ডিপফেক প্রযুক্তি প্রতিরোধ কৌশল

ডিপফেক প্রযুক্তির বিপদ থেকে বাঁচতে কৌশল

ডিপফেক প্রযুক্তি সমাজ এবং তথ্যের সুরক্ষার জন্য একটি বিশাল চ্যালেঞ্জ তৈরি করেছে। ডিপফেক কিভাবে ছড়ায় এবং তা প্রতিরোধের জন্য এই প্রযুক্তি সম্পর্কে বিস্তারিত জ্ঞান থাকা দরকার। এই নিবন্ধে, আমরা আলোচনা করব কিভাবে আর্টিফিশিয়াল ইন্টেলিজেন্স (Artificial Intelligence) বা এআই (AI) ব্যবহার করে তৈরি করা ডিপফেক প্রতিরোধ করা যায়।

ডিপফেকের চালিকাশক্তি: প্রযুক্তিগত বিশ্লেষণ

ডিপফেকের মূল ভিত্তি হলো জেনারেটিভ মডেল (Generative Model)। এটি একটি বিশেষ ধরনের এআই, যা বিশাল ডেটা থেকে শিখতে পারে এবং বাস্তবসম্মত ছবি, ভিডিও এবং অডিও তৈরি করতে পারে। সাম্প্রতিক বছরগুলোতে, জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GAN) থেকে উন্নত হয়ে ডিফিউশন মডেল (Diffusion Model) এসেছে, যা আরও শক্তিশালী। একটি শক্তিশালী প্রতিরোধ ব্যবস্থা তৈরি করার জন্য এই জেনারেটিভ ইঞ্জিনগুলোর প্রযুক্তিগত বিশ্লেষণ করা প্রয়োজন।

প্রতিপক্ষের খেলা: জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GAN)

GAN দুটি নিউরাল নেটওয়ার্ক নিয়ে গঠিত: জেনারেটর (Generator) এবং ডিসক্রিমিনেটর (Discriminator)। জেনারেটরের কাজ হলো বাস্তব ডেটার মতো নকল ডেটা তৈরি করা। এটি র্যান্ডম ইনপুট (যাকে ল্যাটেন্ট ভেক্টর বলা হয়) দিয়ে শুরু করে এবং সেটিকে একটি সঙ্গতিপূর্ণ আউটপুটে রূপান্তরিত করার চেষ্টা করে। অন্যদিকে, ডিসক্রিমিনেটর একটি বিচারকের মতো কাজ করে, যা ডেটা আসল নাকি নকল তা নির্ধারণ করে।

প্রশিক্ষণ প্রক্রিয়ার সময়, এই দুটি নেটওয়ার্কের মধ্যে একটানা প্রতিক্রিয়া চলতে থাকে, যা অনেকটা জিরো-সাম গেমের মতো। জেনারেটর একটি নকল ছবি তৈরি করে ডিসক্রিমিনেটরের কাছে পাঠায়, ডিসক্রিমিনেটর প্রশিক্ষণ ডেটাসেট (Training Dataset) থেকে আসল ছবিও গ্রহণ করে। এরপর ডিসক্রিমিনেটর প্রতিটি ছবির সত্যতা যাচাই করে। যদি ডিসক্রিমিনেটর জেনারেটরের তৈরি করা ছবিকে নকল হিসেবে চিহ্নিত করতে পারে, তবে জেনারেটরকে সেই অনুযায়ী প্রতিক্রিয়া জানায়। জেনারেটর এই প্রতিক্রিয়ার মাধ্যমে তার ভেতরের প্যারামিটারগুলো (Parameter) এমনভাবে পরিবর্তন করে, যাতে পরের বার আরও বিশ্বাসযোগ্য ছবি তৈরি করতে পারে। একই সময়ে, ডিসক্রিমিনেটরও তার প্যারামিটারগুলো পরিবর্তন করে, যাতে সে আরও ভালোভাবে নকল ছবি শনাক্ত করতে পারে। এই প্রতিদ্বন্দ্বিতা চলতে থাকে যতক্ষণ না সিস্টেম একটি ভারসাম্য বিন্দুতে পৌঁছায়, যাকে ন্যাশ ইকুইলিব্রিয়াম (Nash Equilibrium) বলা হয়। এই অবস্থায়, জেনারেটরের আউটপুট এত বাস্তবসম্মত হয় যে ডিসক্রিমিনেটর আর সেগুলোকে আলাদা করতে পারে না এবং প্রায় ৫০% নির্ভুলতার সাথে অনুমান করে।

GAN সিনথেটিক মিডিয়া (Synthetic Media) তৈরি করতে খুবই কার্যকর এবং অনেক প্রভাবশালী ডিপফেক মডেলের ভিত্তি স্থাপন করেছে। ডিপ কনভোল্যুশনাল GAN (DCGAN)-এর মতো আর্কিটেকচার পুলিং লেয়ার (Pooling Layer) প্রতিস্থাপন করে এবং ব্যাচ নরমালাইজেশন (Batch Normalization) ব্যবহার করে স্থিতিশীলতা বাড়ানোর মাধ্যমে গুরুত্বপূর্ণ উন্নতি এনেছে। NVIDIA-এর StyleGAN এবং এর পরবর্তী সংস্করণ StyleGAN2 এবং StyleGAN3 মুখের ছবি তৈরিতে অভূতপূর্ব বাস্তবসম্মত ছবি তৈরি করতে সক্ষম হয়েছে। CycleGAN-এর মতো অন্যান্য ভেরিয়েন্টগুলো স্টাইল ট্রান্সফার (Style Transfer) করার কাজে বিশেষভাবে দক্ষ এবং Face App-এর মতো অ্যাপ্লিকেশনগুলোতে মানুষের চেহারার বয়স পরিবর্তন করতে ব্যবহৃত হয়।

GAN শক্তিশালী হওয়া সত্ত্বেও, এটিকে প্রশিক্ষণ দেওয়া বেশ কঠিন। জেনারেটর এবং ডিসক্রিমিনেটরের মধ্যে সূক্ষ্ম ভারসাম্য সহজেই নষ্ট হয়ে যেতে পারে, যার ফলে প্রশিক্ষণ অস্থির হয়ে যায়, ধীরে ধীরে উন্নতি হয় অথবা “মোড কোলাপ্স” (Mode Collapse)-এর মতো সমস্যা দেখা দিতে পারে। মোড কোলাপ্স তখন ঘটে, যখন জেনারেটর ডিসক্রিমিনেটরের দুর্বলতা খুঁজে বের করে এবং শুধুমাত্র নির্দিষ্ট ধরনের আউটপুট তৈরি করে (যা ডিসক্রিমিনেটরকে বোকা বানাতে পারে)। এর ফলে প্রশিক্ষণ ডেটার আসল বৈচিত্র্য ক্যাপচার (Capture) করা সম্ভব হয় না। এই সমস্যাগুলোর কারণে জেনারেটরের তৈরি করা ছবিতে কিছু ত্রুটি থাকে, যা शुरुआती ডিপফেক সনাক্তকরণ সিস্টেমগুলোর প্রধান লক্ষ্য ছিল।

বিশৃঙ্খলার বিপরীত: ডিফিউশন মডেল

জেনারেটিভ এআই-এর (Generative AI) আধুনিকতম কৌশল হলো ডিফিউশন মডেল। এই মডেলগুলো GAN-এর প্রতিযোগিতামূলক নীতির চেয়ে ভিন্নভাবে কাজ করে। এগুলি হলো সম্ভাবনামূলক জেনারেটিভ মডেল, যা ধীরে ধীরে ডেটাকে নষ্ট করার প্রক্রিয়াকে উল্টে দিয়ে ডেটা তৈরি করে।

ডিফিউশন মডেলের প্রক্রিয়াটি দুটি ধাপে সম্পন্ন হয়:

1. ফরোয়ার্ড ডিফিউশন প্রক্রিয়া: এই ধাপে একটি ছবির মধ্যে অল্প পরিমাণে গাউসিয়ান নয়েজ (Gaussian Noise) যুক্ত করা হয়। এই প্রক্রিয়াটি একটি নির্দিষ্ট সময় ধরে চলে (যেমন, T ধাপ)। প্রতিটি ধাপে আগের ধাপের ওপর নির্ভর করে ছবির গুণমান ধীরে ধীরে কমতে থাকে। শেষ পর্যন্ত T ধাপে ছবিটি একেবারে নয়েজের (Noise) মতো হয়ে যায়।

2. রিভার্স ডিনয়েজিং প্রক্রিয়া: এই মডেলের মূল কাজ হলো একটি নিউরাল নেটওয়ার্ক (সাধারণত U-Net আর্কিটেকচার ব্যবহার করা হয়), যা এই প্রক্রিয়াটিকে উল্টানোর জন্য প্রশিক্ষিত। এটি ফরোয়ার্ড প্রক্রিয়ার প্রতিটি ধাপে যুক্ত হওয়া নয়েজকে (Noise) সরিয়ে দেয়। প্রশিক্ষণের পর, মডেলটি র্যান্ডম নয়েজ স্যাম্পল (Random Noise Sample) থেকে শুরু করে এবং শেখা “ডিনয়েজিং” ফাংশন প্রয়োগ করে সময়ের সঙ্গে সঙ্গে পিছনের দিকে কাজ করে। এর মাধ্যমে বিশৃঙ্খলাকে আসল ডেটার মতো করে তোলে এবং নতুন, উচ্চ-গুণমান সম্পন্ন ছবি তৈরি করে।

এই পুনরাবৃত্তিমূলক পরিমার্জন (Iterative Refinement) প্রক্রিয়ার মাধ্যমে ডিফিউশন মডেলগুলো GAN-এর চেয়েও ভালো ছবি তৈরি করতে পারে। GAN-এর প্রশিক্ষণ প্রক্রিয়াটির চেয়ে এই মডেলের প্রশিক্ষণ প্রক্রিয়া অনেক বেশি স্থিতিশীল। এর ফলে মোড কোলাপ্সের মতো সমস্যাগুলো এড়ানো যায় এবং আরও নির্ভরযোগ্য ও বৈচিত্র্যময় আউটপুট পাওয়া যায়। এই প্রযুক্তিগত সুবিধার কারণে ডিফিউশন মডেলগুলো বর্তমানে সবচেয়ে গুরুত্বপূর্ণ এবং শক্তিশালী জেনারেটিভ এআই সরঞ্জামগুলোর ভিত্তি হিসেবে কাজ করছে। উদাহরণস্বরূপ, OpenAI-এর DALL-E 2, Google-এর Imagen, Stability AI-এর Stable Diffusion (টেক্সট থেকে ছবি তৈরি করার মডেল) এবং OpenAI-এর Sora (টেক্সট থেকে ভিডিও তৈরি করার মডেল) উল্লেখযোগ্য। এই মডেলগুলোর সহজলভ্যতা এবং চমৎকার আউটপুট ডিপফেক হুমকিকে আরও বাড়িয়ে দিয়েছে।

কাজের পদ্ধতি

GAN অথবা ডিফিউশন মডেল, যাই হোক না কেন, ডিপফেক ভিডিও তৈরি করার জন্য বিভিন্ন কৌশল ব্যবহার করা হয়। এই পদ্ধতিগুলো লক্ষ্য ভিডিওর বিভিন্ন দিক পরিবর্তন করে কাঙ্ক্ষিত প্রতারণা তৈরি করে।

• রিরিডিং (Re-enactment): এই কৌশলটির মাধ্যমে একটি ভিডিওতে থাকা ব্যক্তির মুখের অভিব্যক্তি, মাথার নড়াচড়া এবং কথা বলার ধরণ অন্য একটি ভিডিওতে থাকা ব্যক্তির ওপর প্রতিস্থাপন করা হয়। এই প্রক্রিয়ার প্রধান তিনটি ধাপ হলো: প্রথমত, উৎস (Source) এবং লক্ষ্য (Target) ভিডিওর মুখের বৈশিষ্ট্যগুলো চিহ্নিত করা; দ্বিতীয়ত, একটি সাধারণ থ্রিডি (3D) মুখের মডেলের সাথে এই বৈশিষ্ট্যগুলো সারিবদ্ধ (Align) করা; এবং তৃতীয়ত, উৎস থেকে লক্ষ্যে অভিব্যক্তি স্থানান্তর (Transfer) করা এবং এরপর বাস্তবসম্মত করার জন্য আরও পরিমার্জন করা।

• লিপ সিঙ্কিং (Lip Syncing): এই ডিপফেক প্রযুক্তি বিশেষভাবে অডিওর (Audio) সাথে মুখের মুভমেন্ট মেলানোর জন্য তৈরি করা হয়েছে। এখানে অডিও ইনপুট ব্যবহার করে বাস্তবসম্মত মুখের নড়াচড়া তৈরি করা হয়। অডিওকে মুখের আকার এবং টেক্সচারে (Texture) পরিবর্তন করা হয়, যা টার্গেট ভিডিওর সাথে সঠিকভাবে মেলানো হয়। এর মাধ্যমে এমন একটি ধারণা তৈরি করা হয় যেন ব্যক্তিটি অডিও অনুযায়ী কথা বলছে।

• টেক্সট-ভিত্তিক সংশ্লেষণ (Text-based Synthesis): এই পদ্ধতিতে একটি টেক্সট স্ক্রিপ্ট (Text Script) অনুযায়ী ভিডিও পরিবর্তন করা হয়। প্রথমে টেক্সটকে তার উপাদান ধ্বনি (ফোনিম) এবং ভিজ্যুয়াল ধ্বনিতে (ভিসিম) বিশ্লেষণ করা হয়। এরপর, এগুলোকে উৎস ভিডিওর সাথে মেলানো হয় এবং একটি থ্রিডি (3D) মডেল ব্যবহার করে ঠোঁটের নড়াচড়া তৈরি করা হয়, যাতে মনে হয় ব্যক্তিটি নতুন টেক্সট অনুযায়ী কথা বলছে।

GAN থেকে ডিফিউশন মডেলের প্রযুক্তিগত উন্নয়ন শুধু একটি উন্নতি নয়, এটি ডিপফেক প্রতিরোধের কৌশলগুলোতে একটি মৌলিক পরিবর্তন এনেছে। GAN শক্তিশালী হওয়া সত্ত্বেও, এর কিছু দুর্বলতা রয়েছে, যেমন প্রশিক্ষণে অস্থিরতা এবং মোড কোলাপ্স। এই কারণে ছবিতে কিছু ত্রুটি দেখা যায়, যা সহজেই ধরা পড়ে। ফলস্বরূপ, সনাক্তকরণ সরঞ্জামগুলো এই GAN-এর বৈশিষ্ট্যগুলো খুঁজে বের করার জন্য তৈরি করা হয়েছিল। তবে, ডিফিউশন মডেলগুলো আরও স্থিতিশীল এবং বাস্তবসম্মত ছবি তৈরি করতে পারে।

এ কারণে, বর্তমানে প্রচলিত ডিপফেক সনাক্তকরণ পরিকাঠামোর একটি বড় অংশ দ্রুত পুরনো হয়ে যাচ্ছে। গবেষণা দেখায় যে GAN দিয়ে তৈরি করা ছবির ওপর ভিত্তি করে তৈরি করা সনাক্তকরণ সরঞ্জামগুলো ডিফিউশন মডেল থেকে তৈরি কন্টেন্টের (Content) ক্ষেত্রে “গুরুতরভাবে কর্মক্ষমতা হ্রাস” করে। উল্লেখ্য, ডিফিউশন মডেলের ছবির ওপর ভিত্তি করে তৈরি করা সনাক্তকরণ সরঞ্জামগুলো GAN দিয়ে তৈরি কন্টেন্ট সনাক্ত করতে পারলেও, বিপরীতটা সম্ভব নয়। এর থেকে বোঝা যায় ডিফিউশন মডেলগুলো আরও জটিল এবং সনাক্ত করা কঠিন। এটি প্রযুক্তিগত প্রতিযোগিতাকে নতুন করে শুরু করেছে এবং ডিফিউশন জেনারেটেড মিডিয়ার (Diffusion Generated Media) বৈশিষ্ট্যগুলো মোকাবিলার জন্য নতুন করে প্রতিরোধমূলক কৌশল তৈরি করতে হবে।

