Paano Maaaring Gumawa ng AI at tiktikan ang Pekeng Balita



<div _ngcontent-c15 = "" innerhtml = "

Si Getty

Ang maling balita ay patuloy na lumalaki sa paligid natin, pangunahin bilang clickbait, at madalas na nagiging viral. Ito ay mga artikulo at kwento na nilikha lamang upang mailigaw at maling impormasyon sa mga tao sa paniniwala na mga salaysay na kung hindi man ay walang halaga. Ayon kay nai-publish na pananaliksik sa Science magazine, ang pagpapalaganap ng naturang media ay maaaring maiugnay sa katotohanan na ang mga tao ay mas malamang na maikalat ang mga kasinungalingan kaysa sa katotohanan.

Ang mga pangunahing mapagkukunan ng impormasyon na ginamit upang maging mga mamamahayag at tunay na media outlet na kailangang mapatunayan ang kanilang mga mapagkukunan at ang impormasyon na kanilang natanggap; nakalulungkot, hindi ito palaging nangyayari. Sa pamamagitan ng mga pagsulong na ginawa sa teknolohiya, ang tsismis at mga propaganda mills ay naibigay sa mga advanced na algorithm ng AI na idinisenyo upang lumikha ng mapaniwalang nilalaman – na karaniwang hindi totoo.

Ang pag-unlad ng teknolohiyang ito ay isang mahusay na pagtalon mula sa Siri, pagkilala sa pagkilala sa character o mga filter ng spam, ngunit ang pagtuturo sa AI na makilala ang napakaraming data at manipulahin ito ay isang mapanganib na panukala.

Ito ay humahantong sa tanong: Paano malalaman ang pekeng balita?

Ang mabuting balita ay ang mga algorithm na idinisenyo upang makilala sa pagitan ng nilalaman ng nabuong tao at AI ay binuo. Sa kabilang banda, ang mga algorithm na ito ay may kakayahan ding lumikha ng pekeng balita sa kanilang sarili.

Pagtuklas ng Mali

Habang ang artipisyal na katalinuhan ay tila medyo bagong teknolohiya, makakatulong ito sa amin na maayos ang nilalaman sa loob ng ilang sandali.

Ang teknolohiya sa likod ng mga filter ng spam-Machine algorithm algorithm sa pag-aaral – ay unang binuo sa 1700s. Ngayon, ginagamit namin ito para sa isang bilang ng mga gawain, tulad ng pag-uuri ng aming mga email upang matukoy kung aling mga sulatin ang kapaki-pakinabang at na kung saan ay hindi hinihinging pamamahagi ng masa.

Ito rin ang humantong sa pag-unlad ng teknolohiyang neural network, na kumikilos bilang isang discriminator na maaaring makakita ng mga pagkakaiba sa mga artikulo upang matukoy ang pagiging tunay.

Ang ilan ay gumagamit ng paghahambing na pagsusuri sa pagitan ng mga magkakatulad na post upang suriin kung ang impormasyon at mga katotohanan na nilalaman ay totoo at tumutugma sa maaasahang mga mapagkukunan. Ang iba ay naghahanap ng pagkakaiba sa pagitan ng pamagat at nilalaman – sa gayon kinikilala ang mga artikulo ng clickbait.

Ang isang mas bagong algorithm pa rin ay Grover, na nangangako ng 92% na kahusayan sa pag-alok ng di-makataong nilalaman.

Bakit Hindi Namin Naabot ang 100% Katumpakan

Ang pinakamalaking disbentaha ng mga sistemang ito ay ipinapalagay nila na ang mga pekeng teksto ay palaging mayroong mga marker na hindi totoo.

Gaano karaming beses na nag-sneak ang spam email sa iyong inbox? Habang ang mga numero ay maaaring hindi mataas, walang pagtanggi na nangyayari ito sa mga oras-pangunahin dahil sa ang katunayan na ang mga tagalikha ng nilalaman ng spam ay patuloy na umuusbong. Patuloy nilang naiisip ang mga nag-trigger na makakatulong sa pag-flag ng nilalaman at matutong maiwasan ang mga ito.

Ang parehong ay totoo sa maling balita: Tulad ng teknolohiya upang mahuli at maalis ito ay makakakuha ng mas mahusay, kaya gawin ang mga algorithm na lumikha nito.

Nilikha ito ng isang walang katapusang pabalik-balik sa pagitan ng mga nagtatrabaho upang hadlangan ang pagkalat ng maling balita at ang mga lumilikha ng nakaliligaw na nilalaman.

Paano Natutukoy ang Neural Network Algorithms Upang Mag-iba

Dahil ang pangunahing layunin ng paglikha ng naturang algorithm ay upang makilala ang pagitan ng tunay at pekeng impormasyon, kailangan munang turuan ng mga developer ang system kung ano ito.

Karamihan sa mga AI, kabilang ang Grover, ay binuo sa pamamagitan ng pagpapakain sa kanila ng mga umiiral na artikulo mula sa iba't ibang mga database ng pekeng balita. Ang mga ito ay napakalaking virtual na aklatan ng data na naglalaman ng tunay na impormasyon at mga mapagkukunan upang matulungan ang AI na malaman ang mga pattern ng pagsulat ng tao.

Ang ilan sa mga datasets na ito ay kasama ang:

• RealNews: Ang dataset na ito ay ginamit upang sanayin ang Grover at may higit sa 5,000 mga tunay na publikasyong nangangailangan ng 120 GB ng espasyo.

• Kaggle: Tumatak sa hanggang sa 57 MB ang puwang ng disk at naglalaman ng 13,000 hilera at 20 haligi ng data.

• George McIntire: Pinangalanan pagkatapos ng analyst ng data visualization, ang hanay ng mga pekeng data ng balita ay nangangailangan ng 31 MB ng puwang sa disk.

Kapag natapos na ang prosesong ito, maaaring bumuo ang AI ng mga kumplikadong modelo na magagawang matukoy kung paano ginagamit ang ilang mga salita at kung paano magkasama ang magkakaibang mga konsepto.

Fake News Creation Ni AI

Ang isang mahalagang pamamaraan upang lumikha ng mga modelong ito para sa mga diskriminasyong programa ay tinukoy bilang ang "adversarial" system. Adversarial machine pag-aaral ay ang proseso ng paglikha ng mga nakakahamak o maling impormasyon na maaaring mawala ang mga nakaraang programa ng pagtuklas.

Ang Grover at iba pang mga sistema ng AI ay nagpapabuti sa kanilang kahusayan sa pamamagitan ng pagbuo ng mga artikulo at pagkatapos ay gumagamit ng kanilang sariling mga programa ng pagtuklas upang suriin ang pagiging maaasahan ng mga artikulo. Kung ang nilikha na nilalaman ay hindi nakakumbinsi, ang mga tagalikha ay patuloy na nagreresulta ng teksto at natututo kung ano ang tunay at kung ano ang hindi.

Ang kakayahang "gumawa" ng mga pekeng artikulo ay kung ano ang gumagana bilang isang dobleng talim.

Ang isa pang pagsulong ay ang paglikha ng "mga deepfakes," na kung saan ay doktor o artipisyal na nabuong mga video at larawan na maaaring mabawasan ang katawan at mukha ng isang tao sa isa pa upang gawin itong parang isinasagawa nila ang isang tiyak na pagkilos.

Ang mga deepfakes ay maaaring magkaroon ng matinding kahihinatnan sa maling paggamit. Mula sa propaganda upang mag-udyok ng poot at karahasan, sa pag-abuso sa mga pampublikong figure na may pekeng mga talumpati at mga video na doktor, ang mga deepfakes ay maaaring magamit upang lumikha ng pagkalito at maaaring magresulta sa isang matinding pagkawala ng tiwala sa publiko at isang masamang reputasyon.

