O poder das mentiras digitais: a ameaça das deepfakes para a sociedade
()
Sobre este e-book
Relacionado a O poder das mentiras digitais
Ebooks relacionados
Cybercrimes Nota: 0 de 5 estrelas0 notasDivulgação não autorizada de imagens íntimas: e defesa dos direitos fundamentais da vítima Nota: 0 de 5 estrelas0 notasCrimes Cibernéticos Nota: 0 de 5 estrelas0 notasOperador do direito Nota: 5 de 5 estrelas5/5Monitoramento De Emails Na Relação De Emprego Nota: 0 de 5 estrelas0 notasEscritórios Online e Prática Jurídica Digital Nota: 0 de 5 estrelas0 notasDireito Digital E Proteção De Dados Nota: 0 de 5 estrelas0 notasInovação no ecossistema de justiça Nota: 0 de 5 estrelas0 notasSegurança Da Informação Para Iniciantes Nota: 0 de 5 estrelas0 notasDiálogos Sobre A Privacidade E A Proteção De Dados Pessoais No Brasil Nota: 0 de 5 estrelas0 notasCrimes Cibernéticos: ameaças e procedimentos de investigação Nota: 5 de 5 estrelas5/5O direito à própria imagem na era digital: a responsabilidade civil pelos danos causados nos meios virtuais Nota: 0 de 5 estrelas0 notasManual de direito na era digital - Constitucional e ambiental Nota: 0 de 5 estrelas0 notasO Direito à Segurança na Era Virtual: as implicações para o Direito Constitucional Nota: 0 de 5 estrelas0 notasDireito Administrativo e Administração Pública Digital Nota: 0 de 5 estrelas0 notasSequestros digitais: a eficácia da legislação brasileira em face da tutela dos direitos humanos no ciberespaço Nota: 0 de 5 estrelas0 notasE-book do VI Seminário Internacional Hispano-Luso-Brasileiro sobre Direitos Fundamentais e Políticas Públicas Nota: 0 de 5 estrelas0 notasVulnerabilidade e novas tecnologias Nota: 0 de 5 estrelas0 notasLei geral de proteção de dados: fronteiras do legítimo interesse Nota: 0 de 5 estrelas0 notasCrimes informáticos: estudos a partir da vítima Nota: 0 de 5 estrelas0 notasTutela Post Mortem de Perfis Autobiográficos em Redes Sociais Nota: 0 de 5 estrelas0 notasA responsabilidade penal dos adolescentes: um problema complexo e de múltiplas variáveis Nota: 0 de 5 estrelas0 notasDireito à Desindexação: uma análise à luz da efetivação dos direitos fundamentais de personalidade Nota: 0 de 5 estrelas0 notas
Ciências Sociais para você
Detectando Emoções: Descubra os poderes da linguagem corporal Nota: 4 de 5 estrelas4/5Segredos Sexuais Revelados Nota: 0 de 5 estrelas0 notasUm Olhar Junguiano Para o Tarô de Marselha Nota: 0 de 5 estrelas0 notasO livro de ouro da mitologia: Histórias de deuses e heróis Nota: 5 de 5 estrelas5/5Um Poder Chamado Persuasão: Estratégias, dicas e explicações Nota: 5 de 5 estrelas5/5Manual das Microexpressões: Há informações que o rosto não esconde Nota: 5 de 5 estrelas5/5Tudo sobre o amor: novas perspectivas Nota: 5 de 5 estrelas5/5O Manual do Bom Comunicador: Como obter excelência na arte de se comunicar Nota: 5 de 5 estrelas5/5A Bíblia Fora do Armário Nota: 3 de 5 estrelas3/5A perfumaria ancestral: Aromas naturais no universo feminino Nota: 5 de 5 estrelas5/5Verdades que não querem que você saiba Nota: 0 de 5 estrelas0 notasAs seis lições Nota: 0 de 5 estrelas0 notasA Prateleira do Amor: Sobre Mulheres, Homens e Relações Nota: 5 de 5 estrelas5/5O Ocultismo Prático e as Origens do Ritual na Igreja e na Maçonaria Nota: 5 de 5 estrelas5/5Apometria: Caminhos para Eficácia Simbólica, Espiritualidade e Saúde Nota: 5 de 5 estrelas5/5Psicologia Positiva Nota: 5 de 5 estrelas5/5Liderança e linguagem corporal: Técnicas para identificar e aperfeiçoar líderes Nota: 4 de 5 estrelas4/5Pele negra, máscaras brancas Nota: 5 de 5 estrelas5/5Seja homem: a masculinidade desmascarada Nota: 5 de 5 estrelas5/5Fenômenos psicossomáticos: o manejo da transferência Nota: 5 de 5 estrelas5/5A máfia dos mendigos: Como a caridade aumenta a miséria Nota: 2 de 5 estrelas2/5O corpo encantado das ruas Nota: 5 de 5 estrelas5/5A Criação do Patriarcado: História da Opressão das Mulheres pelos Homens Nota: 5 de 5 estrelas5/5Mulheres que escolhem demais Nota: 5 de 5 estrelas5/5O marxismo desmascarado: Da desilusão à destruição Nota: 3 de 5 estrelas3/5Quero Ser Empreendedor, E Agora? Nota: 5 de 5 estrelas5/5
Avaliações de O poder das mentiras digitais
0 avaliação0 avaliação
Pré-visualização do livro
O poder das mentiras digitais - Celestino Joanguete
CAPÍTULO 1 FUNDAMENTOS DE DEEPFAKE
O que é Deepfake
O termo deepfake
é uma fusão das palavras deep learning
(aprendizagem profunda) e fake
(falso), e se refere a uma técnica de inteligência artificial que possibilita a criação de vídeos falsos, porém convincentes, com base em imagens ou vídeos originais. Essa técnica, cada vez mais sofisticada, manipula imagens e vídeos com o auxílio da IA.
Embora a tecnologia por trás deste fenômeno seja relativamente recente, sua origem remonta a 2017, quando um usuário do Reddit, conhecido como deepfakes
, utilizou uma técnica de aprendizado de máquina chamada autoencoder
para criar vídeos pornográficos falsos com o rosto de celebridades.
O autoencoder é um tipo de rede neural artificial não supervisionada, empregada no aprendizado de representações de dados. Essa rede é composta por duas partes principais: o codificador (encoder) e o decodificador (decoder).
O codificador, primeira parte da rede neural, é responsável por converter os dados de entrada em uma representação compacta e comprimida, denominada código latente ou gargalo (bottleneck)¹. O codificador reduz a dimensionalidade do espaço de características dos dados de entrada, capturando os aspectos mais relevantes desses dados.
O decodificador, segunda parte da rede neural, é responsável por reconstruir os dados de entrada a partir do código latente. Utilizando o código latente como entrada, o decodificador recria os dados de entrada com a maior fidelidade possível.
O objetivo do autoencoder é minimizar a diferença entre os dados de entrada originais e os dados reconstruídos pelo decodificador. Para alcançar isso, os pesos da rede neural são ajustados durante o processo de treinamento, de modo a minimizar o erro de reconstrução.
O autoencoder é usado para várias tarefas de aprendizado de representação de dados, como compressão de dados, redução de ruido de dados, detecção de anomalias e geração de dados sintéticos. Ele é um importante componente em muitas aplicações de aprendizado de máquina e processamento de dados, incluindo processamento de imagem, reconhecimento de voz e processamento de linguagem natural.
Desde então, a tecnologia por trás dos DF evoluiu rapidamente, tornando-se cada vez mais difícil de detectar. Os DF são gerados por algoritmos de aprendizado de máquina que analisam muitas imagens de uma pessoa e, em seguida, criam uma imagem falsa com base nessas informações. Essa técnica é usada para criar vídeos e imagens que parecem ser reais, mas que são completamente falsos.
A disseminação de DF representa um desafio significativo para a sociedade, uma vez que é usada para disseminar desinformação e manipular a opinião pública. O potencial para os DF serem usados para prejudicar a reputação de pessoas e organizações é preocupante.
Além disso, a tecnologia dos DF avança rapidamente, o que torna cada vez mais difícil distinguir o que é real do que é falso. Isso é especialmente preocupante quando se considera o papel que os vídeos têm na disseminação de informações. Os vídeos são usados para influenciar opiniões e decisões políticas, bem como para prejudicar a reputação de indivíduos e organizações.
Diante desse cenário, especialistas em tecnologia e pesquisadores estão trabalhando para desenvolver técnicas de verificação de DF que possam detectar manipulações e distinguir o que é real do que é falso. Essas técnicas podem incluir análise de imagem e vídeo, análise de áudio e aprendizado de máquina para detectar padrões que indicam uma imagem ou vídeo falsificado.
Algumas empresas de tecnologia estão investindo em soluções para detectar e prevenir a disseminação de DF. Essas soluções incluem o uso de inteligência artificial para identificar vídeos e imagens falsas e a verificação manual de imagens e vídeos por especialistas em tecnologia.
A disseminação de DF é um exemplo preocupante de como a tecnologia é usada para manipular a opinião pública e prejudicar a reputação de pessoas e organizações. Embora a tecnologia por trás dos DF seja relativamente nova, ela evolui rapidamente, o que torna cada vez mais difícil distinguir o que é real do que é falso. Diante desse desafio, é essencial que a sociedade desenvolva soluções eficazes para detectar e prevenir a disseminação de DF.
Como é criado um DF
Uma DF é gerada através de um processo que utiliza IA para manipular imagens e vídeos. O procedimento inicia com a seleção de imagens ou vídeos de um indivíduo específico, geralmente uma celebridade ou figura pública.
Posteriormente, o algoritmo de aprendizado de máquina examina essas imagens ou vídeos e emprega as informações coletadas para criar uma imagem ou vídeo falsificado. O algoritmo é treinado para replicar os movimentos e expressões faciais do indivíduo em questão, assim como sua fala e entonação de voz.
Para produzir uma DF de alta qualidade, é necessário possuir um amplo conjunto de dados para treinar o algoritmo. Quanto maior a quantidade de imagens e vídeos do indivíduo-alvo, melhor será a qualidade do DF gerado.
Existem diversos tipos de algoritmos empregados na criação de uma DF, incluindo redes neurais convolucionais (CNN) e redes adversárias generativas. As CNN são um tipo de rede neural artificial frequentemente utilizadas em tarefas relacionadas ao processamento de imagens. Elas foram inspiradas na estrutura e função do córtex visual do cérebro humano.
A CNN é composta por camadas de neurônios convolucionais que processam os dados de entrada através de convoluções, operações matemáticas que filtram e ressaltam características específicas de uma imagem.
Em seguida, as camadas de agrupamento (pooling) são usadas para reduzir a dimensão do espaço de características e, finalmente, as camadas completamente conectadas são empregadas para classificar a imagem resultante. A CNN são altamente eficientes em tarefas de visão computacional, como reconhecimento de imagens, detecção de objetos, segmentação de imagens e outras aplicações relacionadas ao processamento de imagens.
Redes adversárias generativas (GANs, na sigla em inglês) são um tipo de rede neural artificial que utiliza duas redes distintas - uma geradora e outra discriminadora - para gerar imagens ou outros tipos de dados sintéticos que são indistinguíveis de dados reais.
A rede geradora recebe um vetor de entrada aleatório e produz uma imagem sintética que é alimentada para a rede discriminadora, que tenta distinguir entre as imagens sintéticas e as imagens reais. A rede geradora é treinada para produzir imagens cada vez mais realistas, à medida que a rede discriminadora aprende a identificar as imagens sintéticas e as imagens reais.
As GANs são amplamente utilizadas em várias aplicações de processamento de imagens, incluindo a criação de arte digital, geração de imagens médicas e reconstrução de imagens de baixa qualidade. Elas também são usadas para criar DF, uma vez que a rede geradora é treinada para criar imagens falsas realistas.
As GANs são uma importante inovação em