Οι deepfake εικόνες που δημιουργούνται από τεχνητή νοημοσύνη (ΑΙ) είναι πλέον πανταχού παρούσες στο διαδίκτυο. Ενώ ορισμένες είναι εντελώς γελοίες και αποκαλούνται από τις νεότερες γενιές, Gen Z και Gen Alpha, ως «Boomer Art», άλλες μπορούν να ξεγελάσουν ακόμα και εκείνους που προσέχουν ιδιαίτερα.
Αυτό είναι ιδιαίτερα σημαντικό όταν πρόκειται για deepfakes, τις κατασκευασμένες εικόνες πραγματικών ανθρώπων.
Η σημασία της καταπολέμησης των Deepfakes
Η αντιμετώπιση της εξάπλωσης αυτών των εικόνων είναι εξαιρετικά σημαντική, καθώς χρησιμοποιούνται για τη διάδοση παραπληροφόρησης, την επίθεση σε πολιτικούς αντιπάλους και την παραβίαση προσωπικών δεδομένων. Μια πιθανή λύση για την ανίχνευση των πιο ρεαλιστικών deepfakes προέρχεται από τεχνικές που χρησιμοποιούνται στην αστρονομία, αν και η αστρονομία τις δανείστηκε από τα στατιστικά που εφαρμόζονται στις ανισότητες πλούτου. Αυτή η μέθοδος ονομάζεται Συντελεστής Gini.
Η μέθοδος των ερευνητών
Οι αλγόριθμοι μηχανικής μάθησης που δημιουργούν ψεύτικες εικόνες εξακολουθούν να μην είναι καλοί στην πλήρη αναπαράσταση της πραγματικότητας. Μέχρι πριν από λίγους μήνες, ακόμα και οι καλύτεροι αλγόριθμοι δεν μπορούσαν να αναπαραστήσουν ρεαλιστικά χέρια και δυσκολεύονταν πολύ με τις αντανακλάσεις που βλέπουμε στα μάτια των ανθρώπων. Το φως του περιβάλλοντος και τα αντικείμενα αντανακλώνται στα μάτια ενός ατόμου που φωτογραφίζεται. Η αντανάκλαση στο ένα μάτι είναι συνεπής με την αντανάκλαση στο άλλο και αυτό μπορεί να αξιολογηθεί στατιστικά.
Η αξιοπιστία της μεθόδου
Οι ερευνητές σημειώνουν ότι η μέθοδος αυτή δεν είναι τέλεια, καθώς η στατιστική ανάλυση των δεδομένων μπορεί να οδηγήσει σε περιστασιακά λάθη.
«Δεν είναι μια αλάνθαστη λύση. Μπορεί να υπάρξουν ψευδώς θετικά ή ψευδώς αρνητικά αποτελέσματα. Δεν πρόκειται να πιάσει τα πάντα. Αλλά αυτή η μέθοδος μας παρέχει μια βάση, ένα σχέδιο επίθεσης. Αυτός είναι ένας αγώνας εξοπλισμών. Μπορεί να βοηθήσει τώρα το 2024, αλλά αν δεν παραμείνουμε μπροστά, το deepfake του 2028 θα έχει ξεπεράσει αυτό το πρόβλημα», είπε ο καθηγητής Kevin Pimbblet από το Πανεπιστήμιο του Hull στο IFLScience.
Η εφαρμογή του συντελεστή Gini
Ο συντελεστής Gini χρησιμοποιείται για να εκτιμήσει την ανισότητα πλούτου, οπότε αν μια χώρα έχει δραματική διαφορά μεταξύ του πλούτου των πλούσιων και του πλούτου των φτωχών, τότε αυτή η χώρα – για παράδειγμα, οι Ηνωμένες Πολιτείες – θα έχει υψηλό συντελεστή Gini. Αλλά γενικά, ο αριθμός χρησιμοποιείται για να υπολογιστεί η ανισότητα μεταξύ των τιμών μιας συχνότητας κατανομής, και αυτό ισχύει για όλα τα δεδομένα, συμπεριλαμβανομένων όταν θέλουμε να υπολογίσουμε τη μορφολογία ενός γαλαξία – βασικά, πώς φαίνεται.
Η ανάλυση της μορφολογίας των γαλαξιών
«Αυτός είναι ένας τρόπος για να αναλύσουμε τη μορφολογία των γαλαξιών. Παραδοσιακά, η μορφολογία κρινόταν με το μάτι. Ελπίζω να είναι προφανές ότι το ανθρώπινο μάτι είναι μια φανταστική συσκευή από φυσική άποψη, αλλά έχουμε προκαταλήψεις», είπε ο καθηγητής Pimbblet στο IFLScience. «Αυτό που πραγματικά θέλουμε είναι ένας αμερόληπτος τρόπος για να ποσοτικοποιήσουμε τη μορφολογία των γαλαξιών και κατά προτίμηση ένας που κάνει πολύ λίγες υποθέσεις».
Προκαταρκτικά αποτελέσματα
Οι μέθοδοι του συντελεστή Gini και άλλες που χρησιμοποιούνται στην αστρονομία για την ταξινόμηση των γαλαξιών χρησιμοποιήθηκαν σε αυτό το έργο, αλλά σύμφωνα με τα προκαταρκτικά αποτελέσματα, μόνο ο συντελεστής Gini ήταν αρκετά καλός για την αναγνώριση των ματιών των deepfakes.
Η τρέχουσα έρευνα είναι μέρος ενός μεταπτυχιακού προγράμματος της σπουδάστριας του Pimbblet, Adejumoke Owolabi και παρουσιάστηκε στη Διάσκεψη Εθνικής Αστρονομίας αυτή την εβδομάδα. Η Owolabi και το Pimbblet σχεδιάζουν τώρα να υποβάλουν ένα άρθρο με τα ευρήματα.