કૃત્રિમ બુદ્ધિનો વોટરમાર્ક, સિન્થઆઈડી શું છે?

જનરેટિવ AI ના ઉદભવથી છબીઓ, ટેક્સ્ટ્સ, ઑડિઓઝ અને વિડિઓઝના ઉત્પાદનમાં અગાઉ ક્યારેય ન જોયેલા સ્તરે વધારો થયો છે, અને તેની સાથે, તેમના મૂળ વિશે શંકાઓ વધી છે; આ સંદર્ભમાં, મોડેલ દ્વારા સામગ્રી બનાવવામાં આવી છે કે તેમાં ફેરફાર કરવામાં આવ્યો છે તે ઓળખો. ડિજિટલ વિશ્વાસની ચાવી બની જાય છે. સિન્થઆઈડી એક મહાન ઉકેલ હોઈ શકે છે.

આ ગુગલ ડીપમાઇન્ડનો પ્રસ્તાવ છે, એક "અદ્રશ્ય" વોટરમાર્કિંગ તકનીકોનો પરિવાર જે માનવીઓ દ્વારા અનુભવાતી ગુણવત્તાને ઘટાડ્યા વિના અનુગામી ચકાસણીને સરળ બનાવવા માટે સીધા AI-જનરેટેડ સામગ્રીમાં એમ્બેડ કરવામાં આવે છે.

SynthID શું છે અને તેનો હેતુ શું છે?

ગૂગલ સિન્થઆઈડી ને એક સાધન તરીકે વર્ણવે છે AI-જનરેટેડ કન્ટેન્ટ માટે ચોક્કસ વોટરમાર્ક, પારદર્શિતા અને ટ્રેસેબિલિટીને પ્રોત્સાહન આપવા માટે રચાયેલ છે. તે ફક્ત એક ફોર્મેટ પૂરતું મર્યાદિત નથી: તેમાં છબીઓ, ઑડિઓ, ટેક્સ્ટ અને વિડિઓનો સમાવેશ થાય છે, જેથી વિવિધ પ્રકારના મીડિયા પર એક જ તકનીકી અભિગમ લાગુ કરી શકાય.

ગૂગલ ઇકોસિસ્ટમમાં તેનો ઉપયોગ પહેલાથી જ ઘણી રીતે થાય છે:

• ટેક્સ્ટમાં, ધ્વજ મિથુન રાશિના પ્રતિભાવોને લાગુ પડે છે.
• ઑડિઓમાં, નો ઉપયોગ લિરિયા મોડેલ સાથે અને નોટબુક LM માં ટેક્સ્ટમાંથી પોડકાસ્ટ બનાવવા જેવી સુવિધાઓ સાથે થાય છે.
• En વિડિઓ, વીઓ ક્રિએશન્સમાં સંકલિત છે, જે 1080p માં ક્લિપ્સ જનરેટ કરવામાં સક્ષમ મોડેલ છે.

તમામ કિસ્સાઓમાં વોટરમાર્ક તે અગોચર છે, અને તેને ડિઝાઇન કરવામાં આવ્યું છે જેથી વારંવાર થતા ફેરફારોનો સામનો કરવો જેમ કે કમ્પ્રેશન, ઓડિયો અથવા વિડિયો કટમાં લયમાં ફેરફાર, ગુણવત્તા ઘટાડ્યા વિના.

ટેકનોલોજી ઉપરાંત, તેનો વ્યવહારુ ઉદ્દેશ સ્પષ્ટ છે: કૃત્રિમ સામગ્રીને AI વગર ઉત્પાદિત સામગ્રીથી અલગ પાડવામાં મદદ કરે છે, જેથી વપરાશકર્તાઓ, મીડિયા અને સંસ્થાઓ સામગ્રીના વપરાશ અને વિતરણ વિશે જાણકાર નિર્ણયો લઈ શકે.

ટેક્સ્ટ વોટરમાર્ક (SynthID ટેક્સ્ટ) કેવી રીતે કાર્ય કરે છે

વ્યવહારમાં, SynthID ટેક્સ્ટ એક તરીકે કાર્ય કરે છે લોગિટ પ્રોસેસર જે સામાન્ય સેમ્પલિંગ ફિલ્ટર્સ (ટોપ-કે અને ટોપ-પી) પછી ભાષા મોડેલ જનરેશન પાઇપલાઇનમાં જોડાય છે. આ પ્રોસેસર મોડેલ સ્કોર્સને સૂક્ષ્મ રીતે સુધારે છે સ્યુડોરેન્ડમ ફંક્શન g, ટેક્સ્ટની શૈલી અથવા ગુણવત્તામાં દૃશ્યમાન કલાકૃતિઓનો પરિચય કરાવ્યા વિના સંભાવનાઓના પેટર્નમાં માહિતીને એન્કોડ કરવી.

પરિણામ એક એવું લખાણ છે જે, પ્રથમ નજરમાં, જાળવી રાખે છે ગુણવત્તા, ચોકસાઈ અને પ્રવાહીતા, પરંતુ જેમાં એક આંકડાકીય માળખું શામેલ છે જે પ્રશિક્ષિત વેરિફાયર સાથે શોધી શકાય છે.

વોટરમાર્ક સાથે ટેક્સ્ટ જનરેટ કરવું જરૂરી નથી. મોડેલને ફરીથી તાલીમ આપો: ફક્ત પદ્ધતિને રૂપરેખાંકન પ્રદાન કરો .generate() અને SynthID ટેક્સ્ટના લોગિટ પ્રોસેસરને સક્રિય કરો. આ અપનાવવાનું સરળ બનાવે છે અને પહેલાથી જ ઉપયોગમાં લેવાતા મોડેલો સાથે પરીક્ષણની મંજૂરી આપે છે.

વોટરમાર્ક સેટિંગ્સમાં બે આવશ્યક પરિમાણો શામેલ છે: keys y ngram_len. ચાવીઓ g ફંક્શનનો ઉપયોગ કરીને શબ્દભંડોળને સ્કોર કરવા માટે ઉપયોગમાં લેવાતા અનન્ય, રેન્ડમ પૂર્ણાંકોની સૂચિ છે; તે સૂચિની લંબાઈ વોટરમાર્કિંગના કેટલા "સ્તરો" લાગુ કરવામાં આવે છે તે નિયંત્રિત કરે છે. દરમિયાન, ngram_len શોધક્ષમતા અને મજબૂતાઈ વચ્ચે સંતુલન રૂપાંતરણમાં સેટ કરે છે: ઉચ્ચ મૂલ્યો શોધને સરળ બનાવે છે પરંતુ સીલને ફેરફારો માટે વધુ સંવેદનશીલ બનાવે છે; 5 નું મૂલ્ય પ્રારંભિક બિંદુ તરીકે સારી રીતે કાર્ય કરે છે.

વધુમાં, SynthID ટેક્સ્ટનો ઉપયોગ કરે છે નમૂના કોષ્ટક બે ગુણધર્મો સાથે: sampling_table_size y sampling_table_seed. નમૂના લેતી વખતે ફંક્શન g સ્થિર અને નિષ્પક્ષ રીતે વર્તે છે તેની ખાતરી કરવા માટે ઓછામાં ઓછા 2^16 નું કદ રાખવાની ભલામણ કરવામાં આવે છે, ધ્યાનમાં લેતા કે મોટા કદનો અર્થ વધુ મેમરી છે અનુમાન દરમિયાન. બીજ કોઈપણ પૂર્ણાંક હોઈ શકે છે, જે મૂલ્યાંકન વાતાવરણમાં પ્રજનનક્ષમતાને સરળ બનાવે છે.

સિગ્નલ સુધારવા માટે એક મહત્વપૂર્ણ સૂક્ષ્મતા છે: પુનરાવર્તિત n-ગ્રામ સંદર્ભના તાજેતરના ઇતિહાસમાં (વ્યાખ્યાયિત) context_history_size) ચિહ્નિત નથી, જે બાકીના લખાણમાં ચિહ્નની શોધક્ષમતાની તરફેણ કરે છે અને ભાષાના કુદરતી પુનરાવર્તનો સાથે જોડાયેલા ખોટા હકારાત્મકતા ઘટાડે છે.

સુરક્ષા માટે, દરેક વોટરમાર્ક રૂપરેખાંકન (તેની ચાવીઓ, બીજ અને પરિમાણો સહિત) ખાનગી રીતે સંગ્રહિત હોવું જોઈએજો આ ચાવીઓ લીક થઈ જાય, તો તૃતીય પક્ષો સરળતાથી બ્રાન્ડની નકલ કરી શકે છે અથવા, તેનાથી પણ ખરાબ, તેની રચનાની સંપૂર્ણ જાણકારી સાથે તેને હેરફેર કરવાનો પ્રયાસ કરી શકે છે.

કેવી રીતે શોધવું: થ્રેશોલ્ડ સાથે સંભાવના ચકાસણી

ટેક્સ્ટમાં વોટરમાર્કની ચકાસણી દ્વિસંગી નથી, પરંતુ સંભાવનાત્મકગૂગલ ટ્રાન્સફોર્મર્સ અને ગિટહબ બંને પર બેયેશિયન ડિટેક્ટર પ્રકાશિત કરે છે, જે ટેક્સ્ટના આંકડાકીય પેટર્નનું વિશ્લેષણ કર્યા પછી, ત્રણ સંભવિત સ્થિતિઓ પરત કરે છે: બ્રાન્ડ સાથે, કોઈ બ્રાન્ડ o અનિશ્ચિતઆ ટર્નરી આઉટપુટ ઓપરેશનને વિવિધ જોખમ અને ભૂલ સહિષ્ણુતા સંદર્ભોમાં ગોઠવવાની મંજૂરી આપે છે.

ચકાસણીકર્તાનું વર્તન આના દ્વારા ગોઠવી શકાય છે બે થ્રેશોલ્ડ જે ખોટા હકારાત્મક અને ખોટા નકારાત્મક પરિણામોના દરને નિયંત્રિત કરે છે. બીજા શબ્દોમાં કહીએ તો, તમે તપાસ કેટલી કડક રાખવા માંગો છો તેનું માપાંકન કરી શકો છો, ચોકસાઈ માટે સંવેદનશીલતાનું બલિદાન આપી શકો છો અથવા તમારા ઉપયોગના કેસના આધારે ઊલટું, ખાસ કરીને ઉપયોગી કંઈક સંપાદકીય વાતાવરણ, મધ્યસ્થતા અથવા આંતરિક ઓડિટ.

જો ઘણા મોડેલો સમાન હોય તો ટોકનાઇઝર, પણ શેર કરી શકે છે સમાન બ્રાન્ડ રૂપરેખાંકન અને સમાન ડિટેક્ટર, જ્યાં સુધી ચકાસણીકર્તાના તાલીમ સમૂહમાં તે બધાના ઉદાહરણો શામેલ હોય. આ બહુવિધ LLM ધરાવતી સંસ્થાઓમાં "સામાન્ય વોટરમાર્ક" બનાવવાનું સરળ બનાવે છે.

એકવાર ડિટેક્ટર તાલીમ પામે પછી, સંસ્થાઓ તેના એક્સપોઝરનું સ્તર નક્કી કરી શકે છે: તેને રાખો સંપૂર્ણપણે ખાનગી, તેને એક રીતે ઓફર કરો અર્ધ-ખાનગી API દ્વારા, અથવા તેને એક રીતે રિલીઝ કરો જાહેર તૃતીય પક્ષો દ્વારા ડાઉનલોડ અને ઉપયોગ માટે. પસંદગી દરેક એન્ટિટીની ઇન્ફ્રાસ્ટ્રક્ચર સંચાલન ક્ષમતા, નિયમનકારી જોખમો અને પારદર્શિતા વ્યૂહરચના પર આધારિત છે.

છબીઓ, ઑડિઓ અને વિડિઓ પર વોટરમાર્ક

આ બ્રાન્ડ ટકી રહે તે રીતે ડિઝાઇન કરવામાં આવી છે સામાન્ય પરિવર્તનો જેમ કે મેટાડેટા જાળવી રાખવાની જરૂર વગર કાપવા, કદ બદલવા, ફેરવવા, રંગ બદલવા અથવા સ્ક્રીનશોટ પણ. શરૂઆતમાં, તેનો ઉપયોગ વર્ટેક્સ AI માં છબી, જ્યાં વપરાશકર્તાઓ સામગ્રી જનરેટ કરતી વખતે વોટરમાર્કને સક્રિય કરવાનું પસંદ કરી શકે છે.

ઑડિઓમાં, બ્રાન્ડ છે અશ્રાવ્ય અને MP3 કમ્પ્રેશન, અવાજ ઉમેરવા અથવા પ્લેબેક સ્પીડમાં ફેરફાર કરવા જેવા સામાન્ય ઓપરેશન્સને સપોર્ટ કરે છે. ગૂગલ તેને લિરિયા અને નોટબુક LM-આધારિત સુવિધાઓમાં, ફાઇલ નુકસાનકારક પ્રકાશન સ્ટ્રીમ્સમાંથી પસાર થાય ત્યારે પણ સિગ્નલને બુસ્ટ કરે છે.

વિડિઓમાં, અભિગમ છબી અભિગમની નકલ કરે છે: બ્રાન્ડ એમ્બેડેડ છે દરેક ફ્રેમના પિક્સેલ્સ, અગોચર રીતે, અને ફિલ્ટર્સ, રિફ્રેશ રેટમાં ફેરફાર, કમ્પ્રેશન અથવા recortes. દ્વારા જનરેટ કરાયેલ વિડિઓઝ હું જોઉં છું VideoFX જેવા સાધનો બનાવટ દરમિયાન આ ચિહ્નનો સમાવેશ કરે છે, જે પછીના સંપાદનોમાં આકસ્મિક રીતે કાઢી નાખવાનું જોખમ ઘટાડે છે.

નમૂના લેવાના અલ્ગોરિધમ્સ અને ટેક્સ્ટ સીલની મજબૂતાઈ

સિન્થઆઈડી ટેક્સ્ટનું હૃદય તેનું છે નમૂના લેવાનું અલ્ગોરિધમ, જે દરેક સંભવિત ટોકનને સ્યુડો-રેન્ડમ સ્કોર્સ સોંપવા માટે કી (અથવા કીઓનો સમૂહ) નો ઉપયોગ કરે છે. ઉમેદવારોને મોડેલના વિતરણમાંથી (ટોપ-કે/ટોપ-પી પછી) લેવામાં આવે છે અને ફંક્શન g અનુસાર સૌથી વધુ સ્કોરિંગ ટોકન પસંદ ન થાય ત્યાં સુધી એલિમિનેશન રાઉન્ડ પછી "સ્પર્ધા" માં મૂકવામાં આવે છે.

આ પસંદગી પ્રક્રિયા તરફેણ કરે છે અંતિમ આંકડાકીય પેટર્ન સંભાવનાઓ બ્રાન્ડની નિશાની ધરાવે છે, પરંતુ અકુદરતી વિકલ્પોને દબાણ કર્યા વિના. પ્રકાશિત અભ્યાસો અનુસાર, આ તકનીક મુશ્કેલ બનાવે છે ભૂંસી નાખો, ખોટા બનાવો, અથવા ઉલટાવો સીલ, હંમેશા સમય અને પ્રેરણા સાથે વિરોધીઓ સામે વાજબી મર્યાદામાં.

સારા અમલીકરણ અને સુરક્ષા પ્રથાઓ

• જો તમે SynthID ટેક્સ્ટનો ઉપયોગ કરી રહ્યા છો, તો રૂપરેખાંકનને આ રીતે ગણો ઉત્પાદન રહસ્ય: ચાવીઓ અને બીજને સુરક્ષિત મેનેજરમાં સંગ્રહિત કરો, ઍક્સેસ નિયંત્રણો લાગુ કરો અને સમયાંતરે પરિભ્રમણ માટે પરવાનગી આપો. લીક અટકાવવાથી રિવર્સ એન્જિનિયરિંગ પ્રયાસો સામે હુમલાની સપાટી ઓછી થાય છે.
• યોજના બનાવો મોનીટરીંગ તમારા ડિટેક્ટર માટે: ખોટા હકારાત્મક/નકારાત્મક દરો રેકોર્ડ કરો, સંદર્ભ અનુસાર થ્રેશોલ્ડને સમાયોજિત કરો અને તમારી શોધ નીતિ નક્કી કરો. એક્સપોઝર (ખાનગી, API દ્વારા અર્ધ-ખાનગી, અથવા જાહેર) સ્પષ્ટ કાનૂની અને કાર્યકારી માપદંડો સાથે. અને જો બહુવિધ મોડેલો ટોકનાઇઝર શેર કરે છે, તો તાલીમ આપવાનું વિચારો કોમન ડિટેક્ટર જાળવણીને સરળ બનાવવા માટે તે બધાના ઉદાહરણો સાથે.
• પ્રદર્શન સ્તરે, તે ની અસરનું મૂલ્યાંકન કરે છે sampling_table_size મેમરી અને લેટન્સીમાં, અને પસંદ કરો a ngram_len જે વિશ્વસનીય શોધની જરૂરિયાત સાથે સંપાદન માટે તમારી સહનશીલતાને સંતુલિત કરે છે. પુનરાવર્તિત n-ગ્રામને બાકાત રાખવાનું યાદ રાખો (દ્વારા context_history_size) વહેતા લખાણમાં સિગ્નલ સુધારવા માટે.

SynthID ખોટી માહિતી સામે કોઈ સફળતા નથી, પરંતુ જનરેટિવ AI ના યુગમાં વિશ્વાસની સાંકળના પુનઃનિર્માણ માટે એક મૂળભૂત બિલ્ડીંગ બ્લોક પૂરો પાડે છે. ટેક્સ્ટ, છબીઓ, ઑડિઓ અને વિડિયોમાં મૂળ સંકેતોને એમ્બેડ કરીને અને સમુદાય માટે ટેક્સ્ટ ઘટક ખોલીને, Google DeepMind એવા ભવિષ્ય તરફ આગળ વધી રહ્યું છે જ્યાં પ્રામાણિકતાનું ઑડિટ વ્યવહારુ, માપી શકાય તેવા અને સૌથી ઉપર, સામગ્રીની સર્જનાત્મકતા અને ગુણવત્તા સાથે સુસંગત રીતે કરી શકાય.