فهرست این فصلبخش ۵، فصل ۳۸ — صفحهٔ ۱۰ از ۱۲
بخش ۵، فصل ۳۸ — صفحهٔ ۱۰ از ۱۲
کاهش خطرهای ناشی از محتوای مصنوعی
متن اصلی فارسی با منشأ، شناسه و پیوند استناد پایدار.
ادامهٔ بخش «۷. نتیجهگیری» — بخش ۳ از ۳
Zhang, X. et al. “High-Resolution Remote Sensing Image Integrity Authentication Method Considering Both Global and Local Features.” ISPRS International Journal of Geo-Information 9, no. 4 (آوریل ۲۰۲۰ (فروردین ۱۳۹۹ تا اردیبهشت ۱۳۹۹)): 254. https://doi.org/10.3390/ijgi9040254.
Zhao, Y. et al. “Perceptual Image Hashing Based on Color Structure and Intensity Gradient.” IEEE Access 8 (2020): 26041–53. https://doi.org/10.1109/ACCESS.2020.2970757.
Zimmermann, R. et al. “Increasing Confidence in Adversarial Robustness Evaluations.” arXiv, ۲۸ ژوئن ۲۰۲۲ (۷ تیر ۱۴۰۱). https://doi.org/10.48550/arXiv.2206.13991.
Zingarini, G. et al“M3Dsynth: A Dataset of Medical 3D Images with AI-Generated Local Manipulations.” arXiv, ۱۴ سپتامبر ۲۰۲۳ (۲۳ شهریور ۱۴۰۲). https://doi.org/10.48550/arXiv.2309.07973.
- Zobaed, S. et al. “DeepFakes: Detecting Forged and Synthetic Media Content Using Machine Learning.” In Artificial Intelligence in Cyber Security: Impact and Implications: Security Challenges, Technical and Ethical Issues, Forensic Investigative Challenges, edited by Reza Montasari and Hamid Jahankhani, 177–
- Advanced Sciences and Technologies for Security Applications. Cham: Springer International Publishing, 2021. https://doi.org/10.1007/978-3-030-88040-8_7.
- پیشگیری از آسیبهای CSAM و NCII مصنوعی و کاهش آنها
- Balaji, K. et al. “Medical Image Analysis With Deep Neural Networks.” Deep Learning and Parallel Computing Environment for Bioengineering Systems (2019).
- https://www.sciencedirect.com/topics/engineering/image-classification.
Belanger, A. “Toxic Telegram group produced X’s X-rated fake AI Taylor Swift images, report says.” Ars Technica, ژانویه ۲۰۲۴ (دی ۱۴۰۲ تا بهمن ۱۴۰۲). https://arstechnica.com/tech-policy/2024/01/fake-ai-taylor-swift-images-flood-x-amid-calls-to-criminalize-deepfake-porn/.
“DALL·E 3 System Card.” OpenAI, 2023. https://cdn.openai.com/papers/DALL_E_3_System_Card.pdf.
- Davis, J. et al. “The Relationship Between Precision-Recall and ROC Curves.” Proceedings of the 23rd International Conference on Machine Learning (2006). https://www.biostat.wisc.edu/~page/rocpr.pdf.
“Detailed Class Descriptions – Text Moderation.” Hive, n.d. https://docs.thehive.ai/docs/detailed-classdescriptions-text-moderation.
Edelman, B. et al. “Watermarking in the sand.” Kempner Institute, Harvard University, نوامبر ۲۰۲۳ (آبان ۱۴۰۲ تا آذر ۱۴۰۲). https://www.harvard.edu/kempner-institute/2023/11/09/watermarking-in-the-sand/.
Epstein, R. et al. “Girlhood Interrupted: The Erasure of Black Girls’ Childhood.” Georgetown Center on Poverty and Inequality, ژوئیه ۲۰۱۷ (تیر ۱۳۹۶ تا مرداد ۱۳۹۶). https://genderjusticeandopportunity.georgetown.edu/wpcontent/uploads/2020/06/girlhood-interrupted.pdf.
«فرمان اجرایی دربارهٔ توسعه و کاربرد ایمن، امن و قابلاعتماد هوش مصنوعی» (Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence). کاخ سفید، اکتبر ۲۰۲۳ (مهر ۱۴۰۲ تا آبان ۱۴۰۲). https://www.whitehouse.gov/briefing-room/presidentialactions/2023/10/30/executive-order-on-the-safe-secure-and-trustworthy-development-and-use-ofartificial-intelligence/.
"FBI and Partners Issue National Public Safety Alert on Sextortion Schemes." U.S. Attorney's Office, Southern District of Indiana, ژانویه ۲۰۲۳ (دی ۱۴۰۱ تا بهمن ۱۴۰۱). https://www.justice.gov/usao-sdin/pr/fbi-and-partners29 issue-national-public-safety-alert-sextortion-schemes.
"Gendered Disinformation: Tactics, Themes, and Trends by Foreign Malign Actors." Global Engagement Center, U.S. Department of State, مارس ۲۰۲۳ (اسفند ۱۴۰۱ تا فروردین ۱۴۰۲). https://www.state.gov/gendered-disinformation-tactics32 themes-and-trends-by-foreign-malign-actors/.
Gorro, K. et al. “An Experimental Approach for Hybrid Content-based Web Page Detection” Proceedings of the 2022 10th International Conference on Information Technology: IoT and Smart City (دسامبر ۲۰۲۲ (آذر ۱۴۰۱ تا دی ۱۴۰۱)): 54–59. https://doi.org/10.1145/3582197.3582206.
