Uma ferramenta para detectar deepfakes é transparente sobre suas limitações

Você, presumivelmente um ser humano, é uma parte crucial na detecção 🍏 de uma

ou

---

gerado por inteligência artificial.

Existem ferramentas de detecção, feitas tanto comercialmente quanto laboratórios de pesquisa, 🍏 que podem ajudar. Para usar esses detectores de deepfakes, você envia ou vincula uma peça de mídia que suspeita ser 🍏 falsa, e o detector dá uma probabilidade porcentagem de que ela tenha sido gerada por IA.

Mas seus sentidos e 🍏 uma compreensão de alguns indicativos importantes fornecem muita informação ao analisar mídia para ver se ela é um deepfake.

Enquanto as 🍏 regulamentações para deepfakes, especialmente eleições, ainda estão atrasadas relação ao rápido ritmo das inovações IA, precisamos encontrar 🍏 formas de descobrir se uma imagem, áudio ou

---

é realmente real.

Siwei Lyu criou uma delas, o DeepFake-o-meter, na Universidade 🍏 de Buffalo. Sua ferramenta é gratuita e de código aberto, compilando mais de uma dúzia de algoritmos de outros laboratórios 🍏 de pesquisa um lugar. Os usuários podem enviar uma mídia e executá-la através dessas diferentes ferramentas de laboratórios para 🍏 obter uma ideia de se ela pode ser gerada por IA.

O DeepFake-o-meter mostra tanto os benefícios quanto as limitações das 🍏 ferramentas de detecção de IA. Quando executamos algumas deepfakes conhecidas através das diferentes algoritmos, os detectores deram uma classificação para 🍏 o mesmo

---

,

ou gravação de áudio de 0% a 100% de chance de ser gerada por IA.

A IA 🍏 e os algoritmos usados para detectá-la podem ser influenciados pela maneira como são ensinados. No caso do DeepFake-o-meter, a ferramenta 🍏 é transparente sobre essa variabilidade nos resultados, enquanto um detector comercial comprado na loja de aplicativos é menos claro sobre 🍏 suas limitações, ele disse.

"Acho que uma imagem falsa de confiabilidade é pior do que baixa confiabilidade, porque se você confiar 🍏 um sistema que fundamentalmente não é confiável para funcionar, pode causar problemas no futuro", disse Lyu.

Seu sistema ainda é 🍏 rudimentar para os usuários, tendo sido lançado publicamente apenas janeiro deste ano. Mas seu objetivo é que jornalistas, pesquisadores, 🍏 investigadores e usuários comuns possam enviar mídias para verificar se são reais. Sua equipe está trabalhando formas de classificar 🍏 as diferentes algoritmos que usam para detecção para informar os usuários qual detector funcionaria melhor para sua situação. Os usuários 🍏 podem optar por compartilhar a mídia que enviam com a equipe de pesquisa de Lyu para ajudá-lo a melhorar o 🍏 site.

Lyu frequentemente atua como fonte experiente para jornalistas que tentam avaliar se algo pode ser um deepfake, então ele nos 🍏 mostrou algumas instâncias bem conhecidas de deepfakery recentes para mostrar as maneiras pelas quais podemos dizer que eles não são 🍏 reais.

"Um operador humano precisa ser trazido para fazer a análise", disse ele. "Acho que é crucial ser uma colaboração homem-algoritmo. 🍏 Deepfakes são um problema social-técnico. Não vai ser resolvido puramente pela tecnologia. Tem que haver uma interface com humanos."