Jaringan Permusuhan Generatif (Generative Adversarial Network/GAN)
Jaringan Adversarial Generatif (GAN) adalah salah satu jenis arsitektur AI generatif yang menggunakan dua jaringan saraf – generator dan diskriminator – yang dilatih untuk saling berlawanan. GAN dirancang untuk menghasilkan konten sintetis yang sangat mirip dengan data dunia nyata.
Generator menghasilkan keluaran sintetis berdasarkan pola yang dipelajari dari data pelatihan, sementara diskriminator menilai apakah suatu sampel asli atau dihasilkan oleh AI. Selama proses pelatihan, kedua model tersebut terus bersaing: generator berusaha menghasilkan keluaran yang semakin meyakinkan, sementara diskriminator berusaha mendeteksi apakah keluaran tersebut palsu. Proses ini dikenal sebagai pelatihan adversarial.
Proses pelatihan adversarial ini berlanjut hingga hasil yang dihasilkan menjadi sulit dibedakan secara pasti oleh diskriminator dari data asli. Keampuhan GAN berasal dari siklus umpan balik yang terus-menerus ini.
Dengan kata lain, ini adalah tentang dua jaringan saraf tiruan yang saling bersaing: yang satu belajar untuk membuat data sintetis, sedangkan yang lain belajar untuk mendeteksinya. Melalui persaingan ini, kedua model tersebut berkembang secara bersamaan, yang sering kali menghasilkan media sintetis yang sangat meyakinkan dan dapat menyerupai gambar, video, atau audio asli.
Penggunaan Umum Jaringan Adversarial Generatif
GAN umumnya dikaitkan dengan sintesis gambar dan pembuatan deepfake, meskipun model ini juga dapat digunakan untuk peningkatan kualitas gambar, transfer gaya, super-resolusi, pembuatan video, dan pembuatan data sintetis.
Contoh penggunaan yang sah antara lain pembuatan kumpulan data pelatihan untuk pembelajaran mesin, pemulihan citra berkualitas rendah, serta dukungan bagi penelitian visi komputer. Namun, GAN juga sering dikaitkan dengan aplikasi AI generatif yang berbahaya, terutama dalam pembuatan deepfake dan identitas palsu.
GAN, Penipuan Identitas, dan Verifikasi Identitas
Dalam konteks verifikasi identitas, verifikasi dokumen, dan deteksi keaslian, GAN dapat digunakan untuk menghasilkan wajah sintetis yang tampak seperti foto asli, gambar identitas yang dimanipulasi, serta media biometrik palsu.
Pelaku ancaman dapat memanfaatkan gambar yang dihasilkan oleh GAN yang menggambarkan individu yang tidak ada, lalu menggabungkannya dengan dokumen identitas palsu atau yang telah dimanipulasi untuk menciptakan identitas sintetis. Serangan-serangan ini dirancang untuk mengelabui proses verifikasi identitas di seluruh siklus hidup identitas digital – termasuk proses pendaftaran pengguna, otentikasi, dan pemulihan akun
Media yang dihasilkan oleh GAN juga dapat digunakan untuk:
- Memperbaiki dokumen identitas palsu
- Meningkatkan tingkat realisme gambar yang digunakan dalam serangan presentasi dan serangan injeksi
- Membuat konten deepfake yang bertujuan untuk merusak sistem verifikasi identitas.
Mendeteksi Media yang Dihasilkan oleh GAN
Seiring dengan kemajuan teknologi kecerdasan buatan generatif, membedakan antara konten asli dan sintetis menjadi semakin sulit bagi sistem pendeteksi penipuan konvensional.
iProov menerapkan teknologi liveness yang telah dipatenkan dengan Flashmark untuk mendeteksi konten yang dihasilkan oleh jaringan generatif adversarial (GAN). Deep learning dan penglihatan komputer menganalisis karakteristik tertentu dari kehadiran manusia yang asli, yang sangat sulit ditiru oleh konten sintetis. Solusi kami memverifikasi apakah ada orang sungguhan di balik kamera. Untuk penjelasan teknis lebih lanjut, kunjungi halaman mekanisme tantangan-respons di sini.
Dengan menerapkan sistem deteksi keaktifan yang andal, organisasi dapat membedakan antara media sintetis dan orang sungguhan yang benar-benar hadir selama proses otentikasi.
Sumber Daya Terkait Jaringan Adversarial Generatif
Untuk mengetahui lebih lanjut tentang bagaimana para penipu memanfaatkan kecerdasan buatan generatif, seperti GAN, untuk mengelabui sistem verifikasi identitas dan memfasilitasi penipuan identitas sintetis, silakan baca laporan kami “Stolen to Synthetic” di sini.
Baca lebih lanjut: