ஆழ்ந்த போலி தடுப்பு வியூகங்கள்

ஆழ்ந்த போலி தொழில்நுட்பப் பரவலைத் தடுக்கும் திறன், தொழில்நுட்பத்தைப் பற்றிய முழுமையான புரிதலைப் பொறுத்தது. இந்தக் கட்டுரை, செயற்கை நுண்ணறிவு, ஆழமான போலி தொழில்நுட்பத்தைத் தடுப்பது குறித்துக் கூறுகிறது.

ஆழமான போலியின் இயந்திரம்: தொழில்நுட்ப பகுப்பாய்வு

ஆழ்ந்த போலியின் மையமானது, உருவாக்க மாதிரி, அதாவது பெரிய தரவுத்தொகுப்புகளிலிருந்து கற்று இயல்பான படங்கள், ஒளிக்காட்சிகள், ஒலிகளை உருவாக்கும் திறன் கொண்ட செயற்கை நுண்ணறிவு. அண்மையில், உற்பத்திப் பகை நெட்வொர்க் (GAN), பரவல் மாதிரியாக உருவெடுத்துள்ளது. இது வலுவான செயல்பாடு கொண்டது. எனவே, வலுவான தடுப்பு கட்டமைப்பை உருவாக்க, இந்த உற்பத்தி எஞ்சின்களின் தொழில்நுட்ப பகுப்பாய்வு அவசியம்.

போட்டியாட்டம்: உற்பத்திப் பகை நெட்வொர்க் (GAN)

GAN இரண்டு நரம்பியல் நெட்வொர்க்குகளைக் கொண்டது: ஜெனரேட்டர் மற்றும் டிஸ்கிரிமினேட்டர். ஜெனரேட்டரின் பணி, நிஜ உலகத் தரவைப் பின்பற்றும் செயற்கை தரவை உருவாக்குவது. ரேண்டம் உள்ளீட்டில் தொடங்கி, தொடர்புடைய வெளியீடாக மாற்ற முயற்சிக்கும். மற்றொருபுறம், டிஸ்கிரிமினேட்டர் ஒரு வகைப்படுத்தி செயல்படுகிறது. தரவு உண்மையானதா அல்லது போலியானதா என மதிப்பிடுகிறது.

பயிற்சி செயல்முறை, பூஜ்ஜிய-கூட்டு விளைவு விளையாட்டு போலவே, இரண்டு நெட்வொர்க்குகளுக்கு இடையே தொடர்ச்சியான பின்னூட்ட சுழற்சியை உள்ளடக்கியது. ஜெனரேட்டர் ஒரு போலி படத்தை உருவாக்கி, டிஸ்கிரிமினேட்டருக்கு அனுப்புகிறது. டிஸ்கிரிமினேட்டர் பயிற்சியில் இருந்து உண்மையான படத்தையும் பெறுகிறார். பின் ஒவ்வொரு படமும் உண்மையானதா என டிஸ்கிரிமினேட்டர் கணிக்கிறார். டிஸ்கிரிமினேட்டரின் வெளியீட்டை ஜெனரேட்டர் உருவாக்கியது என சரியாகக் கண்டறிந்தால், அது பின்னூட்டத்தை வழங்கும். இதனால் ஜெனரேட்டர், அதன் உள் அளவுருக்கள் அனுசரித்து, அடுத்த மறு செய்கையில் மிகவும் நம்பகமான படத்தை உருவாக்கும். அதே நேரத்தில் டிஸ்கிரிமினேட்டர், போலிகளை இன்னும் சிறப்பாகக் கண்டறிய அளவுருக்களை சரிசெய்கிறது. இந்தப் போட்டியானது, சமநிலையை அடையும் வரை தொடர்கிறது. சில நேரங்களில் உள்நாட்டுச் சமநிலை எனப்படுகிறது. இதில் ஜெனரேட்டரின் வெளியீடு மிகவும் உண்மையானது, டிஸ்கிரிமினேட்டரால் நம்பகமான தரவுகளிலிருந்து வேறுபடுத்திப் பார்க்க முடியாது.

GAN ஆனது ஒருங்கிணைப்பு ஊடகத்தை உருவாக்க முடியும் என்பதை நிரூபித்துள்ளது. மேலும் பல ஆழமான போலி மாடல்களுக்கு அடித்தளமாக உள்ளது. ஆழ்ந்த ஒருங்கிணைப்பு GAN (DCGAN) போன்ற கட்டமைப்புகள் ஒன்றிணைப்பு அடுக்கை மாற்றுவதன் மூலம் நிலைத்தன்மையை அதிகரித்துள்ளது. மேலும் தொகுதி இயல்பாக்கத்தைப் பயன்படுத்தி முக்கியமான முன்னேற்றங்களை அறிமுகப்படுத்துகிறது. என்விடியா (NVIDIA) வின் ஸ்டைல் GAN மற்றும் ஸ்டைல் GAN2, ஸ்டைல் GAN3 போன்றவை முகத்தை உருவாக்கும் முறையில் முன்னோடியில்லாத போட்டோ யதார்த்தத்தை அடைந்துள்ளது. சைக்கில் GAN போன்ற வேறுபாடுகள் பாணி மாற்று பணியைச் செய்து முடித்தது. ஃபேஸ் ஆப் போன்ற பயன்பாடுகளில் ஒருவரின் தோற்ற வயதை மாற்றப் பயன்படுத்தப்படுகிறது.

GAN இன் செயல்பாடுகள் வலுவாக இருந்தாலும், பயிற்சி செய்வது கடினம் என்பது அனைவருக்கும் தெரியும். ஜெனரேட்டர் மற்றும் டிஸ்கிரிமினேட்டர் இடையேயான மெல்லிய சமநிலை எளிதில் அழிக்கப்படும். இது பயிற்சி நிலையற்ற தன்மை, மெதுவான கன்வெர்ஜென்ஸ் அல்லது “முறை சரிவு” எனும் முக்கியத் தோல்விக்கு வழிவகுக்கும். ஜெனரேட்டர் டிஸ்கிரிமினேட்டரில் பலவீனத்தைக் கண்டுபிடித்து, வெளியீட்டின் வரம்பிற்குட்பட்ட வகைகளை மட்டுமே உருவாக்குவதன் மூலம் அதைச் சாதகமாக்கும்போது முறை சரிவு ஏற்படும்.

குழப்பத்தின் தலைகீழ்: பரவல் மாதிரி

உற்பத்தி செயற்கை நுண்ணறிவில், புதிய மாடலாகப் பரவல் மாதிரி தொழில்நுட்பம் வந்துள்ளது. வெப்ப இயக்கவியல் கருத்துக்களிலிருந்து ஊக்கம் பெற்று, GAN இன் போட்டியின் கொள்கைகளிலிருந்து முற்றிலும் மாறுபட்ட கொள்கையின்படி இது செயல்படுகிறது. நிகழ்தகவு உருவாக்கும் மாதிரி, படிப்படியாக தரவைச் சிதைக்கும் செயல்முறையை மாற்றியமைப்பதன் மூலம் விதிவிலக்கான தரம் வாய்ந்த தரவை உருவாக்கும்.

பரவல் மாதிரியின் பொறிமுறையானது இரு-பள்ளியாகும்:

1. முன்னோக்கு பரவல் செயல்முறை: இந்தக் கட்டம், குறிப்பிட்ட நேரத்திற்குள் (எடுத்துக்காட்டாக, டி படிகள்) சிறிய கௌசியன் இரைச்சலை படிப்படியாகப் படத்திற்குச் சேர்க்கிறது. இது ஒரு மார்கோவ் சங்கிலி செயல்முறை. ஒவ்வொரு படியும் முந்தைய படியைப் பொறுத்தது. இறுதி நேரப் படியில் ஒழுங்கற்ற இரைச்சலில் இருந்து வேறுபடுத்த முடியாததாக மாறும் வரை படத்தின் தரத்தை படிப்படியாகக் குறைக்கிறது.

2. தலைகீழ் நீக்கும் இரைச்சல் செயல்முறை: மாதிரியின் முக்கியமானது ஒரு நரம்பியல் நெட்வொர்க் (பொதுவாக யு-நெட் கட்டிடக்கலை), இந்தச் செயல்முறையை மாற்றியமைக்கப் பயிற்சி அளிக்கப்படுகிறது. முன்னோக்கிய செயல்பாட்டில் ஒவ்வொரு நேரப் படியிலும் சேர்க்கப்பட்ட இரைச்சலைக் கண்டறிந்து அதைக் கழிக்க கற்றுக்கொள்கிறது. பயிற்சியளிக்கப்பட்ட பிறகு, மாடல் ஒரு சீரற்ற ஒலி மாதிரியில் தொடங்கி அதைச் சுழற்சியாகப் பயன்படுத்தும். இந்த செயல்பாடு மூல தரவு விநியோகத்தின் ஒரு மாதிரியை மாற்றுகிறது, இதன் மூலம் புதிய உயர்தரப் படங்களை உருவாக்குகிறது.

இந்த மறுசீரமைப்பு செயல்முறை GAN ஐ விடச் சிறந்த யதார்த்தத்தையும் தரத்தையும் அடைய பரவல் மாதிரிகளை செயல்படுத்துகிறது. மாதிரியானது மிகவும் நம்பகமானது. இந்தத் தொழில்நுட்பமானது இன்றைய மிகவும் பிரபலமான மற்றும் வலுவான செயற்கை நுண்ணறிவிற்கான கருவியாக உள்ளது. இது OpenAI-ன் DALL-E 2, Google-ன் Imagen மற்றும் Stability AI-ன் Stable Diffusion உள்ளிட்டது. பரவலாகக் கிடைக்கும் இந்த மாதிரிகள் ஆழமான போலி அச்சுறுத்தலை உருவாக்கியுள்ளது.

செயல்படும் முறை

GAN அல்லது பரவல் மாதிரியாக இருந்தாலும், அடிப்படையான ஜெனரேட்டர் எஞ்சின் ஒரு ஆழமான போலி ஒளிக்காட்சிகளை உருவாக்க பல முக்கியமான தொழில்நுட்பங்கள் மூலம் உருவாக்கப்படுகிறது. இந்த முறைகள், தேவையான ஏமாற்று விளைவுகளை அடைய இலக்கு ஒளிக்காட்சிகளின் அம்சங்களைக் கையாளுகின்றன.

• மறுபடியும் நடித்தல்: இந்த தொழில்நுட்பம் ஆதாரம் பாத்திரத்தின் முகபாவனைகளையும், தலை அசைவுகளையும், பேச்சு தொடர்பான அசைவுகளையும் ஒளிக்காட்சியில் உள்ள இலக்கு பொருளுக்கு மாற்றுகிறது. ஆதாரம் மற்றும் இலக்கு காணொளிகளில் முக அம்சங்களைக் கண்காணிப்பது; உலகளாவிய 3D முக மாதிரியுடன் இந்த அம்சங்களை சீரமைக்க ஒரு நிலைத்தன்மையை அளவிடுதல்; மற்றும் வெளிப்பாடுகளை மூலத்திலிருந்து இலக்கிற்கு மாற்றுதல் போன்ற மூன்று படிகளை உள்ளடக்கியது.

• வாய் ஒத்திசைவு: வாய் ஒத்திசைவு ஆழமான போலி தொழில்நுட்பமானது பேச்சைக் கையாளுவதற்குத் தீர்மானிக்கப்படுகிறது. உள்ளீட்டு ஆடியோவைக் கொண்டு இயல்பான உதடு அசைவுகளை உருவாக்க முக்கியமாகப் பயன்படுகிறது. ஆடியோவில் இருந்து அசையும் உதடு வடிவங்கள் மற்றும் இழையங்கள் தயாரிக்கப்பட்டு அவை இலக்கு காணொளியுடன் பொருத்தி கலக்கப்படுகின்றன.

• உரை சார்ந்த உருவாக்கம்: இந்த முறையானது உரை ஸ்கிரிப்டுகளின்படி காணொளியை மாற்றியமைக்கும். உரை கூறுகளை பகுப்பாய்வதில் இதன் பணி தொடங்குகிறது. பின் மூல காணொளியில் உள்ள தொடர்புடைய காட்சிகளுடன் பொருத்தப்படுகின்றன. மேலும் 3D தலை மாதிரியின் அளவுருக்களைப் பயன்படுத்தி உதடுகளைச் சீராக்குவதன் மூலம் நபர் சொல்லும் வார்த்தைகளை மாற்றியமைக்கலாம்.

GAN உடன் ஒப்பிடும் போது பரவல் மாதிரியானது தொழில்நுட்பத்தை மேம்படுத்துகிறது. GAN தொழில்நுட்பம் வலிமையானது என்றாலும், இந்தப் படங்களின் கட்டிட பலவீனம் முன்கூட்டியே கண்டறியும் வசதியுள்ளது. பரவல் மாதிரிப் பயிற்சி மிகவும் உறுதியானது. முந்தைய GAN மாதிரியில் தெளிவான குறைபாடுகள் எதுவும் இல்லை.

எனவே, தற்போதுள்ள ஆழமான போலி கண்டறிதல் உள்கட்டமைப்பின் ஒரு கணிசமான பகுதியானது வேகமாக காலாவதியாகி வருகிறது. GAN உருவாக்கும் படங்களில் பயிற்சி பெற்ற அளவீடுகள் பரவல் மாதிரி உள்ளடக்கத்தில் தவறான முடிவுகள் வர வாய்ப்புள்ளது. பரவல் மாதிரி படங்களில் பயிற்சி அளிக்கப்பட்ட அளவீடுகள் GAN படங்களைக் கண்டறியலாம். இவை மிகவும் சிக்கலானதாக இருக்கும். உண்மையில், பரவல் உருவாக்கம் ஊடகத்தின் தனித்துவமான அம்சங்களை எதிர்கொள்ள பாதுகாப்பு வியூகங்களை மறுவடிவமைக்க வேண்டும்.

மேலும், இந்த உருவாக்கும் மாதிரிகள் மூலத்தைத் தடுப்பதற்கான சிக்கலைச் சேர்க்கின்றன. GAN மற்றும் பரவல் மாதிரிகள் மனிதர்கள் புரிந்து கொள்ளும் வகையில் கற்றுக்கொள்வதில்லை. அதாவது தரவுத்தொகுப்பில் தரவுகளின் எந்த மாதிரி இருக்கிறதோ அதை கற்றுக் கொள்ளும். மேலும் தீங்கு விளைவிக்கும் படங்களைத் தவிர்க்கிறது. இது உருவாக்கும் முன் பயிற்சியளிக்கத் தரவுகளைக் கட்டுப்படுத்தி சரி செய்யப்படுவதற்கான செயல்பாடாக மாறும்.

உருவாக்கும் எஞ்சின் ஒப்பீடு பகுப்பாய்வு

GAN மற்றும் பரவல் மாதிரிகள் இரண்டுக்குமான வேறுபாடுகளைப் புரிந்து கொள்வது அவசியம். முந்தைய தொழில்நுட்பத்தின் மேலாதிக்கம் கண்டறிவதில் உள்ள சிரமம், ஏமாற்றுவதில் உள்ள சாத்தியம் மற்றும் ஒட்டுமொத்த அச்சுறுத்தல் போன்றவற்றை பாதிக்கின்றன.

எண்முறை நோயெதிர்ப்பு அமைப்பு: கண்டறிதலுக்கான செயல்முறை ஒப்பீடு பகுப்பாய்வு

ஒருங்கிணைப்பு ஊடகத்தின் எழுச்சிக்கு பதிலளிக்கும் விதமாக கண்டறிதல் முறைகள் உருவாகியுள்ளன. இந்த தொழில்நுட்பங்கள் டிஜிட்டல் கலைப்பொருள்களின் தடயவியல் பகுப்பாய்வு மற்றும் சாத்தியமான உயிரியல் குறிப்புகளை ஆராயும் புதுமையான முறைகளை உள்ளடக்கியது. இந்த நோயெதிர்ப்பு முறையின் திறமையானது உருவாக்கும் நெகிழ்வான வளர்ச்சி மற்றும் கண்டறிதலைத் தவிர்க்கப் பயன்படுத்தப்படும் போட்டியாற்றல் தாக்குதல்களால் தொடர்ந்து சவாலுக்கு உட்படுத்தப்படுகிறது. நிலையான நிலையைத் தக்கவைக்க தடுப்பவர்கள் தொடர்ந்து புதுமைகளைப் புகுத்த வேண்டும்.

டிஜிட்டல் கலைப்பொருட்களின் தடயவியல் பகுப்பாய்வு

ஆழமான போலி கண்டறிதலின் பகுப்பாய்வில், டிஜிட்டல் கலைப்பொருட்களின் தடயவியல் பகுப்பாய்வு, நுட்பமான குறைபாடுகள் மற்றும் முரண்பாடுகளை கண்டறிய இயலும். இக்குறைகளை வழக்கமாக அடையாளம் காண்பது கடினம். மேலும் கண்களால் காண இயலாது, ஆனால் அதற்கு என்று உள்ள ஒரு சில வழிமுறைகளால் கண்டறிய இயலும்.

• காட்சி மற்றும் உடற்கூறியல் முரண்பாடுகள்: பழைய நெகிழ்வான கட்டுமான மாதிரிகள் மனித உடற்கூறியல், இயற்பியல் பண்புகளைச் சரியாக இனப்பெருக்கம் செய்யத் தவறிவிட்டன. அதைக் கண்டறியும் முறைகள், ஊடகத்தில் அசாதாரண நிகழ்வுகள் ஏதேனும் இருந்தால் கண்டறியும். பயிற்சித் தரவுகளில் மூடப்பட்ட கண்கள் இல்லாததால் அடிக்கடி கண் சிமிட்டுதல், கண் அசைவுகள் பொருத்தமாக இல்லாமல் இயந்திரத்தனமாக இருப்பது, வாய் அசைவுகளில் கட்டுப்பாடுகள் இருப்பது போன்றவை கண்டறியப்படுகின்றன.

• பிக்சல் மற்றும் சுருக்கப் பகுப்பாய்வு: இந்தத் தொழில்நுட்பங்கள் குறைந்த செயல்பாட்டில் இயங்கி படம் மற்றும் ஒளிக்காட்சியில் எண்முறை கட்டமைப்பை ஆராய்கின்றன. பிழைகளை அளவிடும் பகுப்பாய்வு, படத்தில் உள்ள பகுதிகளை வெவ்வேறு சுருக்க நிலைகளைக் கொண்டு அடையாளம் காணும் முறை. திருத்தப்பட்ட பகுதிகள் மீண்டும் சேமிக்கப்படுவதாலும் சுருக்கப்படுவதாலும் மற்ற பகுதிகளைப் போல பிழைகள் இல்லாமல் இருக்கும்.

• அதிர்வெண் பகுப்பாய்வு: பிக்சல்களைப் பகுப்பாய்வு செய்யாமல் அதிர்வெண் பகுப்பாய்வு செய்கின்றன. GAN கட்டமைப்பானது அடிக்கடி கலைப்பொருள்களை உண்டாக்குகிறது. ஆனாலும் இது பெரும்பாலான GAN-களுக்கு பயனுள்ளதாக இருக்கும். இதைப் பரவல் மாதிரி வெற்றியுடன் பயன்படுத்த முடியாது.

உயிரியல் குறிப்பு பகுப்பாய்வு: ஆழமான போலியின் “இதய துடிப்பு”

ஆய்வில் ஆழமான போலியைக் கண்டறிவதற்கான புதிய முன்னுரிமை மற்றும் நம்பகமானது ஊடகங்களில் உண்மையான குறிப்புகள் உள்ளதா எனப் பகுப்பாய்வு செய்வது. உருவாக்கும் மாதிரியானது காட்சித் தரத்தை இனப்பெருக்கம் செய்வதில் சிறந்து விளங்குகிறது. ஆனால், இது மனித உடலியல் செயல்முறைகளைப் பின்பற்றத் தவறிவிடுகிறது.

தொலைதூர ஒளிக்கதிர் வரைவி (rPPG) இந்தத் துறையில் முக்கிய தொழில்நுட்பமாகும். ஒருவரின் முகத்தில் உள்ள சரும நிறத்தில் ஏற்படும் சிறிய மாற்றங்களைக் கண்டறிய இது பயன்படுகிறது. ஆழ்ந்த போலி படங்களில், இந்த சமிக்ஞை அடிக்கடி இல்லாமல் இருக்கும்.

கண்டறியும் முறை பல படிகளைக் கொண்டுள்ளது:

1. காணொளியில் உள்ள சில பகுதிகளில் இருந்து rPPG சமிக்ஞைகளைப் பிரித்தெடுத்தல்.

2. சமிக்ஞை செயலாக்கம்: வேகமான ஃபூரியர் உருமாற்றத்தைப் (FFT) பயன்படுத்தி அதன் நேர மற்றும் ஸ்பெக்ட்ரல் பண்புகளை பகுப்பாய்வு செய்தல் உள்நாட்டுச் சத்தங்களை நீக்குதல்.

3. உண்மையான இதயத்துடிப்பையும், போலி காணொளியில் உள்ள சத்தத்தையும் வேறுபடுத்துதல்.

கட்டுப்பாட்டில் உள்ள சோதனைகளில் துல்லியமான முடிவுகள் கிடைக்கும் என ஆய்வுகள் கூறுகின்றன. இன்னும் மேம்பட்ட தொழில்நுட்பத்தில் ஒளிக்காட்சிகளிலிருந்து சமிக்ஞைகளைப் பெற முடியும். எதிர்கால முறைகள் துடிப்பை மட்டும் பரிசோதனை செய்யாமல் அதன் உடலியல் ஒருமைப்பாடு மற்றும் தனித்துவத்தையும் பரிசோதிக்கலாம்.

ஆய்வு ராணுவம்: பரவல் மாதிரிகள் மற்றும் போட்டியாற்றல் தாக்குதல்களுக்கான சவால்கள்

ஆழமான போலி கண்டறியும் துறையானது ஓர் இரக்கமற்ற ஆயுதப் போட்டியால் வரையறுக்கப்படுகிறது. நம்பகமான கண்டறிதல் முறை உருவாக்கப்பட்டவுடன் உருவாக்க மாதிரியானது அதைத் தொடர்ந்து மாற்றியமைக்கிறது. பரவல் மாதிரிகளின் சமீபத்திய எழுச்சி மற்றும் போட்டியாற்றல் தாக்குதல்களின் பயன்பாடு நவீன கண்டறிதல்களை எதிர்கொள்ளும் இரண்டு முக்கியமான சவால்கள்.

• பொதுமைப்படுத்தல் தோல்வி: குறிப்பிட்ட உருவாக்கும் மாதிரிக்கு எதிராக பயிற்சி அளிக்கப்பட்ட கண்டறிதல் புதிய கையாளுதல் நுட்பங்களை எதிர்கொள்ளும் போது அடிக்கடி தோல்வியடைகிறது. பரவல் மாதிரிகள் இந்த சிக்கலை மிகவும் தீவிரமாக்குகின்றன. GAN-களுக்கு வடிவமைக்கப்பட்ட கண்டறிதல்களைச் திறம்படத் தவிர்க்க முடியும். இன்னும் உறுதியான மற்றும் பொதுவான கண்டறிதல்களை உருவாக்க ஆராய்ச்சியாளர்கள் கடின தரவுத்தொகுப்புகளைப் பயன்படுத்துகின்றனர்.

• போட்டியாற்றல் தாக்குதல்கள்: அதி துல்லியமான கண்டறிதல்களும் போட்ட தாக்குதல்களால் பாதிக்கப்படக்கூடியவை. இந்தச் சூழ்நிலையில், ஆழமான போலி படங்களின் பிக்சல்களில் தாக்குதல் செய்பவர்கள் சிறிய இடையூறுகளை ஏற்படுத்துகிறார்கள். இந்த மாற்றங்கள் மனித கண்களுக்கு தெரியாவிட்டாலும் துல்லிய மதிப்பீட்டைத் தடுக்கும் வகையில் வடிவமைக்கப்பட்டுள்ளன.

கன்டெண்ட் கண்டறிதலை எதிர்கொள்ள ஆராய்ச்சியாளர்கள் வலுவான கண்டறிதல்களை உருவாக்குவதில் கவனம் செலுத்துகிறார்கள். முக்கியமான வியூகங்கள்: பயிற்சித் தரவு பன்முகத்தன்மை, மேம்பட்ட பயிற்சி வியூகம், வலிமையான கட்டமைப்பு.

உருவாக்கும் மற்றும் கண்டறியும் தொழில்நுட்பத்திற்கு இடையே உள்ள நிலையான இழுபறி எந்த நிலையான பாதுகாப்பும் காலாவதியாகும் என்று கூறுகிறது. GAN கலைப் பொருள்களை நீக்குவதன் மூலம் கண்டறிதல் உயிரியல் மற்றும் இயற்பியல் போன்ற அதிநவீன சமிக்ஞைகளுக்கு மாற வேண்டும்.

பதிலளிக்கும் கண்டறிதலில் கவனம் செலுத்தாமல் தடுக்கும் வியூகங்கள் ராணுவ முயற்சியாக இருக்க வேண்டும். அடிப்படை இடைவெளிகளைப் பயன்படுத்தும் பாதுகாப்பு வியூகமாக இருந்தால் அது மிகவும் நம்பகமானதாக இருக்கும்.

டிஜிட்டல் நம்பிக்கையை நிறுவுதல்: வாட்டர்மார்க்கிங் மற்றும் மூலத்தின் மூலம் செயலூக்கத் தடுப்பு

தூய எதிர்வினை கண்டறிதல் வியூகத்தின் குறைபாடுகளைக் கருத்தில் கொண்டு ஆழமான போலி தடுக்கும் திட்டங்கள் மூலம் டிஜிட்டல் ஊடகத்தில் நம்பிக்கை, பொறுப்புகளை ஏற்படுத்தலாம். உருவாக்கப்பட்டுப் பரப்பப்பட்ட பின்பு, ஆழமான போலி மூலம் தடயவியல் டிஜிட்டல் வாட்டர்மார்க்ஸ் பயன்படுத்தலாம்.

தடயவியல் டிஜிட்டல் வாட்டர்மார்க்ஸ்: மறைக்கப்பட்ட கையொப்பம்

தடயவியல் டிஜிட்டல் வாட்டர்மார்க்குகள், டிஜிட்டல் உள்ளடக்கம் (படங்கள், ஒளிக்காட்சிகள்) முழுவதிலும் ஒரு தனித்துவ அடையாளமாகப் பயன்படுத்தப்படுகிறது. தடயவியல் வாட்டர்மார்க்குகள் மிகவும் வலுவானதாக வடிவமைக்கப்பட்டுள்ளதால் சுருக்கம், பயிர் செய்தல், மறுஅளவிடுதல் போன்று எந்த நிலையிலும் வாட்டர்மார்க்கினை இழக்காது என வடிவமைக்கப்பட்டுள்ளது.

ஆழமான போலி தடுப்புத் துறையில் பயன்படுத்தப்படும் வாட்டர்மார்க்குகளின் முக்கிய செயல்பாடுகள்:

• பயனர் பொறுப்பேற்க வேண்டும்: ஒரு நிறுவனம் தனியுரிமையுள்ள வாட்டர்மார்க்கினை உபயோகிக்கும்போது நிறுவனத்திற்கு யார் தகவலைப் பரப்புகிறார்கள் என எளிதில் கண்டறியலாம்.

• உண்மையை நிரூபிக்க: எந்த அரசு நிறுவனம் மற்றும் செய்தி நிறுவனமும் தகவல்களை வெளியிட்டு உண்மையை நிரூபிக்க வாட்டர்மார்க்குகள் பயன்படுத்தப்படுகின்றன.

• வாழ்க்கை சுழற்சி கண்காணிப்பு: உள்ளடக்கம் சமூக ஊடகத்தில் பதிவேற்றம் செய்வதிலிருந்து ஆழமான போலி உருவாக்கும் பயன்பாடுகளிலிருந்து வாட்டர்மார்க்கை ஒருங்கிணைக்க முடியும்.

ஆழமான போலி கையாளுதல்களை எதிர்த்துப் போராட மேம்பட்ட வாட்டர்மார்க்கிங் தொழில்நுட்பம் உருவாக்கப்படுகிறது. ஒரு நெட்வொர்க்கை வடிவமைப்பது மூலம் வாட்டர்மார்க்குகளை ஒருவரின் முகத்தில் அடையாளம் காணும்படி பொருத்த முடியும்.

வாட்டர்மார்க்கிங்கில் பல சவால்கள் உள்ளன. ஒரு படத்தை மறுகட்டமைத்தல் மூலம் வாட்டர்மார்க்குகளை அகற்ற வாய்ப்புள்ளது. சில சட்ட மற்றும் ஒழுங்குமுறை தேவைகளை நடைமுறைப்படுத்த வேண்டும்.

பிளாக்செயின் மற்றும் உள்ளடக்க ஆதாரம்: மாற்ற முடியாத லெட்ஜர்

பிளாக்செயின் தொழில்நுட்பத்தைப் பயன்படுத்துவது உள்ளடக்க ஆதாரத்தை நிறுவுவதாகும். அதாவது ஒரு பாதுகாப்பான ஊடக கோப்பிற்கான ஆதாரம். இந்த முறை பிளாக்செயினின் மைய பண்புகளைப் பயன்படுத்துகிறது.

பிளாக்செயின் சார்ந்த அணுகுமுறையை மூன்று படிகளில் நிறுவலாம்:

1. கோப்பின் தரவிலிருந்து ஒரு தனிப்பட்ட குறியாக்க ஹாஷ் உருவாக்கப்படுகிறது. ஹாஷ் என்பது ஒரு எண்ணியல் கைரேகை; கோப்பில் சிறிய மாற்றங்கள் செய்தாலும் அது ஹாஷை உருவாக்கும்.

2. பிளாக்செயின் பதிவில் ஒவ்வொரு தரவும் ஒரு பரிவர்த்தனையாகப் பதியப்படும். மேலும் இது மறைகுறியாக்கப்பட்ட முறையில் பாதுகாக்கப்படுவதால் பதிவு நிரந்தரமானது.

3. ஹாஷ்களை பிளாக்செயினில் சேமிக்கப்பட்ட ஹாஷ்களுடன் ஒப்பிடுவதன் மூலம் ஊடகத்தின் நம்பகத்தன்மையை நிரூபிக்க முடியும். ஹாஷ் பொருந்தினால், கோப்பு மாற்றப்படவில்லை என்று நிரூபிக்கப்படும். ஹாஷ் பொருந்தவில்லை என்றால் அந்தக் கோப்பு மாற்றப்பட்டுள்ளது.

இந்த அமைப்பு டிஜிட்டல் உள்ளடக்கத்திற்கான வெளிப்படையான சான்றுகளை உருவாக்குகிறது. பிளாக்செயின் அடிப்படையிலான மூலத்துடன் டிஜிட்டல் வாட்டர் மார்க்கையும் இணைப்பதன் மூலம் கண்டறிதலின் துல்லியத்தை 95% வரை அடையலாம்.

வாட்டர்மார்க்கிங்கைப் போலவே பிளாக்செயின் அடிப்படையிலான மூலத்திற்கும் பல வரம்புகள் உள்ளன. மேலும் தொழில்நுட்பத் தளங்கள் இரண்டும் ஒரு பொதுவான தரநிலையாக ஏற்றுக்கொள்ளப்பட வேண்டும்.

சட்டப்பூர்வ உள்ளடக்கத்தை உருவாக்குபவர்கள் தங்கள் படைப்புகளைச் சரிபார்க்க வேண்டுமெனில், நுகர்வோர் சாத்தியமான போலிகளை ஆய்வுசெய்ய முயற்சி செய்ய வேண்டும்.

இந்தச் சவால்களைச் சமாளிக்கத் தொழில்துறை ஒத்துழைப்பு மிகவும் அவசியம். உள்ளடக்கம் மூலம் நம்பகத்தன்மை கூட்டணி முக்கியமானதாக இருக்கும்.

ஒருங்கிணைந்த உலகில் சட்டத்தின் ஆட்சி

ஆழமான போலிகள் சமூகத்தில் ஊடுருவி வருவதால் உலக அரசுகள் இதனை கட்டுப்படுத்த போராடுகின்றன. நாடுகளின் சட்ட நடைமுறைகள், அரசியல் அமைப்புகள் மற்றும் சமூக முன்னுரிமைகளை சட்டமாக்குகின்றன.

அமெரிக்கா

அமெரிக்காவில் ஆழமான போலிகளை ஒழுங்குபடுத்துவது பேச்சு சுதந்திரம், அரசியலமைப்பு பாதுகாப்பு போன்ற சட்டங்களின் கீழ் கட்டுப்படுத்தப்பட்டுள்ளது.

2025 மே மாதம் இயற்றப்பட்ட “ TAKEOFF IT DOWN Act” சட்டத்தின் மூலம் எந்தவொரு தனிநபரின் அந்தரங்க புகைப்படத்தையும் செயற்கை நுண்ணறிவு மூலம் சித்தரிப்பதை தடுக்க முடியும். மேலும் பாதிக்கப்பட்டவர்கள் புகார் அளிக்கும்பட்சத்தில் 48 மணி நேரத்தில் நீக்க வேண்டும்.

எந்தவொரு ஆடியோ மற்றும் வீடியோ மோசடிகள் நடைபெற்றாலும் “சட்டவிரோத அல்லது ஏமாற்றும் செயல்களுக்கு” எதிரான அமெரிக்காவின் கூட்டாட்சி வர்த்தக ஆணையம் மோசடி செய்பவர்கள் மீது நடவடிக்கை எடுக்கும்.

