Siekdami atskirti tikras nuotraukas ir vaizdo įrašus nuo dirbtinio intelekto sukurtų kopijų, mokslininkai pasitelkia netikėtą sritį – astronomiją.
Remiantis praėjusią savaitę Karališkosios astronomijos draugijos (RAS) Nacionaliniame astronomijos susitikime paskelbtais rezultatais, du rodikliai, paprastai naudojami galaktikos formai ir šviesos pasiskirstymui užfiksuoti, gali padėti atskirti dirbtinio intelekto nuotraukas nuo tikrų. Indekso naudojimas šiuo tikslu buvo eksperimentinis, tačiau ilgainiui jis gali padėti kovoti su dezinformacija.
Kaip vyksta klastočių nustatymas
Už neįprastą gilių klastočių griovimo techniką atsakinga Anglijos Halo universiteto magistrantė Adejumoke Owolabi.
Owolabi pastebėjo, kad tikrose nuotraukose žmonių akys atspindi šviesą nuosekliai, atsižvelgiant į juos supančius šviesos šaltinius (tarkime, fotoaparato blykstę, lempą ar saulę).
Kadangi šiandieninės dirbtiniu intelektu valdomos vaizdų ir gilių vaizdo įrašų platformos neatsižvelgia į tikslius šviesos atspindžius dirbtinių subjektų akyse, šie atspindžiai – arba jų nebuvimas – yra subtilus būdas, kuriuo galima atskirti tikrus ir netikrus vaizdus.
Yra tik viena nedidelė problema: žmogui beveik neįmanoma nustatyti, ar atspindžiai kieno nors akyse yra tikri, vien pažvelgus į juos. Čia į pagalbą ateina astronomija.
Astronomai, naudodami vaizdus galaktikų formai tirti, dažnai pasitelkia Džinio koeficientą – indeksą, naudojamą dispersijai matuoti. Priklausomai nuo to, kaip šviesa pasiskirsto tarp vaizdo pikselių, Gini koeficientas tuos pikselius išdėsto didėjančia tvarka pagal srautą. Tada šie duomenys palyginami su įsivaizduojamu tobulu srauto pasiskirstymu.
Rezultatai atskleidžia galaktikos formą – elipsinę, spiralinę ar netaisyklingą – ir kartu su kitais rodikliais padeda suprasti tos galaktikos evoliuciją.
Owolabi nustatė, kad šį procesą pritaikius žmonių atvaizdams, galima nustatyti, ar tie atvaizdai yra tikri, ar sukurti dirbtinio intelekto. Jos metodas automatiškai aptinka šviesos atspindžius žmogaus akyse, tada, naudodamasis Džini koeficientu, palygina jų faktinį pasiskirstymą su tuo, koks jis „turėtų“ būti tikroje nuotraukoje.
Rezultatai, kaip ir bet kurio kito su Gini koeficientu susijusio tyrimo rezultatai, pateikiami skalėje, kurios reikšmės, artimesnės 0, reiškia tolygų šviesos pasiskirstymą, o reikšmės, artimesnės 1, – netinkamą šviesos pasiskirstymą.
Tuo pačiu tikslu Owolabi taip pat tikrino CAS parametrus (trumpą koncentraciją, asimetriją, lygumą). Šie parametrai dažniausiai naudojami didelės apimties galaktikų tyrimuose, kuriuose svarbiausia yra sistemingas ir nuoseklus matavimo metodas. Nors jie padėjo atskirti dirbtinio intelekto sukurtus vaizdus nuo tikrų, tačiau nebuvo tokie veiksmingi kaip Džini koeficientas.
Veiksmų imasi ir didžiosios kompanijos
Kelios kompanijos imasi veiksmų, kad dirbtinio intelekto generuojami vaizdai būtų skaidrūs. Tarp jų – „Meta“, kuri dabar „Facebook“ ir „Instagram“ socialiniuose tinkluose dirbtiniu intelektu sukurtą žiniasklaidą ženklina kaip tokią, ir „Intel“, kurios programinė įranga „FakeCatcher“ aptinka gilias klastotes.
Nors Owolabi metodas yra naujas, jis galėtų padėti sukurti naujas dirbtinio intelekto aptikimo priemones, kurios padėtų sustabdyti dezinformaciją arba identifikuoti gilumines klastotes.
„Svarbu pažymėti, kad tai nėra sidabrinė kulka netikriems vaizdams aptikti, – sakė Halo universiteto astrofizikos profesorius Kevinas Pimbbletas. „Pasitaiko klaidingai teigiamų ir klaidingai neigiamų rezultatų; tai nepadės nustatyti visko. Tačiau šis metodas suteikia mums pagrindą, puolimo planą ginklavimosi varžybose siekiant aptikti gilias klastotes.“
