Réseau adversarial génératif (GAN)
Un réseau adversarial génératif (GAN) est un type d'architecture de modèle d'IA génératif composé de deux réseaux neuronaux - un générateur et un discriminateur - formés en opposition l'un à l'autre.
Le modèle génératif crée un contenu basé sur les données d'apprentissage disponibles afin d'imiter les exemples contenus dans les données d'apprentissage. Parallèlement, un modèle discriminant teste les résultats du modèle génératif en évaluant la probabilité que l'échantillon testé provienne de l'ensemble de données plutôt que du modèle génératif. Il s'agit d'une formation contradictoire.
En termes plus simples, il s'agit de deux réseaux neuronaux en concurrence, l'un créant de fausses données et l'autre essayant de les repérer. Cela permet d'obtenir un contenu synthétique très convaincant.
Les modèles continuent de s'améliorer jusqu'à ce que le contenu généré ait autant de chances de provenir du modèle génératif que des données d'apprentissage. Cette méthode est si efficace qu'elle améliore le résultat de sa propre authenticité en se confrontant constamment aux outils mêmes qui ont été conçus pour la déjouer. Ce processus de formation contradictoire se poursuit jusqu'à ce que le générateur produise des résultats suffisamment plausibles pour tromper le discriminateur. Les GAN sont couramment utilisés pour des tâches de synthèse d'images telles que la création de deepfakes, de visages humains photoréalistes et l'amélioration de l'imagerie photographique.
Les acteurs de la menace exploitent les GAN à des fins malveillantes, par exemple pour créer des images synthétiques qui rendent les identités synthétiques plus plausibles. L'imagerie synthétique d'un visage représentant une personne inexistante est générée à l'aide de cette technologie et associée à de fausses pièces d'identité afin de contourner la biométrie faciale lors de l'accueil et tout au long du cycle de vie de l'utilisateur.
Pour détecter les médias créés par des réseaux adversaires génératifs, iProov utilise une technologie biométrique passive brevetée de réponse à un défi, ainsi que des technologies d'apprentissage en profondeur et de vision par ordinateur pour analyser certaines propriétés que les médias créés par l'IA générative ne peuvent pas recréer - puisqu'il n'y a pas de personne réelle de l'autre côté de la caméra. C'est pourquoi he fait d'intégrer une biométrie en temps réel dans la technologie de la vivacité est essentielle pour que les organisations puissent faire la distinction entre les médias synthétiques et les personnes authentiques.
Pour en savoir plus sur la façon dont les fraudeurs exploitent l'IA générative telle que les GAN pour saper la vérification de l'identité et renforcer la fraude par identité synthétique, lisez notre rapport "Stolen to Synthetic" (du vol au synthétique) ici, lisez notre rapport "Stolen to Synthetic" ici.
En savoir plus :