بھارت میں ایک استاد کو کلاس روم کے ایک واقعے کی ویڈیو گروپ چیٹ میں پھیلنے کے بعد معطل کر دیا گیا، اور دیکھنے والوں نے اس بات پر بحث کی کہ آیا یہ کلپ اصلی ہے یا AI سے تیار کردہ۔ یہ ہنگامہ "liar's dividend" (جھوٹے کا فائدہ) کو اجاگر کرتا ہے — یعنی مصنوعی میڈیا کی محض موجودگی کس طرح کسی کو بھی حقیقی ثبوتوں پر شک کرنے کا موقع دیتی ہے — اور یہ ڈیپ فیک (deep-fake) ڈیٹیکٹرز کی موجودہ لہر میں ایک بڑی خامی کو بے نقاب کرتا ہے۔

وہ واقعہ جس نے خطرے کی گھنٹی بجا دی

جیسے ہی یہ فوٹیج وائرل ہوئی، ایک متوازی بحث چھڑ گئی: کچھ صارفین نے ان واضح غلطیوں (glitches) کی طرف اشارہ کیا جو کسی ڈیپ فیک کا پتہ دے سکتی ہیں، جبکہ دوسروں کا کہنا تھا کہ ہیرا پھیری کے امکان نے کسی بھی بصری ثبوت کو ناقابل اعتبار بنا دیا ہے۔

موجودہ ڈیپ فیک ڈیٹیکٹرز کیوں ناکام رہتے ہیں

زیادہ تر اینٹی ڈیپ فیک (anti-deep-fake) حل جنریٹیو ماڈلز کے چھوڑے ہوئے نشانات کی تلاش کرتے ہیں — جیسے عجیب پکسل پیٹرن، غیر مستقل روشنی، یا آواز کے غیر مطابقت پذیر اشارے۔ وہ نشانات ایک مصنوعی ماڈل کی نشاندہی تو کر سکتے ہیں، لیکن وہ اس بات کی تصدیق کرنے میں ناکام رہتے ہیں کہ فریم میں اصل میں کون موجود ہے۔ کسی عدالت یا تادیبی سماعت میں، یہ امکان کہ ایک ویڈیو "ممکنہ طور پر جعلی ہے" (likely fake)، شناخت کے سوال کا حل نہیں دیتا۔ موجودہ توجہ اس بات پر ہے کہ "کیا یہ ویڈیو جعلی ہے؟" جو کہ اس وقت ایک خلا چھوڑ دیتی ہے جب اصل مسئلہ یہ ہو کہ "کیا یہ ویڈیو اس شخص کو دکھاتی ہے جس کا یہ دعویٰ کرتی ہے؟"

قابلِ تصدیق بائیومیٹرک شناخت کی ضرورت

تفتیش کاروں کو ریاضیاتی طور پر یہ ثابت کرنے کے طریقے کی ضرورت ہے کہ ویڈیو میں موجود چہرہ کسی مخصوص فرد کا ہے۔ جدید کمپیوٹر ویژن پائپ لائنز ہر چہرے سے ایک ہائی ڈائمینشنل فیچر ویکٹر — ایک "embedding" — نکالتی ہیں۔ دو ایمبیڈنگز (embeddings) کے درمیان Euclidean distance کی پیمائش کر کے، ایک سسٹم یہ اندازہ لگاتا ہے کہ چہرے کتنے ملتے جلتے ہیں۔ کم فاصلہ ایک ہی شخص کی نشاندہی کرتا ہے؛ زیادہ فاصلہ ایک مختلف فرد کی طرف اشارہ کرتا ہے۔ یہ تب بھی کام کرتا ہے جب فوٹیج دھندلی یا کم روشنی والی ہو، کیونکہ ایمبیڈنگز خام پکسل ویلیوز کے بجائے چہرے کی تجریدی خصوصیات کو محفوظ کرتی ہیں۔

تفتیش کاروں کے لیے عملی رکاوٹیں

دو رکاوٹیں بائیومیٹرک تصدیق کو ان لوگوں کی پہنچ سے دور رکھتی ہیں جنہیں اس کی ضرورت ہے۔ پہلا یہ کہ، ہائی ایکوریسی (high accuracy) کا وعدہ کرنے والے انٹرپرائز گریڈ ٹولز کی قیمتیں اتنی زیادہ ہوتی ہیں کہ چھوٹے تحقیقی گروہ یا آزاد تفتیش کار انہیں برداشت نہیں کر سکتے۔ دوسرا یہ کہ، صارفین کے لیے بنائے گئے ایپس سہولت کے لیے درستگی (accuracy) سے سمجھوتہ کرتے ہیں، جس کے نتیجے میں 'false-positive' کی شرح زیادہ ہوتی ہے جو قانونی جانچ پڑتال میں برقرار نہیں رہ سکتی۔ لاگت اور ناقابل اعتبار نتائج کا مجموعہ تفتیش کاروں کو محض بصری موازنہ کرنے پر مجبور کرتا ہے جو کہ سائنسی ہونے سے کوسوں دور ہے۔

ایسے ٹولز بنانا جو عدالت میں ثابت ہو سکیں

اس خلا کو پُر کرنے کے خواہشمند ڈویلپرز کو تین مرحلہ وار ڈیزائن فلسفے پر عمل کرنا چاہیے:

  • صرف بائنری جواب نہیں بلکہ اعتماد دکھائیں (Show confidence, not just a binary answer): ایمبیڈنگز کے درمیان فاصلے کی رپورٹ دیں اور صارفین کو اپنے معیار (thresholds) مقرر کرنے دیں۔ ایک شفاف اسکور وکیل کو ضرورت پڑنے پر سخت معیار کے لیے دلیل دینے کی اجازت دیتا ہے۔
  • فائل کے ماخذ کی تصدیق کریں (Verify file provenance): چھیڑ چھاڑ یا غلط منسوب کرنے کا پتہ لگانے کے لیے میٹا ڈیٹا، ہیش ویلیوز (hash values)، اور سورس URLs کا معائنہ کریں۔ دھوکہ باز اکثر ویڈیوز کو گمراہ کن سیاق و سباق میں استعمال کرتے ہیں، اس لیے پائپ لائن کو مشکوک ذرائع کی نشاندہی کرنی چاہیے۔
  • رفتار اور وسائل کی کارکردگی کو ترجیح دیں (Prioritize speed and resource efficiency): اوپن سورس لائبریریز پر مبنی ہلکے پھلکے ماڈلز معمولی ہارڈ ویئر پر بھی چل سکتے ہیں، جس سے ریاضیاتی مضبوطی پر سمجھوتہ کیے بغیر ٹیکنالوجی کو انفرادی تفتیش کاروں کے لیے قابلِ رسائی بنایا جا سکتا ہے۔

محض اعداد و شمار کے علاوہ، آؤٹ پٹ میں بصری معاونت بھی شامل ہونی چاہیے: جیسے چہرے کے نشانات (facial landmarks) کا اوورلے۔

حاصلِ کلام (Takeaway): اصل جنگ صرف مصنوعی ویڈیوز کی شناخت کرنے کے بارے میں نہیں ہے؛ بلکہ یہ تفتیش کاروں کو ریاضیاتی طور پر مستند طریقہ فراہم کرنے کے بارے میں ہے تاکہ وہ تصدیق کر سکیں کہ اسکرین پر کون ہے۔ وہ ڈویلپرز جو ڈیپ فیک ڈیٹیکشن سے ہٹ کر قابلِ تصدیق بائیومیٹرک شناخت کی طرف منتقل ہوں گے، وہ ایک وائرل کلپ کو کسی کی زندگی برباد کرنے سے روکنے میں مدد کریں گے۔