เครือข่ายปฏิปักษ์กําเนิด (GAN)
เครือข่ายเชิงกำเนิดคู่แข่ง (GAN) เป็นประเภทของ ปัญญาประดิษฐ์เชิงสร้างสรรค์ สถาปัตยกรรมที่ใช้เครือข่ายประสาทเทียมสองระบบ – ระบบสร้าง (generator) และระบบจำแนก (discriminator) – ที่ถูกฝึกฝนให้ทำงานต่อต้านกัน ระบบ GAN ถูกออกแบบมาเพื่อสร้างเนื้อหาสังเคราะห์ที่คล้ายคลึงกับข้อมูลในโลกจริงอย่างใกล้ชิด
เครื่องกำเนิดสร้างผลลัพธ์สังเคราะห์ตามรูปแบบที่เรียนรู้จากข้อมูลการฝึกอบรม ในขณะที่ตัวแยกแยะประเมินว่าตัวอย่างนั้นเป็นของแท้หรือสร้างขึ้นโดย AI ในระหว่างการฝึกอบรม ทั้งสองโมเดลจะแข่งขันกันอย่างต่อเนื่อง: เครื่องกำเนิดพยายามสร้างผลลัพธ์ที่น่าเชื่อถือมากขึ้น ในขณะที่ตัวแยกแยะพยายามตรวจจับว่าผลลัพธ์เหล่านั้นเป็นของปลอมหรือไม่ กระบวนการนี้เรียกว่าการฝึกอบรมแบบแข่งขัน
กระบวนการฝึกอบรมแบบแข่งขันนี้ดำเนินต่อไปจนกว่าผลลัพธ์ที่สร้างขึ้นจะยากต่อการแยกแยะสำหรับผู้แยกแยะให้แตกต่างจากข้อมูลจริงได้อย่างน่าเชื่อถือ ประสิทธิภาพของ GANs มาจากวงจรการป้อนกลับอย่างต่อเนื่องนี้
พูดให้เข้าใจง่ายขึ้น มันคือการที่เครือข่ายประสาทเทียมสองระบบแข่งขันกัน: ระบบหนึ่งเรียนรู้ที่จะสร้างข้อมูลสังเคราะห์ ในขณะที่อีกระบบหนึ่งเรียนรู้ที่จะตรวจจับข้อมูลนั้น ด้วยการแข่งขันกัน ทั้งสองโมเดลจึงพัฒนาไปพร้อมกัน ซึ่งมักนำไปสู่สื่อสังเคราะห์ที่มีความน่าเชื่อถือสูงและสามารถเลียนแบบภาพ วิดีโอ หรือเสียงจริงได้อย่างแนบเนียน
การใช้งานทั่วไปของเครือข่ายประสาทเทียมเชิงแข่งขันแบบสร้างและตรวจสอบ
GANs มักถูกเชื่อมโยงกับการสังเคราะห์ภาพและการสร้างภาพลวงตา (deepfake) อย่างไรก็ตาม พวกมันยังสามารถนำมาใช้เพื่อการปรับปรุงคุณภาพภาพ, การถ่ายโอนสไตล์, การเพิ่มความละเอียด, การสร้างวิดีโอ, และการสร้างข้อมูลสังเคราะห์ได้เช่นกัน
การใช้งานที่ถูกต้องตามกฎหมายรวมถึงการสร้างชุดข้อมูลสำหรับการฝึกอบรมการเรียนรู้ของเครื่อง (machine learning), การฟื้นฟูภาพที่มีคุณภาพต่ำ, และการสนับสนุนการวิจัยด้านคอมพิวเตอร์วิชั่น (computer vision). อย่างไรก็ตาม, GANs ยังถูกเชื่อมโยงอย่างกว้างขวางกับการใช้งาน AI สร้างสรรค์ที่เป็นอันตราย, โดยเฉพาะอย่างยิ่งในการสร้าง deepfakes และตัวตนสังเคราะห์.
GANs, การฉ้อโกงตัวตน และการตรวจสอบตัวตน
ในบริบทของการตรวจสอบตัวตน การตรวจสอบเอกสาร และการตรวจจับการมีชีวิตจริง GAN สามารถใช้สร้างใบหน้าสังเคราะห์ที่เหมือนจริง ภาพที่บิดเบือนของตัวตน และสื่อชีวมิติที่เป็นการฉ้อโกง
ผู้ไม่หวังดีอาจใช้ประโยชน์จากภาพที่สร้างโดย GAN ซึ่งแสดงบุคคลที่ไม่มีอยู่จริง และผสมผสานกับเอกสารแสดงตัวตนที่ถูกปลอมแปลงหรือแก้ไข เพื่อสร้างตัวตนสังเคราะห์ การโจมตีเหล่านี้ถูกออกแบบมาเพื่อหลีกเลี่ยงการตรวจสอบตัวตนตลอดวงจรชีวิตของตัวตนดิจิทัล–รวมถึงการลงทะเบียนผู้ใช้ การยืนยันตัวตน และการกู้คืนบัญชี
สื่อที่สร้างโดย GAN อาจถูกนำไปใช้เพื่อ:
- ปรับปรุงเอกสารแสดงตัวตนปลอม
- ปรับปรุงความสมจริงของภาพที่ใช้ในการโจมตีแบบการนำเสนอและการโจมตีแบบการฉีดข้อมูล
- สร้างเนื้อหาปลอมที่ลึกซึ้งเพื่อทำลายระบบการตรวจสอบตัวตน
การตรวจจับสื่อที่สร้างโดย GAN
เมื่อเทคโนโลยี AI สร้างสรรค์ก้าวหน้าไปมากขึ้น การแยกแยะระหว่างสื่อที่แท้จริงกับสื่อที่ถูกสร้างขึ้นกลายเป็นเรื่องที่ท้าทายมากขึ้นสำหรับระบบการตรวจจับการฉ้อโกงแบบดั้งเดิม
iProov ใช้เทคโนโลยีFlashmarkที่จดสิทธิบัตรในการตรวจสอบความมีชีวิตจริงเพื่อตรวจจับสื่อที่สร้างโดยเครือข่ายประสาทเทียมเชิงแข่งขัน (generative adversarial networks) การเรียนรู้เชิงลึกและการมองเห็นของคอมพิวเตอร์วิเคราะห์คุณสมบัติบางประการของการมีอยู่ของมนุษย์ที่แท้จริงซึ่งสื่อสังเคราะห์นั้นยากที่จะเลียนแบบได้ โซลูชันของเราตรวจสอบว่ามีบุคคลจริงอยู่ฝั่งตรงข้ามของกล้องหรือไม่ สำหรับคำอธิบายทางเทคนิคเพิ่มเติม โปรดเยี่ยมชมหน้าของกลไกการท้าทาย-ตอบสนองที่นี่
โดยการผสานรวมการตรวจจับความมีชีวิตที่แข็งแกร่ง องค์กรสามารถแยกแยะระหว่างสื่อสังเคราะห์กับบุคคลจริงที่อยู่ในระหว่างการตรวจสอบตัวตนได้
ทรัพยากรที่เกี่ยวข้องกับเครือข่ายประสาทเทียมแบบแข่งขันเชิงสร้างสรรค์
เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่ผู้ฉ้อโกงกำลังใช้ประโยชน์จาก AI เชิงสร้างสรรค์ เช่น GANs เพื่อบ่อนทำลายการตรวจสอบตัวตนและเสริมสร้างการฉ้อโกงด้วยตัวตนสังเคราะห์ อ่านรายงานของเรา "ขโมยสู่สังเคราะห์" ได้ที่นี่
อ่านเพิ่มเติม: