- บริษัทสัญชาติอังกฤษ Logically
- ประเมินความน่าเชื่อถือของรายงานข่าวโดยผสานเทคโนโลยีแมชชีนเลิร์นนิง การประมวลผลภาษาธรรมชาติ และสติปัญญาของมนุษย์
- ส่วนขยายเว็บเบราว์เซอร์ของ Logically จะพิจารณาบริบทของเนื้อหาร่วมกับบทความที่น่าเชื่อถือจากสำนักพิมพ์กว่า 100,000 แห่ง
- จากนั้นจึงประเมินแหล่งที่มาของข้อมูลและความน่าเชื่อถือของบทความ
- โดยอิงจากการประเมินของผู้เชี่ยวชาญจากพาร์ตเนอร์ด้านการวิจัยและการคาดการณ์ของ AI ระบบจะแจ้งให้ผู้ใช้ทราบว่าแหล่งข้อมูลใดเชื่อถือได้หรือไม่ควรเชื่อถือ
- AI ยังทำนายได้ด้วยว่าบทความมีความน่าเชื่อถือหรือไม่ โดยอิงจากเนื้อหาของบทความ ชื่อเสียงและความเชี่ยวชาญของผู้เขียน และวิธีที่บทความถูกเผยแพร่บนโซเชียลมีเดีย
- หากผู้ใช้ขอให้ตรวจสอบข้อเท็จจริง ทีมแฟกต์เช็กจะทำการตรวจสอบและแจ้งผลให้ทราบ
- บริษัทสัญชาติอังกฤษ Factmata
- ค้นหาข่าวปลอมด้วยการวิเคราะห์คอนเทนต์ออนไลน์ผ่านแมชชีนเลิร์นนิงและเทคโนโลยีการประมวลผลภาษาธรรมชาติ
- Factmata สร้างเอนจินที่ดึงข้อกล่าวอ้างสำคัญทั้งหมดที่ถูกสร้างขึ้นบนอินเทอร์เน็ตและรวบรวมไว้ในที่เดียว
- ยังออกแบบอัลกอริทึมที่ให้คะแนนและจัดหมวดหมู่คอนเทนต์ใน 12 มิติ
- 12 มิติดังกล่าว ได้แก่ ความเป็นประเด็นถกเถียง ความไม่เป็นกลาง วาจาสร้างความเกลียดชัง การเหยียดเชื้อชาติ การเลือกปฏิบัติทางเพศ ความเป็นพิษ ความลามก การคุกคามทางภาษา ความเป็นพรรคพวกเกินควร และลิงก์ล่อคลิก เป็นต้น
- สิ่งเหล่านี้คือคุณลักษณะทางภาษาของคอนเทนต์ที่อาจเข้าข่ายการโฆษณาชวนเชื่อ ข้อมูลเท็จ หรือข่าวปลอม
- Factmata ใช้เอนจินและอัลกอริทึมดังกล่าวเพื่อตรวจหาข่าวปลอมและวาจาสร้างความเกลียดชังเกี่ยวกับแบรนด์ สินค้า และประเด็นออนไลน์
- Bot Sentinel แพลตฟอร์มออนไลน์จากสหรัฐฯ
- ใช้แมชชีนเลิร์นนิงตรวจจับบัญชีที่คุกคามผู้อื่นหรือเผยแพร่ข้อมูลเท็จ
- ทีมงานฝึกโมเดลแมชชีนเลิร์นนิงให้จำแนกบัญชี Twitter โดยใช้บัญชีหลายพันบัญชีและทวีตหลายล้านรายการ
- ขั้นแรกจะค้นหาบัญชีที่ละเมิดกฎของ Twitter ซ้ำ ๆ
- จากนั้นฝึกโมเดลให้จำแนกบัญชีที่มีลักษณะคล้ายกับบัญชีที่ทีมงานยืนยันว่า “มีปัญหา”
- บัญชีจะถูกจัดประเภทเป็น ‘ปกติ(normal)’, ‘น่าพอใจ(satisfactory)’, ‘ก่อกวน(disruptive)’, ‘มีปัญหา(problematic)’ และให้คะแนน (%) กับแต่ละบัญชี
- ยิ่งคะแนนสูง ก็ยิ่งมีโอกาสที่บัญชีนั้นจะเป็นบัญชีที่มีปัญหา
- Meta (Facebook) บริษัทจากสหรัฐฯ
- พัฒนาระบบที่ใช้ AI ตรวจจับวิดีโอดีปเฟก
- ฝึกโมเดลด้วยวิดีโอในชุดข้อมูลที่จัดทำขึ้นสำหรับ ‘Deepfake Detection Challenge’
- ยังใช้การฝึกด้วยเครือข่ายปรปักษ์เชิงกำเนิดแบบหลายชุดด้วย
- Meta ใช้เทคนิคการสังเคราะห์ข้อมูลแบบใหม่เพื่ออัปเดตโมเดลแทบจะเรียลไทม์ ให้ระบบสามารถตรวจพบวิดีโอดีปเฟกแบบใหม่ที่ไม่เคยเห็นมาก่อน
- เมื่อตรวจพบวิดีโอดีปเฟกแบบใหม่ ก็จะสร้างกรณีดีปเฟกที่คล้ายกันขึ้นมาใหม่
- และนำสิ่งเหล่านี้ไปใช้เป็นข้อมูลการฝึกขนาดใหญ่สำหรับโมเดลตรวจจับวิดีโอดีปเฟก
ยังไม่มีความคิดเห็น