วัยชนว์ อานันท์ ผู้เขียน Tech Demystified: Cybersecurity – สัมภาษณ์ Series

Vaishnav Anand นักเรียนวัย 17 ปีจาก Athenian School ได้พัฒนาระบบ AI ระบบแรกที่ตรวจจับ “ดีพเฟกเชิงภูมิสารสนเทศ” ได้ ซึ่งหมายถึงภาพถ่ายดาวเทียมที่ถูกดัดแปลงด้วย AI และอาจใช้ซ่อนฐานทัพ สร้างแหล่งทรัพยากรปลอม หรือบิดเบือนข้อมูลภัยพิบัติ จนก่อความเสี่ยงต่อความมั่นคงของชาติและเสถียรภาพโลก เนื่องจากไม่มีชุดข้อมูลสาธารณะสำหรับการตรวจจับประเภทนี้ Anand จึงสร้างภาพสังเคราะห์ของตนเองด้วย Generative Adversarial Networks ฝึกโมเดลตั้งแต่ต้น และกำลังใช้วิธี diffusion เพื่อเพิ่มความแม่นยำ งานวิจัยของเขาถูกนำเสนอที่ Esri International User Conference และ Cambridge University และได้รับการยอมรับจาก Jack Dangermond ประธาน Esri

ควบคู่กับงานด้านความปลอดภัยของ AI Anand ยังเขียนหนังสือความปลอดภัยทางไซเบอร์สองเล่มซึ่งโรงเรียนเอกชนนำไปใช้ หนังสือเล่มล่าสุด Tech Demystified: Cybersecurity: Core Principles of Modern Cyber Defense ได้รับคะแนน 5.0 ดาว หนังสืออธิบายหัวข้อซับซ้อนอย่างฟิชชิง มัลแวร์ ไฟร์วอลล์ และการเข้ารหัส ให้เป็นบทเรียนที่ชัดเจนและนำไปใช้ได้สำหรับนักเรียน นักการศึกษา และทุกคนที่สนใจความปลอดภัยดิจิทัล การทำให้ความปลอดภัยทางไซเบอร์เข้าถึงง่ายและน่าสนใจทำให้ Anand ไม่เพียงเป็นนักนวัตกรรม AI แต่ยังเป็นเสียงรุ่นใหม่ด้านการศึกษาและเทคโนโลยี

คุณยังเรียนมัธยมอยู่ แต่สร้างผลกระทบในวงการ AI และความปลอดภัยทางไซเบอร์แล้ว อะไรดึงดูดคุณเข้าสู่สาขานี้เป็นครั้งแรก และคุณเริ่มพัฒนาโครงการขั้นสูงเช่นนี้ตั้งแต่อายุยังน้อยได้อย่างไร

สิ่งที่ดึงดูดผมคือธรรมชาติสองด้านของ AI มันมีศักยภาพมหาศาล แต่ก็สร้างอันตรายได้ ผมมีประสบการณ์ตรงกับเทคโนโลยีดีพเฟกซึ่งเปลี่ยนมุมมองของผม การเห็นสื่อสังเคราะห์ทำร้ายคนหนุ่มสาวอย่างรุนแรงทำให้ตระหนักว่านี่ไม่ใช่เพียงความอยากรู้อยากเห็นทางเทคนิค แต่เป็นประเด็นสำคัญของสังคมที่เราต้องเข้าใจให้มากขึ้น

ผมเข้าสู่งานวิจัยไม่ใช่จากแผนใหญ่ แต่จากความอยากรู้อยากเห็นอย่างลึกซึ้ง ทุกคำถามที่ศึกษาเชื่อมไปสู่คำถามต่อไป กลายเป็นวงจรแห่งการค้นพบ ผมสนใจปัญหาที่ซับซ้อนขึ้นเรื่อยๆ ไม่ได้แสวงหาการยอมรับ แต่หลงใหลในคำถามเหล่านั้นจริงๆ

ผมเปลี่ยนจากการสำรวจส่วนตัวสู่งานวิจัยที่มีความหมายด้วยการสร้างเครือข่ายและความพากเพียร ผมเริ่มติดต่อกับนักวิจัยที่มีผลงานน่าชื่นชม ส่วนใหญ่ผ่านแพลตฟอร์มอย่าง LinkedIn แม้หลายคนไม่ตอบ แต่โชคดีที่ได้รู้จักนักวิจัยระดับ PhD สองคนซึ่งศึกษาเรื่องความปลอดภัยของ AI และการตรวจจับดีพเฟก พวกเขาเริ่มมอบงานเล็กๆ ในโครงการวิจัยขนาดใหญ่ เมื่อผมพิสูจน์ความน่าเชื่อถือและความเข้าใจได้ งานเหล่านั้นก็ค่อยๆ มีความสำคัญมากขึ้น

