


Bolehkah pemohon kerja itu palsu? Penipu menggunakan deepfake untuk mencuri identiti untuk memohon kerja jauh, FBI: boleh mengenali apabila bercakap
Dihasilkan oleh Big Data Digest
Pengarang: Caleb
Kerja dalam talian secara beransur-ansur memasuki kehidupan kita.
Menurut statistik daripada syarikat data Emsi Burning Glass, pada awal tahun 2020, daripada 163,000 peluang pekerjaan di New York City, hanya 6,700 yang dibenarkan bekerja dalam talian, menyumbang 4% daripada jumlah jawatan; tetapi menjelang tahun lepas Pada bulan Disember, antara 243,000 jawatan pengambilan di bandar ini, bilangan pekerjaan dalam talian meningkat kepada 25,800, menyumbang 10.6% daripada jumlah jawatan.
Tetapi bak kata pepatah, hati manusia berpisah antara satu sama lain, apatah lagi ada lapisan tambahan di antara mereka Tiada siapa yang boleh menjamin kejadian Neso itu tidak akan berlaku berlaku lagi.
Tidak, menurut penyiasatan FBI baru-baru ini, semakin ramai orang mencuri maklumat identiti peribadi orang lain dan menggunakan deepfakes untuk memohon pekerjaan jauh. Ia adalah tepat kerana teknologi deepfake menggunakan kecerdasan buatan atau pembelajaran mesin untuk menjana kandungan seperti imej, video atau audio yang sukar untuk membezakannya daripada bahan sebenar.
Sebagai contoh, menurut laporan media asing, seorang penipu telah bekerja dari jauh dengan bantuan deepfake dalam usaha untuk mendapatkan akses kepada pekerjaan IT dan mengakses data pelanggan atau kewangan mereka, serta data IT korporat dan maklumat profesional, dsb.
Kebetulan, menurut laporan daripada syarikat lain, sesetengah maklumat peribadi pencari kerja adalah milik orang lain sepenuhnya.
Suara video tersebut adalah palsu. Adakah sukar untuk melihatnya?
Pada 28 Jun, Pusat Aduan Jenayah Siber FBI menyatakan dalam perundingan awam bahawa bilangan aduan mengenai penyamaran sebagai pemohon kerja telah meningkat baru-baru ini. Penipu telah menggunakan teknologi deepfake dan maklumat yang boleh dikenal pasti secara peribadi yang dicuri daripada mangsa untuk menipu majikan supaya mengambil mereka untuk pekerjaan jauh atau bekerja dari rumah.
Pekerjaan ini melibatkan IT, pengaturcaraan komputer, pangkalan data dan jawatan berkaitan perisian.
Penyamaran identiti yang dilaksanakan oleh deepfake selalunya sukar untuk dibezakan antara keaslian dan penipu boleh mencuri maklumat berharga dari dalam syarikat. butiran, dan menjalankan skim penipuan identiti lain.
Malah menurut agensi penguatkuasaan undang-undang persekutuan, semasa siasatan, mereka juga mendapati bahawa suara penemuduga yang digunakan dalam temu bual dalam talian juga telah dipalsukan oleh deepfake.
Tidak jelas berapa ramai orang yang berjaya menyertai syarikat menggunakan kaedah ini dan berapa ramai daripada mereka telah dilaporkan.
Tidak mustahil untuk mengenal pasti deepfake. FBI mengatakan ada cara untuk majikan mengesan deepfakes. Dalam kerja harian mereka, pekerja masih perlu bersembang video dengan majikan mereka dari semasa ke semasa untuk melaporkan kemajuan kerja, dsb. Apabila mereka bercakap, ketika itulah kelemahan mereka terbongkar.
"Di hadapan kamera, jika pergerakan dan pergerakan bibir orang yang ditemuramah tidak dapat diselaraskan sepenuhnya dengan suara", "seperti batuk, bersin atau pendengaran lain secara tiba-tiba tingkah laku dan persembahan visual "Kandungan tidak konsisten", itulah yang sering menjadi kunci untuk melihat melalui deepfake.
Tetapi tidak begitu mudah untuk melihat melalui deepfake, terutamanya jika anda tidak memberi perhatian khusus. Menurut laporan terbaru oleh penyelidik Universiti Carnegie Mellon, ketepatan kecerdasan buatan yang direka untuk mengesan video yang didoktorkan boleh berkisar antara 30% hingga 97%. bayang-bayang yang tidak normal atau tekstur kulit yang bermasalah.
Cara deepfake digunakan bergantung pada orang itu
Sama ada deepfake digunakan dengan baik atau tidak, adakah ia digunakan pada "edge" , tetapi juga bergantung pada orang itu.
Pada 2021, bekas Beatle Paul McCartney menggunakan teknologi deepfake untuk "kembali kepada remaja". Dalam MV bersama Beck, penonton melihat McCartney yang muda dan fleksibel, tanpa kesan masa yang tinggal padanya.
Kasturi juga deepfake bulan lepas.
Dalam video Pengerusi TED "Chris Anderson" menemu bual Musk, Musk berkata bahawa platform dagangan mata wang kripto yang dipanggil BitVex telah dicipta sendiri dan berjanji bahawa dalam masa tiga bulan, sebarang deposit Mata Wang kripto memperoleh pulangan harian sebanyak 30%.
Deepfake juga kadangkala melakukan perkara yang baik.
Baru-baru ini, dalam kes yang membuka semula penyiasatan di Belanda, untuk mengetahui kebenaran tentang Sedar Soares berusia 13 tahun yang ditembak dan dibunuh semasa membaling bola salji dengan kawan-kawan, dengan kebenaran keluarga Sedar Soares Seterusnya, polis menggunakan deepfake untuk mencipta video Sedar Soares untuk mengumpul petunjuk daripada orang ramai dan mencari saksi. Dalam video berdurasi minit itu, imej kehidupan Soares muncul ketika dia menyapa kamera dan mengambil bola sepak. Sehari selepas video itu dikeluarkan, jurucakap polis Rotterdam Lillian van Duijvenbode berkata: "Fakta bahawa kami telah menerima berpuluh-puluh petua adalah sangat positif >
Sekali lagi, orientasi nilai." teknologi bergantung kepada orang yang menggunakannya.
Untuk membantu orang ramai mengenal pasti penipuan deepfake dengan lebih baik, penyelidik turut mengumpul 100,000 deepfake daripada video pertandingan awam Kaggle dan 19,154 video sebenar, satu siri rangkaian saraf telah dilatih untuk mengesan deepfakes.
Beri perhatian kepada muka: Manipulasi DeepFake mewah hampir semuanya berdasarkan muka;
Perhatikan pada pipi dan dahi: Adakah kulit kelihatan terlalu licin atau terlalu berkedut? Adakah penuaan kulit sepadan dengan rambut dan mata? Deepfakes cenderung membingungkan dalam beberapa cara;
- Perhatikan mata dan kening: adakah bayang-bayang di tempat yang betul? Deepfakes selalunya gagal untuk meniru adegan dengan fizik semula jadi dengan tepat
- Berhati-hati dengan cermin mata: adakah terdapat sebarang silau? Adakah silau terlalu banyak? Adakah sudut silau berubah apabila seseorang bergerak? Sekali lagi, DeepFakes selalunya tidak sepenuhnya mewakili fizik semulajadi pencahayaan;
- Perhatikan rambut muka, atau kekurangannya: adakah rambut muka kelihatan realistik? Deepfake boleh menambah atau menghilangkan janggut, jambang atau janggut, tetapi tingkah laku sedemikian sering membawa rasa tidak patuh
- Perhatikan tahi lalat di muka: adakah tahi lalat kelihatan nyata
- Perhatikan; berkelip: Sama ada orang itu berkelip cukup atau terlalu banyak;
- Perhatikan saiz dan warna bibir: sama ada saiz dan warna sepadan dengan seluruh muka orang itu.
- Lapan soalan ini boleh membantu orang ramai menyemak dan mengenal pasti deepfake.
Atas ialah kandungan terperinci Bolehkah pemohon kerja itu palsu? Penipu menggunakan deepfake untuk mencuri identiti untuk memohon kerja jauh, FBI: boleh mengenali apabila bercakap. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Kaedah pembelajaran mendalam hari ini memberi tumpuan kepada mereka bentuk fungsi objektif yang paling sesuai supaya keputusan ramalan model paling hampir dengan situasi sebenar. Pada masa yang sama, seni bina yang sesuai mesti direka bentuk untuk mendapatkan maklumat yang mencukupi untuk ramalan. Kaedah sedia ada mengabaikan fakta bahawa apabila data input mengalami pengekstrakan ciri lapisan demi lapisan dan transformasi spatial, sejumlah besar maklumat akan hilang. Artikel ini akan menyelidiki isu penting apabila menghantar data melalui rangkaian dalam, iaitu kesesakan maklumat dan fungsi boleh balik. Berdasarkan ini, konsep maklumat kecerunan boleh atur cara (PGI) dicadangkan untuk menghadapi pelbagai perubahan yang diperlukan oleh rangkaian dalam untuk mencapai pelbagai objektif. PGI boleh menyediakan maklumat input lengkap untuk tugas sasaran untuk mengira fungsi objektif, dengan itu mendapatkan maklumat kecerunan yang boleh dipercayai untuk mengemas kini berat rangkaian. Di samping itu, rangka kerja rangkaian ringan baharu direka bentuk

