chương 1 sẽ cung cấp nền tảng cơ bản về Deepfake, từ việc hiểu khái niệm và phân loại các loại Deepfake hiện nay, đến việc khám phá các tệp dữ liệu phổ biến và các phương pháp kỹ thuật để tạo ra chúng. Khái niệm Deepfake và các loại Deepfake 1. Khái niệm Deepfake (một từ được kết hợp từ của "deep learning" và "fake" trong tiếng Anh) là phương tiện tổng hợp đã được điều khiển bằng kỹ thuật số để thay thế chân dung của người này bằng chân dung của người khác. Đây là một kỹ thuật sử dụng trí tuệ nhân tạo và máy học mạnh mẽ để thao túng hoặc tạo nội dung hình ảnh và âm thanh có thể dễ đánh lừa hơn và khó phân biệt với nội dung gốc.
Các phương pháp học máy chính được sử dụng để tạo deepfakes dựa trên học sâu và liên quan đến đào tạo tạo kiến trúc mạng thần kinh, chẳng hạn như bộ mã hóa tự động hoặc tạo mạng đối thủ (GAN). Các loại Deepfake phổ biến hiện nay * Face Swap: Đây là loại Deepfake phổ biến nhất, trong đó khuôn mặt của một người được thay thế bằng khuôn mặt của người khác. Face swap thường được sử dụng để tạo ra các video hài hước hoặc để lan truyền thông tin sai lệch.1: Minh họa Face Swap * Voice Cloning: Loại Deepfake này sử dụng trí tuệ nhân tạo để tạo ra bản sao giọng nói của một người. Voice cloning có thể được sử dụng để giả mạo ai đó nói điều gì đó mà họ chưa từng nói, hoặc để tạo ra các video hoặc bài đăng âm thanh giả mạo.2: Minh họa Voice Cloning * Deepfakes toàn thân: Loại Deepfake này sử dụng trí tuệ nhân tạo để tạo ra các video hoặc hình ảnh toàn thân của một người.
Deepfakes toàn thân thường được sử dụng để tạo ra các video giả mạo về những người nổi tiếng hoặc để lan truyền thông tin sai lệch.3: Minh họa Deepfakes toàn thân * Deepfakes hình ảnh: Loại Deepfake này sử dụng trí tuệ nhân tạo để thao tác hình ảnh. Deepfakes hình ảnh có thể được sử dụng để thay đổi biểu cảm khuôn mặt của ai đó, thêm hoặc xóa các chi tiết khỏi ảnh, hoặc thậm chí tạo ra những người hoàn toàn mới.4: Minh họa Deepfakes hình ảnh * Deepfakes âm thanh: Loại Deepfake này sử dụng trí tuệ nhân tạo để thao tác âm thanh. Deepfakes âm thanh có thể được sử dụng để thay đổi giọng nói của ai đó, thêm hoặc xóa âm thanh khỏi bản ghi âm, hoặc thậm chí tạo ra các bài phát biểu hoàn toàn mới.5: Minh họa Deepfakes âm thanh 1. Tìm hiểu về học máy, học sâu và các phương pháp tạo ra Deepfake 1.
Tìm hiểu về học sâu, học máy (Deep learning, Machine learning) * Học máy (Machine learning) Học máy là một lĩnh vực con của trí tuệ nhân tạo, cho phép hệ thống tự động học hỏi và cải thiện mà không cần lập trình cụ thể. Các thuật toán học máy có khả năng nhận diện mẫu trong dữ liệu và đưa ra dự đoán khi nhận được dữ liệu mới. 3 Trong học máy, có ba loại mô hình chính thường được áp dụng: mô hình có giám sát, mô hình không giám sát và mô hình tăng cường. - Học có giám sát (Supervised machine learning): Học có giám sát, hay còn gọi là học máy có giám sát, là một nhánh của học máy và trí tuệ nhân tạo.
Nó được định nghĩa bằng cách sử dụng các tập dữ liệu đã được gán nhãn để huấn luyện các thuật toán, nhằm phân loại dữ liệu hoặc dự đoán kết quả một cách chính xác. Khi dữ liệu đầu vào được đưa vào mô hình, nó sẽ điều chỉnh các trọng số cho đến khi mô hình đạt được sự phù hợp, điều này thường diễn ra trong quá trình xác thực chéo. Học có giám sát giúp các tổ chức giải quyết nhiều vấn đề thực tiễn ở quy mô lớn, ví dụ như phân loại thư rác vào một thư mục riêng biệt trong hộp thư đến. Nó có thể được sử dụng để xây dựng các mô hình học máy với độ chính xác cao.
Học có giám sát sử dụng một bộ dữ liệu huấn luyện để dạy các mô hình tạo ra đầu ra mong muốn. Bộ dữ liệu này bao gồm các đầu vào và đầu ra chính xác, giúp mô hình học và cải thiện theo thời gian. Thuật toán đánh giá độ chính xác của mình thông qua hàm mất mát và điều chỉnh cho đến khi lỗi được giảm thiểu.6: Hai giai đoạn xây dựng và thử nghiệm hàm ánh xạ 4 Học có giám sát có thể được chia thành hai loại vấn đề trong khai thác dữ liệu: phân loại và hồi quy. Phân loại: sử dụng thuật toán để phân bổ chính xác dữ liệu thử nghiệm vào các danh mục cụ thể.
Nó nhận diện các thực thể trong tập dữ liệu và cố gắng đưa ra kết luận về cách các thực thể đó nên được gán nhãn. Các thuật toán phân loại phổ biến bao gồm bộ phân loại tuyến tính, máy vectơ hỗ trợ (SVM), cây quyết định, k-nearest neighbor và random forest, sẽ được mô tả chi tiết hơn bên dưới. Hồi quy: được sử dụng để hiểu mối quan hệ giữa các biến phụ thuộc và biến độc lập. Nó thường được áp dụng để dự đoán các giá trị, chẳng hạn như doanh thu bán hàng của một doanh nghiệp.
Các thuật toán hồi quy phổ biến bao gồm hồi quy tuyến tính, hồi quy logistic và hồi quy đa thức. Các thuật toán học có giám sát: Trong quy trình học máy có giám sát, nhiều thuật toán và kỹ thuật khác nhau được sử dụng. Dưới đây là một số phương pháp phổ biến, thường được triển khai qua các ngôn ngữ lập trình như R hoặc Python: Mạng nơ-ron: Chủ yếu được áp dụng trong học sâu, mạng nơ-ron xử lý dữ liệu bằng cách mô phỏng khả năng kết nối của não người thông qua các lớp nút. Mỗi nút gồm các đầu vào, trọng số, độ lệch và đầu ra.
Nếu giá trị đầu ra vượt ngưỡng nhất định, nút sẽ "kích hoạt" và truyền dữ liệu tới lớp tiếp theo. Mạng nơ-ron học các hàm ánh xạ thông qua học có giám sát, điều chỉnh dựa trên hàm mất mát qua quá trình giảm dần độ dốc. Khi hàm chi phí gần bằng không, mô hình có thể được tin tưởng để đưa ra dự đoán chính xác. Naive Bayes: Là một phương pháp phân loại dựa trên nguyên lý độc lập có điều kiện từ Định lý Bayes.
Điều này có nghĩa là sự xuất hiện của một tính năng không ảnh hưởng đến sự xuất hiện của tính năng khác trong xác suất của kết quả, và mọi yếu tố dự đoán đều có tác động tương đương. Có ba loại bộ phân loại Naive Bayes: Multinomial Naive Bayes, Bernoulli Naive Bayes và Gaussian Naive Bayes. Kỹ thuật này thường được sử dụng trong phân loại văn bản, nhận diện thư rác và hệ thống đề xuất. Hồi quy tuyến tính được sử dụng để xác định mối quan hệ giữa một biến phụ thuộc và một hoặc nhiều biến độc lập, thường nhằm dự đoán kết quả trong tương lai.
Khi chỉ có một biến độc lập và một biến phụ thuộc, gọi là hồi quy tuyến tính đơn giản. Khi có nhiều biến độc lập, đó là hồi quy tuyến tính bội. Mục tiêu của hồi quy tuyến tính là tìm ra đường thẳng phù hợp 5 nhất thông qua phương pháp bình phương nhỏ nhất. Đặc biệt, đường thẳng này sẽ là một đường thẳng trong đồ thị.
Hồi quy logistic được sử dụng khi biến phụ thuộc là phân loại, tức là có đầu ra nhị phân như "đúng" và "sai" hoặc "có" và "không". Trong khi cả hồi quy tuyến tính và hồi quy logistic đều tìm cách hiểu mối quan hệ giữa các dữ liệu đầu vào, hồi quy logistic chủ yếu được áp dụng cho các vấn đề phân loại nhị phân, chẳng hạn như nhận diện thư rác. - Học không giám sát (Unsupervised machine learning): Học không giám sát, hay còn gọi là học máy không giám sát, sử dụng các thuật toán học máy để phân tích và nhóm các tập dữ liệu không có nhãn. Những thuật toán này khám phá các mẫu ẩn hoặc nhóm dữ liệu mà không cần sự can thiệp của con người.
Khả năng phát hiện các điểm tương đồng và khác biệt trong thông tin của học không giám sát làm cho nó trở thành giải pháp lý tưởng cho phân tích dữ liệu khám phá, chiến lược bán chéo, phân khúc khách hàng và nhận diện hình ảnh.7: Hai giai đoạn sử dụng học không giám sát Các phương pháp học tập không giám sát phổ biến: Phân cụm là một kỹ thuật khai thác dữ liệu dùng để nhóm các dữ liệu chưa được gắn nhãn dựa trên sự tương đồng hoặc khác biệt giữa chúng. Các 6 thuật toán phân cụm xử lý các đối tượng dữ liệu thô, chưa được phân loại, thành các nhóm được biểu diễn qua các cấu trúc hoặc mẫu trong thông tin. Thuật toán phân cụm có thể được chia thành một số loại, bao gồm: phân cụm không chồng chéo, phân cụm chồng chéo, phân cụm phân cấp và phân cụm xác suất. o Phân cụm loại trừ và chồng chéo: Phân cụm độc quyền là hình thức nhóm quy định rằng một điểm dữ liệu chỉ có thể thuộc về một cụm.
Hình thức này còn được gọi là phân cụm "cứng". Thuật toán K-means là một ví dụ điển hình cho phân cụm độc quyền. o Phân cụm theo thứ bậc: hay còn gọi là phân tích cụm theo thứ bậc (HCA), là một thuật toán phân cụm không giám sát và có thể được phân loại thành hai loại: kết tụ và phân chia. Phân cụm kết tụ được xem là “phương pháp tiếp cận từ dưới lên”.
Các điểm dữ liệu ban đầu được phân tách thành các nhóm riêng biệt và sau đó được hợp nhất từng bước dựa trên sự tương đồng cho đến khi hình thành một cụm. Phân cụm phân chia có thể hiểu là phương pháp ngược lại với phân cụm kết tụ; nó sử dụng cách tiếp cận "từ trên xuống". Trong trường hợp này, một cụm dữ liệu duy nhất sẽ được chia nhỏ dựa trên sự khác biệt giữa các điểm dữ liệu. Mặc dù không phổ biến, phân cụm phân chia vẫn quan trọng trong bối cảnh phân cụm phân cấp.
o Phân cụm xác suất: Phân cụm xác suất là một kỹ thuật không giám sát cho phép ước tính mật độ hoặc thực hiện phân cụm "mềm". Trong phương pháp này, các điểm dữ liệu được phân nhóm dựa trên xác suất chúng thuộc về một phân phối nhất định. Mô hình hỗn hợp Gaussian (GMM) là một trong những kỹ thuật phân cụm xác suất phổ biến nhất hiện nay.