การมีที่ปรึกษาเปลี่ยนชีวิตผม นักวิจัยที่มีประสบการณ์ช่วยเปลี่ยนความอยากรู้อยากเห็นให้เป็นงานที่เข้มงวด แรงจูงใจภายในของผม คำแนะนำที่เป็นระบบของพวกเขา และความพยายามอย่างสม่ำเสมอ ค่อยๆ เปลี่ยนความสนใจทั่วไปให้เป็นผลงานวิจัยที่มีความหมาย ประสบการณ์นี้ตอกย้ำว่าความก้าวหน้าจริงมักไม่ได้มาจากการค้นพบครั้งใหญ่แบบฉับพลัน แต่มาจากการทำงานกับปัญหาสำคัญอย่างต่อเนื่อง

คนส่วนใหญ่นึกถึงดีพเฟกในรูปใบหน้าหรือเสียง อะไรทำให้คุณศึกษาเฉพาะดีพเฟกเชิงภูมิสารสนเทศ และเหตุใดคุณจึงมองว่านี่เป็นจุดบอดที่สำคัญมาก

เมื่อคนส่วนใหญ่ได้ยินคำว่า “ดีพเฟก” พวกเขานึกถึงวิดีโอคนดังปลอมหรือเสียงที่ถูกดัดแปลง ตอนแรกผมก็เช่นกัน แต่เมื่อเรียนรู้มากขึ้น ผมเริ่มสงสัยว่าเทคโนโลยีนี้อาจถูกใช้ในที่ใดอีกโดยที่เราไม่ทันคิด ถึงตอนนั้นจึงตระหนักว่าภาพถ่ายดาวเทียมมักถูกมองว่าเชื่อถือได้โดยสมบูรณ์ ทั้งรัฐบาล ธุรกิจ และแม้แต่ทีมบรรเทาภัยพิบัติต่างตัดสินใจเรื่องสำคัญจากข้อมูลนี้

นี่ดูเหมือนจุดบอด หากวิดีโอปลอมทำลายชื่อเสียงได้ แผนที่ปลอมหรือภาพถ่ายดาวเทียมที่ถูกดัดแปลงก็อาจรบกวนห่วงโซ่อุปทาน ชี้นำงานกู้ภัยผิดทาง หรือทำให้ตัดสินใจด้านความมั่นคงของชาติผิดพลาด เมื่อการป้องกันประเทศและสงครามพึ่งพาระบบ AI โดรน และการตัดสินใจอัตโนมัติมากขึ้น ความเสี่ยงก็สูงขึ้น สัญญาณภาพถ่ายดาวเทียมที่ถูกดัดแปลงหลอกได้ทั้งมนุษย์และเครื่องจักร

สิ่งที่สะดุดใจยิ่งกว่าคือ ดีพเฟกเชิงภูมิสารสนเทศได้รับความสนใจน้อยกว่าดีพเฟกใบหน้าหรือเสียงมาก มีชุดข้อมูลสาธารณะและเครื่องมือมาตรฐานสำหรับตรวจจับน้อยมาก อีกทั้งการค้นหาของปลอมในภาพถ่ายดาวเทียมยากกว่ามาก เพราะไม่ได้มองเพียงความผิดพลาดของการขยับปากหรือขอบภาพเบลอ ข้อมูลดาวเทียมมีหลายย่านสเปกตรัม รายละเอียดสูง และเต็มไปด้วยรูปแบบที่แม้ผู้เชี่ยวชาญก็วิเคราะห์ได้ยาก การขาดงานวิจัยประกอบกับผลกระทบที่สูงทำให้ผมรู้ว่านี่คือพื้นที่สำคัญที่ต้องศึกษา

ช่วยอธิบายกระบวนการค้นพบของคุณได้ไหมว่า คุณตระหนักได้อย่างไรว่าภาพถ่ายดาวเทียมที่ถูกดัดแปลงอาจสร้างความเสี่ยงต่อความมั่นคงของชาติ เศรษฐกิจ และการรับมือภัยพิบัติ

จุดเปลี่ยนเกิดขึ้นหลังจากผมพบดีพเฟกที่ทำให้ความเชื่อในสิ่งที่เห็นสั่นคลอน ช่วงเวลาที่สงสัยนั้นเปิดเผยเรื่องสำคัญว่า มนุษย์มีแนวโน้มตามธรรมชาติที่จะเชื่อหลักฐานทางภาพ และเมื่อความไว้วางใจนั้นพังลง วิธีที่เรามองทุกอย่างก็เปลี่ยนไป ประสบการณ์นี้ทำให้ผมเผชิญความจริงว่าเราทุกคนเปราะบางต่อการหลอกลวงที่แนบเนียนเพียงใด

ตอนแรก ผมมุ่งไปที่การใช้งานที่เห็นชัดเช่นเดียวกับคนส่วนใหญ่ ได้แก่ วิดีโอดีพเฟกและใบหน้าที่ถูกดัดแปลง โครงการตรวจจับระยะแรกทำให้เข้าใจว่าเทคโนโลยีเหล่านี้ทำงานอย่างไร แต่ยังเปิดให้เห็นผลกระทบวงกว้างที่ผมไม่เคยพิจารณา

ประสบการณ์ที่เปิดตาจริงๆ เกิดขึ้นเมื่อผมเป็น Associate Director ของทีมผู้นำ National 4-H GIS การทำงานกับข้อมูลภูมิสารสนเทศและภาพถ่ายดาวเทียมทำให้เห็นว่าแหล่งข้อมูลซึ่งดูเป็นกลางเหล่านี้ขับเคลื่อนการตัดสินใจสำคัญอย่างไร ผมเห็นแผนที่ถูกใช้กำกับการตอบสนองภัยพิบัติ สร้างนโยบายสิ่งแวดล้อม และมีอิทธิพลต่อโครงการวางแผนชุมชนมูลค่าหลายล้านดอลลาร์ สิ่งที่น่าประหลาดใจที่สุดคือความไว้วางใจแบบไม่ตั้งคำถาม ข้อมูลนี้ถูกมองว่าเป็นความจริงที่โต้แย้งไม่ได้

ตอนนั้นทุกอย่างจึงเชื่อมโยงกัน หากวิดีโอปลอมทำให้เกิดความทุกข์ทางอารมณ์และความไม่สงบในสังคม ภาพถ่ายดาวเทียมที่ถูกดัดแปลงก็อาจนำไปสู่ผลลัพธ์ร้ายแรงในโลกจริง ลองนึกถึงทรัพยากรฉุกเฉินถูกส่งไปยังพื้นที่ภัยพิบัติปลอม รัฐบาลตัดสินใจจากข้อมูลสิ่งแวดล้อมผิด หรือรายงานการเกษตรที่ถูกแก้ไขส่งผลต่อตลาดการเงิน ศักยภาพของความเสียหายนั้นมหาศาล

การผสานประสบการณ์วิจัยดีพเฟกกับ GIS ทำให้เห็นช่องว่างในการตระหนักรู้ร่วมกัน ขณะที่โลกพูดถึงการสลับใบหน้าและสื่อสังเคราะห์ ภัยคุกคามที่ใหญ่กว่าของดีพเฟกเชิงภูมิสารสนเทศกลับถูกมองข้าม นี่กลายเป็นแรงผลักดันของงานวิจัยผม คือการแก้จุดอ่อนร้ายแรงที่อาจเปลี่ยนวิธีทำความเข้าใจความจริงในโลกซึ่งขับเคลื่อนด้วยข้อมูล

งานวิจัยของคุณใช้ Generative Adversarial Networks (GANs) เพื่อตรวจจับภาพถ่ายดาวเทียมปลอม ระบบทำงานอย่างไร และต่างจากตัวตรวจจับดีพเฟกทั่วไปอย่างไร

ตัวตรวจจับส่วนใหญ่ในปัจจุบันถูกออกแบบให้ระบุใบหน้าหรือเสียง โดยมองหาสัญญาณอย่างการขยับปากไม่ตรงกันหรือปัญหาเสียง แต่ภาพถ่ายดาวเทียมต่างออกไปมาก ประกอบด้วยพื้นผิวละเอียดและรูปแบบเชิงสเปกตรัมของภูมิประเทศ พื้นที่เกษตร มหาสมุทร และเมือง รูปแบบเหล่านี้สังเกตได้ยากและต้องใช้แนวทางที่ต่างออกไป

ในโครงการแรก ผมฝึกเฟรมเวิร์ก GAN ด้วยชุดภาพถ่ายดาวเทียมจริง SpaceNet-7 ตัว generator สร้างภาพสังเคราะห์ ส่วน discriminator เรียนรู้แยกของจริงออกจากของปลอม การมุ่งไปที่ discriminator ทำให้ผมฝึกโมเดลซึ่งเข้าใจ “ลายเซ็น” ทางสถิติของข้อมูลดาวเทียมจริง รวมถึงความแตกต่างของพื้นผิวในเขตเมืองกับภูมิประเทศธรรมชาติ และรูปแบบความเข้มของพิกเซลที่เปลี่ยนไปตามภูมิภาค

กระบวนการฝึกนี้ทำให้ระบบตรวจจับของปลอมได้แม่นยำสูง ความต่างหลักจากตัวตรวจจับทั่วไปคือระบบนี้ถูกออกแบบเฉพาะสำหรับข้อมูลภูมิสารสนเทศ แทนที่จะมองหาความผิดพลาดทางภาพที่ชัดเจน มันเรียนรู้ความไม่สอดคล้องเชิงสเปกตรัมและพื้นผิวอันละเอียดซึ่งเผยให้เห็นภาพถ่ายดาวเทียมสังเคราะห์

งานวิจัยปัจจุบันของผมเปลี่ยนมาศึกษา diffusion models ในฐานะตัวสร้างภาพ ซึ่งให้คุณภาพภาพดีขึ้นกว่า GANs อย่างมาก โมเดลอย่าง DDPM และ DDIM สร้างภาพถ่ายดาวเทียมสมจริงด้วยการเรียนรู้ย้อนกระบวนการเติมสัญญาณรบกวน ภาพสังเคราะห์ที่ได้มักชัดและละเอียดกว่าภาพจาก GAN นี่เป็นทั้งโอกาสและความท้าทาย เพราะโมเดลเหล่านี้ให้ข้อมูลฝึกที่ดีกว่าสำหรับระบบตรวจจับ แต่ก็สร้างของปลอมขั้นสูงที่จับได้ยากกว่า

ตอนนี้ผมกำลังเปรียบเทียบวิธีตรวจจับหลายแบบเพื่อดูว่าวิธีใดมีประสิทธิภาพที่สุดต่อเทคนิคสร้างภาพแต่ละชนิด ทั้งตัวจำแนกแบบ CNN ดั้งเดิม สถาปัตยกรรม transformer ซึ่งจับความสัมพันธ์เชิงพื้นที่ระยะไกลในภาพดาวเทียมได้ และวิธีผสมที่รวมการวิเคราะห์สเปกตรัมกับดีปเลิร์นนิง แต่ละวิธีมีจุดแข็งต่างกัน: CNN เก่งในการตรวจพบปัญหาพื้นผิวเฉพาะที่ transformer มองเห็นปัญหาโครงสร้างขนาดใหญ่ข้ามพื้นที่ภาพ และการวิเคราะห์สเปกตรัมระบุลายเซ็นความถี่ละเอียดที่โครงข่ายประสาทอาจมองข้าม

ประเด็นน่าสนใจคือ generator แต่ละชนิดทิ้งรอยนิ้วมือทางนิติวิทยาศาสตร์ไม่เหมือนกัน ภาพจาก GAN มักมีสิ่งผิดปกติในรายละเอียดความถี่สูงและตามขอบ ส่วนภาพจาก diffusion มักมีความไม่สอดคล้องที่ละเอียดกว่าในความกลมกลืนโดยรวมและลักษณะเชิงสเปกตรัม การฝึกโมเดลตรวจจับด้วยของปลอมจากทั้ง GAN และ diffusion ทำให้ผมเข้าใจลายเซ็นของภาพดาวเทียมสังเคราะห์ลึกขึ้น และช่วยสร้างระบบตรวจจับที่ปรับตัวได้เมื่อเทคโนโลยีสร้างภาพพัฒนาต่อไป

แนวทางตรวจจับแบบหลายรูปแบบนี้จำเป็นมาก เมื่อโมเดลสร้างภาพก้าวหน้าขึ้น เราต้องมีระบบตรวจจับที่ไม่พึ่งข้อผิดพลาดจากวิธีสร้างชนิดใดชนิดหนึ่ง เป้าหมายคือระบุคุณลักษณะทางสถิติพื้นฐานที่แยกภาพถ่ายดาวเทียมจริงออกจากภาพสังเคราะห์ทุกรูปแบบ ไม่ว่าเทคโนโลยีเบื้องหลังจะเป็นอะไร

ในบทความ MIT URTC ของคุณ คุณกล่าวถึงความแม่นยำประมาณ 88% ในการแยกภาพถ่ายดาวเทียมจริงออกจากของปลอม ความก้าวหน้าสำคัญใดทำให้ได้ประสิทธิภาพนี้

ความก้าวหน้าสำคัญคือการตระหนักว่าไม่มีชุดข้อมูลเดิมใดมีภาพถ่ายดาวเทียมสังเคราะห์สำหรับฝึกโมเดลตรวจจับ เรื่องนี้ผลักดันให้ผมใช้แนวทางคู่ โดยพัฒนาทั้งการสร้างและการตรวจจับพร้อมกัน ผมสร้างชุดข้อมูลสังเคราะห์ของตนเองด้วย GANs และใช้ข้อมูลนั้นฝึก discriminator จึงสร้างระบบที่เข้าใจรูปแบบทางสถิติของภาพภูมิสารสนเทศจริงได้อย่างแท้จริง

ความเข้าใจสำคัญอีกอย่างคือ ภาพถ่ายดาวเทียมมีความท้าทายต่างจากดีพเฟกใบหน้ามาก ใบหน้ามักมีโครงสร้างกายวิภาคสม่ำเสมอ แต่ภาพดาวเทียมครอบคลุมภูมิประเทศหลากหลาย ตั้งแต่รูปแบบเกษตรกรรมและผังเมืองไปจนถึงภูมิทัศน์ธรรมชาติ ผมจึงต้องสร้างระบบตรวจจับที่ระบุคุณลักษณะของภาพจริงได้ในทุกสภาพแวดล้อมเหล่านี้

วิธีเฉพาะทางนี้ทำให้โมเดลตรวจจับความต่างเชิงสเปกตรัมและพื้นผิวที่ละเอียดซึ่งเผยภาพดาวเทียมสังเคราะห์ได้ โดยไม่ต้องพึ่งตัวตรวจจับทั่วไป อย่างไรก็ตาม งานวิจัยปัจจุบันกับ diffusion models ให้ผลดียิ่งขึ้น ทั้งความแม่นยำสูงกว่าและความทนทานต่อเทคนิคสร้างภาพขั้นสูงมากกว่า

เมื่อไม่มีชุดข้อมูลสาธารณะสำหรับตรวจจับดีพเฟกเชิงภูมิสารสนเทศ คุณสร้างภาพสังเคราะห์ของตนเองสำหรับการฝึกอย่างไร

การสร้างชุดข้อมูลสังเคราะห์ต้องพัฒนาสถาปัตยกรรม GAN ที่ซับซ้อนและฝึกด้วยชุดภาพถ่ายดาวเทียมจริง SpaceNet-7 ตัว generator เรียนรู้เปลี่ยนสัญญาณรบกวนแบบสุ่มให้เป็นภาพดาวเทียมที่สมจริงขึ้น และจับรูปแบบซับซ้อนในข้อมูลภูมิสารสนเทศจริง

กระบวนการนี้คล้ายการแข่งขันระหว่างนักปลอมแปลงฝีมือดีและผู้ตรวจสอบที่ได้รับการฝึก generator ปรับปรุงภาพสังเคราะห์ไปเรื่อยๆ ขณะที่ discriminator ก็เก่งขึ้นในการหาสัญญาณปลอมอันละเอียด การฝึกแบบโต้ตอบไปมาสร้างวงจรที่ผลักดันทั้งสองส่วนให้มีประสิทธิภาพสูงขึ้น

การควบคุมทั้งกระบวนการสร้างและตรวจจับทำให้ผมเข้าใจอย่างสำคัญว่าภาพถ่ายดาวเทียมสังเคราะห์ถูกสร้างอย่างไร มุมมองสองด้านนี้จำเป็นต่อการพัฒนาวิธีตรวจจับที่แข็งแรง ซึ่งรู้ทั้งว่าภาพจริงมีลักษณะอย่างไรและภาพสังเคราะห์ต่างจากรูปแบบเหล่านั้นตรงไหน

ระบบของคุณตรวจพบความผิดปกติชนิดใดบ้าง ไม่ว่าจะเชิงสเปกตรัม พื้นผิว หรือด้านอื่น เมื่อต้องแยกภาพจริงออกจากภาพที่ถูกดัดแปลง

ต่างจากดีพเฟกใบหน้าที่มักสังเกตการกะพริบตาผิดธรรมชาติหรือการขยับปากไม่ตรงเสียงได้ง่าย ปัญหาในภาพถ่ายดาวเทียมละเอียดกว่ามาก ระบบของผมค้นหาความไม่สอดคล้องเชิงสเปกตรัม เมื่อรูปแบบปฏิสัมพันธ์ระหว่างย่านคลื่นแม่เหล็กไฟฟ้าไม่ตรงกับข้อมูลสังเกตการณ์โลกจริง นอกจากนี้ยังพบความผิดปกติของพื้นผิว เช่น พื้นที่เกษตรที่สม่ำเสมอเกินไป ผิวมหาสมุทรที่ขาดรูปแบบคลื่นธรรมชาติ หรือพื้นผิวเมืองซึ่งซ้ำแบบประดิษฐ์

ความผิดปกติตามบริบทเพิ่มการตรวจจับอีกชั้น ตัวอย่างเช่น เครือข่ายถนนที่ไม่สอดคล้องกับลักษณะภูมิประเทศตามธรรมชาติ ผังการเกษตรที่ไม่คำนึงถึงข้อจำกัดจริงของการเพาะปลูก หรือรูปแบบการพัฒนาเมืองที่ไม่ตรงกับการเติบโตปกติของเมือง ปัญหาเหล่านี้อาจผ่านการตรวจแบบคร่าวๆ ของมนุษย์ แต่สร้างลายเซ็นทางสถิติชัดเจนที่โมเดลจดจำได้

ระบบยังมีข้อจำกัดกับภาพซับซ้อน เขตเมืองหนาแน่นที่มีโครงสร้างซ้อนกัน หรือภาพดาวเทียมซึ่งได้รับผลจากความบิดเบือนในชั้นบรรยากาศอย่างมาก อาจลดความแม่นยำในการตรวจจับ กรณีสุดขอบเหล่านี้ชี้ให้เห็นพื้นที่ที่ต้องวิจัยและปรับปรุงโมเดลต่อไป

เมื่อมองไปข้างหน้า โปสเตอร์ของคุณกล่าวถึงงานอนาคตอย่างส่วนขยายเบราว์เซอร์สำหรับยืนยันข้อมูลภูมิสารสนเทศแบบเรียลไทม์และเฟรมเวิร์กหลายชุดข้อมูล คุณเห็นว่าก้าวใหญ่ถัดไปของงานวิจัยสายนี้คืออะไร

แม้งานวิจัยที่ใช้ GAN ของผมแสดงว่าเราตรวจจับภาพถ่ายดาวเทียมปลอมได้อย่างแม่นยำ แต่ผมเรียนรู้ว่าผลลัพธ์ที่ดีในห้องทดลองไม่ได้รับประกันความสำเร็จในโลกจริง ภาพสังเคราะห์มักไม่ตรงกับรูปแบบที่โมเดลตรวจจับเคยฝึก และเทคโนโลยีสร้างภาพก็เปลี่ยนแปลงรวดเร็ว

ระยะต่อไปมุ่งสร้างระบบที่แข็งแรง ปรับตัวได้ และทำงานดีในเงื่อนไขหลากหลาย เราต้องสร้างวิธีประเมินที่เลียนแบบธรรมชาติอันคาดเดาไม่ได้ของการใช้ภาพสังเคราะห์ในโลกจริง และพัฒนาเครื่องมือใช้งานจริงอย่างส่วนขยายเบราว์เซอร์ขนาดเล็ก API แบบเรียลไทม์ และเฟรมเวิร์กเชื่อมต่อ เพื่อช่วยในกระบวนการตัดสินใจสำคัญ

ทิศทางวิจัยปัจจุบันของผมเน้นการปรับตัวและการใช้งานจริง ไม่ได้พยายามเพิ่มเพียงความแม่นยำของโมเดลในสภาพแวดล้อมควบคุม แต่ต้องการออกแบบระบบตรวจจับที่ยังน่าเชื่อถือเมื่อเทคนิคสร้างภาพเปลี่ยนไป และมอบเครื่องมือที่เข้าถึงได้ให้รัฐบาล ธุรกิจ และชุมชนซึ่งพึ่งพาข้อมูลภูมิสารสนเทศที่เชื่อถือได้

นอกเหนือจากข้อมูลภูมิสารสนเทศ งานวิจัยวงกว้างของคุณยังครอบคลุมวิดีโอดีพเฟก การยืนยันเสียงแบบเรียลไทม์ และอคติของ AI ในการให้สินเชื่อ คุณเลือกความท้าทายด้านจริยธรรมที่จะจัดการต่อไปอย่างไร

ทิศทางวิจัยของผมไม่ได้ถูกกำหนดโดยหัวข้อที่กำลังเป็นกระแส แต่มุ่งค้นหาช่องโหว่สำคัญในระบบที่ผู้คนมอบความไว้วางใจขั้นพื้นฐาน ทุกโครงการเริ่มจากการระบุจุดเฉพาะที่ความไว้วางใจอาจถูกบ่อนทำลายและนำไปสู่ผลลัพธ์ร้ายแรง

งานวิจัยดีพเฟกเริ่มจากประสบการณ์ส่วนตัวที่แสดงให้เห็นว่าสื่อสังเคราะห์ทำลายความเชื่อมั่นของบุคคลต่อหลักฐานทางภาพได้อย่างไร การทำงานกับทีมผู้นำ National 4-H GIS เน้นให้เห็นว่าผู้คนพึ่งภาพถ่ายดาวเทียมมากเพียงใดในการรับมือภัยพิบัติและตัดสินใจเชิงนโยบาย ความเชื่อมโยงนี้นำสู่งานวิจัยดีพเฟกเชิงภูมิสารสนเทศที่มีผลกระทบสูงมาก

รูปแบบเดียวกันใช้กับการยืนยันเสียง ผมพิจารณาว่าสายฉุกเฉินสังเคราะห์อาจทำให้ระบบ 911 รับภาระเกินกำลังได้อย่างไร อีกประเด็นคืออคติของ AI ในการให้สินเชื่อ ซึ่งการเลือกปฏิบัติของอัลกอริทึมอาจปิดกั้นโอกาสของทั้งชุมชน แต่ละพื้นที่สะท้อนความสัมพันธ์ด้านความไว้วางใจที่สำคัญระหว่างมนุษย์กับเทคโนโลยีและจำเป็นต้องได้รับการปกป้อง

ผมสำรวจจุดที่เทคโนโลยีมาบรรจบกับความเปราะบางทางสังคม โดยมุ่งงานวิจัยที่หยุดการพังทลายของความไว้วางใจก่อนจะกลายเป็นวิกฤตวงกว้าง

คุณยังตีพิมพ์ Tech Demystified: Cybersecurity ซึ่งโรงเรียนได้นำไปใช้ อะไรกระตุ้นให้คุณเขียนหนังสือนี้ และคุณทำให้เนื้อหาทางเทคนิคเข้าถึงได้สำหรับนักเรียนกับนักการศึกษาอย่างไร

หนังสือเล่มนี้เกิดขึ้นโดยตรงจากประสบการณ์วิจัยดีพเฟกของผม ซึ่งแสดงให้เห็นว่าความรู้เท่าทันดิจิทัลสำคัญเพียงใดสำหรับคนหนุ่มสาวที่ต้องเผชิญโลกเทคโนโลยีซับซ้อนขึ้น ความปลอดภัยทางไซเบอร์ดูเป็นจุดเริ่มต้นที่เหมาะสม เพราะส่งผลต่อทุกคน ไม่ว่ามีทักษะเทคโนโลยีหรือเป้าหมายอาชีพแบบใด

ผมเขียนโดยมุ่งไปที่นักเรียนซึ่งอายุน้อยกว่าตนเพียงไม่กี่ปี และถามว่าสิ่งใดน่าจะช่วยให้ผมเข้าใจภัยคุกคามไซเบอร์เมื่อเริ่มเรียนรู้ ผมจัดเนื้อหาด้วยเรื่องราว การเปรียบเทียบ และภาพ พร้อมกิจกรรมเชิงโต้ตอบกับคำถามชวนไตร่ตรอง เครื่องมือเหล่านี้ทำให้แนวคิดยากๆ เข้าใจง่ายขึ้น

การเห็นโครงการระดับมัธยม ห้องสมุดโรงเรียน และองค์กรไม่แสวงหากำไรที่ให้บริการนักเรียนซึ่งขาดโอกาสนำหนังสือไปใช้มีความหมายอย่างยิ่ง ผมต้องการสร้างทรัพยากรที่เปิดประตูให้นักเรียนซึ่งมิฉะนั้นอาจรู้สึกว่าตนถูกกันออกจากการสนทนาเรื่องความปลอดภัยทางไซเบอร์

การเน้นความปลอดภัยทางไซเบอร์วางรากฐานด้านความปลอดภัยดิจิทัล ก่อนหนังสือเล่มถัดไปของผมจะกล่าวถึง AI และดีพเฟกซึ่งเป็นความสนใจวิจัยหลัก นักเรียนจำเป็นต้องเรียนรู้หลักความปลอดภัยพื้นฐาน ก่อนเจาะลึกประเด็นจริยธรรมอันซับซ้อนของปัญญาประดิษฐ์

ในหนังสือ คุณครอบคลุมภัยคุกคามตั้งแต่ฟิชชิงถึงแรนซัมแวร์ คุณคิดว่าหลักการความปลอดภัยทางไซเบอร์ข้อเดียวที่สำคัญที่สุดซึ่งคนหนุ่มสาวควรเข้าใจในปัจจุบันคืออะไร

