يمكن أن تدخل “الصور المزيفة العميقة” قريبا إلى الجغرافيا

بدأت مخاوف حول “الصور المزيفة العميقة” تتوسع إلى مجالات أخرى، مثل علوم المعلومات الجغرافية (GIS). وبدأ باحثون في جامعة بinghamton الآن في معالجة هذه المشكلة المحتملة.

يتضمن الفريق أستاذًا مساعدًا في الجغرافيا تشينج بين دنج، وزميلين آخرين، بمن فيهم بو زهاو وييفان صن في جامعة واشنطن، وشاوزينج زانج وتشونكسو شو في جامعة ولاية أوريغون.

نشرت الأبحاث الجديدة في كارتوجرافي وعلوم المعلومات الجغرافية، تحت عنوان “جغرافيا مزيفة عميقة؟ عندما تقابل البيانات الجغرافية الفضائية الذكاء الاصطناعي”.

في الورقة، يبحث الفريق في كيفية بناء صور الأقمار الصناعية الكاذبة وتحديدها.

“بصراحة، نحن ربما أول من يعترف بهذه القضية المحتملة،” قال دنج.

علوم المعلومات الجغرافية (GIS) و GeoAI

تستخدم علوم المعلومات الجغرافية (GIS) في العديد من التطبيقات المختلفة، بما في ذلك الدفاع الوطني والمركبات ذاتية الحركة. من خلال تطوير الذكاء الاصطناعي الجغرافي المكاني (GeoAI)، أثر تكنولوجيا الذكاء الاصطناعي على هذا المجال.

يستخدم GeoAI تعلم الآلة لاستخراج وتحليل البيانات الجغرافية المكانية. ومع ذلك، يمكن استخدام GeoAI أيضًا لتقديم إشارات GPS كاذبة، ومعلومات الموقع على وسائل التواصل الاجتماعي، وتصنيع صور للبيئات الجغرافية، وللمسؤوليات الخطرة الأخرى.

“نحن بحاجة إلى الحفاظ على كل هذا وفقًا للأخلاقيات. ولكن في الوقت نفسه، نحن الباحثون بحاجة إلى الانتباه وإيجاد طريقة لتمييز أو تحديد الصور المزيفة،” قال دنج. “مع العديد من مجموعات البيانات، يمكن أن تبدو هذه الصور حقيقية للعين البشرية.”

بناء الصور الكاذبة

الخطوة الأولى للكشف عن صورة بنيت اصطناعيًا هي بناء واحدة، لذلك اعتمد الفريق على تقنية شائعة لإنشاء صور مزيفة عميقة تسمى Cycle-Consistent Adversarial Networks (CycleGAN). CycleGAN هو خوارزمية تعلم غير مُشرّف يمكنها محاكاة الإعلام الاصطناعي.

تتطلب الشبكات المعارضة التوليدية (GAN)، وهي نوع من الذكاء الاصطناعي، عينات تدريب من المحتوى الذي يتم برمجته لإنتاجه. على سبيل المثال، يمكن للGAN توليد محتوى لفراغ على الخريطة من خلال تحديد الإمكانيات المختلفة.

حاول الباحثون تغيير صورة الأقمار الصناعية لتاكوما، واشنطن، وخلطوا عناصر من سياتل وبكين فيما بينهم، وجعلوها تبدو حقيقية قدر الإمكان. ومع ذلك، يحذر الباحثون من مثل هذه المهام.

“ليس الأمر متعلقًا بالتقنية، بل ب كيفية استخدام البشر للتكنولوجيا،” قال دنج. “نريد استخدام التكنولوجيا من أجل الخير، وليس للأغراض السيئة.”

بعد إنشاء الصورة، قارن الفريق 26 مقياسًا صوريًا مختلفًا لتحديد ما إذا كانت هناك أي فروق إحصائية بين الصور الحقيقية والصور الكاذبة، وسجلوا مثل هذه الفروق في 20 من 26 مؤشرًا (80%).

تضمنت الفروق لون الأسقف، حيث كانت الألوان في الصور الحقيقية موحدة، بينما كانت في الصور المركبة متقلبة. كما وجد الفريق أن الصورة الاصطناعية للأقمار الصناعية كانت أقل لونًا وأكثر خفوتًا، ولكنها كانت أيضًا أكثر حدة. وفقًا لدنج، كانت الفروق تعتمد على الإدخالات المستخدمة لتطوير الصورة الكاذبة.

تؤسس هذه الأبحاث الأساس للعمل المستقبلي، الذي يمكن أن يسمح للجغرافيين بتتبع أنواع مختلفة من الشبكات العصبية لمعرفة كيفية توليد صور مزيفة، مما يؤدي أيضًا إلى الكشف الأفضل. ويقول الفريق إن الأساليب المنهجية ستحتاج إلى تطويرها من أجل الكشف عن الصور المزيفة العميقة وتحديد المعلومات الموثوقة في هذا المجال.

“نحن جميعًا نريد الحقيقة،” قال دنج.