في عصر تتسارع فيه تقنية الذكاء الاصطناعي، تُعد فعالية الكشف عن الصور المولدة بالذكاء الاصطناعي (AI-generated images) واحدة من أبرز التحديات التي تواجه الباحثين. تعد صورة بسيطة من صنع خوارزميات معقدة، ولكن كيف يمكن للحواسيب أن تفرق بينها وبين الصور الأصلية؟ هنا يأتي دور إطار عمل جديد يُعرف بـ EvoKnow، والذي يعد بمثابة تقدّم حقيقي في مجال اكتشاف الصور.

عادةً ما يتم تدريب كاشفات الصور المولدة على مجموعة ثابتة من نماذج المولدات وتصبح هذه الأنظمة صعبة الصيانة مع ظهور نماذج جديدة. المشكلة تكمن في أنه بينما يعيد الباحثون تشغيل الصور التاريخية، فإن تكاليف ذلك عالية، كما أن تحديث المعلمات المشتركة باستخدام بيانات محدودة من النماذج الحالية يمكن أن يمحو المعرفة الجنائية السابقة.

يتمثل الحل الذي تقدمه EvoKnow في إطار عمل مذهل يقوم على مفهوم "تطور المعرفة الجنائية". فهو يحتفظ بأساسٍ جنائي مشترك تم تعلمه من المجالات الأساسية، ويضيف بشكل تدريجي خبراء متبقيين منفصلين لدعم الأدلة الخاصة بالنماذج الجديدة. وبالإضافة إلى ذلك، يستخدم EvoKnow جهاز توجيه تحليلي (Analytical Incremental Router - AIR) يتم تحديثه بصيغة مغلقة مستندة إلى الصور المولدة الحالية والإحصاءات المكتسبة.

تجارب EvoKnow تظهر أن النظام يتمتع بقدرة فعالة على التعميم عبر المولدات المختلفة، مما يتيح له التوسع بسهولة في عدد قليل من اللقطات وتحقيق التكيف المستمر على المدى الطويل. ومع تلقي كل نموذج مولد جديد عشرة صور، تمكن EvoKnow من تحقيق دقة متوسطة تبلغ 96.70% على مولدات GenImage غير الأساسية و94.48% على نموذج Chameleon دون الحاجة لتكييف الأداء على معايير مستهدفة. تحت بروتوكول التعلم المستمر الفعلي، حقق EvoKnow أداءً رائدًا، محققًا دقة متوسطة قدرها 96.32% وتقليل متوسط النسيان إلى 4.32%.

تعد هذه الابتكارات في EvoKnow بمثابة خطوة كبيرة نحو تحسين الكشف عن الصور المولدة بالذكاء الاصطناعي، مما سيعزز من الأمان والثقة في استخدام هذه التقنية في مختلف المجالات. ما رأيكم في أهمية تلك التطورات في عالم الذكاء الاصطناعي اليوم؟ شاركونا في التعليقات.