ಭಾರತದಲ್ಲಿ ಒಂದು ತರಗತಿಯ ಘಟನೆಯ ವಿಡಿಯೋ ಗ್ರೂಪ್ ಚಾಟ್ ಮೂಲಕ ಹರಡಿದ ನಂತರ, ಒಬ್ಬ ಶಿಕ್ಷಕನನ್ನು ಅಮಾನತುಗೊಳಿಸಲಾಯಿತು. ಆ ವಿಡಿಯೋ ಅಸಲಿಯೇ ಅಥವಾ AI-ಸೃಷ್ಟಿತವೇ ಎಂಬ ಬಗ್ಗೆ ವೀಕ್ಷಕರು ವಾದಿಸಿದರು. ಈ ಗದ್ದಲವು "ಸುಳ್ಳುಗಾರನ ಲಾಭ" (liar’s dividend) ಎಂಬ ಪರಿಕಲ್ಪನೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ – ಅಂದರೆ ಕೃತಕ ಮಾಧ್ಯಮಗಳ ಅಸ್ತಿತ್ವವು ಯಾರಿಗಾದರೂ ನೈಜ ಪುರಾವೆಗಳ ಮೇಲೆ ಅನುಮಾನ ವ್ಯಕ್ತಪಡಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತದೆ – ಮತ್ತು ಇದು ಪ್ರಸ್ತುತ ಡೀಪ್-ಫೇಕ್ ಡಿಟೆಕ್ಟರ್‌ಗಳ ಅಂಧಾಕಾರವನ್ನೂ (blind spot) ಬಯಲಿಗೆಳೆಯುತ್ತದೆ.

ಎಚ್ಚರಿಕೆಯನ್ನು ಹುಟ್ಟುಹಾಡಿದ ಪ್ರಕರಣ

ವಿಡಿಯೋ ವೈರಲ್ ಆದಂತೆ, ಒಂದು ಸಮಾನಾಂತರ ಚರ್ಚೆ ಆರಂಭವಾಯಿತು: ಕೆಲವು ಬಳಕೆದಾರರು ಡೀಪ್-ಫೇಕ್ ಆಗಿರಬಹುದು ಎಂದು ಸೂಚಿಸುವ ದೋಷಗಳನ್ನು (glitches) ಎತ್ತಿ ತೋರಿಸಿದರೆ, ಇನ್ನು ಕೆಲವರು ಅಂತಹ ತಿದ್ದುಪಡಿಗಳ ಸಾಧ್ಯತೆಯೇ ಯಾವುದೇ ದೃಶ್ಯ ಪುರಾವೆಯನ್ನು ಅವಿಶ್ವಾಸಾರ್ಹವಾಗಿಸುತ್ತದೆ ಎಂದು ವಾದಿಸಿದರು.

ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡೀಪ್-ಫೇಕ್ ಡಿಟೆಕ್ಟರ್‌ಗಳು ಏಕೆ ವಿಫಲವಾಗುತ್ತಿವೆ

ಹೆಚ್ಚಿನ ಡೀಪ್-ಫೇಕ್ ವಿರೋಧಿ ಪರಿಹಾರಗಳು ಜನರೇಟಿವ್ ಮಾಡೆಲ್‌ಗಳಿಂದ ಉಳಿಯುವ ಕಲೆಗಳನ್ನು (artifacts) ಹುಡುಕುತ್ತವೆ – ಅಂದರೆ ವಿಚಿತ್ರ ಪಿಕ್ಸೆಲ್ ಮಾದರಿಗಳು, ಅಸಮತೋಲಿತ ಬೆಳಕು ಅಥವಾ ಹೊಂದಾಣಿಕೆಯಿಲ್ಲದ ಆಡಿಯೋ ಸೂಚನೆಗಳು. ಈ ಸುಳಿವುಗಳು ಕೃತಕ ಮೂಲವನ್ನು ಸೂಚಿಸಬಹುದು, ಆದರೆ ಫ್ರೇಮ್‌ನಲ್ಲಿ ನಿಜವಾಗಿಯೂ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಿರುವುದು ಯಾರು ಎಂಬುದನ್ನು ಅವು ಖಚಿತಪಡಿಸುವುದಿಲ್ಲ. ನ್ಯಾಯಾಲಯದಲ್ಲಿ ಅಥವಾ ಶಿಸ್ತು ಕ್ರಮದ ವಿಚಾರಣೆಯಲ್ಲಿ, ವಿಡಿಯೋ "ಸಾಧ್ಯವಾಗುವಷ್ಟು ನಕಲಿ" ಎಂಬ ಸಂಭವನೀಯತೆಯ ಸ್ಕೋರ್ (probability score) ವ್ಯಕ್ತಿಯ ಗುರುತಿನ ಪ್ರಶ್ನೆಯನ್ನು ಬಗೆಹರಿಸುವುದಿಲ್ಲ. ಪ್ರಸ್ತುತ ಗಮನವು "ಈ ವಿಡಿಯೋ ನಕಲಿಯೇ?" ಎಂಬ ಪ್ರಶ್ನೆಯ ಮೇಲೆ ಇರುವುದರಿಂದ, "ಈ ವಿಡಿಯೋ ಅದು ತೋರಿಸಲು ಬಯಸುವ ವ್ಯಕ್ತಿಯನ್ನೇ ತೋರಿಸುತ್ತಿದೆಯೇ?" ಎಂಬ ನಿಜವಾದ ಸಮಸ್ಯೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಅಂತರವು ಉಂಟಾಗುತ್ತದೆ.

