পরবর্তী আপপরবর্তী গাইড
এআই ইমেজ জেনারেশনে বীজ এবং প্রজননযোগ্যতা
ভিজ্যুয়াল এআই
ভিজ্যুয়াল এআই গাইড
এআই ইমেজ এবং অডিওর জন্য অদৃশ্য ওয়াটারমার্ক হল সরাসরি পিক্সেল মান বা শব্দ তরঙ্গে লুকানো সংকেত।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
লোকেরা সেগুলি দেখতে বা শুনতে পারে না, তবে একটি ম্যাচিং ডিটেক্টর সেগুলি খুঁজে পেতে পারে এবং সামগ্রীকে মেশিন দ্বারা তৈরি হিসাবে ফ্ল্যাগ করতে পারে৷ Google DeepMind-এর SynthID এবং Meta-এর অডিওসিলের মতো সিস্টেমগুলি গুরুত্বপূর্ণ কারণ চিহ্নটি একটি মেটাডেটা লেবেলের বিপরীতে বিষয়বস্তুর সাথে ভ্রমণ করে, এবং কম্প্রেশন এবং ক্রপিংয়ের মতো সাধারণ সম্পাদনাগুলিকে বাঁচানোর জন্য ডিজাইন করা হয়েছে৷
টেক্সট ওয়াটারমার্ক একটি ভাষা মডেল বাছাই করা শব্দগুলিকে ধাক্কা দিয়ে কাজ করে। ছবি এবং অডিও একটি ভিন্ন ক্যানভাস অফার করে: লক্ষ লক্ষ পিক্সেল মান, বা প্রতি সেকেন্ডে কয়েক হাজার অডিও নমুনা, যার বেশিরভাগই কেউ খেয়াল না করেই সামান্য পরিবর্তন করতে পারে। একটি অদৃশ্য ওয়াটারমার্ক সেই স্ল্যাক ব্যবহার করে। এটি একটি কাঠামোগত প্যাটার্ন যুক্ত করে যা লোকেরা যা উপলব্ধি করতে পারে তার অনেক নীচে বসে তবে এটি সন্ধান করার জন্য প্রশিক্ষিত একজন ডিটেক্টরের কাছে পরিসংখ্যানগতভাবে স্পষ্ট। Google DeepMind তার Imagen মডেল থেকে ছবির জন্য 2023 সালে SynthID প্রবর্তন করে এবং পরে এটি অডিও, ভিডিও এবং পাঠ্যে প্রসারিত করে। এটি দুটি নিউরাল নেটওয়ার্ক ব্যবহার করে: একটি চিহ্ন এম্বেড করে এবং অন্যটি এটি সনাক্ত করে। একটি নির্দিষ্ট প্যাটার্ন স্ট্যাম্প করার পরিবর্তে, এমবেডার শিখেছে যেখানে পরিবর্তনগুলি সবচেয়ে কম দৃশ্যমান এবং সবচেয়ে টেকসই হবে। Meta-এর অডিওসিল, 2024 সালে প্রকাশিত, একটি জেনারেটর এবং একটি ডিটেক্টরকে একসাথে প্রশিক্ষণ দেয় এবং অডিওর ছোট অংশে চিহ্নটিকে স্থানীয়করণ করতে পারে, যা একটি সিন্থেটিক ক্লিপকে একটি বাস্তব রেকর্ডিংয়ে বিভক্ত করা হলে সাহায্য করে৷ Meta এর আগের স্থিতিশীল স্বাক্ষরের কাজটি একটি ডিফিউশন মডেলের ইমেজ ডিকোডারকে সূক্ষ্ম-টিউন করেছে যাতে প্রতিটি আউটপুট একটি চিহ্ন বহন করে। একাডেমিক পদ্ধতি যেমন ট্রি-রিং মডেলের শুরুর শব্দে একটি প্যাটার্ন লুকিয়ে রাখে। সনাক্তকরণ সম্ভাব্য। একটি ডিটেক্টর একটি আত্মবিশ্বাসের স্কোর রিপোর্ট করে এবং এর ডিজাইনাররা মিস করা চিহ্নগুলির বিরুদ্ধে মিথ্যা অ্যালার্ম ব্যবসা করে। দৃঢ়তারও সীমা আছে। চিহ্নগুলি কম্প্রেশন, আকার পরিবর্তন এবং হালকা ফিল্টারিং থেকে বেঁচে থাকার জন্য তৈরি করা হয়, তবে নির্ধারিত আক্রমণগুলি তাদের দুর্বল বা অপসারণ করতে পারে। উদাহরণগুলির মধ্যে রয়েছে একটি ডিফিউশন মডেলের মাধ্যমে একটি চিত্র পুনরুত্পাদন করা, প্রতিকূল শব্দ যোগ করা, বা ভারী অডিও প্রভাব প্রয়োগ করা। দুটি ভুল ধারণা প্রচলিত। প্রথমত, কোন ওয়াটারমার্ক খুঁজে পাওয়া বিষয়বস্তু বাস্তব প্রমাণ করে না। এর মানে শুধুমাত্র সেই নির্দিষ্ট সিস্টেম থেকে কোন চিহ্ন পাওয়া যায়নি। দ্বিতীয়ত, অদৃশ্য ওয়াটারমার্কগুলি C2PA বিষয়বস্তু শংসাপত্রের মতো নয়৷ সেগুলি একটি ফাইলের সাথে সংযুক্ত মেটাডেটা স্বাক্ষরিত, এবং যখন একটি ফাইল পুনরায় সংরক্ষিত হয় বা সফ্টওয়্যার দ্বারা স্ক্রিনশট করা হয় যা সেগুলি সংরক্ষণ করে না তখন সেগুলি হারিয়ে যেতে পারে৷
একটি নিউজ ডেস্ক একটি ভাইরাল ফটো পরীক্ষা করে এটি একটি Google ইমেজ মডেল তৈরি করেছে কিনা তা দেখতে একটি SynthID-ভিত্তিক চেকারের মাধ্যমে চালায় এবং নেতিবাচক ফলাফলকে 'বাস্তব' না করে 'অজানা' হিসাবে বিবেচনা করে।
একটি পডকাস্ট প্ল্যাটফর্ম একটি অডিওসিল-স্টাইল ডিটেক্টর দিয়ে আপলোড করা ক্লিপগুলি স্ক্যান করে সিন্থেটিক স্পিচ ফ্ল্যাগ করতে। কারণ ডিটেক্টর চিহ্নটিকে স্থানীয়করণ করতে পারে, এটি নির্দেশ করে যে ফাইলের কোন সেকেন্ড তৈরি হয়েছে।
একটি ইমেজ-জেনারেশন পরিষেবা তৈরির সময় প্রতিটি আউটপুটে একটি ওয়াটারমার্ক এম্বেড করে, তাই পরবর্তীতে অপব্যবহারের প্রতিবেদনগুলি তার নিজস্ব মডেলের চিত্রগুলির বিরুদ্ধে পরীক্ষা করা যেতে পারে।
একজন গবেষক JPEG- ওয়াটারমার্ক করা ছবিগুলিকে সংকুচিত করে, পুনরায় আকার দেয়, ক্রপ করে এবং স্ক্রিনশট নেয়, তারপরে ডিটেক্টরটি এখনও কতবার ফায়ার করে, চিহ্নটি কোথায় ভেঙ্গে যায় তা ম্যাপ করতে পরিমাপ করে।
ওয়াটারমার্কিং একটি সম্পূর্ণ উত্তরের পরিবর্তে একাধিক স্তরের মধ্যে একটি স্তরে পরিণত হতে পারে। প্রদানকারীরা C2PA-এর মতো স্বাক্ষরিত প্রোভেনেন্স মেটাডেটার সাথে অদৃশ্য চিহ্ন যুক্ত করছে এবং বেশ কয়েকটি সরকার এমন নিয়মগুলি নিয়ে আলোচনা করছে বা গ্রহণ করছে যা এআই প্রদানকারীদের সিন্থেটিক মিডিয়া লেবেল করতে বলে, যদিও প্রয়োজনীয়তাগুলি এখতিয়ার অনুসারে আলাদা। খোলা সমস্যা থেকে যায়। একজন বিক্রেতার ডিটেক্টর অন্য বিক্রেতার চিহ্ন পড়তে পারে না, ওপেন-সোর্স মডেলগুলি কোনও জলছাপ ছাড়াই চালানো যেতে পারে এবং পুনর্জন্ম আক্রমণগুলি উন্নতি করতে থাকে। চিহ্নগুলিতে আরও গবেষণা আশা করুন যেগুলি শক্তিশালী সম্পাদনাগুলি থেকে বেঁচে থাকে, ভাগ করা সনাক্তকরণের মানগুলির দিকে কাজ করে এবং স্পষ্ট পাবলিক মেসেজিং যে অনুপস্থিত ওয়াটারমার্কটি সত্যতার প্রমাণ নয়৷
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
এআই ইমেজ এবং অডিওর জন্য অদৃশ্য ওয়াটারমার্ক হল সরাসরি পিক্সেল মান বা শব্দ তরঙ্গে লুকানো সংকেত। লোকেরা সেগুলি দেখতে বা শুনতে পারে না, তবে একটি ম্যাচিং ডিটেক্টর সেগুলি খুঁজে পেতে পারে এবং সামগ্রীকে মেশিন দ্বারা তৈরি হিসাবে ফ্ল্যাগ করতে পারে৷ Google DeepMind-এর SynthID এবং Meta-এর অডিওসিলের মতো সিস্টেমগুলি গুরুত্বপূর্ণ কারণ চিহ্নটি একটি মেটাডেটা লেবেলের বিপরীতে বিষয়বস্তুর সাথে ভ্রমণ করে, এবং কম্প্রেশন এবং ক্রপিংয়ের মতো সাধারণ সম্পাদনাগুলিকে বাঁচানোর জন্য ডিজাইন করা হয়েছে৷
টেক্সট ওয়াটারমার্কের পক্ষপাত যা টোকেন একটি মডেল বেছে নেয়। ইমেজ এবং অডিও ওয়াটারমার্ক পিক্সেল বা নমুনা মানগুলিকে বুঝতে খুব কম পরিমাণে পরিবর্তন করে।
অডিওসিল 2024 সালে Meta দ্বারা প্রকাশিত হয়েছিল৷ এটি একটি জেনারেটর এবং একটি ডিটেক্টরকে একসঙ্গে প্রশিক্ষণ দেয় এবং অডিওর ছোট অংশের মধ্যে চিহ্নটিকে স্থানীয়করণ করতে পারে৷
ডিটেক্টর শুধুমাত্র তাদের নিজস্ব সিস্টেমের চিহ্ন চিনতে পারে, এবং চিহ্নগুলি সরানো যেতে পারে। একটি নেতিবাচক ফলাফল মানে 'অজানা', 'প্রমাণিক' নয়।
পুনর্জন্ম একটি প্রসারিত মডেলের মাধ্যমে পিক্সেলগুলিকে পুনর্নির্মাণ করে, যা লুকানো প্যাটার্নটি ধুয়ে ফেলতে পারে। বিপক্ষ গোলমাল হল আরেকটি আক্রমণ যা গাইড উল্লেখ করেছে।
ট্রি-রিং প্রাথমিক শব্দে একটি প্যাটার্ন রাখে যেটি থেকে একটি প্রসারিত মডেল শুরু হয়, তাই চিহ্নটি প্রজন্মের প্রক্রিয়াতেই তৈরি হয়।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
এআই ইমেজ জেনারেশনে বীজ এবং প্রজননযোগ্যতা
ভিজ্যুয়াল এআই