‘Hình ảnh giả’ có thể sớm xuất hiện trong Địa lý

Các lo ngại về ‘hình ảnh giả’ đang bắt đầu mở rộng sang các lĩnh vực khác, chẳng hạn như khoa học thông tin địa lý (GIS). Các nhà nghiên cứu tại Đại học Binghamton hiện đang bắt đầu giải quyết vấn đề tiềm năng này.

Đội ngũ bao gồm Giáo sư Liên kết về Địa lý Chengbin Deng, và bốn đồng nghiệp khác, bao gồm Bo Zhao và Yifan Sun tại Đại học Washington, và Shaozeng Zhang và Chunxue Xu tại Đại học Oregon.

Nghiên cứu mới được công bố trên Tạp chí Cartography và Khoa học Thông tin Địa lý, titled “Hình ảnh giả địa lý? Khi dữ liệu địa không gian gặp Trí tuệ Nhân tạo.”

Trong bài báo, đội ngũ khám phá cách hình ảnh vệ tinh giả có thể được xây dựng và phát hiện.

“Thành thực, chúng tôi có thể là những người đầu tiên nhận ra vấn đề tiềm năng này,” Deng nói.

Khoa học Thông tin Địa lý (GIS) và GeoAI

Khoa học thông tin địa lý (GIS) được sử dụng cho nhiều ứng dụng khác nhau, bao gồm quốc phòng và xe tự hành. Thông qua sự phát triển của Trí tuệ Nhân tạo Địa không gian (GeoAI), công nghệ AI đã có tác động đến lĩnh vực này.

GeoAI sử dụng học máy để trích xuất và phân tích dữ liệu địa không gian. Tuy nhiên, GeoAI cũng có thể được sử dụng để làm giả tín hiệu GPS, thông tin vị trí trên mạng xã hội, tạo ra ảnh chụp môi trường địa lý giả và nhiều ứng dụng nguy hiểm khác.

“Chúng tôi cần phải tuân thủ tất cả các nguyên tắc đạo đức. Nhưng đồng thời, chúng tôi cũng cần phải tìm cách phân biệt hoặc xác định những hình ảnh giả,” Deng nói. “Với nhiều tập dữ liệu, những hình ảnh này có thể trông giống như thật đối với mắt người.”

Xây dựng Hình ảnh Giả

Bước đầu tiên để phát hiện hình ảnh được xây dựng nhân tạo là xây dựng một hình ảnh như vậy, vì vậy đội ngũ đã dựa vào kỹ thuật phổ biến để tạo ra hình ảnh giả gọi là Mạng Đối thủ Đồng nhất (Cycle-Consistent Adversarial Networks – CycleGAN). CycleGAN là một thuật toán học sâu không giám sát có thể mô phỏng truyền thông tổng hợp.

Mạng Đối thủ Đồng nhất (Generative Adversarial Networks – GAN), là một loại AI, yêu cầu các mẫu đào tạo của nội dung mà chúng được lập trình để sản xuất. Ví dụ, GAN có thể tạo ra nội dung cho một điểm trống trên bản đồ bằng cách xác định các khả năng khác nhau.

Các nhà nghiên cứu đã cố gắng thay đổi hình ảnh vệ tinh của Tacoma, Washington, và họ xen kẽ các yếu tố của Seattle và Bắc Kinh trong khi làm cho nó trông giống như thật nhất có thể. Tuy nhiên, các nhà nghiên cứu cảnh báo chống lại những nhiệm vụ như vậy.

“Điều đó không phải là về kỹ thuật; nó là về cách con người sử dụng công nghệ,” Deng nói. “Chúng tôi muốn sử dụng công nghệ cho mục đích tốt, không phải cho mục đích xấu.”

Sau khi tạo ra, đội ngũ đã so sánh 26 chỉ số hình ảnh khác nhau để xác định xem có bất kỳ sự khác biệt thống kê nào giữa hình ảnh thật và giả, và họ đã đăng ký những sự khác biệt đó trên 20 trong 26 chỉ số (80%).

Những sự khác biệt bao gồm màu sắc của mái nhà, nơi mà màu sắc trong hình ảnh thật là đồng nhất, trong khi những màu sắc trong hình ảnh tổng hợp là đốm. Đội ngũ cũng tìm thấy rằng hình ảnh vệ tinh giả là ít màu sắc hơn và tối hơn, nhưng nó cũng có cạnh sắc hơn. Theo Deng, những sự khác biệt đó phụ thuộc vào các đầu vào được sử dụng để phát triển hình ảnh giả.

Nghiên cứu này đặt nền tảng cho công việc tiếp theo, có thể cho phép các nhà địa lý theo dõi các loại mạng nơ-ron khác nhau để xem chúng tạo ra hình ảnh giả như thế nào, điều này cũng dẫn đến việc phát hiện tốt hơn. Đội ngũ cho biết rằng các phương pháp hệ thống sẽ cần được phát triển để phát hiện hình ảnh giả và xác minh thông tin đáng tin cậy trong lĩnh vực này.

“Chúng tôi đều muốn sự thật,” Deng nói.