Generative adversarial networks (GANs): Syntetiske mediers tidsalder

• Forfatter:
• forfatternavn

  Quantumrun Foresight
• Desember 5, 2023

Oppsummering av innsikt

Generative Adversarial Networks (GAN-er), kjent for å lage deepfakes, genererer syntetiske data som etterligner virkelige ansikter, stemmer og væremåter. Bruken deres spenner fra å forbedre Adobe Photoshop til å generere realistiske filtre på Snapchat. Imidlertid utgjør GAN-er etiske bekymringer, siden de ofte brukes til å lage villedende dypfalske videoer og spre feilinformasjon. I helsevesenet er det angst for personvern for pasientdata i GAN-trening. Til tross for disse problemene har GAN-er fordelaktige applikasjoner, for eksempel å hjelpe kriminelle etterforskninger. Deres utbredte bruk på tvers av ulike sektorer, inkludert filmskaping og markedsføring, har ført til krav om strengere dataverntiltak og myndighetsregulering av GAN-teknologi.

Generative kontradiktoriske nettverk (GANs) kontekst

GAN er en type dypt nevrale nettverk som kan generere nye data som ligner på dataene det er trent på. De to hovedblokkene som konkurrerer mot hverandre om å produsere visjonære kreasjoner kalles generatoren og diskriminatoren. Generatoren er ansvarlig for å lage nye data, mens diskriminatoren prøver å skille mellom de genererte dataene og treningsdataene. Generatoren prøver hele tiden å lure diskriminatoren ved å lage informasjon som ser så ekte ut som mulig. For å gjøre dette, må generatoren lære den underliggende distribusjonen av dataene, slik at GAN-er kan lage ny informasjon uten å huske den.

Da GAN-er først ble utviklet i 2014 av Google-forsker Ian Goodfellow og lagkameratene hans, viste algoritmen store løfter for maskinlæring. Siden den gang har GAN-er sett mange virkelige applikasjoner på tvers av forskjellige bransjer. For eksempel bruker Adobe GAN-er for neste generasjons Photoshop. Google bruker kraften til GAN-er for både generering av tekst og bilder. IBM bruker effektivt GAN-er for dataforsterkning. Snapchat bruker dem for effektive bildefiltre og Disney for superoppløsninger. 

Forstyrrende påvirkning

Mens GAN opprinnelig ble opprettet for å forbedre maskinlæring, har applikasjonene krysset tvilsomme territorier. Deepfake-videoer blir for eksempel stadig laget for å etterligne ekte mennesker og få det til å se ut som de gjør eller sier noe de ikke gjorde. For eksempel var det en video av USAs tidligere president Barack Obama som kalte sin tidligere amerikanske president Donald Trump et nedsettende begrep og Facebook-sjef Mark Zuckerburg som skryter av å kunne kontrollere milliarder av stjålne data. Ingen av disse skjedde i det virkelige liv. I tillegg retter de fleste dypfalske videoer seg mot kvinnelige kjendiser og plasserer dem i pornografisk innhold. GAN-er er også i stand til å lage fiktive bilder fra bunnen av. Flere dypfalske journalistkontoer på LinkedIn og Twitter viste seg for eksempel å være AI-generert. Disse syntetiske profilene kan brukes til å lage realistisk klingende artikler og tankelederskap som propagandister kan bruke. 

I mellomtiden, i helsesektoren, er det økende bekymring for data som kan lekkes ved å bruke en faktisk pasientdatabase som treningsdata for algoritmene. Noen forskere hevder at det må være et ekstra sikkerhets- eller maskeringslag for å beskytte personlig informasjon. Men selv om GAN mest er kjent for sin evne til å lure folk, har det positive fordeler. I mai 2022 gjenskapte politiet fra Nederland for eksempel en video av en 13 år gammel gutt som ble myrdet i 2003. Ved å bruke realistiske opptak av offeret håper politiet å oppmuntre folk til å huske offeret og stå frem med ny informasjon om cold case. Politiet hevder at de allerede hadde mottatt flere tips, men vil måtte utføre bakgrunnssjekker for å verifisere dem.

Anvendelser av generative adversarielle nettverk (GAN)

Noen applikasjoner av generative adversarielle nettverk (GAN) kan omfatte: 

• Filmindustrien lager dypt falskt innhold for å plassere syntetiske skuespillere og ta scener på nytt i postproduserte filmer. Denne strategien kan føre til langsiktige kostnadsbesparelser ettersom de ikke trenger å betale skuespillere og mannskap ekstra kompensasjon.
• Den økende bruken av dypfalske tekster og videoer for å fremme ideologier og propaganda på tvers av det forskjellige politiske spekteret.
• Bedrifter som bruker syntetiske videoer for å lage forseggjorte merkevare- og markedsføringskampanjer uten å ansette faktiske folk bortsett fra programmerere.
• Grupper driver lobbyvirksomhet for økt beskyttelse av personvern for helsetjenester og annen personlig informasjon. Denne tilbakemeldingen kan presse bedrifter til å utvikle opplæringsdata som ikke er basert på faktiske databaser. Det kan imidlertid hende at resultatene ikke er like nøyaktige.
• Myndigheter som regulerer og overvåker firmaer som produserer GAN-teknologi for å sikre at teknologien ikke brukes til feilinformasjon og svindel.

Spørsmål å kommentere

• Har du opplevd å bruke GAN-teknologi? Hvordan var opplevelsen?
• Hvordan kan selskaper og myndigheter sikre at GAN blir brukt etisk?