


Könnte der Bewerber eine Fälschung sein? Betrüger nutzt Deepfake, um Identität zu stehlen, um sich für Remote-Arbeit zu bewerben, kann das FBI beim Sprechen erkennen
Produziert von Big Data Digest
Autor: Caleb
Online-Arbeit hält nach und nach offiziell Einzug in unser Leben.
Laut Statistiken des Datenunternehmens Emsi Burning Glass waren von den 163.000 Stellenangeboten in New York City zu Beginn des Jahres 2020 nur 6.700 Online-Arbeitsplätze zugelassen, was 4 % der Gesamtzahl der Stellen ausmacht; Im Jahr gab es in der Stadt 243.000 Stellen. Unter den Stellenangeboten ist die Zahl der Online-Stellen auf 25.800 gestiegen, was 10,6 % der Gesamtzahl der Stellen ausmacht.
Aber wie das Sprichwort sagt: Die Herzen der Menschen sind durch den Bauch getrennt, ganz zu schweigen davon, dass zwischen ihnen eine zusätzliche Schicht von Schirmen liegt. Niemand kann garantieren, dass der Neso-Vorfall nicht noch einmal passieren wird.
Nein, aktuellen FBI-Ermittlungen zufolge stehlen immer mehr Menschen die persönlichen Identitätsdaten anderer Menschen und nutzen Deepfakes, um sich für Remote-Jobs zu bewerben. Gerade weil die Deepfake-Technologie künstliche Intelligenz oder maschinelles Lernen nutzt, um Inhalte wie Bilder, Videos oder Audios zu generieren, ist es schwierig, sie von echten Materialien zu unterscheiden.
... B. Unternehmens-IT-Daten und Berufsinformationen usw.
Die durch Deepfake erreichte Identitätsverschleierung lässt sich oft nur schwer zwischen Authentizität und Authentizität unterscheiden, was es Betrügern ermöglicht, wertvolle Daten aus dem Unternehmen zu stehlen und andere Identitätsbetrugspläne umzusetzen.
Aber es ist nicht so einfach, Deepfake zu durchschauen, vor allem wenn man nicht besonders aufpasst. Laut einem aktuellen Bericht von Forschern der Carnegie Mellon University könnte die Genauigkeit der künstlichen Intelligenz zur Erkennung gefälschter Videos zwischen 30 und 97 % liegen. Menschen verfügen über Möglichkeiten, gefälschte Videos zu erkennen, insbesondere wenn sie darauf trainiert sind, bestimmte visuelle Störungen zu erkennen, wie z B. abnormale Schatten oder problematische Hautstruktur.
Auch Musk war letzten Monat ein Deepfake.
In diesem Video, in dem TED-Vorsitzender „Chris Anderson“ Musk interviewt, sagte Musk, dass er selbst eine Kryptowährungs-Handelsplattform namens BitVex erstellt habe und versprach, dass alle Einzahlungen in Kryptowährungen innerhalb von drei Monaten eine tägliche Rendite von 30 % erzielen würden.
deepfake macht manchmal auch gute Dinge.
Kürzlich wurden in einem Fall die Ermittlungen in den Niederlanden wieder aufgenommen, um die Wahrheit über den 13-jährigen Sedar Soares herauszufinden, der dabei erschossen wurde Er warf mit seinen Freunden in Sedar Schneebälle. Mit der Erlaubnis von Soares‘ Familie erstellte die Polizei mithilfe von Deepfake ein Video von Sedar Soares, um Hinweise aus der Öffentlichkeit zu sammeln und Zeugen zu finden. In dem einminütigen Video erscheinen Bilder aus Soares' Leben, während er die Kamera begrüßt und einen Fußball in die Hand nimmt. Am Tag nach der Veröffentlichung des Videos sagte Lillian van Duijvenbode, Polizeisprecherin von Rotterdam: „Die Tatsache, dass wir Dutzende Tipps erhalten haben, ist sehr positiv.“ 🎜🎜# Auch hier hängt die Wertorientierung der Technologie von den Menschen ab, die sie nutzen.
Üben Sie Ihre Deepfake-Erkennungsfähigkeit aus
