Red Generativa Adversarial (GAN)
Una Red Generativa Adversarial (GAN) es un tipo de arquitectura de modelo de IA generativa que consta de dos redes neuronales -una generadora y otra discriminadora- entrenadas en oposición mutua.
El modelo generativo crea contenidos basados en los datos de entrenamiento disponibles para imitar los ejemplos de los datos de entrenamiento. Por su parte, un modelo discriminativo comprueba los resultados del modelo generativo evaluando la probabilidad de que la muestra comprobada proceda del conjunto de datos y no del modelo generativo. Se trata de un entrenamiento contradictorio.
En términos más sencillos, se trata de dos redes neuronales que compiten: una crea datos falsos y la otra intenta detectarlos. El resultado final es un contenido sintético muy convincente.
Los modelos siguen mejorando hasta que es tan probable que el contenido generado proceda del modelo generativo como de los datos de entrenamiento. Este método es tan eficaz porque mejora el resultado de su propia autenticidad al cotejarse constantemente con las mismas herramientas diseñadas para burlarlo. Este proceso de entrenamiento adversario continúa hasta que el generador produce resultados lo suficientemente plausibles como para engañar al discriminador. Los GAN se utilizan habitualmente para tareas de síntesis de imágenes como la creación de deepfakes, rostros humanos fotorrealistas y mejora de imágenes fotográficas.
Los actores de amenazas aprovechan las GAN con fines maliciosos, por ejemplo, para crear imágenes sintéticas que hagan más verosímiles las identidades falsas. Las imágenes sintéticas de un rostro que representa a una persona inexistente se generan utilizando esta tecnología y se combinan con identificaciones falsificadas para eludir la biometría facial durante la incorporación y a lo largo del ciclo de vida del usuario.
Para detectar medios creados por redes adversariales generativas, iProov utiliza tecnología biométrica pasiva patentada de desafío-respuesta con tecnologías de aprendizaje profundo y visión por ordenador para analizar ciertas propiedades que los medios creados por IA generativa no pueden recrear, ya que no hay una persona real al otro lado de la cámara. Por esoontar con una biometría en tiempo real incorporada a la tecnología de la vitalidad es fundamental para que las organizaciones puedan distinguir entre los medios sintéticos y las personas reales.
Para saber más sobre cómo los estafadores están aprovechando la IA generativa, como los GAN, para socavar la verificación de identidad y reforzar el fraude de identidad sintética, lea nuestro informe "Stolen to Synthetic" aquí.
Más información: