कृत्रिम बुद्धिमत्ता (AI) हे तुमचे वैयक्तिक फोटो अनिच्छित चेहरा ओळख आणि फसवेगिरीपासून सुरक्षित ठेवण्यासाठी उपाय असू शकतात, सर्व इमेज क्वालिटी राखताना. 19 जुलैला arXiv प्री-प्रिंट डेटाबेस मध्ये प्रकाशित झालेल्या जॉर्जिया टेकच्या एका ताज्या अभ्यासामध्ये संशोधकांनी "कॅमेलियन" नावाचे एआय मॉडेल कसे विकसित केले हे स्पष्ट केले आहे. हे मॉडेल वैयक्तिक फोटोसाठी एक डिजिटल "एकच, वैयक्तिकृत गोपनीयता संरक्षण (P-3) मास्क" तयार करते, जे चेहरा स्कॅनिंग सॉफ्टवेअरला व्यक्तीच्या चेहऱ्याची ओळख पटविण्यापासून रोखते, ज्यामुळे असे दिसते की फोटो कोणातील तरी दुसऱ्याचे आहेत. "कॅमेलियनसारखी गोपनीयता सुरक्षित डेटा शेअरिंग आणि विश्लेषण शासकीय कार्य आणि जबाबदार एआय तंत्रज्ञानाचा स्वीकार प्रोत्साहन देईल, ज्यामुळे जबाबदार विज्ञान आणि नवसंकल्पनाना प्रोत्साहन मिळेल, " असे अभ्यासाचे प्रमुख लेखक लिंग लियू, जॉर्जिया टेकच्या स्कूल ऑफ कॉम्प्युटर सायन्समध्ये डेटा आणि बुद्धिमत्ता-चालित संगणनाक्रमाचे प्राध्यापक, यांनी सांगितले. लियू यांनी इतर संशोधकांसह कॅमेलियन मॉडेल विकसित केले. चेहर्यावरील ओळख प्रणाली सर्वदूर आहेत, पोलिस कॅमेऱ्यापासून आयफोनच्या फेस आयडीपर्यंत. अनधिकृत स्कॅनमुळे सायबर गुन्हेगारांसाठी फसवणूक, फसवणे किंवा हेराळी करण्यासाठी प्रतिमा गोळा करता येतात.

ते हे चित्रांमध्ये अनिच्छित जाहिराती आणि सायबर हल्ल्यांसाठी डेटाबेसमध्ये संकलित करू शकतात. मास्क तयार करणे प्रतिमा मास्किंग नवीन नाही, परंतु विद्यमान प्रणाली सामान्यतः फोटोची महत्त्वपूर्ण तपशीलांमध्येही अस्पष्टता निर्माण करतात किंवा त्यात डिजिटल आर्टिफॅक्ट्स जोडून चित्र गुणवत्ता कमी करतात. यास सामोरे जाण्यासाठी, संशोधकांनी कॅमेलियनच्या तीन प्रमुख वैशिष्ट्यांवर प्रकाश टाकला आहे. पहिले म्हणजे, क्रॉस-इमेज ऑप्टिमायझेशन जे प्रत्येक फोटोसाठी एकाएक P3-Mask ऐवजी एका वापरकर्त्यासाठी एक P3-Mask तयार करते. हे त्वरित संरक्षण देते आणि संगणन संसाधनांचा प्रभावी वापर करते, जेव्हा कॅमेलियन स्मार्टफोनसारख्या उपकरणांमध्ये वापरले जाते तेव्हा उपयुक्त आहे. दुसरे म्हणजे, कॅमेलियन "पर्सेप्टिबिलिटी ऑप्टिमायझेशन" वापरते, ज्यामुळे संरक्षित फोटोची दृश्य गुणवत्ता राखली जाते, मानवी इनपुट किंवा पॅरामीटर समायोजनांशिवाय. तिसरे वैशिष्ट्य अज्ञात चेहरे ओळख मॉडेल्सच्या विरोधात P3-Mask ला बळकट करते. यात मास्क तयार करण्याच्या प्रक्रियेत फोकल डायव्हर्सिटी-ऑप्टिमायझ केलेल्या एन्सेंबल लर्निंगच समावेश आहे, जी मशीन लर्निंग तंत्र आहे जे अनेक मॉडेल्सच्या अंदाजांना एकत्रीकरण करून अल्गोरिदमची अचूकता वाढवते. शेवटी, संशोधकांचा उद्देश कॅमेलियनच्या अस्पष्टता तंत्राला वैयक्तिक प्रतिमांच्या संरक्षणाच्या पलीकडे विस्तारित करणे आहे.