ಪರಿಶೀಲಿಸಬಹುದಾದ ಬಯೋಮೆಟ್ರಿಕ್ ಗುರುತಿನ ಅಗತ್ಯತೆ

ವಿಡಿಯೋದಲ್ಲಿರುವ ಮುಖವು ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿಗೆ ಸೇರಿದ್ದೆಂದು ಗಣಿತದ ನಿಖರತೆಯೊಂದಿಗೆ ಸಾಬೀತುಪಡಿಸಲು ತನಿಖಾಧಿಕಾರಿಗಳಿಗೆ ಮಾರ್ಗ ಬೇಕಿದೆ. ಆಧುನಿಕ ಕಂಪ್ಯೂಟರ್-ವಿಷನ್ ಪೈಪ್‌ಲೈನ್‌ಗಳು ಪ್ರತಿ ಮುಖದಿಂದ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಫೀಚರ್ ವೆಕ್ಟರ್ ಅನ್ನು – ಅಂದರೆ ಒಂದು "ಎಂಬೆಡಿಂಗ್" (embedding) ಅನ್ನು – ಹೊರತೆಗೆಯುತ್ತವೆ. ಎರಡು ಎಂಬೆಡಿಂಗ್‌ಗಳ ನಡುವಿನ ಯೂಕ್ಲಿಡಿಯನ್ ದೂರವನ್ನು (Euclidean distance) ಅಳೆಯುವ ಮೂಲಕ, ಒಂದು ವ್ಯವಸ್ಥೆಯು ಮುಖಗಳು ಎಷ್ಟು ಹೋಲುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಕಡಿಮೆ ದೂರವು ಅದೇ ವ್ಯಕ್ತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಹೆಚ್ಚಿನ ದೂರವು ಬೇರೆ ವ್ಯಕ್ತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ವಿಡಿಯೋ ಮಸುಕಾಗಿದ್ದರೂ ಅಥವಾ ಬೆಳಕು ಕಡಿಮೆ ಇದ್ದರೂ ಇದು ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ಎಂಬೆಡಿಂಗ್‌ಗಳು ಕೇವಲ ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಮುಖದ ಅಮೂರ್ತ ಲಕ್ಷಣಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತವೆ.

ತನಿಖಾಧಿಕಾರಿಗಳಿಗೆ ಎದುರಾಗುವ ಪ್ರಾಯೋಗಿಕ ಅಡೆತಡೆಗಳು

ಬಯೋಮೆಟ್ರಿಕ್ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿರುವ ಅನೇಕರಿಗೆ ಎರಡು ಅಡೆತಡೆಗಳು ತಡೆಯಾಗಿವೆ. ಮೊದಲನೆಯದಾಗಿ, ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಭರವಸೆ ನೀಡುವ ಎಂಟರ್‌ಪ್ರೈಸ್-ಗ್ರೇಡ್ ಸಾಧನಗಳು ಸಣ್ಣ ಸಂಶೋಧನಾ ತಂಡಗಳು ಅಥವಾ ಸ್ವತಂತ್ರ ತನಿಖಾಧಿಕಾರಿಗಳು ಖರೀದಿಸಲು ಸಾಧ್ಯವಾಗದಷ್ಟು ದುಬಾರಿಯಾಗಿವೆ. ಎರಡನೆಯದಾಗಿ, ಗ್ರಾಹಕ ಕೇಂದ್ರಿತ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ನಿಖರತೆಗಿಂತ ಅನುಕೂಲಕ್ಕೆ ಹೆಚ್ಚಿನ ಆದ್ಯತೆ ನೀಡುತ್ತವೆ, ಇದು ಕಾನೂನು ಪರಿಶೀಲನೆಯಲ್ಲಿ ನಿಲ್ಲಲಾರದಷ್ಟು ಹೆಚ್ಚಿನ ತಪ್ಪು-ಧನಾತ್ಮಕ ದರಗಳನ್ನು (false-positive rates) ನೀಡುತ್ತದೆ. ವೆಚ್ಚ ಮತ್ತು ಅವಿಶ್ವಾಸಾರ್ಹ ಫಲಿತಾಂಶಗಳ ಸಂಯೋಜನೆಯು ತನಿಖಾಧಿಕಾರಿಗಳನ್ನು ವೈಜ್ಞಾನಿಕವಲ್ಲದ ಕೇವಲ ದೃಶ್ಯ ಹೋಲಿಕೆಗಳ ಮೇಲೆ ಅವಲಂಬಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.

