เครือข่ายปฏิปักษ์ทั่วไป (GANs): ยุคของสื่อสังเคราะห์

• เขียนโดย:
• ชื่อผู้เขียน

  มองการณ์ไกลควอนตัมรัน
• December 5, 2023

สรุปข้อมูลเชิงลึก

Generative Adversarial Networks (GANs) ซึ่งเป็นที่รู้จักในการสร้าง Deepfakes สร้างข้อมูลสังเคราะห์ที่เลียนแบบใบหน้า เสียง และกิริยาท่าทางในชีวิตจริง การใช้งานมีตั้งแต่การเพิ่มประสิทธิภาพ Adobe Photoshop ไปจนถึงการสร้างฟิลเตอร์ที่สมจริงบน Snapchat อย่างไรก็ตาม GAN ก่อให้เกิดข้อกังวลด้านจริยธรรม เนื่องจากมักใช้เพื่อสร้างวิดีโอปลอมที่ทำให้เข้าใจผิดและเผยแพร่ข้อมูลที่ไม่ถูกต้อง ในการดูแลสุขภาพ มีความกังวลเรื่องความเป็นส่วนตัวของข้อมูลผู้ป่วยในการฝึกอบรม GAN แม้จะมีปัญหาเหล่านี้ GAN ก็มีการใช้งานที่เป็นประโยชน์ เช่น การให้ความช่วยเหลือในการสืบสวนคดีอาญา การใช้งานอย่างแพร่หลายในภาคส่วนต่างๆ รวมถึงการสร้างภาพยนตร์และการตลาด นำไปสู่การเรียกร้องให้มีมาตรการความเป็นส่วนตัวของข้อมูลที่เข้มงวดยิ่งขึ้น และการควบคุมเทคโนโลยี GAN ของรัฐบาล

บริบทเครือข่ายปฏิปักษ์ทั่วไป (GAN)

GAN เป็นโครงข่ายประสาทเทียมเชิงลึกประเภทหนึ่งที่สามารถสร้างข้อมูลใหม่ที่คล้ายกับข้อมูลที่ได้รับการฝึกฝน บล็อกหลักสองบล็อกที่แข่งขันกันเองเพื่อสร้างผลงานที่มีวิสัยทัศน์เรียกว่าผู้กำเนิดและผู้แยกแยะ เครื่องกำเนิดมีหน้าที่รับผิดชอบในการสร้างข้อมูลใหม่ ในขณะที่ผู้แยกแยะพยายามแยกความแตกต่างระหว่างข้อมูลที่สร้างขึ้นและข้อมูลการฝึกอบรม เครื่องกำเนิดพยายามหลอกผู้เลือกปฏิบัติอย่างต่อเนื่องโดยการสร้างข้อมูลที่ดูเหมือนจริงมากที่สุด ในการดำเนินการนี้ ตัวสร้างจำเป็นต้องเรียนรู้การกระจายข้อมูลพื้นฐาน ซึ่งช่วยให้ GAN สร้างข้อมูลใหม่โดยไม่ต้องจดจำข้อมูลนั้นจริงๆ

เมื่อ GAN ได้รับการพัฒนาครั้งแรกในปี 2014 โดยนักวิทยาศาสตร์การวิจัยของ Google Ian Goodfellow และเพื่อนร่วมทีมของเขา อัลกอริธึมดังกล่าวแสดงให้เห็นโอกาสที่ดีสำหรับการเรียนรู้ของเครื่อง ตั้งแต่นั้นมา GAN ได้เห็นแอปพลิเคชันในโลกแห่งความเป็นจริงในอุตสาหกรรมต่างๆ มากมาย ตัวอย่างเช่น Adobe ใช้ GAN สำหรับ Photoshop รุ่นต่อไป Google ใช้พลังของ GAN สำหรับทั้งการสร้างข้อความและรูปภาพ IBM ใช้ GAN เพื่อเพิ่มข้อมูลอย่างมีประสิทธิภาพ Snapchat ใช้สำหรับฟิลเตอร์ภาพที่มีประสิทธิภาพและ Disney เพื่อความละเอียดสูงสุด 