Um Menschen dabei zu helfen, Deepfake-Betrug besser zu identifizieren, haben Forscher auch eine Reihe Neuronale Netze wurden darauf trainiert, Deepfakes in 100.000 Deepfake-Videos und 19.154 echten Videos zu erkennen, die in öffentlichen Kaggle-Wettbewerben gehostet wurden.
Im Allgemeinen gibt es keine völlig absolute Methode zur Identifizierung, aber es gibt einige Punkte, die es bei Deepfakes zu beachten gilt: #🎜🎜 ##🎜🎜 #
Achten Sie auf das Gesicht: High-End-DeepFake-Manipulationen basieren fast alle auf dem Gesicht;
Achten Sie auf die Wangen und die Stirn: ob die Haut zu glatt erscheint oder zu faltig? Entspricht die Hautalterung derjenigen von Haaren und Augen? Deepfakes neigen dazu, in gewisser Weise störend zu sein.
Achten Sie auf die Augen und Augenbrauen: Sind die Schatten an der richtigen Stelle? Deepfakes können Szenen mit natürlicher Physik oft nicht vollständig nachbilden.
Achten Sie auf Brillen: Gibt es Blendungen? Gibt es zu viel Blendung? Ändert sich der Blendwinkel, wenn sich eine Person bewegt? Wieder einmal geben DeepFakes die natürliche Physik der Beleuchtung oft nicht vollständig wieder;
Achten Sie auf Gesichtsbehaarung oder deren Fehlen: Sehen Gesichtsbehaarung realistisch aus? Deepfake kann Bärte, Koteletten oder Bärte hinzufügen oder entfernen, aber ein solches Verhalten erzeugt oft ein Gefühl des Ungehorsams;
- Achten Sie auf Muttermale im Gesicht: Sehen Muttermale echt aus? genug oder zu viel;
- Achten Sie auf die Größe und Farbe der Lippen: ob Größe und Farbe zum restlichen Gesicht der Person passen.
- Diese acht Fragen können Menschen dabei helfen, Deepfakes zu überprüfen und zu identifizieren.
- Hochwertige Deepfakes sind nicht leicht zu erkennen, aber mit etwas Übung können Menschen eine Intuition entwickeln, die auf der Authentizität von Deepfakes basiert, der Intuition vertrauen und entsprechende Anpassungen vornehmen Eine zusätzliche Überprüfung ist ausreichend.
- Wenn Sie sich immer noch Sorgen machen, können Sie auch einen einfachen Test auf dieser Website machen: https://detectfakes.media.mit.edu/
Das obige ist der detaillierte Inhalt vonKönnte der Bewerber eine Fälschung sein? Betrüger nutzt Deepfake, um Identität zu stehlen, um sich für Remote-Arbeit zu bewerben, kann das FBI beim Sprechen erkennen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Heutige Deep-Learning-Methoden konzentrieren sich darauf, die am besten geeignete Zielfunktion zu entwerfen, damit die Vorhersageergebnisse des Modells der tatsächlichen Situation am nächsten kommen. Gleichzeitig muss eine geeignete Architektur entworfen werden, um ausreichend Informationen für die Vorhersage zu erhalten. Bestehende Methoden ignorieren die Tatsache, dass bei der schichtweisen Merkmalsextraktion und räumlichen Transformation der Eingabedaten eine große Menge an Informationen verloren geht. Dieser Artikel befasst sich mit wichtigen Themen bei der Datenübertragung über tiefe Netzwerke, nämlich Informationsengpässen und umkehrbaren Funktionen. Darauf aufbauend wird das Konzept der programmierbaren Gradienteninformation (PGI) vorgeschlagen, um die verschiedenen Änderungen zu bewältigen, die tiefe Netzwerke zur Erreichung mehrerer Ziele erfordern. PGI kann vollständige Eingabeinformationen für die Zielaufgabe zur Berechnung der Zielfunktion bereitstellen und so zuverlässige Gradienteninformationen zur Aktualisierung der Netzwerkgewichte erhalten. Darüber hinaus wird ein neues, leichtgewichtiges Netzwerk-Framework entworfen

Graphische neuronale Netze (GNN) haben in den letzten Jahren rasante und unglaubliche Fortschritte gemacht. Das graphische neuronale Netzwerk, auch bekannt als Graph Deep Learning, Graph Representation Learning (Graph Representation Learning) oder geometrisches Deep Learning, ist das am schnellsten wachsende Forschungsthema im Bereich des maschinellen Lernens, insbesondere des Deep Learning. Der Titel dieser Veröffentlichung lautet „Basics, Frontiers and Applications of GNN“ und stellt hauptsächlich den allgemeinen Inhalt des umfassenden Buches „Basics, Frontiers and Applications of Graph Neural Networks“ vor, das von den Wissenschaftlern Wu Lingfei, Cui Peng, Pei Jian und Zhao zusammengestellt wurde Liang. 1. Einführung in graphische neuronale Netze 1. Warum Graphen studieren? Graphen sind eine universelle Sprache zur Beschreibung und Modellierung komplexer Systeme. Der Graph selbst ist nicht kompliziert, er besteht hauptsächlich aus Kanten und Knoten. Wir können Knoten verwenden, um jedes Objekt darzustellen, das wir modellieren möchten, und Kanten, um zwei darzustellen

Die aktuellen Mainstream-KI-Chips sind hauptsächlich in drei Kategorien unterteilt: GPU, FPGA und ASIC. Sowohl GPU als auch FPGA sind im Frühstadium relativ ausgereifte Chiparchitekturen und Allzweckchips. ASIC ist ein Chip, der für bestimmte KI-Szenarien angepasst ist. Die Industrie hat bestätigt, dass CPUs nicht für KI-Computing geeignet sind, sie aber auch für KI-Anwendungen unerlässlich sind. Vergleich der GPU-Lösungsarchitektur zwischen GPU und CPU Die CPU folgt der von Neumann-Architektur, deren Kern die Speicherung von Programmen/Daten und die serielle sequentielle Ausführung ist. Daher benötigt die CPU-Architektur viel Platz zum Platzieren der Speichereinheit (Cache) und der Steuereinheit (Steuerung). Im Gegensatz dazu nimmt die Recheneinheit (ALU) nur einen kleinen Teil ein, sodass die CPU eine große Leistung erbringt Paralleles Rechnen.

Wenn wir das Win11-System verwenden, haben wir eine Funktion namens „Windowshello Face“. Diese Funktion wird hauptsächlich zum Entsperren des Gesichts verwendet. Viele Benutzer fragen jedoch nach der Lösung für die Win11-Gesichtserkennung und können die Windowshello-Gesichtskamera nicht finden. Lassen Sie diese Website den Benutzern sorgfältig die Lösung für das Problem vorstellen, dass die Win11-Gesichtserkennung keine Gesichter finden kann. Wie kann das Problem gelöst werden, dass die Gesichtserkennung von Windows 11 die Windows Shello-Gesichtskamera nicht finden kann? Lösung 1. Setzen Sie den biometrischen Treiber zurück. 1. Öffnen Sie den Geräte-Manager – biometrisches Gerät – klicken Sie mit der rechten Maustaste auf Geräteeigenschaften der Windows Helloface-Software > Treiber > setzen Sie den Treiber zurück