এছাড়াও, এই জেনারেটিভ মডেলগুলোর “ব্ল্যাক বক্স” বৈশিষ্ট্য প্রতিরোধের কাজকে আরও জটিল করে তুলেছে। GAN এবং ডিফিউশন মডেল উভয়ই তত্ত্বাবধানহীন বা আধা-তত্ত্বাবধানহীন উপায়ে কাজ করে, যেখানে ডেটাসেটের পরিসংখ্যানিক বিন্যাসগুলো অনুকরণ করতে শেখে, কোনো সুস্পষ্ট শব্দার্থিক লেবেলের (Semantic Label) প্রয়োজন হয় না। তারা মানুষের বোঝার মতো করে “কীভাবে একটি মুখ তৈরি করতে হয়” তা না শিখে “মুখের ডেটাসেটে কোন পিক্সেল প্যাটার্নগুলো সম্ভব” তা শেখে। এর ফলে জেনারেশন প্রক্রিয়ার মধ্যে সীমাবদ্ধতা তৈরি করা কঠিন হয়ে পড়ে (উদাহরণস্বরূপ, “ক্ষতিকর ছবি তৈরি করা যাবে না”)। মডেলটি শুধুমাত্র একটি গাণিতিক ফাংশন অপ্টিমাইজ (Optimize) করে: হয় ডিসক্রিমিনেটরকে বোকা বানাতে হবে, অথবা নয়েজ প্রক্রিয়াটিকে উল্টাতে হবে। এর মানে হলো প্রতিরোধ শুধুমাত্র ভেতরের অ্যালগরিদমকে নিয়ন্ত্রণ করে করা সম্ভব নয়। সবচেয়ে কার্যকর উপায় হলো কন্টেন্ট তৈরি করার আগে (যেমন প্রশিক্ষণ ডেটা নিয়ন্ত্রণ করে) অথবা তৈরি করার পরে (যেমন সনাক্তকরণ, ওয়াটারমার্কিং এবং উৎস নির্ধারণের মাধ্যমে) ব্যবস্থা নেয়া, কারণ কন্টেন্ট তৈরির প্রক্রিয়াটি সরাসরি শাসনের বিরুদ্ধে যায়।

জেনারেটিভ ইঞ্জিনের তুলনামূলক বিশ্লেষণ

নীতি নির্ধারক থেকে শুরু করে কোম্পানির নিরাপত্তা কর্মকর্তাদের জন্য GAN এবং ডিফিউশন মডেলগুলোর মধ্যে কৌশলগত পার্থক্য বোঝা খুবই জরুরি। আগের মডেল থেকে পরের মডেলের প্রযুক্তিগত আধিপত্য সনাক্তকরণের অসুবিধা, প্রতারণার সম্ভাবনা এবং সামগ্রিক হুমকির ওপর গভীর প্রভাব ফেলে।

ডিজিটাল ইমিউন সিস্টেম: সনাক্তকরণ পদ্ধতির তুলনামূলক বিশ্লেষণ

সিনথেটিক মিডিয়ার (Synthetic Media) বিস্তার মোকাবিলা করার জন্য বিভিন্ন ধরনের সনাক্তকরণ পদ্ধতির উদ্ভব হয়েছে, যা একটি নতুন “ডিজিটাল ইমিউন সিস্টেম” তৈরি করেছে। এই কৌশলগুলোর মধ্যে রয়েছে ডিজিটাল ত্রুটিগুলোর ফরেনসিক বিশ্লেষণ এবং সম্ভাব্য জৈবিক সংকেতগুলো সনাক্ত করার নতুন উপায়। তবে, জেনারেটিভ মডেলগুলোর দ্রুত বিকাশ এবং সনাক্তকরণ এড়ানোর জন্য ডিজাইন করা অ্যাটাকগুলোর (Adversarial Attack) কারণে এই ইমিউন সিস্টেমের কার্যকারিতা ক্রমাগত চ্যালেঞ্জের মুখে পড়ছে। তৈরি এবং সনাক্তকরণের মধ্যে চলমান এই সংগ্রাম হলো রেড কুইন প্যারাডক্স (Red Queen Paradox), যেখানে রক্ষকদের টিকে থাকার জন্য ক্রমাগত উদ্ভাবন করতে হয়।

ডিজিটাল ত্রুটির ফরেনসিক বিশ্লেষণ

ডিপফেক সনাক্তকরণের সবচেয়ে প্রতিষ্ঠিত উপায় হলো ডিজিটাল ত্রুটির ফরেনসিক বিশ্লেষণ। এর মাধ্যমে জেনারেশন প্রক্রিয়ার সময় তৈরি হওয়া ত্রুটি এবং অসামঞ্জস্যতা খুঁজে বের করা হয়। এই ত্রুটিগুলো সাধারণত খালি চোখে দেখা যায় না, তবে বিশেষ অ্যালগরিদম (Algorithm) ব্যবহার করে সনাক্ত করা যায়।

• ভিজ্যুয়াল এবং অ্যানাটমিক্যাল অসামঞ্জস্যতা: কিছু জেনারেটিভ মডেল মানুষের শারীরবৃত্তীয় গঠন এবং বাস্তবতার জটিলতা নিখুঁতভাবে প্রতিলিপি (Replicate) করতে পারে না। সনাক্তকরণ পদ্ধতিগুলো মিডিয়ার (Media) মধ্যে নির্দিষ্ট অস্বাভাবিকতা বিশ্লেষণ করে এই দুর্বলতাগুলোর সুযোগ নেয়। এর মধ্যে রয়েছে চোখের অস্বাভাবিক পলক, যেমন অতিরিক্ত বা কম পলক ফেলা অথবা একেবারেই পলক না ফেলা (কারণ প্রশিক্ষণ ডেটাতে চোখের বন্ধ ছবি কম থাকে), রোবোটিক বা অসামঞ্জস্যপূর্ণ চোখের নড়াচড়া এবং ঠোঁটের আকার। অন্যান্য সূচকগুলোর মধ্যে রয়েছে কথা বলার সময় নাকের সামান্য পরিবর্তন না হওয়া, পরিবেশের সঙ্গে আলো এবং ছায়ার অমিল, এবং চশমা বা অন্যান্য প্রতিফলিত পৃষ্ঠে ভুল বা অনুপস্থিত প্রতিফলন।

• পিক্সেল এবং কম্প্রেশন বিশ্লেষণ: এই কৌশলগুলো ছবির ডিজিটাল গঠন পরীক্ষা করে। এরর লেভেল অ্যানালাইসিস (ELA) হলো ছবির বিভিন্ন অংশে কম্প্রেশন লেভেলের (Compression Level) ভিন্নতা সনাক্ত করার একটি পদ্ধতি। যেহেতু ম্যানিপুলেট (Manipulate) করা অংশগুলোকে প্রায়শই পুনরায় সংরক্ষণ বা কমপ্রেস (Compress) করা হয়, তাই সেগুলোতে ছবির আসল অংশের থেকে আলাদা এরর লেভেল (Error Level) দেখা যেতে পারে, যা জালিয়াতি প্রকাশ করে। এর সাথে ঘনিষ্ঠভাবে সম্পর্কিত হলো এজ এবং ব্লেন্ডিং অ্যানালাইসিস (Edge and Blending Analysis), যা সিনথেটিক উপাদান (যেমন, মুখের পরিবর্তন) এবং আসল ব্যাকগ্রাউন্ডের মধ্যেকার সীমানা এবং রূপরেখা পরীক্ষা করে। এই অঞ্চলগুলো অসঙ্গতিপূর্ণ পিক্সেল, অস্বাাভাবিক তীক্ষ্ণতা বা অস্পষ্টতা এবং রং ও টেক্সচারের সূক্ষ্ম পার্থক্য দ্বারা ম্যানিপুলেশন প্রকাশ করতে পারে।

