Wir haben in den letzten zwei Jahrzehnten große Fortschritte in der künstlichen Intelligenz gesehen. KI hat Anwendungen in einer Vielzahl von Branchen wie Gesundheitswesen, Mode, Bildung, Landwirtschaft und wird zweifellos weiterhin als großer digitaler Disruptor fungieren.
Wie Andrew Ng es ausdrückte: „So wie die Elektrizität vor 100 Jahren fast alles verändert hat, fällt es mir heute tatsächlich schwer, an eine Branche zu denken, von der ich nicht glaube, dass KI in den nächsten Jahren verändern wird.“
Schlechte Akteure können KI jedoch leicht missbrauchen. Schauen wir uns eine Anwendung von KI an, die verwendet wurde, um Menschen auszutricksen und Fehlinformationen zu verbreiten: KI-generierte Bilder, von denen wir einige als Deepfakes bezeichnen.
Was ist ein Deepfake?
Deepfakes und KI-generierte Bilder
In den letzten Jahren eroberten Deepfakes das Internet – und die reale Welt – im Sturm und im Jahr 2020 wurden Deepfakes zum Mainstream. Wir sehen Deepfakes in Anzeigen und Fernsehsendungen, aber einige verwenden sie, um Fehl- und Desinformationen zu verbreiten. Während viele Videos harmlos sind, haben andere für viel Ärger gesorgt, wenn Gesichter von Politikern so aussehen, als würden sie Dinge sagen und tun, die sie nicht gesagt oder getan haben.
Auch wenn Sie mit Deepfake-Videos vertraut sind, wissen Sie vielleicht nicht, dass Deepfakes auch Standbilder sein können. KI-Deep-Learning-Modelle sind in der Tat in der Lage, gefälschte Gesichter zu generieren, die mit echten Menschen fast identisch aussehen. Diese Programme sind im Laufe der Jahre wirklich stark geworden, und es ist fast unmöglich, zwischen einem echten Gesicht und einer KI-generierten Fälschung zu unterscheiden.
Können Sie sagen, welches dieser Gesichter echt ist und welches KI-generiert ist?
Das Gesicht rechts ist echt. Eine KI-Anwendung generierte das Foto links. Hast du richtig geraten?
GANs: Die Technologie hinter KI-generierten Bildern
Deepfakes können durch eine Klasse von Machine-Learning-Modellen namens GANs (Generative Adversarial Networks) generiert werden. Der Forscher Ian Goodfellow und seine Kollegen entwickelten 2014 GANs.
Wie funktioniert ein GAN?
Die Aufgabe des Generators besteht darin, den Diskriminator vorzutäuschen, dass die Bilder echt sind. Auf diese Weise erzeugt der Generator immer realistischere Bilder, um den Diskriminator zu täuschen, da der Diskriminator besser darin wird, KI-erzeugte Bilder zu identifizieren.
Deshalb sind sie Gegner: Wenn ein Netzwerk besser wird, wird auch das andere besser.
Das GAN bleibt eine der faszinierendsten Innovationen im Bereich Deep Learning. Tatsächlich bezeichnete Yann LeCun, der leitende KI-Wissenschaftler von Meta, GANs als „die interessanteste ML-Idee der letzten 10 Jahre“.
Jetzt versuchen Sie es: Echte Gesichter vs. GAN-generierte Bilder
Wie wir heute wissen, können GAN-generierte Bilder sehr überzeugend sein. Neuronale Netze sind erschreckend gut darin geworden, realistische menschliche Gesichter zu erzeugen. Da sowohl für die persönliche als auch für die nationale Sicherheit viel auf dem Spiel steht, ist es für uns wichtig, zwischen echten und von GANs generierten Gesichtern unterscheiden zu können. Also, wie machen wir das? Üben, üben, üben.
Inspiriert von thispersondoesnotexist.com habe ich eine Anwendung erstellt, um Sie zu befragen, ob Sie das Gesicht einer echten Person von einem falschen unterscheiden können. Ich habe den Datensatz von einer Million gefälschten Gesichtern verwendet, um GAN-generierte Bilder für dieses Projekt zu erhalten, und Kaggles UTKFace-Datensatz für die echten Bilder.
Versuchen Sie herauszufinden, welche der Bilder echte Gesichter sind und welche GAN-generiert sind.
Im Wesentlichen agieren Sie als GAN-Diskriminierer. So wie der Diskriminator im Laufe der Zeit besser darin wird, KI-generierte Bilder zu identifizieren, werden Sie es auch.
Dieser Artikel wurde ursprünglich auf Towards Data Science veröffentlicht.