AI ইমেজ ডিটেকশন প্রকৃতপক্ষে যেভাবে কাজ করে

মডেলটি আসলে কী লক্ষ্য করে

একটি ক্যামেরা লেন্সের মাধ্যমে আলো সেন্সরে রেকর্ড করে। এই প্রক্রিয়াটি একটি নির্দিষ্ট ধরনের নয়েজ, প্রান্তের দিকে শার্পনেস কমে যাওয়ার একটি নির্দিষ্ট প্যাটার্ন এবং সেন্সর গ্রিড ও পরবর্তী ডিমোজাইকিং থেকে আসা সংলগ্ন পিক্সেলগুলোর মধ্যে একটি নির্দিষ্ট সম্পর্ক রেখে যায়।

একটি diffusion মডেল একটি এলোমেলো ক্ষেত্র থেকে বারবার নয়েজ সরিয়ে একটি সমন্বিত রূপ না পাওয়া পর্যন্ত ছবি তৈরি করে। সেই প্রক্রিয়াটিও একটি চিহ্ন রেখে যায়, যা ক্যামেরার চেয়ে সম্পূর্ণ ভিন্ন। ফলাফলটি দৃশ্যত নিখুঁত এবং একই সাথে পরিসংখ্যানগতভাবে পৃথক হতে পারে।

এই কারণেই মেটাডেটা না থাকলেও স্ক্রিনশট থেকে ডিটেকশন কাজ করতে পারে। এই চিহ্নটি কোনো হেডারে নয় বরং পিক্সেল মানের মধ্যেই থাকে, তাই পিক্সেল কপি করার সাথে সাথে প্রমাণও কপি হয়ে যায়।

চারটি ধাপ

প্রথম ধাপ: ডিকোডিং

পেজের মাধ্যমে ডিস্ক থেকে ফাইলটি রিড করা হয় এবং র পিক্সেলে ডিকোড করা হয়। HEIC, AVIF, TIFF এবং অন্যান্য ফরম্যাট ব্রাউজারের নিজস্ব ডিকোডারের মাধ্যমে প্রক্রিয়াজাত হয়। কোনো কিছুই ইন্টারনেটে পাঠানো হয় না, যা সার্ভারের নীতিমালার চেয়ে কাজটির সম্পাদনের স্থানের ওপর নির্ভর করে।

দ্বিতীয় ধাপ: সম্পূর্ণ ফ্রেমের স্কোর

ছবিটিকে 384 পিক্সেল স্কয়ারে রিসাইজ করে একটি vision transformer-এর মধ্য দিয়ে নেওয়া হয়। মডেলটি ফ্রেমটি সিন্থেটিক হওয়ার একটি প্রাথমিক সম্ভাবনা প্রদান করে। সেই সংখ্যাটি পরবর্তীতে ক্যালিব্রেট করা হয় যাতে এটি মডেলের তারতম্য ছাড়াই প্রকাশিত ব্যান্ডের সাথে সামঞ্জস্যপূর্ণ থাকে।

রিসাইজ করার ফলে সূক্ষ্ম ডিটেইল হারিয়ে যায়, যা নির্ভুলতার ক্ষেত্রে প্রথম ঘাটতি। এটি এড়িয়ে যাওয়াও সম্ভব নয়: মডেলের একটি নির্দিষ্ট ইনপুট সাইজ রয়েছে এবং 4000-পিক্সেলের একটি ছবিকে এতে মানানসই করার জন্য ছোট করতেই হয়।

তৃতীয় ধাপ: টাইলিং পাস

ফ্রেমটিকে কয়েকটি ওভারল্যাপিং অঞ্চলে বিভক্ত করা হয় এবং একই মডেল দ্বারা প্রতিটির আলাদা স্কোর নির্ধারণ করা হয়। এটিই সম্পূর্ণভাবে জেনারেট করা ছবি এবং কোনো কিছু যোগ করা বাস্তব ছবির মধ্যে পার্থক্য তৈরি করে, এবং এটি এমন একটি ধাপ যা একক কোনো সংখ্যা দিয়ে প্রতিস্থাপন করা যায় না।

টাইলসগুলো অর্থবহ হওয়ার জন্য পর্যাপ্ত পিক্সেলের প্রয়োজন হয়, এই কারণে ছোট বাহুতে প্রায় 576 পিক্সেলের নিচের ছবিগুলো কেবল সম্পূর্ণ ফ্রেমের স্কোর পায়। একটি ছোট ক্রপে স্বাধীনভাবে স্কোর দেওয়ার মতো পর্যাপ্ত ডিটেইল থাকে না।

চতুর্থ ধাপ: ফাইলের নিজস্ব রেকর্ড

পিক্সেল ছাড়াও, ফাইলের Content Credentials এবং কিছু টুলের রেখে যাওয়া জেনারেটর মার্কার পরীক্ষা করা হয়। এই পথটি পরিসংখ্যানগত না হয়ে ক্রিপ্টোগ্রাফিক: একটি বৈধ স্বাক্ষর একটি ট্রাস্ট লিস্টের সাথে মেলানো হয়, অনুমান করা হয় না।

যেভাবে ফলাফল একত্রিত করা হয়

দুটি পথকে গড় করা হয় না, কারণ এগুলোর গুরুত্ব ভিন্ন। ক্যামেরা ক্যাপচার নির্দেশকারী একটি বৈধ ক্রেডেনশিয়াল একটি মাঝারি পিক্সেল স্কোরের চেয়ে বেশি প্রভাবশালী। AI জেনারেশন নির্দেশকারী একটি ক্রেডেনশিয়াল বিষয়টি একাই নিশ্চিত করে দেয়।

সর্বশেষ সারিটি মানুষ সবচেয়ে বেশি ভুল বোঝে। কোনো ক্রেডেনশিয়াল না থাকা একটি নেতিবাচক সংকেত নয়। তৈরি হওয়া ছবির সিংহভাগেই এটি থাকে না এবং প্রায় প্রতিটি প্ল্যাটফর্ম আপলোডের সময় এটি মুছে ফেলে।

কেন এটি ব্রাউজারে চলে

মডেলটি প্রায় 40 MB এবং এটি ভিজিটরের নিজস্ব ডিভাইসে WebAssembly-এর মাধ্যমে চলে। এটি একটি সুচিন্তিত আর্কিটেকচারাল সিদ্ধান্ত যার তিনটি গুরুত্বপূর্ণ ফলাফল রয়েছে।

• কোনো কিছুই আপলোড করা হয় না, তাই কারো ছবি সংরক্ষণ করার মতো কোনো সার্ভার নেই এবং ডেটা প্রসেসিং সংক্রান্ত কোনো নথিপত্রের প্রয়োজন নেই।
• একটি পরীক্ষার জন্য কোনো সার্ভার খরচ নেই, যে কারণে টুলটি ব্যবহারের কোনো সীমাবদ্ধতা ছাড়াই বিনামূল্যে দেওয়া সম্ভব হয়েছে।
• প্রথম পরীক্ষাটি ধীরগতির হয়, কারণ চলার আগে মডেলটি একবার ডাউনলোড হয়। পরবর্তী পরীক্ষাগুলো ক্যাশ করা কপি ব্যবহার করে।

পাইপলাইনটি ইচ্ছাকৃতভাবে যা করে না

পুরোনো ফরেনসিক টুলের বেশ কিছু প্রযুক্তি এখানে অনুপস্থিত, কারণ আধুনিক প্ল্যাটফর্মের মধ্য দিয়ে যাওয়া ছবিগুলোতে সেগুলো আর কাজ করে না।

• Error level analysis। জনপ্রিয়, ব্যাপকভাবে ভুল ব্যাখ্যা করা হয় এবং একাধিকবার সেভ করা যেকোনো ছবিতে অকার্যকর।
• Copy-move detection। ফ্রেমের ভেতরের ডুপ্লিকেট অংশ শনাক্ত করে, যা পুরোনো ধাঁচের ক্লোনিং ধরতে পারে, AI জেনারেশন নয়।
• মেটাডেটা-ভিত্তিক রায়। আপলোডের সময় প্রায় সব জায়গাতেই EXIF মুছে ফেলা হয়, তাই এর ওপর নির্ভরশীল পরীক্ষা ঠিক সেই ছবিগুলোতেই ব্যর্থ হয় যা যাচাই করা প্রয়োজন।
• মুখমণ্ডল-ভিত্তিক বিশ্লেষণ। নির্দিষ্ট একটি সংকীর্ণ ধরনের পরিবর্তনের জন্য কার্যকর, এবং বাকি সব ক্ষেত্রে অন্ধ।