Ang isang pangunahing halimbawa ng naturang maling paggamit ay ang pagpapakawala ng a video ng doktor ng Facebook CEO na si Mark Zuckerberg & nbsp; sa oras ng pagdinig sa kongreso.

Kahit na mahirap matukoy kung ang naturang media ay tunay, ang teknolohiya upang labanan ang form na ito ng pagmamanipula ng AI ay nasa mga gawa pa rin.

Maaari bang Magkasira ang Loop?

Ibinahagi ang pekeng balita nang hindi nai-vetted at napatunayan, at ang gayong paglaganap ay ang lumilikha ng pangangailangan ng higit pa. Sa katunayan, isang Pew Research Center & nbsp;survey natagpuan na 10% ng mga respondents ang umamin na magbahagi ng isang balita sa online na alam nila na pekeng, habang 49% ang nagbahagi ng balita na kalaunan ay natagpuan nilang hindi totoo.

Ang magagawa natin ngayon ay lumikha ng kamalayan upang labanan ang pagpapalaganap ng pekeng balita. Sa madaling salita, dapat nating ihinto ang pagbabahagi ng nasabing media upang maalis ang pagiging maaasahan nito.

Ang pagtuklas ng pekeng balita ay isang kumplikadong proseso na nagsisimula sa kamalayan at edukasyon. Dapat mong i-verify ang pinagmulan. Ang impormasyong kalidad ay karaniwang nasuri ng katotohanan o nasuri ng mga kaibigan. Dapat kang umasa sa mga pananaw na nagmula sa mga kagalang-galang na mga channel o galing sa mga mapagkakatiwalaang kumpanya ng pananaliksik.

Ngayon, mas maraming mga tao kaysa kailanman umasa sa internet bilang kanilang pangunahing mapagkukunan ng impormasyon. Gayunpaman, sa daluyan na ito ay madaling marumihan ng isang maling uri ng maling impormasyon, ang lahat ng natutunan natin mula sa mga online na mapagkukunan ay dapat na maingat na tatanungin at masuri.

Forbes Komunikasyon ng Konseho ay isang paanyaya-komunidad lamang para sa mga ehekutibo sa matagumpay na relasyon sa publiko, diskarte sa media, malikhaing at ahensya ng advertising.
Kwalipikado ba ako?

">

Ang maling balita ay patuloy na lumalaki sa paligid natin, lalo na bilang pag-clickbait, at madalas na nagiging viral. Ito ay mga artikulo at kwento na nilikha lamang upang mailigaw at maling impormasyon sa mga tao sa paniniwala na mga salaysay na kung hindi man ay walang halaga. Ayon sa pananaliksik na nai-publish sa Science magazine, ang pagpapalaganap ng naturang media ay maaaring maiugnay sa katotohanan na ang mga tao ay mas malamang na maikalat ang mga kasinungalingan kaysa sa katotohanan.

Ang mga pangunahing mapagkukunan ng impormasyon na ginamit upang maging mga mamamahayag at tunay na media outlet na kailangang mapatunayan ang kanilang mga mapagkukunan at ang impormasyon na kanilang natanggap; nakalulungkot, hindi ito palaging nangyayari. Sa pamamagitan ng mga pagsulong na ginawa sa teknolohiya, ang tsismis at mga propaganda mills ay naibigay sa mga advanced na algorithm ng AI na idinisenyo upang lumikha ng mapaniwalang nilalaman – na karaniwang hindi totoo.

Ang pag-unlad ng teknolohiyang ito ay isang mahusay na pagtalon mula sa Siri, pagkilala sa pagkilala sa character o mga filter ng spam, ngunit ang pagtuturo sa AI na makilala ang napakaraming data at manipulahin ito ay isang mapanganib na panukala.

Ito ay humahantong sa tanong: Paano malalaman ang pekeng balita?

Ang mabuting balita ay ang mga algorithm na idinisenyo upang makilala sa pagitan ng nilalaman ng nabuong tao at AI ay binuo. Sa kabilang banda, ang mga algorithm na ito ay may kakayahan ding lumikha ng pekeng balita sa kanilang sarili.

Pagtuklas ng Mali

Habang ang artipisyal na katalinuhan ay tila medyo bagong teknolohiya, makakatulong ito sa amin na maayos ang nilalaman sa loob ng ilang sandali.

Ang teknolohiya sa likod ng mga filter ng spam – algorithm ng pag-aaral ng machine – ay una nang binuo noong 1700s. Ngayon, ginagamit namin ito para sa isang bilang ng mga gawain, tulad ng pag-uuri ng aming mga email upang matukoy kung aling mga sulatin ang kapaki-pakinabang at na kung saan ay hindi hinihinging pamamahagi ng masa.

Ito rin ang humantong sa pag-unlad ng teknolohiyang neural network, na kumikilos bilang isang discriminator na maaaring makakita ng mga pagkakaiba sa mga artikulo upang matukoy ang pagiging tunay.

Ang ilan ay gumagamit ng paghahambing na pagsusuri sa pagitan ng mga magkakatulad na post upang suriin kung ang impormasyon at mga katotohanan na nilalaman ay totoo at tumutugma sa maaasahang mga mapagkukunan. Ang iba ay naghahanap ng pagkakaiba sa pagitan ng pamagat at nilalaman – sa gayon kinikilala ang mga artikulo ng clickbait.

Ang isang mas bagong algorithm pa rin ay Grover, na nangangako ng 92% na kahusayan sa pagtuklas ng di-makataong nilalaman.

Bakit Hindi Namin Naabot ang 100% Katumpakan

Ang pinakamalaking disbentaha ng mga sistemang ito ay ipinapalagay nila na ang mga pekeng teksto ay palaging mayroong mga marker na hindi totoo.

Gaano karaming beses na nag-sneak ang spam email sa iyong inbox? Habang ang mga numero ay maaaring hindi mataas, walang pagtanggi na nangyayari ito sa mga oras-pangunahin dahil sa ang katunayan na ang mga tagalikha ng nilalaman ng spam ay patuloy na umuusbong. Patuloy nilang naiisip ang mga nag-trigger na makakatulong sa pag-flag ng nilalaman at matutong maiwasan ang mga ito.

Ang parehong ay totoo sa maling balita: Tulad ng teknolohiya upang mahuli at maalis ito ay makakakuha ng mas mahusay, kaya gawin ang mga algorithm na lumikha nito.

Nilikha ito ng isang walang katapusang pabalik-balik sa pagitan ng mga nagtatrabaho upang hadlangan ang pagkalat ng maling balita at ang mga lumilikha ng nakaliligaw na nilalaman.

Paano Natutukoy ang Neural Network Algorithms Upang Mag-iba

Dahil ang pangunahing layunin ng paglikha ng naturang algorithm ay upang makilala ang pagitan ng tunay at pekeng impormasyon, kailangan munang turuan ng mga developer ang system kung ano ito.

Karamihan sa mga AI, kabilang ang Grover, ay binuo sa pamamagitan ng pagpapakain sa kanila ng mga umiiral na artikulo mula sa iba't ibang mga database ng pekeng balita. Ang mga ito ay napakalaking virtual na aklatan ng data na naglalaman ng tunay na impormasyon at mga mapagkukunan upang matulungan ang AI na malaman ang mga pattern ng pagsulat ng tao.

Ang ilan sa mga datasets na ito ay kasama ang:

• RealNews: Ang dataset na ito ay ginamit upang sanayin ang Grover at may higit sa 5,000 mga tunay na publikasyong nangangailangan ng 120 GB ng espasyo.

• Kaggle: Tumatak sa hanggang sa 57 MB ang puwang ng disk at naglalaman ng 13,000 hilera at 20 haligi ng data.

• George McIntire: Pinangalanan pagkatapos ng analyst ng data visualization, ang hanay ng mga pekeng data ng balita ay nangangailangan ng 31 MB ng puwang sa disk.

Kapag natapos na ang prosesong ito, maaaring bumuo ang AI ng mga kumplikadong modelo na magagawang matukoy kung paano ginagamit ang ilang mga salita at kung paano magkasama ang magkakaibang mga konsepto.

Fake News Creation Ni AI

Ang isang mahalagang pamamaraan upang lumikha ng mga modelong ito para sa mga diskriminasyong programa ay tinukoy bilang ang "adversarial" system. Ang pag-aaral ng makina ng Adversarial ay ang proseso ng paglikha ng nakakahamak o maling impormasyon na maaaring madulas ang mga nakaraang programa ng pagtuklas.

Ang Grover at iba pang mga sistema ng AI ay nagpapabuti sa kanilang kahusayan sa pamamagitan ng pagbuo ng mga artikulo at pagkatapos ay gumagamit ng kanilang sariling mga programa ng pagtuklas upang suriin ang pagiging maaasahan ng mga artikulo. Kung ang nilikha na nilalaman ay hindi nakakumbinsi, ang mga tagalikha ay patuloy na nagreresulta ng teksto at natututo kung ano ang tunay at kung ano ang hindi.

Ang kakayahang "gumawa" ng mga pekeng artikulo ay kung ano ang gumagana bilang isang dobleng talim.

Ang isa pang pagsulong ay ang paglikha ng "mga deepfakes," na kung saan ay doktor o artipisyal na nabuong mga video at larawan na maaaring mabawasan ang katawan at mukha ng isang tao sa isa pa upang gawin itong parang isinasagawa nila ang isang tiyak na pagkilos.

Ang mga deepfakes ay maaaring magkaroon ng matinding kahihinatnan sa maling paggamit. Mula sa propaganda upang mag-udyok ng poot at karahasan, sa pag-abuso sa mga pampublikong figure na may pekeng mga talumpati at mga video na doktor, ang mga deepfakes ay maaaring magamit upang lumikha ng pagkalito at maaaring magresulta sa isang matinding pagkawala ng tiwala sa publiko at isang masamang reputasyon.

Ang isang pangunahing halimbawa ng naturang maling paggamit ay ang pagpapakawala ng isang doktor ng video ng Facebook CEO na si Mark Zuckerberg sa oras ng pagdinig sa kanyang kongreso.

Kahit na mahirap matukoy kung ang naturang media ay tunay, ang teknolohiya upang labanan ang form na ito ng pagmamanipula ng AI ay nasa mga gawa pa rin.

Maaari bang Magkasira ang Loop?

Ibinahagi ang pekeng balita nang hindi nai-vetted at napatunayan, at ang gayong paglaganap ay ang lumilikha ng pangangailangan ng higit pa. Sa katunayan, natagpuan ng isang survey ng Pew Research Center na 10% ng mga respondents ang umamin na nagbahagi ng isang balita sa online na alam nila na pekeng, habang 49% ay nagbahagi ng balita na kalaunan ay nahanap nila na hindi totoo.

Ang magagawa natin ngayon ay lumikha ng kamalayan upang labanan ang pagpapalaganap ng pekeng balita. Sa madaling salita, dapat nating ihinto ang pagbabahagi ng nasabing media upang maalis ang pagiging maaasahan nito.

Ang pagtuklas ng pekeng balita ay isang kumplikadong proseso na nagsisimula sa kamalayan at edukasyon. Dapat mong i-verify ang pinagmulan. Ang impormasyong kalidad ay karaniwang nasuri ng katotohanan o nasuri ng mga kaibigan Dapat kang umasa sa mga pananaw na nagmula sa mga kagalang-galang na mga channel o galing sa mga mapagkakatiwalaang kumpanya ng pananaliksik.

Ngayon, mas maraming mga tao kaysa kailanman umasa sa internet bilang kanilang pangunahing mapagkukunan ng impormasyon. Gayunpaman, sa daluyan na ito ay madaling marumihan ng isang maling uri ng maling impormasyon, ang lahat ng natutunan natin mula sa mga online na mapagkukunan ay dapat na maingat na tatanungin at masuri.