Rangkaian saraf graf (GNN) telah mencapai kemajuan yang pesat dan luar biasa dalam beberapa tahun kebelakangan ini. Rangkaian saraf graf, juga dikenali sebagai pembelajaran dalam graf, pembelajaran perwakilan graf (pembelajaran perwakilan graf) atau pembelajaran dalam geometri, ialah topik penyelidikan yang paling pesat berkembang dalam bidang pembelajaran mesin, terutamanya pembelajaran mendalam. Tajuk perkongsian ini ialah "Asas, Sempadan dan Aplikasi GNN", yang terutamanya memperkenalkan kandungan umum buku komprehensif "Asas, Sempadan dan Aplikasi Rangkaian Neural Graf" yang disusun oleh sarjana Wu Lingfei, Cui Peng, Pei Jian dan Zhao Liang. 1. Pengenalan kepada rangkaian neural graf 1. Mengapa mengkaji graf? Graf ialah bahasa universal untuk menerangkan dan memodelkan sistem yang kompleks. Graf itu sendiri tidak rumit, ia terutamanya terdiri daripada tepi dan nod. Kita boleh menggunakan nod untuk mewakili mana-mana objek yang ingin kita modelkan, dan tepi untuk mewakili dua

Cip AI arus perdana semasa terutamanya dibahagikan kepada tiga kategori: GPU, FPGA dan ASIC. Kedua-dua GPU dan FPGA adalah seni bina cip yang agak matang pada peringkat awal dan merupakan cip kegunaan umum. ASIC ialah cip yang disesuaikan untuk senario AI tertentu. Industri telah mengesahkan bahawa CPU tidak sesuai untuk pengkomputeran AI, tetapi ia juga penting dalam aplikasi AI. Seni Bina Penyelesaian GPU Perbandingan antara GPU dan CPU CPU mengikut seni bina von Neumann, terasnya ialah penyimpanan atur cara/data dan pelaksanaan bersiri. Oleh itu, seni bina CPU memerlukan sejumlah besar ruang untuk meletakkan unit storan (Cache) dan unit kawalan (Control) Sebaliknya, unit pengkomputeran (ALU) hanya menduduki sebahagian kecil, jadi CPU berfungsi secara besar-besaran. pengkomputeran selari.

