Kunst imitiert das Leben, und KI auch. Nachahmung durch Illustrationen und Gemälde ist ein integraler Bestandteil der menschlichen Kultur und reicht bis in prähistorische Zeiten mit Höhlenmalereien zurück. Diese Fähigkeit wird durch die Spiegelneuronen in unserem Gehirn bereitgestellt. Während dies zeigt, wie wir als Menschen lernen, zeigt die Präsenz von Deepfakes im Cyberspace die schädlichen Auswirkungen dieser Fähigkeit.
Für Uneingeweihte, Deepfakes sind im Grunde veränderte Kopien von Medien, die im Internet verfügbar sind und von KI erstellt werden. Kürzlich war der amerikanische Schauspieler Bill Hader in einem Deepfake-Video zu sehen, in dem er sich aufhält verwandelte sich nahtlos in Arnold Schwarzenegger während er seinen Abdruck macht. Diese Deepfake-Videos werden von einem YouTube-Kanal namens erstellt Strg-Umschaltfläche WER geteilt mit The Guardian dass er mit seinen Deepfakes das Bewusstsein für den möglichen Schaden schärfen möchte, den diese Technologie anrichten kann.
Ich habe dieses Video gestern Abend gesehen und es macht mir immer noch Angst. Ein Deep Fake, bei dem sich Bill Hader in Tom Cruise und Seth Rogan verwandelt, während er sich als diese ausgibt. (über @MohamedGhilan /Strg-Shift-Gesicht auf YouTube) pic.twitter.com/59evJ5Etfi
— Gavin Sheridan (@gavinsblog) August 12, 2019
Während Twitter geht weiterhin gegen Fake News vor, Bo Zhao, Shaozeng Zhang, Chunxue Xu, Yifan Sun und Chengbin Deng aus dem Universität von Washington haben a veröffentlicht Krepppapier in Kartographie und Geoinformationswissenschaft Zeitschrift, die anpackt Deepfake-Geographie. Zhao bringt die Idee auf den Punkt, indem er sagt: „Hier geht es nicht nur um Photoshopping-Dinge. Dadurch sehen die Daten unheimlich realistisch aus.“
KI-basierte Deepfake-Geographiestudie
„Um einen solchen neuen Modus der gefälschten Geographie zu verstehen, ist es notwendig, den grundlegenden Algorithmus der Deep-Fake-Techniken bei der Erstellung gefälschter Geodaten zu verstehen und uns so dazu zu inspirieren, mögliche Erkennungsansätze zu erkunden“, schreiben die Autoren. Deepfakes werden mithilfe eines Deep-Learning-KI-Tools namens Generative Adversarial Network (GAN) erstellt. In ihrer Studie haben Zhao et al. verwendete Cycle-Consistent Adversarial Networks oder ZyklusGAN, ein beliebtes GAN-Modell, um simulierte Bilder einer Stadt zu erzeugen.
CycleGAN funktioniert so, dass es diese Gleichung löst: G(),F()=L(G,F,Dx,Dy). Dabei sollen die Mapping-Funktionen G() und F() ständig miteinander interagieren. Diese Funktionen müssen immer eine Beziehung zwischen X und Y finden, G: X → Y und F: Y → X, mit X und Y als Domänen. Mit anderen Worten: Es muss nach mehreren Versuchen lernen, ob die betreffenden Daten echt oder gefälscht sind. Wenn es einen Punkt erreicht, an dem es keinen Unterschied mehr erkennen kann, ist dies die endgültige Ausgabe oder die gefälschte geografische Karte.
Zhao et al. wählten Tacoma, Seattle und Peking als Städte für ihre Forschung. Die Karten und Satellitenbilder wurden kombiniert, um neue Bilder einer Stadt zu erstellen, die sich an den Merkmalen der beiden anderen orientierten. Tacoma wurde als ihre „Basiskarte“-Stadt bestimmt, mit den geografischen Merkmalen und städtischen Strukturen von Seattle und Peking, wodurch eine gefälschte Geographie von Tacoma entstand.
Dieses Satellitenbild zeigt keinen realen Standort.
Laut einem neuen Bericht könnte das Problem von KI-generierten Satellitenbildern oder „Deepfake-Geografie“, das manchmal als „Standort-Spoofing“ bezeichnet wird, zu einem wachsenden Problem werden @UW Studie.
Mehr lesen: https://t.co/Rt4ROLtM9p pic.twitter.com/q9hKCYUV7n
— UW-Nachrichten (@uwnews) 26. April 2021
Abwehr von Deepfakes
Zhaoet al. gebaut a Deepfake-Erkennung Datensatz mit 8,064 Satellitenbildern in der Größe von 256*256 Pixel. Der Datensatz enthält authentische Satellitenbilder von Tacoma, Seattle und Peking sowie die simulierten Bilder von Tacoma. Sie fügten auch 25 Funktionen wie CFI, Brenne-Bildqualitätsindex, Graustufen-Gleichzeitigkeitsmatrix hinzu, um nur einige zu nennen. Die Ergebnisse zeigen, dass 21 von 25 Merkmalen signifikant unterschiedliche Mittelwerte aufwiesen, was die Authentizität des Bildes in Frage stellt.
Das Studium der georäumlichen künstlichen Intelligenz hat dem geografischen Informationssystem (GIS) und KI-Fortschritten wie dem Prozess natürlicher Sprache, der Klassifizierung unstrukturierter Daten, Computer Vision oder der Übertragung von Kartenstilen einen Schub verliehen. Obwohl Zhao et al. Als sie die Chancen erkannten, kamen sie zu dem Schluss, dass „GIS-Anwender sich auch der möglichen Verfälschung von Geodaten bewusst sein und sich darauf vorbereiten sollten, indem sie Erkennungsansätze zur Identifizierung gefälschter Geodaten entwickeln und bei Bedarf einen solchen Ansatz nutzen.“
Die Satellitenbildserie der Deepfake-Geographie von Tacoma spiegelt ähnliche visuelle Muster wie Seattle und Peking wider. Zhao et al. Schließen Sie mit einer Warnung und einem Vorschlag und sagen Sie, dass die Studie vor der Entstehung und Verbreitung von Deep Fakes in der Geographie ebenso warnt wie von „Lügen“ in Karten. Wir empfehlen die rechtzeitige Erkennung von Deep Fakes in Geodaten und bei Bedarf geeignete Bewältigungsstrategien.“
Bildnachweis: Die Funktion Image ist symbolisch und wurde von der NASA vorbereitet. Der für Ihre privaten Foto im Hauptteil des Artikels wurde von Peter Nguyen übernommen.
Quellen: Kim Eckert (UW-Nachrichten) / Elle Hunt (The Guardian) / Jason Brownlee (Beherrschung des maschinellen Lernens)