หลักสำคัญที่สุดคือ “เชื่อใจ แต่ต้องตรวจสอบ” เราต้องสร้างนิสัยตั้งคำถามกับข้อมูลดิจิทัลก่อนลงมือ การโจมตีไซเบอร์ที่สำเร็จส่วนใหญ่ฉวยประโยชน์จากความไว้วางใจของมนุษย์ แทนที่จะพึ่งช่องโหว่ทางเทคนิคซับซ้อน ไม่ว่าจะเป็นการคลิกลิงก์น่าสงสัย ดาวน์โหลดไฟล์ที่ไม่รู้จัก หรือตอบข้อความซึ่งดูคุ้นเคย การหยุดเพื่อตรวจสอบสามารถป้องกันการโจมตีได้มากมาย

สำหรับคนหนุ่มสาวที่ใช้เวลาออนไลน์มากและสลับแพลตฟอร์มอย่างรวดเร็ว กรอบคิดแบบตรวจสอบนี้สำคัญเป็นพิเศษ การสร้างนิสัยตั้งคำถามก่อนคลิกทำให้เกิดแนวทางป้องกันตนที่รับมือภัยคุกคามได้หลายชนิด

หลักนี้ก้าวพ้นความปลอดภัยทางไซเบอร์ไปสู่ความรู้เท่าทันดิจิทัลในวงกว้าง ทักษะคิดเชิงวิพากษ์แบบเดียวกับที่ป้องกันมัลแวร์ ยังช่วยสังเกตข้อมูลบิดเบือน ดีพเฟก และการหลอกลวงดิจิทัลชนิดอื่น

ระหว่างงานวิจัยทางวิชาการ โครงการศึกษา STEM และผลงานตีพิมพ์ เห็นได้ชัดว่าคุณหลงใหลเทคโนโลยีและจริยธรรม คุณหวังจะช่วยกำหนดอนาคตของความปลอดภัยด้าน AI และนวัตกรรมที่มีความรับผิดชอบอย่างไร

ทุกสิ่งที่ผมทำมุ่งสร้างและรักษาความไว้วางใจในเทคโนโลยี AI จะบรรลุศักยภาพได้ก็ต่อเมื่อผู้คนเชื่อว่าระบบเหล่านี้ปลอดภัย เป็นธรรม และโปร่งใส หากไม่มีความไว้วางใจ แม้เทคโนโลยีที่ก้าวล้ำก็ยากจะได้รับการยอมรับและนำไปใช้

ผ่านงานวิจัย ผมมุ่งค้นหาช่องโหว่สำคัญก่อนกลายเป็นปัญหาวงกว้าง ผมศึกษาเรื่องอย่างดีพเฟกเชิงภูมิสารสนเทศและการยืนยันเสียง ซึ่งความเสี่ยงอาจไม่ชัดเจนแต่มีผลร้ายแรงได้ ผ่านการศึกษาและการเขียน ผมต้องการช่วยให้นักเรียนเข้าใจระบบเหล่านี้ แทนที่จะมองเทคโนโลยีเป็นกล่องดำลึกลับที่สงวนไว้สำหรับผู้เชี่ยวชาญ

วิสัยทัศน์นวัตกรรมที่มีความรับผิดชอบของผมรวมความปลอดภัยและความเป็นธรรมไว้ตั้งแต่ขั้นแรกของการพัฒนา ไม่ใช่ค่อยคิดภายหลัง หมายถึงการประเมินโมเดลไม่เพียงด้านประสิทธิภาพ แต่รวมถึงจุดที่อาจล้มเหลว การระบุว่าใครอาจได้รับอันตราย และการสร้างกลยุทธ์ลดความเสี่ยงเหล่านั้น

ในระยะยาว ผมต้องการช่วยสร้างวัฒนธรรมที่ทุกความก้าวหน้าของ AI ให้ความสำคัญต่อความปลอดภัยและความรับผิดชอบเท่าเทียมกัน งานของผมครอบคลุมการวิจัย การศึกษา และการสื่อสาร เพราะการพบความเสี่ยงจะมีคุณค่าก็ต่อเมื่อเราช่วยให้ผู้อื่นเข้าใจและจัดการมันได้ด้วย

หากผมช่วยสังเกตช่องโหว่สำคัญพร้อมเพิ่มความรู้เท่าทันเทคโนโลยีได้ ผมเชื่อว่าจะมีบทบาทในการสร้างอนาคต AI ที่ผู้คนไว้วางใจและได้รับประโยชน์อย่างแท้จริง

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านควรอ่าน Tech Demystified: Cybersecurity: Core Principles of Modern Cyber Defense