هوش مصنوعی و چهره سازی
توانایی هوش مصنوعی
یک مطالعه جدید نشان میدهد که چهرههای جعلی ایجاد شده توسط هوش مصنوعی از چهرههای واقعی قابل اعتمادتر به نظر میرسند که موضوع نگران کنندهای است.
یک مطالعه جدید و در عین حال نگران کننده نشان میدهد که چهرههای جعلی ایجاد شده توسط هوش مصنوعی قابل اعتمادتر از چهره افراد واقعی به نظر میرسند.
در این مطالعه جدید که توسط “سوفی نایتینگل” از دانشگاه “لنکستر” و “هانی فرید” از دانشگاه “کالیفرنیا برکلی” انجام شد، محققان چندین آزمایش انجام دادند تا ببینند آیا چهرههای جعلی ایجاد شده توسط الگوریتمهای یادگیری ماشینی میتوانند انسانها را فریب دهند یا خیر. آنها دریافتند چهرههایی که به صورت مصنوعی تولید میشوند، نه تنها بسیار واقعگرایانه هستند، بلکه تقریباً از چهرههای واقعی قابل تشخیص نیستند و حتی توسط افراد، قابل اعتمادتر ارزیابی میشوند.
محققان با توجه به این نتایج، خواستار تدابیری برای جلوگیری از پخش آنلاین “جعل عمیق” یا “دیپ فیک” هستند.
از فناوری “جعل عمیق” تاکنون برای جعل تصاویر مستهجن از افراد مشهور، کلاهبرداری و تبلیغات استفاده شده که منجر به انتشار اخبار جعلی و ایجاد دردسرهای زیادی شده است.
محققان میگویند: ارزیابی ما از واقعگرایی عکس چهرههای مصنوعی تولید شده با هوش مصنوعی نشان میدهد که موتورهای تولید این تصاویر از مرزها عبور کردهاند و میتوانند چهرههایی غیرقابل تشخیص و حتی قابل اعتمادتر از چهرههای واقعی ایجاد کنند.
آنها میافزایند: شاید زیانبارترین نتیجه این فناوری این باشد که در دنیای دیجیتال که در آن هر تصویر یا ویدئویی را میتوان جعل کرد، صحت هرگونه تصویر و ویدیو را میتوان زیر سوال برد.
الگوریتم های هوش مصنوعی
کارشناسان برای این مطالعه از چهرههای جعلی استفاده کردند که با یک “شبکه زایای دشمنگونه” موسوم به “StyleGAN۲” متعلق به شرکت فناوری “انویدیا”(Nvidia) ساخته شده است.
شبکههای زایای دشمنگونه یا شبکههای مولد رقابتی(GANs) با قرار دادن دو الگوریتم در برابر یکدیگر کار میکنند تا تصاویر متقاعدکنندهای از دنیای واقعی ایجاد کنند.
شبکههای زایای دشمنگونه یک کلاس از چارچوبهای یادگیری ماشین است که “ایان گودفلو” و همکارانش در سال ۲۰۱۴ آن را معرفی کردند. در این کلاس، دو شبکه عصبی در یک بازی که سود یک بازیکن به ضرر بازیکن دیگر است و هر گاه بازیکنی یک امتیاز میگیرد در واقع امتیازی از بازیکن مقابل کم میشود، روبروی یکدیگر قرار میگیرند. در نتیجه همواره مجموع امتیازات صفر است.
در این روش شبکه فرا میگیرد چگونه از دادههای آموزش، دادههای جدیدی به وجود بیاورد که از دید آماری دادههای آموزش و به وجود آمده همسان باشند. به عبارت دیگر روش در نهایت قرار است دادههایی که برای آموزش استفاده میشوند و خروجی شبکه از لحاظ برخی ویژگیها شباهت داشته باشند، وظیفه تولید خروجی بر عهدهی بخش زایا و وظیفه بررسی کافی بودن این شباهت بر عهده بخش دشمنگونه است. مانند یک بازی، اگر بخش دشمنگونه بتواند حدس بزند ورودی اصلی شبکه با خروجی ساخته شده توسط بخش زایا اختلاف دارند یا به عبارتی همسان نیستند، برنده میشود و بخش زایا مجبور است خروجی بهتری تولید کند تا جایی که بخش زایا بتواند بخش دشمنگونه را بفریبد در نتیجه بازی تمام شود.
برای نمونه، شبکههای مولد رقابتی آموزشیافته میتوانند عکسهای جدیدی را به وجود بیاورند که از دید بیننده درست باشد و بسیاری از ویژگیهای دادههای آموزشی را در بر بگیرد. تصور کنید قرار است از تصاویر با وضوح پایین تصاویر با وضوح بالای معادل آنها را بسازیم که علاوه بر بزرگتر بودن و با کیفیتتر بودن دقیقا معادل تصویر ورودی باشد. در چنین شرایطی شبکه زایای دشمنگونه بسیار مفید و کمک کننده است.
نتیجه گیری:
ایده بنیادی شبکههای مولد رقابتی بر پایه آموزش جداکننده است که خود نیز در فرآیند آموزش به شیوه پویا در حال به روزرسانی است. بدین سان شبکه مولد به جای اینکه در پی کاهش فاصله با یک عکس باشد، در تلاش برای گمراه کردن شبکه تفکیک کننده خواهد بود. بنابراین مدل توانا میشود تا به روش بدون ناظر به وجود آوردن عکسها را فرا بگیرد.