Christian Rathgeb – Ruben Tolosana – Ruben Vera-Rodriguez – Christoph Busch (szerk.) Handbook of Digital Face Manipulation and Detection. From DeepFakes to Morphing Attacks.
Springer, 2022.

A multitasking korát éljük. Nagyon kevés olyan dolog van, amit nem tudunk egy másik cselekvéssel párhuzamosan végezni, ez pedig megalapozza figyelmünk széttöredezését. Egyre nehezebben koncentrálunk kizárólag egy ingerre, és az a koncentráció sem tart sokáig. Ez a folyamat a kommunikációt sem kerüli el: egyszerűbb üzeneteket kell megkapóbb módon küldenünk, ha azt akarjuk, hogy a másik fél rászánja a kognitív erőfeszítést a befogadásra. A hangsúly fokozatosan tolódik el a vizualitás felé a verbalitás ellenében, agyunk ugyanis a képeket gyorsabban dolgozza fel a(z írott) szöveghez képest. A problémát az jelenti, hogy hiába vagyunk tisztában azzal, hogy a közösségi média platformok elterjedésével korlátlan lehetőségünk lett a képek-videók manipulálására is, az információk igazságértékét ezzel együtt is arcokhoz kapcsoljuk. A mélytanuláson alapuló kép- és videómanipuláció – a deepfake – pedig pontosan ezt használja ki.

A Christian Rathgeb, Ruben Tolosana, Ruben Vera-Rodriguez és Christoph Busch sze-kesztette kötet, a Handbook of Digital Face Manipulation and Detection – From DeepFakes to Morphing Attacks az imént taglalt okokból kifolyólag arra vállalkozik, hogy a laikus médiafogyasztóknak útmutatást adjon a vizuális manipulációs módszerekben, amelyekkel mindannyian szembesülhetünk mindennapi internethasználatunk közben, és amelyek bővebb ismerete máris könnyebbé teheti a megtévesztés ellen való védekezést. Az olvasó betekintést kaphat azokba a technológiai folyamatokba, amelyek a deepfake videók előállítása mögött húzódnak meg, felzárkózhat a tudományterülethez tartozó kulcsszavakból (mint amilyen a GAN, az arcfúzió vagy a szintetikus személy) és megismerheti a legkorszerűbb módszereket a hamisítás detektálására.

Olyan tudományterületek konvergálódnak ebben a kézikönyvben, mint a biometria, a kiberbiztonság, a multimédia kriminalisztika, a gépi látás és a szociológia. A mű nem titkolt célja, hogy hiánypótló módon összegyűjtse az egyes témák szakértőinek munkáját, a lehető legtöbb irányból megközelítve a mélyhamisítás jelenségét annak érdekében, hogy átfogó gondolati struktúrákkal gazdagítsa a befogadók világképét.

A Springer kiadó gondozásában közreadott olvasmány tulajdonképpen egy tanulmánykötet, amely négy nagy szakaszra bontható: az első fókuszában – egyfajta bevezető jelleggel – magának a kép- és videómanipulációs eljárásoknak a bemutatása áll, és ezek tágabb értelemben vett hatásai (például az arcfelismerő-rendszerek működésének hatékonyságára, sebezhetőségére); a második középpontjában manipulált arcokat tartalmazó kontent gyakorlati létrehozása, generálása; a harmadikban pedig a jelenlegi kiszűrési lehetőségeik. Végül, a negyedik részben jut elsődleges szerephez a társadalomra gyakorolt hatás és az etikai aspektus. A kötet a megismert módszerek összegzésével, a limitációkkal és a jövőbeli kutatások kiindulási pontjául szolgáló kérdésfelvetésekkel zárul.

