Rete avversaria generativa (GAN)
Una GAN (Generative Adversarial Network) è un tipo di architettura di modello di IA generativa che consiste in due reti neurali - un generatore e un discriminatore - addestrate in opposizione l'una all'altra.
Il modello generativo crea contenuti basati sui dati di formazione disponibili per imitare gli esempi presenti nei dati di formazione. Nel frattempo, un modello discriminativo verifica i risultati del modello generativo valutando la probabilità che il campione testato provenga dal set di dati piuttosto che dal modello generativo. Questo è l'addestramento avversario.
In termini più semplici, si tratta di due reti neurali in competizione, una che crea dati falsi e l'altra che cerca di individuarli. Il risultato finale è un contenuto sintetico molto convincente.
I modelli continuano a migliorare fino a quando i contenuti generati hanno la stessa probabilità di provenire dal modello generativo e dai dati di addestramento. Questo metodo è così efficace perché migliora il risultato della sua stessa autenticità verificando costantemente gli stessi strumenti progettati per superarlo. Questo processo di addestramento contraddittorio continua finché il generatore non produce risultati abbastanza plausibili da ingannare il discriminatore. Le GAN sono comunemente utilizzate per compiti di sintesi delle immagini, come la creazione di deepfake, volti umani fotorealistici e il miglioramento delle immagini fotografiche.
Gli attori delle minacce sfruttano le GAN per scopi malevoli, ad esempio per creare immagini sintetiche che rendano più plausibili le identità sintetiche. Le immagini sintetiche di un volto che ritrae una persona inesistente vengono generate con questa tecnologia e abbinate a documenti d'identità contraffatti per eludere la biometria facciale durante l'onboarding e l'intero ciclo di vita dell'utente.
Per rilevare i media creati da reti generative avversarie, iProov utilizza una tecnologia biometrica passiva brevettata a sfida-risposta con tecnologie di deep learning e computer vision per analizzare alcune proprietà che i media creati dall'IA generativa non possono ricreare, poiché non c'è una persona reale dall'altra parte della telecamera. Ecco perché ha biometria in tempo reale incorporata nella tecnologia liveness tecnologia liveness è fondamentale per le organizzazioni per distinguere tra media sintetici e persone reali.
Per saperne di più su come i truffatori stiano sfruttando l'IA generativa, come le GAN, per minare la verifica dell'identità e rafforzare le frodi di identità sintetiche, leggete qui il nostro rapporto "Stolen to Synthetic".
Per saperne di più: