الذكاء الاصطناعي
"المزيفة العميقة" يمكن أن تتحول قريبًا إلى الجغرافيا
بدأت المخاوف بشأن "التزييف العميق" في التوسع في مجالات أخرى ، مثل علوم المعلومات الجغرافية (GIS). بدأ الباحثون في جامعة بينغامتون الآن في معالجة هذه المشكلة المحتملة.
يضم الفريق أستاذًا مشاركًا في الجغرافيا تشنغ بين دينغ ، وأربعة زملاء آخرين ، من بينهم بو تشاو ويفان صن بجامعة واشنطن ، وشاوزينج زانج وتشونكسو شو في جامعة ولاية أوريغون.
تم نشر البحث الجديد في علم الخرائط والمعلومات الجغرافية ، تحت عنوان "جغرافيا مزيفة عميقة؟ عندما تواجه البيانات الجغرافية المكانية الذكاء الاصطناعي".
في الورقة ، يستكشف الفريق كيف يمكن إنشاء صور أقمار صناعية زائفة واكتشافها.
قال دينغ "بصراحة ، ربما نكون أول من يدرك هذه المشكلة المحتملة".
علوم المعلومات الجغرافية (GIS) و GeoAI
يستخدم علم المعلومات الجغرافية (GIS) للعديد من التطبيقات المختلفة ، بما في ذلك الدفاع الوطني والمركبات ذاتية القيادة. من خلال تطوير الذكاء الاصطناعي الجغرافي المكاني (GeoAI) ، كان لتقنية الذكاء الاصطناعي تأثير على هذا المجال.
يستخدم GeoAI التعلم الآلي لاستخراج البيانات الجغرافية المكانية وتحليلها. ومع ذلك، يمكن أيضًا استخدام GeoAI لتزييف إشارات نظام تحديد المواقع العالمي (GPS)، ومعلومات الموقع على وسائل التواصل الاجتماعي، وتلفيق صور فوتوغرافية للبيئات الجغرافية، ولمجموعة واسعة من التطبيقات الخطيرة الأخرى.
نحن بحاجة إلى الحفاظ على كل هذا وفقًا للأخلاق. ولكن في الوقت نفسه ، نحتاج نحن الباحثين أيضًا إلى الانتباه وإيجاد طريقة لتمييز أو تحديد تلك الصور المزيفة ، "قال دينغ. "مع وجود الكثير من مجموعات البيانات ، يمكن أن تبدو هذه الصور حقيقية للعين البشرية."
تكوين صور كاذبة
تتمثل الخطوة الأولى لاكتشاف صورة مصطنعة في إنشاء صورة ، لذلك اعتمد الفريق على التقنية الشائعة لإنشاء صور مزيفة عميقة تسمى شبكات الخصومة المتوافقة مع الدورة (CycleGAN). CycleGAN هي خوارزمية تعلم عميق غير خاضعة للرقابة يمكنها محاكاة الوسائط التركيبية.
تتطلب شبكات الخصومة التوليدية (GAN) ، وهي نوع من أنواع الذكاء الاصطناعي ، عينات تدريبية من المحتوى الذي تتم برمجتها لإنتاجه. على سبيل المثال ، يمكن لـ GAN إنشاء محتوى لمنطقة فارغة على الخريطة من خلال تحديد الاحتمالات المختلفة.
شرع الباحثون في تغيير صورة القمر الصناعي لتاكوما بواشنطن ، وقاموا بخلط عناصر من سياتل وبكين مع جعلها تبدو واقعية قدر الإمكان. ومع ذلك ، حذر الباحثون من مثل هذه المهام.
"لا يتعلق الأمر بالتقنية ؛ قال دينغ إن الأمر يتعلق بكيفية استخدام البشر للتكنولوجيا. "نريد استخدام التكنولوجيا من أجل الخير وليس للأغراض السيئة."
بعد الإنشاء ، قارن الفريق 26 مقياسًا مختلفًا للصور لتحديد ما إذا كانت هناك أي فروق إحصائية بين الصور الحقيقية والخطأ ، وسجلوا هذه الاختلافات في 20 من أصل 26 مؤشرًا (80٪).
تضمنت الاختلافات لون الأسطح ، حيث كانت الألوان في الصور الحقيقية موحدة ، بينما كانت الألوان في المركب مرقطة. وجد الفريق أيضًا أن صورة القمر الصناعي المزيفة كانت أقل تلونًا وأكثر تعتيمًا ، ولكنها أيضًا كانت ذات حواف أكثر حدة. وفقا لدنغ ، كانت الاختلافات تعتمد على المدخلات المستخدمة لتطوير المزيف.
يضع هذا البحث الأساس لمزيد من العمل ، والذي يمكن أن يمكّن الجغرافيين من تتبع أنواع مختلفة من الشبكات العصبية لمعرفة كيفية إنشاء صور مزيفة ، مما يؤدي أيضًا إلى اكتشاف أفضل. يقول الفريق إن الأساليب المنهجية ستحتاج إلى التطوير من أجل الكشف عن التزييف العميق والتحقق من المعلومات الجديرة بالثقة في هذا المجال.
قال دينغ: "كلنا نريد الحقيقة".