Dalam Minecraft, batu merah adalah item yang sangat penting. Ia adalah bahan unik dalam permainan Suis, obor batu merah, dan blok batu merah boleh memberikan tenaga seperti elektrik kepada wayar atau objek. Litar Redstone boleh digunakan untuk membina struktur untuk anda mengawal atau mengaktifkan jentera lain Ia sendiri boleh direka bentuk untuk bertindak balas kepada pengaktifan manual oleh pemain, atau mereka boleh mengeluarkan isyarat berulang kali atau bertindak balas kepada perubahan yang disebabkan oleh bukan pemain, seperti pergerakan makhluk. dan item Jatuh, pertumbuhan tumbuhan, siang dan malam, dan banyak lagi. Oleh itu, dalam dunia saya, redstone boleh mengawal pelbagai jenis jentera, daripada jentera ringkas seperti pintu automatik, suis lampu dan bekalan kuasa strob, kepada lif besar, ladang automatik, platform permainan kecil dan juga komputer binaan dalam permainan . Baru-baru ini, stesen B UP utama @

Apabila kami menggunakan sistem win11, kami mempunyai fungsi yang dipanggil muka windowshello. Biarkan tapak ini dengan teliti memperkenalkan kepada pengguna penyelesaian kepada masalah yang pengecaman muka Win11 tidak dapat mencari wajah. Bagaimana untuk menyelesaikan masalah pengecaman muka Windows 11 tidak dapat mencari kamera muka Windows Shello? Penyelesaian 1. Gulung semula pemacu biometrik 1. Buka pengurus peranti - peranti biometrik - klik kanan pada ciri peranti perisian helloface Windows > pemacu > gulung semula pemacu

Apabila angin cukup kuat untuk meniup payung, drone itu stabil, seperti ini: Terbang dalam angin adalah sebahagian daripada terbang di udara Dari tahap yang besar, apabila juruterbang mendaratkan pesawat, kelajuan angin mungkin Membawa cabaran kepada mereka; pada tahap yang lebih kecil, angin kencang juga boleh menjejaskan penerbangan dron. Pada masa ini, dron sama ada diterbangkan dalam keadaan terkawal, tanpa angin, atau dikendalikan oleh manusia menggunakan alat kawalan jauh. Dron dikawal oleh penyelidik untuk terbang dalam formasi di langit terbuka, tetapi penerbangan ini biasanya dijalankan dalam keadaan dan persekitaran yang ideal. Walau bagaimanapun, agar dron melakukan tugasan yang perlu tetapi rutin secara autonomi, seperti menghantar pakej, ia mesti dapat menyesuaikan diri dengan keadaan angin dalam masa nyata. Untuk menjadikan dron lebih mudah dikendalikan apabila terbang mengikut angin, pasukan jurutera dari Caltech

Model pembelajaran mendalam untuk tugas penglihatan (seperti klasifikasi imej) biasanya dilatih hujung ke hujung dengan data daripada domain visual tunggal (seperti imej semula jadi atau imej yang dijana komputer). Secara amnya, aplikasi yang menyelesaikan tugas penglihatan untuk berbilang domain perlu membina berbilang model untuk setiap domain yang berasingan dan melatihnya secara berasingan Data tidak dikongsi antara domain yang berbeza, setiap model akan mengendalikan data input tertentu. Walaupun ia berorientasikan kepada bidang yang berbeza, beberapa ciri lapisan awal antara model ini adalah serupa, jadi latihan bersama model ini adalah lebih cekap. Ini mengurangkan kependaman dan penggunaan kuasa, dan mengurangkan kos memori untuk menyimpan setiap parameter model Pendekatan ini dipanggil pembelajaran berbilang domain (MDL). Selain itu, model MDL juga boleh mengatasi prestasi tunggal

Alamat kertas: https://arxiv.org/abs/2307.09283 Alamat kod: https://github.com/THU-MIG/RepViTRepViT berprestasi baik dalam seni bina ViT mudah alih dan menunjukkan kelebihan yang ketara. Seterusnya, kami meneroka sumbangan kajian ini. Disebutkan dalam artikel bahawa ViT ringan biasanya berprestasi lebih baik daripada CNN ringan pada tugas visual, terutamanya disebabkan oleh modul perhatian diri berbilang kepala (MSHA) mereka yang membolehkan model mempelajari perwakilan global. Walau bagaimanapun, perbezaan seni bina antara ViT ringan dan CNN ringan belum dikaji sepenuhnya. Dalam kajian ini, penulis menyepadukan ViT ringan ke dalam yang berkesan