ผลกระทบก่อกวน

แม้ว่า GAN จะถูกสร้างขึ้นในตอนแรกเพื่อปรับปรุงการเรียนรู้ของเครื่อง แต่แอปพลิเคชันของมันก็ข้ามขอบเขตที่น่าสงสัยไปแล้ว ตัวอย่างเช่น วิดีโอ Deepfake ถูกสร้างขึ้นอย่างต่อเนื่องเพื่อเลียนแบบคนจริงๆ และทำให้ดูเหมือนว่าพวกเขากำลังทำหรือพูดในสิ่งที่พวกเขาไม่ได้ทำ ตัวอย่างเช่น มีวิดีโอที่อดีตประธานาธิบดีสหรัฐฯ บารัค โอบามา เรียกเพื่อนอดีตประธานาธิบดีสหรัฐฯ โดนัลด์ ทรัมป์ ว่าเป็นคำที่เสื่อมเสีย และมาร์ก ซัคเคอร์เบิร์ก ซีอีโอของ Facebook คุยโวเกี่ยวกับความสามารถในการควบคุมข้อมูลที่ถูกขโมยนับพันล้านข้อมูล สิ่งเหล่านี้ไม่ได้เกิดขึ้นในชีวิตจริง นอกจากนี้ วิดีโอ Deepfake ส่วนใหญ่มุ่งเป้าไปที่ดาราหญิงและจัดวางไว้ในเนื้อหาลามกอนาจาร GAN ยังสามารถสร้างภาพถ่ายสมมติได้ตั้งแต่เริ่มต้น ตัวอย่างเช่น บัญชีนักข่าว Deepfake หลายบัญชีบน LinkedIn และ Twitter กลายเป็นว่าสร้างขึ้นโดย AI โปรไฟล์สังเคราะห์เหล่านี้สามารถใช้สร้างบทความที่ฟังดูสมจริงและผลงานความเป็นผู้นำทางความคิดที่นักโฆษณาชวนเชื่อสามารถใช้ได้ 

ในขณะเดียวกัน ในภาคการดูแลสุขภาพ มีความกังวลเพิ่มขึ้นเกี่ยวกับข้อมูลที่อาจรั่วไหลโดยการใช้ฐานข้อมูลผู้ป่วยจริงเป็นข้อมูลการฝึกอบรมสำหรับอัลกอริทึม นักวิจัยบางคนแย้งว่าจะต้องมีการรักษาความปลอดภัยเพิ่มเติมหรือการปกปิดเลเยอร์เพื่อปกป้องข้อมูลส่วนบุคคล อย่างไรก็ตาม แม้ว่า GAN จะขึ้นชื่อในเรื่องความสามารถในการหลอกลวงผู้คนเป็นส่วนใหญ่ แต่ก็มีประโยชน์ในเชิงบวก ตัวอย่างเช่น ในเดือนพฤษภาคม พ.ศ. 2022 ตำรวจจากเนเธอร์แลนด์ได้สร้างวิดีโอจำลองเด็กชายอายุ 13 ปี ที่ถูกฆาตกรรมในปี พ.ศ. 2003 โดยใช้ภาพเหยื่อที่สมจริง ตำรวจหวังว่าจะสนับสนุนให้ประชาชนจดจำเหยื่อและออกมาข้างหน้าด้วย ข้อมูลใหม่เกี่ยวกับคดีเย็น ตำรวจอ้างว่าพวกเขาได้รับคำแนะนำหลายประการแล้ว แต่จะต้องทำการตรวจสอบประวัติเพื่อยืนยัน

การประยุกต์ใช้เครือข่ายปฏิปักษ์เชิงสร้างสรรค์ (GAN)

แอปพลิเคชั่นบางตัวของ generative adversarial network (GAN) อาจรวมถึง: 

• อุตสาหกรรมการสร้างภาพยนตร์ที่สร้างเนื้อหาปลอมเพื่อวางนักแสดงสังเคราะห์และถ่ายทำฉากใหม่ในภาพยนตร์หลังการผลิต กลยุทธ์นี้สามารถแปลเป็นการประหยัดต้นทุนในระยะยาว เนื่องจากไม่ต้องจ่ายค่าชดเชยเพิ่มเติมให้กับนักแสดงและทีมงาน
• การใช้ข้อความและวิดีโอปลอมที่เพิ่มมากขึ้นเพื่อส่งเสริมอุดมการณ์และการโฆษณาชวนเชื่อในแวดวงการเมืองต่างๆ
• บริษัทต่างๆ ที่ใช้วิดีโอสังเคราะห์เพื่อสร้างแบรนด์และแคมเปญการตลาดที่ซับซ้อน โดยไม่ต้องจ้างคนจริงๆ นอกเหนือจากโปรแกรมเมอร์
• กลุ่มต่างๆ ล็อบบี้เพื่อเพิ่มการคุ้มครองความเป็นส่วนตัวของข้อมูลในด้านการดูแลสุขภาพและข้อมูลส่วนบุคคลอื่นๆ การตอบโต้กลับนี้อาจกดดันบริษัทต่างๆ ให้พัฒนาข้อมูลการฝึกอบรมที่ไม่ได้ขึ้นอยู่กับฐานข้อมูลจริง อย่างไรก็ตามผลลัพธ์อาจไม่แม่นยำเท่าที่ควร
• รัฐบาลควบคุมและติดตามบริษัทที่ผลิตเทคโนโลยี GAN เพื่อให้แน่ใจว่าเทคโนโลยีดังกล่าวไม่ได้ถูกนำมาใช้เพื่อการให้ข้อมูลที่ไม่ถูกต้องและการฉ้อโกง

คำถามที่จะแสดงความคิดเห็นเกี่ยวกับ

• คุณเคยมีประสบการณ์ใช้เทคโนโลยี GAN หรือไม่? ประสบการณ์เป็นอย่างไร?
• บริษัทและรัฐบาลจะมั่นใจได้อย่างไรว่า GAN ถูกใช้อย่างมีจริยธรรม?