contador de visitas Skip to content

Hur artificiell intelligens används för att utföra djupa förfalskningar och för att upptäcka dem

inteligencia artificiell para crear deepfakes y para detectarlos

Framträder för första gången 2018, deepfakes De blev kända för att göra det möjligt att byta skådespelers ansikten från en video till en annan. Ordet Djup kommer från termen Djup lärning (deep learning) en gren av AI som involverar algoritmer som exakt replikerar inlärningsförmågan hos människor och djur.

Det finns en typ av neurala nätverk som används i förfalskningar som kallas autoencoder (autoencoder), som är ansvarig för kodning av en ingångsbild i en liten uppsättning numeriska värden med hjälp av lager.

De initiala lagren med många variabler förenklas tills de når flaskhalslagret, som sedan avkodas av det neurala nätverket för att återskapa originalbilden.

En serie bilder fungerar som en datakälla för att mata autokodaren under dess träningsprocess så att den kan hitta ett sätt att justera parametrarna som motsvarar kodnings- och avkodningsskiktet tills utmatningsbilden är så exakt som möjligt. till entrén.

Under träningen förses autokodaren med en serie bilder. Målet med träning är att hitta ett sätt att justera kodar- och avkodarskiktparametrarna så att utmatningsbilden är så nära ingångsbilden som möjligt.

Och även om den här tekniken fortfarande inte är trivial, har djupa förfalskningar gjort videomanipulation till en resurs tillgänglig för alla, vilket orsakar förfalskningar med fokus på generering av falska nyheter.

Detta har lett till att AI-forskare har tagit initiativ till att utveckla verktyg som gör det möjligt att upptäcka djupfalsning. En av dem utvecklades i syfte att markera de videor där personen inte blinkade eller gjorde det med onormala intervaller.

Det finns en annan metod som överväger användningen av deeplearning-algoritmer som är utformade för att upptäcka tecken på manipulation vid kanterna av objekt i bilder.