In Minecraft ist Redstone ein sehr wichtiger Gegenstand. Es ist ein einzigartiges Material im Spiel. Schalter, Redstone-Fackeln und Redstone-Blöcke können Drähten oder Objekten stromähnliche Energie verleihen. Mithilfe von Redstone-Schaltkreisen können Sie Strukturen aufbauen, mit denen Sie andere Maschinen steuern oder aktivieren können. Sie können selbst so gestaltet sein, dass sie auf die manuelle Aktivierung durch Spieler reagieren, oder sie können wiederholt Signale ausgeben oder auf Änderungen reagieren, die von Nicht-Spielern verursacht werden, beispielsweise auf Bewegungen von Kreaturen und Gegenstände. Fallen, Pflanzenwachstum, Tag und Nacht und mehr. Daher kann Redstone in meiner Welt extrem viele Arten von Maschinen steuern, von einfachen Maschinen wie automatischen Türen, Lichtschaltern und Blitzstromversorgungen bis hin zu riesigen Aufzügen, automatischen Farmen, kleinen Spielplattformen und sogar in Spielcomputern gebauten Maschinen . Kürzlich, B-Station UP main @

Wenn der Wind stark genug ist, um den Schirm zu blasen, ist die Drohne stabil, genau wie folgt: Das Fliegen im Wind ist ein Teil des Fliegens in der Luft. Wenn der Pilot das Flugzeug aus großer Höhe landet, kann die Windgeschwindigkeit variieren Auf einer kleineren Ebene können böige Winde auch den Drohnenflug beeinträchtigen. Derzeit werden Drohnen entweder unter kontrollierten Bedingungen, ohne Wind, geflogen oder von Menschen per Fernbedienung gesteuert. Drohnen werden von Forschern gesteuert, um in Formationen am freien Himmel zu fliegen. Diese Flüge werden jedoch normalerweise unter idealen Bedingungen und Umgebungen durchgeführt. Damit Drohnen jedoch autonom notwendige, aber routinemäßige Aufgaben wie die Zustellung von Paketen ausführen können, müssen sie sich in Echtzeit an die Windverhältnisse anpassen können. Um Drohnen beim Fliegen im Wind wendiger zu machen, hat ein Team von Ingenieuren des Caltech

Deep-Learning-Modelle für Sehaufgaben (z. B. Bildklassifizierung) werden normalerweise durchgängig mit Daten aus einem einzelnen visuellen Bereich (z. B. natürlichen Bildern oder computergenerierten Bildern) trainiert. Im Allgemeinen muss eine Anwendung, die Vision-Aufgaben für mehrere Domänen ausführt, mehrere Modelle für jede einzelne Domäne erstellen und diese unabhängig voneinander trainieren. Während der Inferenz verarbeitet jedes Modell eine bestimmte Domäne. Auch wenn sie auf unterschiedliche Bereiche ausgerichtet sind, sind einige Merkmale der frühen Schichten zwischen diesen Modellen ähnlich, sodass das gemeinsame Training dieser Modelle effizienter ist. Dies reduziert die Latenz und den Stromverbrauch und reduziert die Speicherkosten für die Speicherung jedes Modellparameters. Dieser Ansatz wird als Multi-Domain-Learning (MDL) bezeichnet. Darüber hinaus können MDL-Modelle auch Single-Modelle übertreffen

Die Gesichtserkennung auf Apple-Telefonen funktioniert nicht, wenn sie auf dieses Problem stoßen. Ich werde Ihnen heute viele Methoden zur Lösung vorstellen. Was soll ich tun, wenn die Gesichtserkennung auf meinem Apple-Telefon nicht funktioniert? Lösungen: 1. Die FaceID-Funktion muss sicherstellen, dass keine Fremdkörper das Gesicht blockieren und dass das Gesicht nicht blockiert ist . 2. Überprüfen Sie die Umgebungsbeleuchtung: Bei der Gesichtserkennung ist es notwendig, eine ausreichende Umgebungshelligkeit aufrechtzuerhalten und Störungen durch starke Lichtquellen zu vermeiden. 3. FaceID zurücksetzen: Öffnen Sie die Option „Gesicht & Passwort“ in „Einstellungen“ und klicken Sie auf „Gesichts-ID zurücksetzen“, um FaceID zurückzusetzen. 4. Aktualisieren Sie die iOS-Version: Wenn die auf dem Gerät ausgeführte iOS-Version zu alt ist, kann dies aufgrund unzureichender Stabilität Auswirkungen auf Fac haben.