• ফ্রিকোয়েন্সি ডোমেইন বিশ্লেষণ: এই পদ্ধতিগুলো সরাসরি পিক্সেল বিশ্লেষণ না করে অস্বাভাবিক প্যাটার্ন (Pattern) খুঁজে বের করার জন্য একটি ছবিকে তার ফ্রিকোয়েন্সি উপাদানে রূপান্তরিত করে। যেহেতু GAN-এর জেনারেটর আপস্যাম্পলিং আর্কিটেকচার (Upsampling Architecture) ব্যবহার করে, তাই এটি বৈশিষ্ট্যযুক্ত স্পেকট্রাল আর্টিফ্যাক্ট (Spectral Artefact) তৈরি করে, যা বাস্তব ছবিতে থাকে না। যদিও এটি বেশিরভাগ GAN-এর জন্য কার্যকর, তবে ডিফিউশন মডেলের ক্ষেত্রে এই পদ্ধতিটি কম সফল, কারণ ডিফিউশন মডেল আরও স্বাভাবিক ফ্রিকোয়েন্সি প্রোফাইল তৈরি করে। তবে, কিছু গবেষণা দেখায় যে ডিফিউশন মডেলগুলো বাস্তব ছবির তুলনায় উচ্চ ফ্রিকোয়েন্সি ডিটেইলে (Frequency Detail) সনাক্তযোগ্য অমিল দেখাতে পারে, যা সনাক্তকরণের একটি সম্ভাব্য উপায়।

বায়োসিগন্যাল বিশ্লেষণ: ডিপফেকের “হার্টবিট”

ডিপফেক সনাক্তকরণের একটি নতুন এবং перспективিপূর্ণ ক্ষেত্র হলো মিডিয়ার (Media) মধ্যে বাস্তব জৈবিক সংকেত বিশ্লেষণ করা। এর মূল ধারণা হলো, জেনারেটিভ মডেলগুলো দেখতে যতই বাস্তব হোক না কেন, তারা জীবন্ত মানুষের শারীরিক প্রক্রিয়াগুলো অনুকরণ করতে পারে না।

এই ক্ষেত্রের প্রধান কৌশল হলো রিমোট ফটোপ্লেথিসমোগ্রাফি (rPPG)। এই কৌশলটি একটি স্ট্যান্ডার্ড ক্যামেরা (Standard Camera) ব্যবহার করে ত্বকের রঙের ছোট পরিবর্তনগুলো সনাক্ত করে, যা হৃদপিণ্ড থেকে রক্ত ​​ত্বকের উপরিভাগের রক্তনালীগুলোতে পাম্প (Pump) করার সময় ঘটে। একজন মানুষের আসল ভিডিওতে, এটি একটি দুর্বল কিন্তু সামঞ্জস্যপূর্ণ পালস (Pulse) সংকেত তৈরি করে। ডিপফেকগুলোতে, এই সংকেত প্রায়শই অনুপস্থিত থাকে, বিকৃত হয় বা অসামঞ্জস্যপূর্ণ হয়।

সনাক্তকরণ পদ্ধতির মধ্যে কয়েকটি ধাপ রয়েছে:

1. সংকেত নিষ্কাশন: ভিডিওতে মুখের বিভিন্ন অঞ্চল (ROI) থেকে rPPG সংকেত নেওয়া হয়।

2. সংকেত প্রক্রিয়াকরণ: নয়েজ (Noise) দূর করার পরে, সংকেতটিকে বিশ্লেষণ করা হয় (সাধারণত ফাস্ট ফুরিয়ার ট্রান্সফর্ম (FFT) ব্যবহার করে), যাতে এর সময় এবং ফ্রিকোয়েন্সি বৈশিষ্ট্যগুলো বোঝা যায়। FFT সংকেতের প্রধান ফ্রিকোয়েন্সি প্রকাশ করতে পারে, যা হৃদস্পন্দনের সঙ্গে সম্পর্কিত।

3. শ্রেণীবিন্যাস: একটি ক্লাসিফায়ারকে (Classifier) (যেমন, CNN) প্রশিক্ষণ দেওয়া হয়, যাতে সে আসল হৃদস্পন্দনের ছন্দ এবং জাল ভিডিওতে পাওয়া নয়েজি (Noisy), অসামঞ্জস্যপূর্ণ অথবা অনুপস্থিত সংকেতের মধ্যে পার্থক্য করতে পারে।

নিয়ন্ত্রিত পরিবেশে, এই পদ্ধতিটি অত্যন্ত নির্ভুল সনাক্তকরণ করতে সক্ষম। কিছু গবেষণা অনুসারে, এটি ৯৯.২২% পর্যন্ত সঠিক ফলাফল দিতে পারে। তবে, এই পদ্ধতির একটি দুর্বলতা রয়েছে। আরও উন্নত ডিপফেক কৌশলগুলো (বিশেষ করে রিরিডিংয়ের সাথে জড়িত কৌশল) উৎস ভিডিও থেকে শারীরিক সংকেত “উত্তরাধিকার” সূত্রে পেতে পারে। এর মানে হলো, ডিপফেক একটি স্বাভাবিক এবং সামঞ্জস্যপূর্ণ rPPG সংকেত দেখাতে পারে। তবে, এটি আসলে উৎস অভিনেতার হৃদস্পন্দন হবে, ভিডিওতে দেখানো ব্যক্তির নয়। এই আবিষ্কার ডিপফেকের মধ্যে শারীরিক সংকেতের অভাবের ধারণাটিকে চ্যালেঞ্জ করে এবং সনাক্তকরণের মান আরও বাড়িয়ে তোলে। ভবিষ্যতের পদ্ধতিগুলোকে শুধু পালস (Pulse) আছে কিনা তা দেখলেই হবে না, সেই সংকেতের শারীরবৃত্তীয় সামঞ্জস্যতা এবং ব্যক্তির নিজস্ব বৈশিষ্ট্যগুলোও যাচাই করতে হবে।

সনাক্তকরণে প্রতিযোগিতা: ডিফিউশন মডেল এবং অ্যাটাকের (Adversarial Attack) চ্যালেঞ্জ

ডিপফেক সনাক্তকরণের ক্ষেত্রটি একটি অবিরাম প্রতিযোগিতার মাধ্যমে সংজ্ঞায়িত করা হয়। একবার একটি নির্ভরযোগ্য সনাক্তকরণ পদ্ধতি তৈরি হয়ে গেলে, জেনারেটিভ মডেলগুলো সেটি অতিক্রম করার জন্য ক্রমাগত বিকশিত হতে থাকে। ডিফিউশন মডেলের সাম্প্রতিক উত্থান এবং অ্যাটাকের (Adversarial Attack) ব্যবহার আধুনিক সনাক্তকরণ সরঞ্জামগুলোর জন্য দুটি গুরুত্বপূর্ণ চ্যালেঞ্জ।

• সাধারণীকরণে ব্যর্থতা: অনেক সনাক্তকরণ মডেলের একটি প্রধান দুর্বলতা হলো তারা জেনারেলাইজ (Generalize) করতে পারে না। একটি নির্দিষ্ট জেনারেটিভ মডেল (যেমন, StyleGAN2) থেকে তৈরি করা জাল ছবি সনাক্ত করার জন্য তৈরি করা একটি ডিটেক্টর (Detector) নতুন কৌশল বা ডেটার (Data) সম্মুখীন হলে প্রায়শই ব্যর্থ হয়। ডিফিউশন মডেল এই সমস্যাটিকে আরও বাড়িয়েতোলে। যেহেতু তাদের আউটপুটে (Output) ত্রুটি কম থাকে, কন্টেন্ট (Content) আরও বেশি বৈচিত্র্যপূর্ণ হয় এবং বাস্তব ছবির পরিসংখ্যানগত বৈশিষ্ট্যের সাথে আরও সামঞ্জস্যপূর্ণ হয়, তাই GAN-এর জন্য ডিজাইন করা ডিটেক্টরগুলোকে তারা সহজেই এড়িয়ে যেতে পারে। এই সমস্যা সমাধানের জন্য, গবেষকরা আরও শক্তিশালী এবং জেনারেলাইজড (Generalized) ডিটেক্টর তৈরি করার জন্য অত্যাধুনিক ডিফিউশন ডিপফেকযুক্ত নতুন এবং আরও কঠিন বেঞ্চমার্ক ডেটাসেট (Benchmark Dataset) তৈরি করছেন।

• অ্যাটাক (Adversarial Attack): অত্যন্ত নির্ভুল ডিটেক্টরও অ্যাটাকের (Adversarial Attack) মাধ্যমে সরাসরি ক্ষতিগ্রস্ত হতে পারে। এই ক্ষেত্রে, অ্যাটাকার ডিপফেক ছবির পিক্সেলগুলোতে ছোট এবং অস্পষ্ট পরিবর্তন করে। এই পরিবর্তনগুলো মানুষের চোখে দেখা না গেলেও, ডিটেক্টরের নিউরাল নেটওয়ার্কের দুর্বলতা কাজে লাগিয়ে জাল ছবিকে আসল ছবি হিসেবে ভুলভাবে সনাক্ত করতে সাহায্য করে। এই হুমকি “হোয়াইট বক্স” (যেখানে অ্যাটাকার ডিটেক্টরের আর্কিটেকচার সম্পর্কে সম্পূর্ণভাবে অবগত থাকে) এবং আরও বাস্তবসম্মত “ব্ল্যাক বক্স” (যেখানে অ্যাটাকার শুধুমাত্র ডিটেক্টরের আউটপুট দেখতে পারে) উভয় ক্ষেত্রেই বিদ্যমান।

এই সমস্যার সমাধানে, গবেষকরা উন্নত স্থিতিস্থাপকতা (Resilience) সহ নতুন প্রজন্মের ডিটেক্টর তৈরি করার ওপর মনোযোগ দিচ্ছেন। কয়েকটি গুরুত্বপূর্ণ কৌশল হলো:

• প্রশিক্ষণ ডেটার বৈচিত্র্য: GAN এবং ডিফিউশন মডেল থেকে বিভিন্ন ধরনের জাল ছবি এবং বিভিন্ন ইমেজ ডোমেইন (Image Domain) অন্তর্ভুক্ত করে প্রশিক্ষণ ডেটাসেটকে উন্নত করা জেনারেলাইজেশনের ক্ষমতা উন্নত করতে পারে।

• উন্নত প্রশিক্ষণ কৌশল: “মোমেন্টাম ডিফিকাল্টি মাইনিং” (Momentum Difficulty Mining)-এর মতো নতুন কৌশল ব্যবহার করা হচ্ছে, যা ডায়নামিক স্যাম্পলের (Dynamic Sample) ওপর ভিত্তি করে স্যাম্পলগুলোকে গুরুত্ব দেয় এবং মডেলকে আরও কার্যকরভাবে প্রশিক্ষণ দিতে সাহায্য করে।

• শক্তিশালী আর্কিটেকচার: নতুন আর্কিটেকচার তৈরি করা হচ্ছে, যা অ্যাটাকের (Attack) বিরুদ্ধে আরও শক্তিশালী। একটি перспективিপূর্ণ পদ্ধতি হলো ডিসজয়েন্ট এসেম্বল (Disjoint Ensemble) ব্যবহার করা, যেখানে ছবির ফ্রিকোয়েন্সি স্পেকট্রামের (Frequency Spectrum) বিভিন্ন অংশে একাধিক মডেলকে প্রশিক্ষণ দেওয়া হয়। এর ফলে অ্যাটাকারকে এমন পরিবর্তন খুঁজে বের করতে হয়, যা একই সময়ে একাধিক মডেলকে বোকা বানাতে পারে, যা একটি কঠিন কাজ। অন্যান্য হাইব্রিড (Hybrid) পদ্ধতিগুলো ডেটার আরও ভালো মডেল তৈরি করার জন্য স্থানিক এবং ফ্রিকোয়েন্সি ডোমেইন থেকে বৈশিষ্ট্য একত্রিত করে।

জেনারেটিং এবং সনাক্তকরণ প্রযুক্তির মধ্যে ক্রমাগত পরিবর্তন প্রমাণ করে যে কোনো স্ট্যাটিক (Static) প্রতিরক্ষা ব্যবস্থা পুরনো হতে বাধ্য। জেনারেটিং মডেলগুলো যখন চোখের পলকের ব্যতিক্রম বা GAN আর্টিফ্যাক্টের (Artefact) মতো বিষয়গুলো দূর করতে বিকশিত হচ্ছে, তখন ডিটেক্টরগুলোকে আরও সূক্ষ্ম সংকেতের দিকে যেতে হবে, যেমন উচ্চ ফ্রিকোয়েন্সির অমিল বা rPPG স্বাক্ষর। বিপরীতভাবে, জেনারেটিং মডেলগুলোকে এই সংকেতগুলো অনুকরণ করার জন্য প্রশিক্ষণ দেওয়া যেতে পারে, যেমনটি উৎস ভিডিও থেকে rPPG উত্তরাধিকার সূত্রে পাওয়ার ক্ষেত্রে দেখা গেছে। এই স্থায়ী চক্র ইঙ্গিত দেয় যে শুধুমাত্র প্রতিক্রিয়াশীল সনাক্তকরণের ওপর নির্ভর করে প্রতিরোধের কৌশল একটি ব্যয়বহুল এবং সম্ভবত কখনো জেতা সম্ভব নয় এমন একটি প্রতিযোগিতা।

সবচেয়ে টেকসই সনাক্তকরণ কৌশল সম্ভবত সেগুলোই হবে, যা ডিজিটাল সিমুলেশন (Digital Simulation) এবং বাস্তবতার মধ্যেকার মৌলিক ব্যবধানকে কাজে লাগায়। চাক্ষুষ ত্রুটিগুলো হলো সিমুলেশনের ত্রুটি, যা আরও ভালো অ্যালগরিদম এবং বেশি কম্পিউটিং ক্ষমতা ব্যবহার করে ধীরে ধীরে সমাধান করা যেতে পারে। তবে, এআই-এর জন্য জীববিজ্ঞান এবং পদার্থবিদ্যার বৈশিষ্ট্যগুলোর মডেল তৈরি করা কঠিন। জেনারেটিং মডেলগুলো মানুষের কার্ডিওভাসকুলার সিস্টেম (Cardiovascular System) “জানে” না। এটি শুধুমাত্র মুখের সঙ্গে সম্পর্কিত পিক্সেল প্যাটার্নগুলো নকল করতে শেখে। এটিকে হৃদস্পন্দনের চাক্ষুষ ফলাফল অনুকরণ করার জন্য প্রশিক্ষণ দেওয়া যেতে পারে, তবে নতুন করে শারীরবৃত্তীয়ভাবে সামঞ্জস্যপূর্ণ এবং নির্ভুল সংকেত তৈরি করার জন্য একটি সম্পূর্ণ জৈবিক সিস্টেমের মডেল তৈরি করতে হবে, যা একটি কঠিন কাজ। তাই, সবচেয়ে নির্ভরযোগ্য সনাক্তকরণ গবেষণার কেন্দ্রবিন্দু হওয়া উচিত এই “শারীরিক ব্যবধানগুলো”, যার মধ্যে rPPG-এর পাশাপাশি শ্বাস-প্রশ্বাসের ধরন, অনিচ্ছাকৃত তারারন্ধ্রের প্রসারণ এবং মাইক্রোএক্সপ্রেশন (Microexpression)-এর মতো অন্যান্য লক্ষণ অন্তর্ভুক্ত থাকতে পারে।

ডিজিটাল বিশ্বাস তৈরি করা: ওয়াটারমার্কিং এবং উৎসের মাধ্যমে সক্রিয় প্রতিরোধ

ডিপফেক হুমকির বিরুদ্ধে শুধুমাত্র প্রতিক্রিয়াশীল সনাক্তকরণ কৌশলের সীমাবদ্ধতা বিবেচনা করে, একটি স্থিতিস্থাপক এবং টেকসই প্রতিরোধমূলক ব্যবস্থার জন্য সক্রিয় পদক্ষেপ নেওয়া জরুরি। এই কৌশলগুলোর লক্ষ্য হলো ডিজিটাল মিডিয়ার (Digital Media) মধ্যে বিশ্বাস এবং দায়িত্ব তৈরি করা। এই পদ্ধতিতে জাল কন্টেন্ট তৈরি এবং প্রচারের পরে সনাক্ত করার ওপর জোর না দিয়ে আসল কন্টেন্টের সত্যতা এবং উৎস যাচাই করার ওপর গুরুত্ব দেওয়া হয়। এক্ষেত্রে দুটি প্রধান পদ্ধতি হলো ফরেনসিক ডিজিটাল ওয়াটারমার্কিং এবং ব্লকচেইন-ভিত্তিক কন্টেন্ট অরিজিন (Blockchain-based Content Origin)।

ফরেনসিক ডিজিটাল ওয়াটারমার্কিং: অদৃশ্য স্বাক্ষর

ফরেনসিক ডিজিটাল ওয়াটারমার্কিং হলো একটি সক্রিয় কৌশল, যা একটি অনন্য এবং অস্পষ্ট শনাক্তকারীকে সরাসরি ডিজিটাল কন্টেন্টের (যেমন, ছবি, ভিডিও বা ডকুমেন্ট) মধ্যে এম্বেড (Embed) করে। দৃশ্যমান ওয়াটারমার্কের (যেমন, ছবির ওপর লোগো লাগানো) মতো নয়, ফরেনসিক ওয়াটারমার্ক ফাইলের ডেটার মধ্যে লুকানো থাকে এবং এটি অত্যন্ত শক্তিশালী হওয়ার জন্য ডিজাইন করা হয়। একটি ভালো ডিজাইন করা ওয়াটারমার্ক সাধারণ ফাইল অপারেশনগুলোতে টিকে থাকতে পারে, যার মধ্যে কম্প্রেশন, ক্রপিং, রিসাইজিং (Resizing), কালার অ্যাডজাস্টমেন্ট (Color Adjustment) এবং এমনকি স্ক্রিনশট বা স্ক্রিন থেকে ক্যামেরার মাধ্যমে ক্যাপচার করাও অন্তর্ভুক্ত।

ডিপফেক প্রতিরোধে, ফরেনসিক ওয়াটারমার্কিংয়ের বেশ কয়েকটি গুরুত্বপূর্ণ কাজ রয়েছে:

• উৎস সন্ধান এবং দায়বদ্ধতা: সৃষ্টিকর্তা, ব্যবহারকারী বা বিতরণকারী চ্যানেলের অনন্য তথ্য এম্বেড করার মাধ্যমে, কোনো ক্ষতিকর ডিপফেক ফাঁস বা অপব্যবহার হলে তার উৎস সনাক্ত করতে ওয়াটারমার্ক ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, ভিডিও অন ডিমান্ড (VOD) বা কর্পোরেট পরিবেশে, প্রতিটি ব্যবহারকারীকে সামান্য ভিন্ন, অনন্য ওয়াটারমার্কযুক্ত ভিডিও সরবরাহ করার জন্য A/B ওয়াটারমার্কিং ব্যবহার করা যেতে পারে। যদি কোনো কপি অনলাইনে পাওয়া যায়, তবে ওয়াটারমার্কটি বের করে সেই ফাঁসের উৎস সনাক্ত করা যেতে পারে, যা আইনি বা প্রশাসনিক কার্যক্রমে শক্তিশালী প্রমাণ সরবরাহ করে।

• সত্যতা যাচাইকরণ: ওয়াটারমার্ক অফিসিয়াল কন্টেন্টের সত্যতার প্রমাণ হিসেবে কাজ করতে পারে। সরকারি সংস্থা, কোম্পানি বা সংবাদমাধ্যম তাদের বৈধ মিডিয়ায় একটি অনন্য ওয়াটারমার্ক এম্বেড করতে পারে। এটি আসল যোগাযোগ যাচাই করতে এবং ডিপফেক ব্যবহার করে পরিচয় নকল করার প্রচেষ্টা সনাক্ত ও বন্ধ করতে সহায়ক।

• জীবনচক্র ট্র্যাকিং: সমর্থকরা পরামর্শ দেন যে কন্টেন্টের জীবনচক্রের বিভিন্ন পর্যায়ে ওয়াটারমার্ক একত্রিত করা যেতে পারে। উদাহরণস্বরূপ, সোশ্যাল মিডিয়া, মেসেজিং অ্যাপ বা এমনকি ডিপফেক তৈরি করার অ্যাপ্লিকেশনগুলোতে আপলোড করার সময় ওয়াটারমার্ক এম্বেড করা যেতে পারে, যা দেখাবে কিভাবে কারসাজি করা কন্টেন্ট তৈরি এবং বিতরণ করা হয়েছে।

ডিপফেক কারসাজির বিরুদ্ধে লড়াই করার জন্য বিশেষভাবে উন্নত ওয়াটারমার্কিং প্রযুক্তি তৈরি করা হচ্ছে। একটি নতুন পদ্ধতি হলো একটি নিউরাল নেটওয়ার্ক ডিজাইন করা, যা সরাসরি মুখের ছবির পরিচয় বৈশিষ্ট্যের মধ্যে ওয়াটারমার্ক এম্বেড করতে পারে। এটি ওয়াটারমার্ককে ফেস-সোয়াপ (Face-Swap) কারসাজির প্রতি সংবেদনশীল করে তোলে, কারণ এই ধরনের অপারেশন固有ভাবে পরিচয় বৈশিষ্ট্য পরিবর্তন করে এবং ওয়াটারমার্ক নষ্ট করে দেয়। একই সাথে এটি কম্প্রেশন বা রিসাইজের (Resize) মতো সাধারণ ইমেজ পরিবর্তনগুলোতেও টিকে থাকতে পারে।

ওয়াটারমার্কিংয়ের সম্ভাবনা ব্যাপক হলেও, এর কিছু চ্যালেঞ্জ রয়েছে। প্রথমত, ওয়াটারমার্ক সম্পূর্ণরূপে ভেদ করা অসম্ভব নয়। গবেষণা দেখায় যে প্রতিপক্ষীয় কৌশল (বিশেষ করে ডিফিউশন মডেল ব্যবহার করে) ব্যবহার করে ছবি থেকে ওয়াটারমার্ক সরানো বা পরিবর্তন করা যেতে পারে। দ্বিতীয়ত, একটি সিস্টেম সমাধান হিসেবে ওয়াটারমার্কের কার্যকারিতা ব্যাপক ব্যবহারের ওপর নির্ভরশীল। বর্তমানে, ডিপফেক অ্যাপ্লিকেশন বা সোশ্যাল প্ল্যাটফর্মগুলোতে ওয়াটারমার্কিং বাস্তবায়নের জন্য কোনো আইনি বা নিয়ন্ত্রক বাধ্যবাধকতা নেই, যা এর ব্যবহারকে স্বেচ্ছামূলক এবং বিক্ষিপ্ত করে তোলে।

ব্লকচেইন এবং কন্টেন্ট অরিজিন: অপরিবর্তনীয় হিসাব

আরেকটি সহায়ক কৌশল হলো ব্লকচেইন প্রযুক্তি ব্যবহার করা, যা কন্টেন্টের উৎস, নির্ভরযোগ্য, যাচাইযোগ্য এবং পরিবর্তন-প্রতিরোধী মিডিয়ার উৎস এবং জীবনচক্রের ইতিহাস তৈরি করে। এই পদ্ধতিটি ব্লকচেইনের মূল বৈশিষ্ট্য, যেমন এর বিকেন্দ্রীকরণ এবং অপরিবর্তনীয় বৈশিষ্ট্য ব্যবহার করে সত্যতার একটি স্থায়ী, সর্বজনীন রেকর্ড তৈরি করে।

