ດີບເຟກ (Deepfake)

Deepfake ແມ່ນເຕັກໂນໂລຊີທີ່ໃຊ້ການຮຽນຮູ້ແບບເລິກເຊິ່ງ (Deep Learning) ເພື່ອປອມແປງ ຫຼື ສັງເຄາະໃບໜ້າ, ສຽງ, ແລະ ວິດີໂອຂອງບຸກຄົນໃຫ້ມີຄວາມແທ້ຈິງ, ເຊິ່ງຖືກເບິ່ງວ່າເປັນໄພຂົ່ມຂູ່ທາງດ້ານຄວາມປອດໄພທາງໄຊເບີ ເຊັ່ນ: ການຫຼອກລວງແບບຟິດຊິງ (Phishing) ແລະ ການໂຈມຕີແບບສວມຮອຍ (Impersonation Attack).

ກົນໄກທາງເຕັກນິກ

ຫົວໃຈສຳຄັນຂອງ Deepfake ແມ່ນສະຖາປັດຕະຍະກຳການຮຽນຮູ້ແບບເລິກເຊິ່ງ ເຊັ່ນ: GAN (Generative Adversarial Networks) ແລະ Autoencoder. GAN ໃຊ້ສອງແບບຈຳລອງຄື "Generator" ແລະ "Discriminator" ມາແຂ່ງຂັນກັນ ເພື່ອສ້າງວິດີໂອປອມທີ່ແນບນຽນຈົນບໍ່ສາມາດແຍກອອກຈາກຂອງແທ້ໄດ້. ບໍ່ພຽງແຕ່ການປ່ຽນໃບໜ້າ (Face Swap) ເທົ່ານັ້ນ, ແຕ່ຍັງສາມາດສັງເຄາະສຽງໃຫ້ກົງກັບການເຄື່ອນໄຫວຂອງປາກ, ຄວບຄຸມການສະແດງອອກທາງສີໜ້າ ແລະ ສາຍຕາໄດ້ອີກດ້ວຍ. ໃນຊຸມປີມໍ່ໆມານີ້, ດ້ວຍການພັດທະນາຢ່າງວ່ອງໄວຂອງ Generative AI, ເຮັດໃຫ້ຜູ້ໃຊ້ທົ່ວໄປສາມາດສ້າງເນື້ອຫາທີ່ມີຄຸນນະພາບສູງໄດ້ໃນຕົ້ນທຶນທີ່ຕໍ່າ.

ໃນດ້ານສຽງ, ເຕັກນິກທີ່ເອີ້ນວ່າ "Voice Cloning" ໄດ້ຮັບຄວາມນິຍົມ ເຊິ່ງສາມາດສ້າງສຽງຂອງບຸກຄົນໃດໜຶ່ງຄືນມາໄດ້ຈາກຕົວຢ່າງສຽງພຽງບໍ່ເທົ່າໃດວິນາທີ. ການປະສົມປະສານລະຫວ່າງວິດີໂອ ແລະ ສຽງ ເຮັດໃຫ້ສາມາດສ້າງວິດີໂອທີ່ເບິ່ງຄືວ່າຜູ້ບໍລິຫານ ຫຼື ນັກການເມືອງຕົວຈິງກຳລັງເວົ້າໃນສິ່ງທີ່ພວກເຂົາບໍ່ເຄີຍເວົ້າ, ເຊິ່ງມີລາຍງານຄວາມເສຍຫາຍຈາກການສໍ້ໂກງເກີດຂຶ້ນແລ້ວ.

ຜົນກະທົບຕໍ່ຄວາມປອດໄພທາງໄຊເບີ

ເຫດຜົນທີ່ Deepfake ຖືກເບິ່ງວ່າເປັນອັນຕະລາຍໂດຍສະເພາະ ແມ່ນຍ້ອນມັນ ທຳລາຍຮູບແບບການຢືນຢັນຕົວຕົນ ແລະ ຄວາມເຊື່ອໝັ້ນແບບເດີມຢ່າງຮາກຖານ.

• ການສໍ້ໂກງທາງອີເມວທຸລະກິດ (BEC) ທີ່ຊັບຊ້ອນຂຶ້ນ: ມີການພົບເຫັນກໍລະນີການໂທວິດີໂອທີ່ປອມແປງໃບໜ້າ ແລະ ສຽງຂອງຜູ້ບໍລິຫານ ເພື່ອສັ່ງໃຫ້ພະນັກງານໂອນເງິນຢ່າງຜິດກົດໝາຍ.
• ການໂຈມຕີແບບສວມຮອຍ: ຖືກນຳໃຊ້ເພື່ອເຈາະລະບົບການຢືນຢັນຕົວຕົນທີ່ໃຊ້ການສະແກນໃບໜ້າ.
• ການເພີ່ມຄວາມແນບນຽນຂອງການຫຼອກລວງ (Phishing): ໃຊ້ຂໍ້ຄວາມວິດີໂອທີ່ເບິ່ງຄືວ່າເປັນບຸກຄົນທີ່ໜ້າເຊື່ອຖື ເພື່ອຊັກຈູງໃຫ້ດາວໂຫຼດ Malware ຫຼື ປ້ອນຂໍ້ມູນຢືນຢັນຕົວຕົນ.
• ການບິດເບືອນຄວາມຄິດເຫັນຂອງປະຊາຊົນ ແລະ ການແຜ່ກະຈາຍຂໍ້ມູນປອມ: ການນຳໃຊ້ໃນບໍລິບົດທາງການເມືອງສາມາດທຳລາຍຄວາມເຊື່ອໝັ້ນຂອງສັງຄົມໄດ້.

ດັ່ງທີ່ແນວຄິດ Zero Trust Network Access (ZTNA) ໄດ້ລະບຸໄວ້, ຫຼັກການທີ່ວ່າ "ຢ່າເຊື່ອໃນສິ່ງທີ່ເຫັນ" ແມ່ນມີຄວາມສຳຄັນຫຼາຍຂຶ້ນ. ໃນມຸມມອງຂອງ AI Governance, Deepfake ຖືກຈັດໃຫ້ເປັນເປົ້າໝາຍຂອງພັນທະດ້ານຄວາມໂປ່ງໃສໃນ EU AI Act, ເຊິ່ງກຳນົດໃຫ້ມີການເປີດເຜີຍ ແລະ ຕິດປ້າຍກຳກັບເນື້ອຫາທີ່ເປັນ Deepfake ເພື່ອຕອບສະໜອງຕໍ່ກົດລະບຽບ.

ສະຖານະການຂອງເຕັກໂນໂລຊີກວດຈັບ ແລະ ມາດຕະການປ້ອງກັນ

ການຄົ້ນຄວ້າກ່ຽວກັບ Forensic Detection Models ເພື່ອຕ້ານ Deepfake ກຳລັງມີຄວາມຄືບໜ້າ. ວິທີການຫຼັກໆແມ່ນການໃຊ້ Machine Learning ເພື່ອກວດຈັບລັກສະນະລະອຽດອ່ອນ ເຊັ່ນ: ຮູບແບບການກະພິບຕາ, ຜິວໜັງ, ຫຼື ຄວາມບໍ່ເປັນທຳມະຊາດຂອງການສະທ້ອນແສງ. ຢ່າງໃດກໍຕາມ, ເຕັກໂນໂລຊີການສ້າງ ແລະ ການກວດຈັບກຳລັງຢູ່ໃນສະພາບ "ແມວໄລ່ຈັບໜູ", ເຊິ່ງມີຄວາມສ່ຽງທີ່ຝ່າຍສ້າງຈະພັດທະນາໄດ້ລ້ຳໜ້າຝ່າຍກວດຈັບຢູ່ສະເໝີ.

ມາດຕະການປ້ອງກັນໃນລະດັບອົງກອນທີ່ມີປະສິດທິຜົນປະກອບມີ:

• ຂະບວນການຢືນຢັນຕົວຕົນຫຼາຍຊັ້ນ ເຊັ່ນ: ການໂທກັບເພື່ອຢືນຢັນການຕັດສິນໃຈທີ່ສຳຄັນ (ການໂອນເງິນ, ການເປີດເຜີຍຂໍ້ມູນ).
• ການທົດສອບສະຖານະການໂຈມຕີແບບສວມຮອຍລ່ວງໜ້າໂດຍໃຊ້ AI Red Teaming.
• ການສ້າງວັດທະນະທຳທີ່ຕັ້ງຄຳຖາມຜ່ານການສຶກສາ AI Literacy ໃຫ້ແກ່ພະນັກງານ.
• ການໃສ່ລາຍນ້ຳດິຈິຕອນ (Digital Watermark) ຫຼື ຂໍ້ມູນຕົ້ນກຳເນີດ (Provenance) ໃຫ້ກັບເນື້ອຫາວິດີໂອ ແລະ ສຽງ.

ການນຳເອົາແນວຄິດ HITL (Human-in-the-Loop) ມາປະຍຸກໃຊ້ໃນຂະບວນການຂອງອົງກອນ ເພື່ອໃຫ້ມະນຸດເຂົ້າມາມີສ່ວນຮ່ວມໃນການຕັດສິນໃຈຕໍ່ເນື້ອຫາທີ່ AI ສ້າງຂຶ້ນ ກໍເປັນວິທີການທີ່ແທ້ຈິງໃນການຫຼຸດຜ່ອນຄວາມເສຍຫາຍ.

ທິດທາງໃນອະນາຄົດ

ດ້ວຍຄຸນນະພາບທີ່ເພີ່ມຂຶ້ນຂອງ Video Generation AI, ໄພຂົ່ມຂູ່ຈາກ Deepfake ຄາດວ່າຈະຂະຫຍາຍຕົວຫຼາຍຂຶ້ນ. ໃນຂະນະດຽວກັນ, ການສ້າງມາດຕະຖານສາກົນສຳລັບການຢືນຢັນເນື້ອຫາ (ເຊັ່ນ: C2PA) ແລະ ການເພີ່ມຄວາມເຂັ້ມງວດໃນເງື່ອນໄຂການໃຊ້ງານຂອງຜູ້ໃຫ້ບໍລິການ Generative AI ກໍກຳລັງດຳເນີນໄປ ເຊິ່ງນຳພາພວກເຮົາເຂົ້າສູ່ຍຸກທີ່ຕ້ອງມີມາດຕະການປ້ອງກັນໃນສາມລະດັບຄື: ເຕັກໂນໂລຊີ, ກົດລະບຽບ, ແລະ ຄວາມຮູ້ເທົ່າທັນ.