ನ್ಯಾಯಾಲಯದಲ್ಲಿ ನಿಲ್ಲಬಲ್ಲ ಸಾಧನಗಳನ್ನು ನಿರ್ಮಿಸುವುದು

ಈ ಅಂತರವನ್ನು ತುಂಬಲು ಬಯಸುವ ಡೆವಲಪರ್‌ಗಳು ಮೂರು ಹಂತದ ವಿನ್ಯಾಸ ತತ್ವವನ್ನು ಅನುಸರಿಸಬೇಕು:

  • ಕೇವಲ ದ್ವಂದ್ವಾತ್ಮಕ ಉತ್ತರವನ್ನಲ್ಲ, ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ತೋರಿಸಿ. ಎಂಬೆಡಿಂಗ್‌ಗಳ ನಡುವಿನ ದೂರವನ್ನು ವರದಿ ಮಾಡಿ ಮತ್ತು ಬಳಕೆದಾರರು ತಮ್ಮದೇ ಆದ ಮಿತಿಗಳನ್ನು (thresholds) ನಿಗದಿಪಡಿಸಲು ಅವಕಾಶ ನೀಡಿ. ಪಾರದರ್ಶಕ ಸ್ಕೋರ್ ಇದ್ದರೆ, ಅಗತ್ಯವಿದ್ದಲ್ಲಿ ವಕೀಲರು ಕಟ್ಟುನಿಟ್ಟಾದ ಮಾನದಂಡಕ್ಕಾಗಿ ವಾದಿಸಬಹುದು.
  • ಫೈಲ್‌ನ ಮೂಲವನ್ನು (provenance) ಪರಿಶೀಲಿಸಿ. ತಿದ್ದುಪಡಿ ಅಥವಾ ತಪ್ಪು ಮಾಹಿತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮೆಟಾಡೇಟಾ, ಹ್ಯಾಶ್ ಮೌಲ್ಯಗಳು ಮತ್ತು ಮೂಲ URLಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ. ವಂಚಕರು ವಿಡಿಯೋಗಳನ್ನು ತಪ್ಪು ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಳಸುತ್ತಿರುತ್ತಾರೆ, ಆದ್ದರಿಂದ ಪೈಪ್‌ಲೈನ್ವು ಅನುಮಾನಾಸ್ಪದ ಮೂಲಗಳನ್ನು ಗುರುತಿಸಬೇಕು.
  • ವೇಗ ಮತ್ತು ಸಂಪನ್ಮೂಲ ದಕ್ಷತೆಗೆ ಆದ್ಯತೆ ನೀಡಿ. ಓಪನ್-ಸೋರ್ಸ್ ಲೈಬ್ರರಿಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ಲೈಟ್-ವೇಟ್ ಮಾಡೆಲ್‌ಗಳು ಸಾಮಾನ್ಯ ಹಾರ್ಡ್‌ವೇರ್‌ಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು, ಇದು ಗಣಿತದ ದೃಢತೆಯನ್ನು ಬಲಿಕೊಡದೆ ಏಕ ವ್ಯಕ್ತಿ ತನಿಖಾಧಿಕಾರಿಗಳಿಗೆ ತಂತ್ರಜ್ಞಾನವನ್ನು ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.

ಕೇವಲ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ, ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ದೃಶ್ಯ ನೆರವುಗಳೂ ಇರಬೇಕು: ಮುಖದ ಲಕ್ಷಣಗಳ ಓವರ್‌ಲೇ (overlayed facial landmarks).

ಸಾರಾಂಶ: ನಿಜವಾದ ಹೋರಾಟವು ಕೇವಲ ಕೃತಕ ವಿಡಿಯೋಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದಲ್ಲ; ಬದಲಾಗಿ ಪರದೆಯ ಮೇಲೆ ಇರುವುದು ಯಾರು ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ತನಿಖಾಧಿಕಾರಿಗಳಿಗೆ ಗಣಿತದ ದೃಢವಾದ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುವುದಾಗಿದೆ. ಡೀಪ್-ಫೇಕ್ ಡಿಟೆಕ್ಷನ್‌ನಿಂದ ಪರಿಶೀಲಿಸಬಹುದಾದ ಬಯೋಮೆಟ್ರಿಕ್ ಗುರುತಿನತ್ತ ಗಮನ ಹರಿಸುವ ಡೆವಲಪರ್‌ಗಳು, ಕೇವಲ ಒಂದು ವೈರಲ್ ವಿಡಿಯೋ ಒಬ್ಬರ ಜೀವನವನ್ನು ಹಾಳುಮಾಡದಂತೆ ತಡೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತಾರೆ.