இந்தியாவில் ஒரு ஆசிரியர், வகுப்பறைச் சம்பவம் குறித்த வீடியோ ஒரு குழு உரையாடலில் (group chat) பரவியதைத் தொடர்ந்து பணிநீக்கம் செய்யப்பட்டார். அந்த வீடியோ உண்மையானதா அல்லது AI மூலம் உருவாக்கப்பட்டதா என்று பார்ப்பவர்கள் விவாதித்தனர். இந்தக் கொந்தளிப்பு “பொய்யனின் லாபம்” (liar’s dividend) என்பதைச் சுட்டிக்காட்டுகிறது – அதாவது செயற்கையான ஊடகங்களின் இருப்பு மட்டுமே, உண்மையான ஆதாரங்கள் மீதும் எவரும் சந்தேகத்தை எழுப்ப வழிவகை செய்கிறது – மேலும் இது தற்போதைய டீப்-ஃபேக் (deep-fake) கண்டறியிகளின் ஒரு பலவீனத்தையும் வெளிச்சம் போட்டுக் காட்டுகிறது.

எச்சரிக்கையைத் தூண்டிய அந்தச் சம்பவம்

அந்தக் காணொளி வைரலானதும், ஒரு இணையான விவாதம் எழுந்தது: சில பயனர்கள் டீப்-ஃபேக் என்பதைக் காட்டும் வெளிப்படையான பிழைகளைக் சுட்டிக்காட்டினர், மற்றவர்களோ, வீடியோவை மாற்றியமைக்கும் சாத்தியக்கூறு இருப்பதால் எந்தவொரு காட்சி ஆதாரமும் நம்பகமானதல்ல என்று கூறினர்.

தற்போதுள்ள டீப்-ஃபேக் கண்டறியிகள் ஏன் போதுமானதாக இல்லை

பெரும்பாலான டீப்-ஃபேக் எதிர்ப்புத் தீர்வுகள், உருவாக்கும் மாதிரிகளால் (generative models) விட்டுச் செல்லப்படும் தடயங்களைத் தேடுகின்றன – அதாவது விசித்திரமான பிக்சல் அமைப்புகள், ஒத்திசைவற்ற ஒளி அமைப்பு அல்லது பொருந்தாத ஆடியோ குறிப்புகள். அந்தத் தடயங்கள் ஒரு வீடியோ செயற்கையானது என்பதைக் கண்டறிய உதவலாம், ஆனால் அந்த வீடியோவில் உண்மையில் யார் தோன்றுகிறார்கள் என்பதை உறுதிப்படுத்த அவை உதவவில்லை. ஒரு நீதிமன்றத்திலோ அல்லது ஒழுங்கு நடவடிக்கை விசாரணையிலோ, ஒரு வீடியோ “அநேகமாக போலியானது” என்ற நிகழ்தகவு மதிப்பெண் (probability score), அடையாளக் கேள்விக்குத் தீர்வு காணாது. தற்போதைய கவனம் “இந்த வீடியோ போலியானதா?” என்பதில் மட்டுமே உள்ளது; ஆனால் உண்மையான சிக்கல் “இந்த வீடியோ அதுயெனக் கூறும் நபரைத்தான் காட்டுகிறதா?” என்பதாக இருக்கும்போது, அங்கு ஒரு இடைவெளி ஏற்படுகிறது.

சரிபார்க்கக்கூடிய பயோமெட்ரிக் அடையாளத்தின் அவசியம்

ஒரு வீடியோவில் உள்ள முகம் ஒரு குறிப்பிட்ட நபருடையது என்பதை, கணித ரீதியான துல்லியத்துடன் நிரூபிக்க விசாரணைப்பணியாளர்களுக்கு ஒரு வழி தேவைப்படுகிறது. நவீன கணினி பார்வை வழிமுறைகள் (computer-vision pipelines) ஒவ்வொரு முகத்திலிருந்தும் ஒரு உயர்தர அம்ச வெக்டரை – அதாவது ஒரு “எம்பெடிங்” (embedding) – பிரித்தெடுக்கின்றன. இரண்டு எம்பெடிங்க்களுக்கு இடையிலான யூக்ளிடியன் தூரத்தை (Euclidean distance) அளவிடுவதன் மூலம், முகங்கள் எவ்வளவு ஒற்றுமையாக உள்ளன என்பதை ஒரு அமைப்பு கணக்கிடுகிறது. குறைந்த தூரம் ஒரே நபரைச் சுட்டிக்காட்டுகிறது; அதிக தூரம் வேறு நபரைச் சுட்டிக்காட்டுகிறது. காணொளி மங்கலாகவோ அல்லது குறைந்த வெளிச்சத்திலோ இருந்தாலும் இது வேலை செய்யும், ஏனெனில் எம்பெடிங்க்கள் வெறும் பிக்சல் மதிப்புகளை விட முகத்தின் நுணுக்கமான பண்புகளைப் பிடிக்கின்றன.

விசாரணைப்பணியாளர்களுக்கு உள்ள நடைமுறைத் தடைகள்

பயோமெட்ரிக் சரிபார்ப்பு தேவைப்படுபவர்கள் பலருக்கு இரண்டு தடைகள் இதனை எட்ட விடாமல் தடுக்கின்றன. முதலாவதாக, அதிக துல்லியத்தை உறுதி செய்யும் நிறுவனத் தரத்திலான (enterprise-grade) கருவிகள், சிறிய ஆராய்ச்சி குழுக்களாலோ அல்லது தனிப்பட்ட விசாரணைப்பணியாளர்களாலோ வாங்க முடியாத விலையைக் கொண்டுள்ளன. இரண்டாவதாக, நுகர்வோர் சார்ந்த செயலிகள் துல்லியத்திற்குப் பதிலாக வசதிக்கு முன்னுரிமை அளிக்கின்றன, இது சட்ட ரீதியான ஆய்வில் நிலைத்து நிற்க முடியாத அதிகப்படியான தவறான நேர்மறை விகிதங்களை (false-positive rates) வழங்குகிறது. செலவு மற்றும் நம்பகத்தன்மையற்ற முடிவுகளின் கலவை, விசாரணைப்பணியாளர்களை அறிவியல் பூர்வமற்ற தற்காலிகமான காட்சி ஒப்பீடுகளைச் சார்ந்திருக்கத் தூண்டுகிறது.

நீதிமன்றத்தில் நிலைத்து நிற்கக்கூடிய கருவிகளை உருவாக்குதல்

இந்த இடைவெளியை நிரப்ப விரும்பும் டெவலப்பர்கள் மூன்று படிநிலை வடிவமைப்பு தத்துவத்தைப் பின்பற்ற வேண்டும்:

  • வெறுமனே ஆம் அல்லது இல்லை என்ற பதிலைத் தராமல், நம்பிக்கையை வெளிப்படுத்துங்கள். எம்பெடிங்க்களுக்கு இடையிலான தூரத்தைக் கூறி, பயனர்களே தங்களின் வரம்புகளை (thresholds) நிர்ணயிக்க அனுமதிக்கவும். ஒரு வெளிப்படையான மதிப்பெண், தேவைப்பட்டால் வழக்கறிஞர்கள் கடுமையான தரநிலைகளுக்காக வாதிட உதவும்.
  • கோப்பின் மூலத்தை (provenance) சரிபார்க்கவும். திருத்தங்கள் அல்லது தவறான தகவல்களைக் கண்டறிய மெட்டாடேட்டா (metadata), ஹாஷ் மதிப்புகள் (hash values) மற்றும் மூல URL-களை ஆய்வு செய்யவும். மோசடி செய்பவர்கள் பெரும்பாலும் வீடியோக்களை தவறான சூழல்களில் பயன்படுத்துவதால், ஒரு வழிமுறை சந்தேகத்திற்குரிய மூலங்களைக் கண்டறிய வேண்டும்.
  • வேகம் மற்றும் வளங்களின் திறனை முன்னிலைப்படுத்துங்கள். திறந்த மூல நூலகங்களைக் (open-source libraries) கொண்டு உருவாக்கப்பட்ட இலகுரக மாதிரிகள் சாதாரண வன்பொருள்களிலும் இயங்கக்கூடியவை, இது கணிதத் துல்லியத்தை இழக்காமல் தனிப்பட்ட விசாரணைப்பணியாளர்களுக்கும் தொழில்நுட்பத்தை எளிதில் கிடைக்கச் செய்யும்.

வெறும் எண்களைத் தாண்டி, வெளியீட்டில் காட்சி உதவிகளும் இருக்க வேண்டும்: முகத்தின் அடையாளக் குறிகள் (facial landmarks) மேலடுக்கு (overlayed) செய்யப்பட்டிருக்க வேண்டும்.

முக்கியக் கருத்து: உண்மையான போராட்டம் என்பது செயற்கையான வீடியோக்களைக் கண்டறிவது மட்டுமல்ல; திரையில் இருப்பவர் யார் என்பதை உறுதிப்படுத்த விசாரணைப்பணியாளர்களுக்குக் கணித ரீதியாகச் சரியான வழியை வழங்குவதாகும். டீப்-ஃபேக் கண்டறிதலில் இருந்து சரிபார்க்கக்கூடிய பயோமெட்ரிக் அடையாளத்திற்குத் தங்களை மாற்றிக்கொள்ளும் டெவலப்பர்கள், ஒரு வைரல் வீடியோ ஒருவரின் வாழ்க்கையைச் சிதைப்பதைத் தடுக்க உதவுவார்கள்.