Réseau adversarial génératif (GAN)
Un réseau antagoniste génératif (GAN) est un type d' architecture d'IA générative qui utilise deux réseaux neuronaux – un générateur et un discriminateur – entraînés en opposition l'un à l'autre. Les GAN sont conçus pour générer du contenu synthétique qui ressemble étroitement aux données du monde réel.
Le générateur produit des résultats synthétiques à partir de modèles appris à partir des données d'entraînement, tandis que le discriminateur détermine si un échantillon est authentique ou généré par l'IA. Pendant l'entraînement, les deux modèles s'affrontent en permanence : le générateur tente de produire des résultats de plus en plus convaincants, tandis que le discriminateur tente de détecter si ces résultats sont faux. Ce processus est connu sous le nom d'entraînement antagoniste.
Ce processus d'apprentissage antagoniste se poursuit jusqu'à ce que le discriminateur ait du mal à distinguer de manière fiable les données générées des données authentiques. L'efficacité des GAN tient à cette boucle de rétroaction constante.
En termes plus simples, il s'agit de deux réseaux neuronaux en compétition : l'un apprend à générer des données synthétiques, tandis que l'autre apprend à les détecter. En rivalisant, les deux modèles s'améliorent simultanément, ce qui aboutit souvent à des contenus synthétiques très convaincants, capables de ressembler à des images, des vidéos ou des enregistrements audio réels.
Applications courantes des réseaux antagonistes génératifs
Les réseaux antagonistes généraux (GAN) sont le plus souvent associés à la synthèse d'images et à la création de deepfakes, bien qu'ils puissent également servir à l'amélioration d'images, au transfert de style, à la super-résolution, à la génération de vidéos et à la création de données synthétiques.
Parmi les applications légitimes, on peut citer la génération d'ensembles de données d'entraînement pour l'apprentissage automatique, la restauration d'images de mauvaise qualité et le soutien à la recherche en vision par ordinateur. Cependant, les GAN sont également souvent associés à des applications malveillantes de l'IA générative, notamment dans la création de deepfakes et d'identités synthétiques.
Les réseaux antagonistes généraux (GAN), la fraude à l'identité et la vérification d'identité
Dans le cadre de la vérification d'identité, de la vérification de documents et de la détection de la présence physique, les réseaux antagonistes génératifs (GAN) peuvent être utilisés pour générer des visages synthétiques photoréalistes, des images d'identité falsifiées et des supports biométriques frauduleux.
Les cybercriminels peuvent exploiter des images générées par des réseaux antagonistes (GAN) représentant des personnes inexistantes et les associer à des documents d'identité falsifiés ou manipulés afin de créer des identités synthétiques. Ces attaques visent à contourner les contrôles d'identité tout au long du cycle de vie de l'identité numérique , notamment lors de l'inscription des utilisateurs, de l'authentification et de la récupération de compte.
Les contenus générés par les réseaux antagonistes (GAN) peuvent également servir à :
- Améliorer la fabrication de faux documents d'identité
- Améliorer le réalisme des images utilisées dans les attaques de type « présentation » et les attaques par injection
- Créer du contenu deepfake dans le but de contourner les systèmes de vérification d'identité.
Détection des contenus multimédias générés par des réseaux GAN
À mesure que les technologies d'IA générative progressent, il devient de plus en plus difficile pour les systèmes traditionnels de détection des fraudes de faire la distinction entre les contenus authentiques et les contenus synthétiques.
iProov utilise une technologie brevetée de détection de présence humaine, Flashmark, pour repérer les contenus créés par des réseaux antagonistes génératifs. L'apprentissage profond et la vision par ordinateur analysent certaines caractéristiques propres à la présence humaine réelle, que les contenus synthétiques ont beaucoup de mal à reproduire. Nos solutions permettent de vérifier si une personne réelle se trouve de l'autre côté de la caméra. Pour une explication plus technique, consultez la page consacrée au mécanisme de type « challenge-response » ici.
En intégrant un système fiable de détection de présence, les entreprises peuvent distinguer les images de synthèse d'une personne réelle effectivement présente lors de la procédure d'authentification.
Ressources connexes sur les réseaux antagonistes génératifs
Pour en savoir plus sur la manière dont les fraudeurs exploitent l'IA générative, comme les GAN, pour contourner les contrôles d'identité et favoriser la fraude par identité synthétique, consultez notre rapport « Stolen to Synthetic » ici.
En savoir plus :