокировала или отфильтровала более 25 млрд нежелательных писем, рассказали Хабру в пресс-службе сервиса. Среди них рассылки, на которые пользователь не соглашался, вредоносные вирусы, спам, а также попытки фишинга. По подсчётам «Яндекс 360», это привело бы к выбросу около 4,2 тысяч тонн CО2-эквивалента за счёт затрат электроэнергии устройствами пользователей. Это равносильно выбросам от 72 авиарейсов из Москвы в Санкт-Петербург в экономклассе.
Для оценки экологичности блокировки спама компания использовала информацию о среднем весе писем с вложениями и без, а также данные международного исследования, которое рассчитало углеродный след среднестатического спам-письма: энергозатраты на его написание, подготовку базы получателей, передачу по сети, хранение, открытие и прочтение.
По данным международного исследования, одно спам-письмо в среднем ассоциируется с 0,3 грамма CO2-эквивалента выбросов парниковых газов, причём 52% выбросов приходится на открытие и прочтение письма. «Яндекс 360» использовал эти вводные для расчёта углеродного следа письма без вложения: на его открытие и прочтение пришлось бы 0,3 грамма CO2-эквивалента выбросов. Так как среднее спам-письмо с вложением больше письма без вложения в 11 раз (1 228 КБ против 106 КБ), его средний углеродный след был увеличен в расчётах пропорционально размеру письма — до 3,4 грамма CO2-эквивалента. Все недоставленные письма были приняты за письма без вложений. Используется допущение, что пользователи не открывали спам-письма.
Подсчёт углеродного следа и решение климатических вопросов с помощью цифровых продуктов — часть устойчивой повестки Яндекса, которую компания сформировала в 2020 году.
Каждый день «Яндекс 360» отправляет в спам около 68,5 млн писем, рассказали Хабру в сервисе. Чтобы защитить пользователей от спама, «Яндекс 360» использует технологию «Спамооборона» — она учитывает больше десяти тысяч факторов и обрабатывает данные с помощью библиотеки машинного обучения CatBoost. Например, определяет, были ли жалобы на письма, многим ли людям разослали вложение, похож ли текст письма на текст спам-рассылки.