ব্লকচেইন-ভিত্তিক কন্টেন্ট অরিজিন স্থাপনের পদ্ধতিতে সাধারণত তিনটি ধাপ থাকে:

1. কন্টেন্ট ফিঙ্গারপ্রিন্ট: যখন কোনো কন্টেন্ট প্রথমবার তৈরি বা কোনো প্ল্যাটফর্মে আপলোড করা হয়, তখন ফাইলের ডেটা থেকে একটি অনন্য ক্রিপ্টোগ্রাফিক হ্যাশ (Cryptographic Hash) তৈরি করা হয়। এই হ্যাশ একটি ডিজিটাল ফিঙ্গারপ্রিন্ট হিসেবে কাজ করে; ফাইলের সামান্য পরিবর্তন হলেও একটি সম্পূর্ণ ভিন্ন হ্যাশ তৈরি হবে।

2. ব্লকচেইন রেকর্ড: এই অনন্য হ্যাশ, সেইসাথে গুরুত্বপূর্ণ মেটাডেটা (যেমন, সৃষ্টিকর্তার যাচাইকৃত ডিজিটাল পরিচয়, টাইমস্ট্যাম্প (Timestamp) এবং অন্যান্য প্রাসঙ্গিক বিবরণ) একটি লেনদেন হিসেবে ব্লকচেইন লেজারে (Blockchain Ledger) রেকর্ড করা হয়। যেহেতু এই লেজারটি বিতরণকৃত এবং ক্রিপ্টোগ্রাফিকভাবে সুরক্ষিত, তাই এই রেকর্ডটি স্থায়ী এবং পরিবর্তন বা মুছে ফেলা অসম্ভব।

3. অবিরাম যাচাইকরণ: ভবিষ্যতে যেকোনো সময়, যেকোনো ব্যক্তি বা সিস্টেম মিডিয়ার সত্যতা যাচাই করতে পারবে। এর জন্য শুধু ফাইলের বর্তমান হ্যাশ গণনা করতে হবে এবং ব্লকচেইনে সংরক্ষিত মূল হ্যাশের সাথে তুলনা করতে হবে। যদি হ্যাশ মেলে, তবে প্রমাণ হবে যে ফাইলটি রেজিস্ট্রেশনের সময় থেকে অপরিবর্তিত আছে। যদি হ্যাশ না মেলে, তবে ফাইলটি পরিবর্তন করা হয়েছে।

এই সিস্টেমটি ডিজিটাল কন্টেন্টের জন্য একটি স্বচ্ছ এবং যাচাইযোগ্য “চেইন অফ কাস্টডি” (Chain of Custody) তৈরি করে। এটি নির্মাতাদের তাদের ব্যক্তিগত কী (Private Key) ব্যবহার করে তাদের কাজকে ডিজিটালভাবে স্বাক্ষর করতে দেয়, যা তাদের কাজের সত্যতার নিশ্চয়তা দেয়। প্ল্যাটফর্মগুলো এই সিস্টেমটিকে একীভূত করতে পারে, যাতে কন্টেন্ট আপলোড করার আগে স্বয়ংক্রিয়ভাবে ব্লকচেইনের সাথে ক্রস-রেফারেন্স (Cross-reference) করা যায়। এর মাধ্যমে যেসব মিডিয়ার বৈধ উৎসের রেকর্ড নেই, সেগুলোকে চিহ্নিত বা ব্লক (Block) করা যায়। গবেষণা দেখায় যে ব্লকচেইন-ভিত্তিক কন্টেন্ট অরিজিনকে ডিজিটাল ওয়াটারমার্কের সাথে একত্রিত করে সনাক্তকরণের হার ৯৫% পর্যন্ত বাড়ানো যেতে পারে।

তবে ওয়াটারমার্কের মতোই, ব্লকচেইন-ভিত্তিক কন্টেন্ট অরিজিনেরও কিছু সীমাবদ্ধতা রয়েছে। এর প্রধান দুর্বলতা হলো এটি নেটওয়ার্ক প্রভাবের ওপর নির্ভরশীল। যদি নির্মাতা, প্রযুক্তি প্ল্যাটফর্ম এবং ডিভাইসগুলো এটিকে একটি সাধারণ মান হিসেবে গ্রহণ করে, তাহলে এই সিস্টেম মূল্যবান হতে পারে। এছাড়াও, এটা মনে রাখা জরুরি যে এই পদ্ধতিটি রেজিস্ট্রেশনের মুহূর্ত থেকে ডিজিটাল ফাইলের অখণ্ডতা যাচাই করে, কন্টেন্টের সত্যতা নয়। একজন নির্মাতা ব্লকচেইনে একটি ডিপফেক নিবন্ধন করতে পারেন। এই সিস্টেমটি শুধুমাত্র প্রমাণ করবে যে রেজিস্ট্রেশনের পর থেকে এই নির্দিষ্ট জাল ফাইলটি পরিবর্তন করা হয়নি।

এই সক্রিয় প্রযুক্তিগুলোর ব্যবহার ডিপফেক মোকাবিলার কৌশলগত পরিবর্তনে সহায়ক। এই পদ্ধতিগুলো “জাল সনাক্তকরণ” এর প্রতিযোগিতায় অংশ না নিয়ে “আসল যাচাইকরণ” এর একটি সিস্টেম তৈরি করে। অস্ত্রের প্রতিযোগিতায় ক্রমাগত হুমকির মুখে নতুন জেনারেটিভ মডেলগুলো জটিল ডিটেক্টরগুলোকে বাতিল করে দিতে পারে। অন্যদিকে, সক্রিয় পদক্ষেপগুলো পরিচয় যাচাইকৃত কন্টেন্ট প্রকাশ করার সময় বা তার আগে প্রয়োগ করা হয়। এর লক্ষ্য ত্রুটি খুঁজে বের করে কোনো মিডিয়াকে জাল প্রমাণ করা নয়, বরং একটি বৈধ ওয়াটারমার্কের অস্তিত্ব নিশ্চিত করে বা অপরিবর্তনীয় লেজারে একটি মিলে যাওয়া এন্ট্রি খুঁজে বের করে এটিকে সত্য প্রমাণ করা।

এই পরিবর্তনের তথ্য প্রক্রিয়াকরণ ব্যবস্থার ওপর গভীর প্রভাব ফেলে। একটি বিশ্বে যেখানে সিনথেটিক মিডিয়ার (Synthetic Media) পরিমাণ বাড়ছে, সেখানে কয়েক বছরের মধ্যে অনলাইনে ৯০% কন্টেন্ট সিনথেটিক হতে পারে। তাই গ্রাহক এবং সিস্টেমগুলোর ডিফল্ট ধারণা “মিথ্যা প্রমাণিত হওয়ার আগে সত্য” থেকে “প্রমাণিত হওয়ার আগে যাচাই না করা” তে পরিবর্তন হওয়া উচিত। ওয়াটারমার্ক এবং অরিজিনের (Origin) মতো সক্রিয় প্রযুক্তিগুলো এই নতুন দৃষ্টান্তের প্রযুক্তিগত ভিত্তি সরবরাহ করে। তারা বৈধ কন্টেন্টের নির্মাতাদের ওপর তাদের কাজকে যাচাই করার দায়িত্ব দেয়, যা গ্রাহকদের জন্য বিপুল পরিমাণ সম্ভাব্য জালিয়াতি উন্মোচন করার কঠিন কাজ থেকে মুক্তি দেয়।

তবে, এই স্থিতিস্থাপক ভবিষ্যতের পথে সবচেয়ে বড় বাধা প্রযুক্তিগত নয়, বরং একটি বড় আকারের সমন্বয় সমস্যা। ওয়াটারমার্ক এবং ব্লকচেইন অরিজিনের প্রযুক্তি বর্তমানে বিদ্যমান, তবে এর কার্যকারিতা সম্পূর্ণরূপে ব্যাপক এবং নিয়মনিষ্ঠ ব্যবহারের মাধ্যমে নেটওয়ার্ক প্রভাব অর্জনের ওপর নির্ভরশীল। ওয়াটারমার্ক পড়ার কোনো স্ট্যান্ডার্ড পদ্ধতি না থাকলে, ওয়াটারমার্ক ব্যবহার করা মূল্যহীন; প্রধান প্ল্যাটফর্মগুলো যদি ব্লকচেইন লেজার অনুসন্ধান না করে, তবে ব্লকচেইনের মূল্যও কম। এই সিস্টেমগুলোকে সামাজিকভাবে কার্যকর করার জন্য, সেগুলোকে মৌলিক স্তরে একত্রিত করতে হবে, যেমন ক্যামেরা, এডিটিং সফটওয়্যার, সোশ্যাল মিডিয়া আপলোডের নিয়ম এবং মানুষ প্রতিদিন যে ব্রাউজার ও অ্যাপ্লিকেশন ব্যবহার করে, সেগুলোতে। এর জন্য বিশাল শিল্প-ব্যাপী সহযোগিতার প্রয়োজন, যা সম্ভবত আলোচনাধীন বিধিবিধান এবং প্রণোদনা দ্বারা চালিত হতে পারে। কন্টেন্ট অরিজিন এবং অথেনটিসিটি অ্যালায়েন্সের (C2PA) মতো শিল্প জোটের সফলতা (যা কন্টেন্টের উৎসের জন্য উন্মুক্ত প্রযুক্তিগত মান উন্নীত করে) এই কৌশলগত পরিবর্তনের গুরুত্বপূর্ণ ব্যারোমিটার(Barometer) হবে।

সিনথেটিক বিশ্বে আইনের শাসন: বৈশ্বিক নিয়মকানুন এবং আইনি কাঠামো

ডিপফেক প্রযুক্তি সমাজে প্রবেশ করার সাথে সাথে, বিভিন্ন দেশের সরকার এর ব্যবহার নিয়ন্ত্রণ এবং ক্ষতি কমানোর চেষ্টা করছে। তাদের প্রতিক্রিয়া বিভিন্ন, যা বিভিন্ন আইন, রাজনৈতিক ব্যবস্থা এবং সামাজিক অগ্রাধিকারগুলোকে প্রতিফলিত করে। একটি বৈশ্বিক ঐকমত্য এখনো অধরা রয়ে গেছে, যার ফলে জাতীয় এবং আঞ্চলিক আইনি পরিবেশ খণ্ডিত হয়ে গেছে। এই বিভাজন বৈশ্বিক প্রযুক্তি কোম্পানিগুলোর জন্য একটি জটিল পরিবেশ তৈরি করেছে এবং উদ্ভাবন, মত প্রকাশের স্বাধীনতা এবং জননিরাপত্তার মধ্যে ভারসাম্য বজায় রাখার বিভিন্ন দার্শনিক পদ্ধতিকে তুলে ধরে।

আমেরিকা: ফেডারেল এবং রাজ্য পদক্ষেপের মিশ্রণ

ডিপফেক নিয়ন্ত্রণের জন্য আমেরিকার পদ্ধতি হলো লক্ষ্যযুক্ত ফেডারেল আইন এবং রাজ্য স্তরের আইনের মিশ্রণ, যা প্রথম সংশোধনীর অধীনে মত প্রকাশের স্বাধীনতার শক্তিশালী সাংবিধানিক সুরক্ষা দ্বারা সীমাবদ্ধ।

ফেডারেল স্তরে, সবচেয়ে গুরুত্বপূর্ণ আইন হলো টেকওভার আইটি ডাউন অ্যাক্ট (TAKEOFF IT DOWN Act), যা ২০২৫ সালের মে মাসে জারি করা হয়েছিল। এই আইনটি বিরল দ্বিদলীয় সমর্থনে পাস হয়েছিল, যার প্রধান কারণ হলো এআই ব্যবহার করে তৈরি করা সম্মতিবিহীন অন্তরঙ্গ ছবি (NCII) বা “রিভেঞ্জ পর্ন” এর ক্রমবর্ধমান সংকট। এই আইনটি প্রথম ফেডারেল বিধি, যা এই ধরনের কন্টেন্ট বিতরণকে অপরাধ হিসেবে গণ্য করে। এর মূল বিধানগুলো হলো:

• ফৌজদারি অপরাধ: সম্মতিবিহীন অন্তরঙ্গ ছবি বিতরণ নিষিদ্ধ, যার সর্বোচ্চ শাস্তি দুই বছরের কারাদণ্ড।

• নোটিশ এবং অপসারণের ক্ষমতা: ব্যবহারকারীদের তৈরি করা কন্টেন্ট হোস্ট করে এমন অনলাইন প্ল্যাটফর্মগুলোকে ৪৮ ঘণ্টার মধ্যে চিহ্নিত NCII কন্টেন্ট অপসারণ এবং অনুরূপ কন্টেন্ট মুছে ফেলার জন্য একটি প্রক্রিয়া তৈরি করতে হবে।

• বাস্তবায়ন: ফেডারেল ট্রেড কমিশনকে (FTC) এই নিয়মগুলো লঙ্ঘনকারী প্ল্যাটফর্মগুলোর বিরুদ্ধে ব্যবস্থা নেওয়ার ক্ষমতা দেওয়া হয়েছে।

অন্যান্য বিদ্যমান ফেডারেল আইনগুলোও ডিপফেক সম্পর্কিত ক্ষতির মোকাবিলায় ব্যবহার করা যেতে পারে। ন্যাশনাল ডিফেন্স অথরাইজেশন অ্যাক্টের (NDAA) মধ্যে বিদেশি অপপ্রচার অভিযানে ডিপফেক ব্যবহারের বিষয়টিও অন্তর্ভুক্ত রয়েছে। ফেডারেল ট্রেড কমিশন (FTC) আইনের অধীনে “অন্যায্য বা প্রতারণামূলক কাজ বা অনুশীলন” ডিপফেকের মাধ্যমে সংঘটিত প্রতারণা এবং জালিয়াতির বিরুদ্ধে ব্যবহার করা যেতে পারে, এবং ফেডারেল ওয়্যার ফ্রড বিধিগুলো মিথ্যা অডিও বা ভিডিও ব্যবহার করে করা জালিয়াতির ক্ষেত্রে ব্যবহার করা যেতে পারে।

রাজ্য পর্যায়ে, ৫০টি রাজ্য এবং ওয়াশিংটন ডিসি সকলেই NCII-এর বিরুদ্ধে আইন জারি করেছে। অনেক রাজ্য ডিপফেক অন্তর্ভুক্ত করার জন্য তাদের আইন আপডেট করেছে। রাজ্যগুলো নির্বাচনের ক্ষেত্রে ডিপফেকগুলোর ব্যাপারে সক্রিয়ভাবে নিয়মকানুন তৈরি করছে। বর্তমানে বিভিন্ন রাজ্য আইন এআই-জেনারেটেড (AI-Generated) রাজনৈতিক বিজ্ঞাপনে সুস্পষ্ট দাবিত্যাগ (Disclaimer) বাধ্যতামূলক করেছে, অথবা নির্বাচনের আগে একটি নির্দিষ্ট সময়ের মধ্যে “গুরুত্বপূর্ণভাবে প্রতারণামূলক মিডিয়া” বিতরণ নিষিদ্ধ করেছে, যা নির্বাচনের ফলাফলকে প্রভাবিত করতে পারে।

মার্কিন আইনের বিতর্কের মূল চ্যালেঞ্জ হলো ক্ষতিকর কন্টেন্ট নিয়ন্ত্রণ এবং প্রথম সংশোধনীর অধিকারের মধ্যে ভারসাম্য খুঁজে বের করা। উদাহরণস্বরূপ, টেকওভার আইটি ডাউন অ্যাক্টের সমালোচকরা সতর্ক করেছেন যে এর বিধানগুলো খারাপ উদ্দেশ্য নিয়ে বৈধ বক্তব্য (যেমন ব্যঙ্গ বা রাজনৈতিক মন্তব্য) সরানোর জন্য অপব্যবহার করা হতে পারে। এছাড়া ৪৮ ঘণ্টার মধ্যে কন্টেন্ট সরানোর বাধ্যবাধকতা ছোট