দুটি ভিন্ন জিনিস যাকে মানুষ একই জিনিস বলে
একটি সম্পূর্ণ জেনারেটেড ছবি শুরু হয় শূন্য থেকে। এর নিচে কোনো ফটোগ্রাফ নেই, কোনো সেন্সর রিডিং নেই, এমন কোনো মুহূর্ত নেই যা ঘটেছিল। প্রতিটি পিক্সেল একটি মডেল দ্বারা উৎপাদিত হয়েছিল, এবং এর ভেতরের ব্যক্তির মানহানি করার কোনো পরিচয় নেই কারণ সেখানে কোনো ব্যক্তি নেই।
একটি ডিপফেক বাস্তব কিছু থেকে শুরু হয়। এর নিচে একটি ফটোগ্রাফ বা ভিডিও রয়েছে, একটি বাস্তব মুহূর্তের আসল ক্যাপচার, এবং একটি মডেল এর একটি নির্দিষ্ট অঞ্চল, সাধারণত একটি মুখ, অন্য কারো রেন্ডারিং দিয়ে প্রতিস্থাপন করেছে।
আইনি, সম্পাদকীয় এবং কারিগরিভাবে এই পার্থক্যটি গুরুত্বপূর্ণ। অস্তিত্বহীন কোনো ডাক্তারের জেনারেটেড স্টক ফটো হলো লাইসেন্সিংয়ের প্রশ্ন। এমন একজন আসল ডাক্তারের ফটোগ্রাফ যার মুখ এমন একটি শরীরে পেস্ট করা হয়েছে যার সাথে তাদের কখনো সংযুক্তি ছিল না তা মানহানির প্রশ্ন, এবং সম্ভবত অপরাধমূলক বিষয়ও বটে।
কেন ডিপফেক শনাক্ত করা কঠিন
একটি ডিটেক্টর ছবির পরিসংখ্যানগত টেক্সচার পড়ে এবং তা কোনো মডেল তৈরি করেছে কিনা তার মাত্রা রিপোর্ট করে। যখন পুরো ফ্রেমটি সিন্থেটিক হয়, তখন সেই সিগন্যাল সব জায়গায় থাকে এবং স্কোরটি স্পষ্ট হয়।
একটি ফেস সোয়াপ সমস্যাটিকে উল্টে দেয়। ছবির নব্বই শতাংশই একটি আসল ফটোগ্রাফ, যাতে আসল সেন্সর নয়েজ এবং আসল কম্প্রেশন হিস্ট্রি রয়েছে, এবং পুরো ফ্রেমের গড় সেটিই প্রতিফলিত করে। একটি বিশ্বাসযোগ্য সোয়াপ এমন একটি ছবিতে ত্রিশের ঘরে স্কোর দিতে পারে যা আসলে প্রতারণামূলক।
এটি মডেলের ব্যর্থতার চেয়ে প্রশ্নের ব্যর্থতার ফল। ছবিটি জেনারেট করা হয়েছে কিনা তা জিজ্ঞাসা করা ভুল, যখন এর সৎ উত্তর হলো ছবির বেশিরভাগ অংশই তা নয়, তবে এর একটি গুরুত্বপূর্ণ অংশ তা।
গড় করার প্রক্রিয়াটি ৩৩ স্কোর তৈরি করেছে যা ঠিক সেই একটি টাইলকে লুকিয়ে রাখে যা আসল বিষয়।
অঞ্চলভিত্তিক মানচিত্রটি (রিজিওন ম্যাপ) ওই প্রশ্নের সঠিক উত্তর। ওভারল্যাপিং বা chồng হওয়া টাইলসগুলোকে আলাদাভাবে স্কোরের মাধ্যমে পরিমাপ করা মানে হলো একটি নির্দিষ্ট পরিবর্তনকে এর নিজস্ব আশেপাশের এলাকার সাপেক্ষে পরিমাপ করা, এমন কোনো ফ্রেমের সাথে মিলিয়ে নয় যার সাথে এর কোনো মিল নেই।
শব্দভাণ্ডার, যেভাবে এগুলো এসেছে
| শব্দ | এর অর্থ কী | বিষয়টি কি আসল? |
|---|---|---|
| ডিপফেক | একজন আসল ব্যক্তির অবয়ব অন্য কোনো ফুটেজে বসানো হয়েছে | হ্যাঁ |
| ফেস সোয়াপ | স্থিরচিত্র বা ভিডিওতে ডিপফেকের সাধারণ রূপ | হ্যাঁ |
| AI-তৈরি | কোনো সোর্স ফটোগ্রাফ ছাড়াই প্রম্পট থেকে তৈরি | না |
| এআই-সম্পাদিত | একটি আসল ছবি যাতে কিছু যোগ বা বাদ দেওয়া হয়েছে | সাধারণত |
| সিন্থেটিক মিডিয়া | উপরের সবগুলোকে অন্তর্ভুক্ত করার ছাতা পরিভাষা (আমব্রেলা টার্ম) | নির্ভর করে |
| চিফফেক | ক্যাপশন, ক্রপ বা পুরনো তারিখের কারণে বিভ্রান্তিকর আসল মিডিয়া | হ্যাঁ |
শেষ সারিটি বিশেষভাবে লক্ষণীয়, কারণ এটি দৃশ্যমান ভুলের সবচেয়ে সাধারণ রূপ এবং কোনো ডিটেক্টরই এর সমাধান করে না। তিন বছর আগের অন্য কোনো দেশের একটি আসল, অপরিবর্তিত ছবিকে আজকের খবর হিসেবে ক্যাপশন দিলে, সেটি আসল ছবি হিসেবেই স্কোর দেখাবে।
ক্ষেত্র অনুযায়ী আসলে কী করা উচিত
- আপনার যদি সন্দেহ হয় পুরো ছবিটিই তৈরি করা। একটি হোল-ফ্রেম চেক বা পুরো ফ্রেমের চেক চালান। একটি ফ্ল্যাট ম্যাপ সহ উচ্চ স্কোর যতটা স্পষ্ট হওয়া সম্ভব, ততটাই স্পষ্ট ফলাফল দেয়।
- আপনার যদি সন্দেহ হয় যে কোনো ব্যক্তিকে যুক্ত করা হয়েছে বা মুখ বদল করা হয়েছে। প্রথমে রিজিওন ম্যাপ বা অঞ্চল মানচিত্রটি পড়ুন। নম্বরটি এর গুরুত্ব কমিয়ে দেখাবে।
- আপনার যদি সন্দেহ হয় কোনো নথিপত্র পরিবর্তিত হয়েছে। উপরের নিয়মের মতোই, এবং পরিবর্তিত ক্ষেত্রটির ওপরে ঠিক একটি হট টাইল আশা করুন।
- আপনার যদি সন্দেহ হয় ক্যাপশনটি মিথ্যা বলছে। একটি ডিটেক্টর সাহায্য করতে পারে না। রিভার্স ইমেজ সার্চ করুন, তারপর তারিখ এবং স্থান চেক করুন।
- এটি ভিডিও হলে। সম্পূর্ণ ভিন্ন টুল দরকার। ফ্রেম-বাই-ফ্রেম স্টিল বিশ্লেষণে সময়ের সাথে হওয়া পরিবর্তনগুলো ধরা পড়ে না যা রিয়েল-টাইম সোয়াপগুলো ধরা পড়তে দেয় না।
কেন এই পার্থক্য মানুষকে সুরক্ষা দেয়
প্রতিটি সিন্থেটিক ছবিকে সমানভাবে গুরুতর হিসেবে বিবেচনা করলে একসাথে দুটি ব্যর্থতা দেখা দেয়। এটি ক্ষতিকারক নয় এমন বিষয়গুলোতে মনোযোগ নষ্ট করে, যেমন কেউ একজন জেনারেটেড পোর্ট্রেট ব্যবহার করেছেন কারণ তিনি কোনো ফটোগ্রাফার ভাড়া করতে পারেননি, এবং এটি সেই ঘটনাকে কম গুরুত্ব দেয় যা আসলে কোনো ব্যক্তির ক্ষতি করে।
ক্ষতিটি পিক্সেল কৃত্রিম হওয়ার মধ্যে নেই। ক্ষতিটি হলো যখন একজন বাস্তব, নির্দিষ্ট ব্যক্তিকে এমন কিছু করতে দেখানো হয় যা তিনি করেননি। এটি এমন একটি বিষয় যা গুরুত্ব দেওয়ার মতো এবং এটি এমন একটি ক্ষেত্র যেখানে মাঝারি মানের স্কোর সারাংশ হিসেবে সবচেয়ে কম নির্ভরযোগ্য।
প্রযুক্তির পরিবর্তে পরিচয়ের চারপাশে একটি অভ্যন্তরীণ নীতি তৈরি করা এটিকে আরও দীর্ঘস্থায়ী করে। পদ্ধতিগুলো বদলাতে থাকবে; কোনো নির্দিষ্ট ব্যক্তিকে ভুলভাবে উপস্থাপন করা হচ্ছে কিনা সেই প্রশ্নটি বদলাবে না।
কীভাবে একটি ফেস সোয়াপ আসলে তৈরি হয়
তৈরি করার প্রক্রিয়াটি বুঝতে পারলে তা শনাক্তকরণ প্রক্রিয়া বুঝতে সাহায্য করে। একটি সোয়াপ শুরু হয় একটি লক্ষ্য ছবি এবং যে ব্যক্তির মুখ ব্যবহার করা হবে তার বেশ কয়েকটি ছবি দিয়ে। একটি মডেল লক্ষ্য ছবিতে ইতিমধ্যেই উপস্থিত আলো, কোণ এবং অভিব্যক্তির সাপেক্ষে সেই মুখটি রেন্ডার করতে শেখে।
রেন্ডার করা মুখটি তখন মূল ফ্রেমে কম্পোজিট বা যুক্ত করা হয়, এবং জোড়া লাগানোর জায়গাটিই হলো সবচেয়ে কঠিন অংশ। দুটি অর্ধাংশে আলাদা নয়েজ, আলাদা কম্প্রেশন ইতিহাস এবং প্রায়শই সামান্য আলাদা রঙের প্রতিক্রিয়া থাকে, তাই ব্লেন্ডিং বা মেশানোর ধাপটি চোখের জোড় ধরা বন্ধ না হওয়া পর্যন্ত সীমানাটিকে মসৃণ করে।
সেই মসৃণ করার প্রক্রিয়াটিই একটি অঞ্চল মানচিত্র বা রিজিওন ম্যাপ পড়ে। ব্লেন্ডিং বা মেশানোর ফলে উচ্চ-কম্পাঙ্কের টেক্সচার মুছে যায় যা একটি সেন্সর তৈরি করে, এবং ফলস্বরূপ প্যাচটি তার চারপাশের সবকিছুর থেকে পরিসংখ্যানগতভাবে আলাদা হয় এমনকি যখন জোড়াটি অদৃশ্য থাকে। জোড়াটি অদৃশ্য এবং একই সাথে পরিমাপযোগ্য।
এটি এও ব্যাখ্যা করে কেন একটি সোয়াপ খুব সহজেই হোল-ফ্রেম চেক বা পুরো ফ্রেমের চেক পাশ করে যায়। কারসাজি করা এলাকাটি ছোট, ইচ্ছাকৃতভাবে এর চারপাশের সাথে মিশ্রিত, এবং একটি প্রামাণিক ফটোগ্রাফ দ্বারা বেষ্টিত যা পুরো ফ্রেম জুড়ে নেওয়া যেকোনো গড়কে প্রভাবিত করে।
যে ভুলটি বারবার হয়
লোকেরা একটি সন্দেহভাজন ডিপফেককে ডিটেক্টরের মাধ্যমে চালায়, ত্রিশের ঘরে একটি স্কোর দেখে এবং সিদ্ধান্তে পৌঁছায় যে ছবি্বিটি আসল। এটি সঠিক নম্বর থেকে ভুল অনুমান: স্কোরটি সঠিক এবং এটি যে প্রশ্নের উত্তর দেয় তা কখনোই জিজ্ঞাসা করা হয়নি এমন কোনো প্রশ্ন ছিল না।
যে অভ্যাসটি এর সমাধান করে তা খুবই ছোট। যেকোনো ছবির ক্ষেত্রে যেখানে উদ্বেগ কোনো নির্দিষ্ট ব্যক্তিকে নিয়ে, শিরোনামের ফিগারটি পড়ার আগে রিজিওন ম্যাপটি খুলুন এবং কাজ করার মতো ফলাফল হিসেবে গড়ের পরিবর্তে সর্বোচ্চ টাইলটিকে বিবেচনা করুন।