அமெரிக்க சட்டத்தில் உள்ள முக்கிய சவால் யாதெனில் பேச்சு சுதந்திரத்தைப் பாதுகாப்பது மற்றும் தீங்கு விளைவிக்கும் உள்ளடக்கத்தை ஒழுங்குபடுத்துவது ஆகும்.

ஐரோப்பிய ஒன்றியம்

ஐரோப்பிய ஒன்றியம் ஆழமான போலிகள் உள்ளிட்ட அனைத்து விதமான செயற்கை நுண்ணறிவு தொழில்நுட்பங்களையும் நிர்வகிக்கிறது. மேலும் இதற்கான வழிகாட்டு நெறிமுறைகளையும் வழங்குகிறது. ஐரோப்பிய ஒன்றியத்தின் இந்த நடவடிக்கைக்கு முக்கிய காரணம் “செயற்கை நுண்ணறிவு சட்டம்”, “டிஜிட்டல் சேவைகள் சட்டம்”.

ஐரோப்பிய ஒன்றியம் செயற்கை நுண்ணறிவு சட்டத்தை 2024 மார்ச் மாதம் அறிவித்தது. இந்த சட்டத்தின் மூலம் செயற்கை நுண்ணறிவு தீங்கு விளைவிக்கும் வகையில் இருந்தால் அதனை கண்டறிந்து கட்டுப்படுத்துவதே இதன் முக்கிய நோக்கம். அதன்படி ஆழமான போலிகளை உருவாக்க காரணமான செயற்கை நுண்ணறிவு அமைப்புகளுக்கு கடுமையான வெளிப்படைத்தன்மை கடமைகளைச் சுமத்துகிறது. இதில் ஆடியோ, வீடியோவின் உண்மை தன்மையை நிரூபிக்க வேண்டும்.

டிஜிட்டல் சேவைகள் சட்டம் ஆழமான போலிகள் உட்பட பயனர்களால் உருவாக்கப்பட்ட உள்ளடக்கத்தை வைத்திருக்கும் தளங்கள் தெளிவான மற்றும் வெளிப்படையான உள்ளடக்கக் கொள்கைகளைக் கொண்டிருக்க வேண்டும். மேலும் சட்டவிரோத உள்ளடக்கத்திற்கான அறிவிப்பை எளிதில் அணுகும் வசதியையும் வழங்க வேண்டும். ஐரோப்பிய ஒன்றியம் தவறான தகவல்களுக்கான நடத்தை விதிமுறை மூலம் ஆழமான போலிகள் மூலம் ஏற்படும் தவறான தகவல்களைத் தடுக்க நடவடிக்கை எடுத்து வருகிறது.

ஆசிய பசிபிக் பிராந்தியத்தின் அணுகுமுறை

ஆசிய பசிபிக் பிராந்தியத்தின் ஒழுங்குமுறை நடவடிக்கைகள் மிகவும் பரவலாக உள்ளது. சீனாவில் விரிவான தேசிய கட்டுப்பாடுகள் மற்றும் தென் கொரியா மற்றும் ஆஸ்திரேலியாவில் குற்றவியல் சட்டங்கள் மூலம் கட்டுப்படுத்துகின்றன.

• சீனா: சீனா “இன்டர்நெட் தகவல் சேவை ஆழ்ந்த தொகுப்பு நிர்வாக விதிகள்” மூலம் ஆழமான போலிகளை உருவாக்குவதற்கும், விநியோகிப்பதை தடுப்பதற்கும் சட்டங்கள் மூலம் கடுமையான கட்டுப்பாடுகளை விதித்துள்ளது.

• தென் கொரியா: பொது அதிகாரிகள் தேர்தல் சட்டத்தில் திருத்தம் செய்து தேர்தலுக்கு 90 நாட்களுக்கு முன்பு ஆழமான போலிகளை அரசியல் காரணங்களுக்காக பயன்படுத்துவதை தடை செய்துள்ளது.

• சிங்கப்பூர்: “தவறான ஆன்லைன் தகவல்கள் மற்றும் கையாளுதல் தடுப்புச் சட்டத்தின்” மூலம் அரசியல்வாதிகள் தேர்தலின்போது ஆழமான போலிகள் மூலம் தவறான பிரச்சாரங்களை செய்வதை தடுக்கிறது.

• ஆஸ்திரேலியா: ஆஸ்திரேலியா 2024 ஆம் ஆண்டு குற்றவியல் சட்டத்தில் திருத்தம் (ஆழ்ந்த போலி பாலியல் பொருட்கள்) சட்டத்தின் மூலம் செயற்கை நுண்ணறிவைப் பயன்படுத்தி பாலியல் துன்புறுத்தல்களைத் தடுக்க கடுமையான சட்டங்களை இயற்றியுள்ளது.

உலகின் ஒவ்வொரு பகுதிகளிலும் சட்டங்கள் ஒவ்வொரு மாதிரி இருப்பதால் இதனை சரியான முறையில் செயல்படுத்துவதில் சிக்கல் ஏற்படுகிறது.