Semmit a szemnek – a legnépszerűbb arcmanipulációs eljárások

A deepfake 2017 óta van jelen életünkben. Alapjául a mélytanulás folyamata szolgál, amely lehetővé teszi a felhasználók számára, hogy egy képen vagy videón szereplő személy arcát egy másik személy arcára cseréljék, digitális úton manipulálják. A szerzők kiemelik: a terület fokozatos gyarapodása elvezetett odáig, hogy napjainkra már szinte gyerekjáték nemlétező arcokat létrehozni, vagy a már meglévőket manipulálni, akár álló-, akár mozgóképeket tekintve. Ennek fő oka a mélytanuló algoritmusok fejlődése mellett az, hogy a szükséges (vizuális) adatok könnyen hozzáférhetők, bárki által összegyűjthetők az interneten. Létrejöttek kifejezetten erre specializálódó, nyilvános telefonos applikációk (mint amilyen a FaceApp), ezeket pedig előzetes tudás nélkül is egyszerű használni, akár már egy szelfivel is élethű végeredmény generálható. Az arccsere számos almódszert foglal magába, a kötet első szekciójában ezek közül mutatnak be a szerzők hatot, amelyek az utóbbi években a legnagyobb hatást gyakorolták a befogadókra: 1. teljesen mesterséges arc létrehozása (entire face synthesis), 2. személyazonosságcsere (identity swap), 3. arcfúzió (face morphing), 4. testi jellegzetesség manipulációja (attribute manipulation), 5. arckifejezés cseréje (például arcrekonstrukció, expression swap), 6. hang és / vagy szöveg alapján történő videóalkotás (audio- and text-to-video).

A növekvő számú, módosított arcokat ábrázoló audiovizuális tartalom a biometrikus rendszerek működésére is nagy terhet ró, hiszen ezek elsőszámú célja, hogy biológiai és viselkedésbeli minták (pl. ujjlenyomat, arc vagy az írisz) alapján ismerje fel az individuumokat. A hasonló elven működő programok döntéshozatali folyamataiba való betekintés mellett a szerzők ezek hatékonyságát is tesztelik tanulmányukban, aminek eredményeként kijelenthető, hogy sajnos nem tekinthetők biztonságosnak az arccserélős és a több arcot egyesítő technikákkal szemben, és a tanulmányok eredményeinek felhasználásával fejlesztéseket sürgetnek. Az első részben emellett a multimédia kriminalisztika deepfake előtti működési módjaiba is betekintést engednek.

A gép forog – a digitális arcmanipuláció folyamata és detektálása

A könyv második és harmadik szekciója a gyakorlatban mutatja meg azokat az eljárásokat, amelyeket a korábbi fejezetekben megismerhettünk. A fejezetek emellett számos olyan adatbázist tárnak az olvasó elé, amelyek kifejezetten deepfake technológiával megalkotott, mesterséges arcokat tartalmaznak. Ezek közül is kiemelik azokat, amelyek a Google-höz és a Facebookhoz kapcsolódnak, valamint több esetben maguk a tanulmányok szerzői biztosítanak újabb gyűjteményeket a műveletek elvégzésére. Rámutatnak ezek hibáira, így hívva fel a figyelmet egy kevésbé taglalt, ám annál lényegesebb pontra: a szűrőprogramok egy része szintén a mélytanuláson alapuló adatelemzést használja, viszont ha a tanuló adatbázis hibás vagy kevésbé jóminőségű felvételekből áll, akkor az algoritmus is rosszul szabályszerűsíti a számára betáplált műveleteket. Másként fogalmazva, a gyenge minőségű felvételekkel edzett program úgy viselkedik majd, mint egy biztonsági őr, akinek nem elég éles a látása: nem fogja tudni megkülönböztetni a hamisítványt a valóditól. A felismerő algoritmusok közül három főbb kategóriát emelnek ki: a fizikai/pszichológiai tulajdonságokon alapulókat – ezek leplezik le többek között a pislogás furcsaságait vagy az összefüggéstelen fejmozgást; az arc jellegzetességein alapulókat; és az adaton alapulókat, amelyek kifejezetten valós és hamisított videókon sajátítják el az árulkodó jeleket.

A második és harmadik rész érezhetően perspektívát vált az olvasóbarát, laikusoknak szóló első részhez képest, ugyanis számos, nehezen lefordítható idegen kifejezést, mozaikszót tartalmaz. Itt érezhető a legjobban annak a hátránya, hogy nem egy saját ívvel rendelkező művel van dolga az olvasónak, hanem csupán azonos téma szerint összeválogatott tanulmányok gyűjteményével: túlságosan egy sémára épülnek a fejezetek alapjául szolgáló cikkek: bemutatnak egy módszert, amelyet tesztelnek különböző adathalmazokon, és rövid következtetést vonnak le az eredményességet illetően. A megértést továbbá nehezítik azok a képletek, amelyekkel a folyamatokat leírják, mintegy matematikai módon, illetve az eredmények szemléltetésére használt grafikonok és diagramok is. Utóbbiak különösen komplikáltan értelmezhetők anélkül a technológiai háttértudás nélkül, amelyek a mélytanulás és a gépi adatelemzés területeihez kapcsolódnak. Ezzel valószínűleg a könyv szerkesztői is tisztában vannak, az alkotás előszavában ugyanis úgy jellemzik az említett részeket, mint amik mélyebb elmerülést kínálnak a haladó olvasók számára.

Szociológiai és etikai kihívások, kitekintés

A kötet negyedik része bizonyos értelemben folytatja a második és harmadik részben megkezdett gondolatmenetet, hiszen foglalkozik még a különböző biometrikus rendszereket megtévesztő és a külső megjelenést módosító eljárások detektálásával, azonban szélesebb perspektívába helyezi az audiovizuális manipulációt. A hangsúly immár azokra a társadalmi változá-sokra kerül, amelyek elhozzák a „poszt-digitális világot” („post-digital world”), azaz a kort, melyben a digitális megoldások szorosan összefonódnak mindennapi életünkkel, attól elválaszthatatlanok lesznek. A szerzők „negyedik forradalomként” írják le többek között a mesterséges intelligencia felemelkedését, a virtuális valóság létrejöttét, a dolgok internetét („Internet of Things” – IoT) vagy a big data elemzési folyamatait – ezek a szegmensei világunknak néhány évtizeddel ezelőtt csupán sci-fi filmek részleteinek tűntek, ma pedig kézzelfogható valóságként vannak jelen. A technológia fejlődésével pedig a kihívások is új szintre emelkednek: a személyazonosságunk távoli azonosításának lehetősége a koronavírus-járvány következtében kialakult online ügyintézés folyamatában kulcsfontosságúvá vált, ezzel együtt azonban veszélyessé is, hiszen a biometrikus adatok meghamisítása ugyanúgy lehetőséggé lépett elő. Egy gép ellopná személyazonosságunkat? Néhány éve legyintettünk volna a felvetésre, ma azonban valósággá vált.

Az utolsó nagy fejezetül szolgáló cikkben ezzel összefüggésben a szerzők kifejtik, milyen limitációi és nehézségei vannak az egyes felismerési rendszerek pontosságára irányuló törekvéseknek, illetve, mik azok a megpróbáltatások, amelyeket maguk után vonnak. Az algoritmikus megoldások mellett az emberi felismerés is természetesen egy módja lehet a manipulált tartalmak elleni védekezésnek, azonban annak jelenlegi hatékonysága még a gépi szintet sem éri el: a fejezetben idézett kutatásból kiderül, hogy a nem jártas megfigyelők csupán 50%-ban ismerik fel a manipulált tartalmakat (tehát szinte egy érme feldobásával egyenlő statisztikai eséllyel), ez az arány az edzett megfigyelőknél is csak 60%. Ráadásul a szintetikus, tehát teljesen számítógép alkotta arcokat élethűbbnek gondolták a résztvevők (68%-os arányban, ezzel szemben a valódi arcokat csak 52%-ban). Nem elhanyagolható azonban az az aspektus, hogy míg számos kihívás és nehézség vár az emberiségre a deepfake és a hozzá hasonló technológia tükrében, több területen kifejezetten áldás lehet az arccserélős technológiák alkalmazása. Ilyen példának okáért a filmkészítés (pl. animációs munkálatok költséghatékonyabbá tétele), az e-kereskedelem (pl. virtuális próbafülke funkcióval), az e-learning (pl. történelmi alakok életre keltésével hozni közelebb a különböző témákat a diákokhoz) és az ee-gészégügy is (pl. virtuális személyek használata terápiás célokra).

A több nagy részből álló, rengeteg szerző munkáját összesítő kézikönyv útmutatást ad olvasójának a területhez, amelyről túlzás nélkül kijelenthető, hogy nagy mértékben lesz felelős jövőnk formálásáért. A digitális médiamanipulációs módszerekben és detektálási lehetőségeikben való elmerülés azonban nem egy könnyed csobbanás: az első és az utolsó fejezeteket leszámítva sokszor bonyolultan és egyirányúan, technológiai perspektívából mutatja be a témaköröket, amelyek így nem teljesen a laikus, hanem a bizonyos mértékben edzett befogadóknak kínálnak szélesebbkörű ismeretanyagot. A hiánypótló jelző azonban helytálló: a jelen kötet létrejöttéhez szükséges összefogás és közös munka lesz szükséges ahhoz is, hogy időtálló válaszokat tudjunk adni azokra a kérdésekre, amelyek a fejezetek olvasása közben merülnek fel.