“How Hashing and Matching Can Help Prevent Revictimization.” Thorn, اوت ۲۰۲۳ (مرداد ۱۴۰۲ تا شهریور ۱۴۰۲). https://www.thorn.org/blog/hashing-detect-child-sex-abuse-imagery/.
Khrystyna. “Guide to Licensing your Photos online properly.” Fair Licensing, مارس ۲۰۲۳ (اسفند ۱۴۰۱ تا فروردین ۱۴۰۲). https://www.fairlicensing.com/en/blog/guide_to_licensing_your_photos_online_properly.
- Lakatos, S. “A Revealing Picture: AI-Generated ‘Undressing’ Images Move from Niche Pornography Discussion Forums to a Scaled and Monetized Online Business.” Graphika, دسامبر ۲۰۲۳ (آذر ۱۴۰۲ تا دی ۱۴۰۲). https://public-assets.graphika.com/reports/graphika-report-a-revealing-picture.pdf.
- Lanxon, N. “Why Are Deepfakes Everywhere? Can They Be Stopped?” Bloomberg, فوریه ۲۰۲۴ (بهمن ۱۴۰۲ تا اسفند ۱۴۰۲). https://www.bloomberg.com/news/articles/2024-02-09/fighting-deepfakes-whats-being-done-biden- robocalls-to-taylor-swift-ai-images.
- Li, G. et al. “Warfare: Breaking the Watermark Protection of AI-Generated Content.” arXiv, دسامبر ۲۰۲۳ (آذر ۱۴۰۲ تا دی ۱۴۰۲). https://arxiv.org/pdf/2310.07726.pdf.
- «تعدیل سوگیری در هوش مصنوعی: دفترچهٔ راهنمای رهبری آشنا با مفاهیم عدالت» (Mitigating Bias in Artificial Intelligence: An Equity Fluent Leadership Playbook). The Center for Equity,
- Gender and Leadership at the Haas School of Business, University of California, Berkeley, ژوئیه ۲۰۲۰ (تیر ۱۳۹۹ تا مرداد ۱۳۹۹). https://haas.berkeley.edu/wp-content/uploads/UCB_Playbook_R10_V2_spreads2.pdf.
“Moderation.” Platform.openai.com, n.d. https://platform.openai.com/docs/models/moderation.
Nichol, Al. et al. “GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models.” Proceedings of the 39th International Conference on Machine Learning (2022). https://proceedings.mlr.press/v162/nichol22a/nichol22a.pdf.
«مجوزهای باز» (Open Licenses). Resources.data.gov، بدون تاریخ. https://resources.data.gov/open-licenses/.
Qu, Y. et al. “Unsafe Diffusion: On the Generation of Unsafe Images and Hateful Memes From Text-ToImage Models.” ACM Conference on Computer and Communications Security (نوامبر ۲۰۲۳ (آبان ۱۴۰۲ تا آذر ۱۴۰۲)). https://arxiv.org/pdf/2305.13873.pdf.
Rando, J. “Red-Teaming the Stable Diffusion Safety Filter.” ML Safety Workshop, 36th Conference on Neural Information Processing Systems (2022). https://arxiv.org/pdf/2210.04610v5.pdf.
- Friedler, S. et al. “AI Red-Teaming Is Not a One-Stop Solution to AI Harms: Recommendations for Using Red-Teaming for AI Accountability.” Data & Society, اکتبر ۲۰۲۳ (مهر ۱۴۰۲ تا آبان ۱۴۰۲). https://datasociety.net/wp- content/uploads/2023/10/Recommendations-for-Using-Red-Teaming-for-AI-AccountabilityPolicyBrief.pdf/.
Tabone, A. et al. «Pornographic content classification using deep-learning.» DocEng (۲۰۲۱). https://dl.acm.org/doi/pdf/10.1145/3469096.3469867.
Thiel, D. «Investigation Finds AI Image Generation Models Trained on Child Abuse.» Stanford Cyber Policy Center، دسامبر ۲۰۲۳ (آذر ۱۴۰۲ تا دی ۱۴۰۲). https://cyber.fsi.stanford.edu/news/investigation-finds-ai-imagegeneration-models-trained-child-abuse.
Thiel, D. et al. «Cross-Platform Dynamics of Self-Generated CSAM.» Stanford Cyber Policy Center، ژوئیه ۲۰۲۳ (تیر ۱۴۰۲ تا مرداد ۱۴۰۲). https://stacks.stanford.edu/file/druid:jd797tp7663/20230606-sio-sg-csam-report.pdf.
- Upadhyay, D. et al. «Investigating the Avalanche Effect of Various Cryptographically Secure Hash Functions and Hash-Based Applications.» IEEE Access، جلد ۱۰ (۲۰۲۲): 112472-112486. https://ieeexplore.ieee.org/document/9923931.
- Vincent, James. «Anyone can use this AI art generator – that's the risk.» The Verge، سپتامبر ۲۰۲۲ (شهریور ۱۴۰۱ تا مهر ۱۴۰۱). https://www.theverge.com/2022/9/15/23340673/ai-image-generation-stable-diffusion-explained- ethics-copyright-data.
- «Visual Moderation.» Hive، بدون تاریخ. https://docs.thehive.ai/docs/visual-content-moderation/.
- «What is Azure AI Content Safety?» Microsoft، دسامبر ۲۰۲۳ (آذر ۱۴۰۲ تا دی ۱۴۰۲). https://learn.microsoft.com/en-
- us/azure/ai-services/content-safety/overview.
- کاربرد مفاهیم بر چرخه حیات چارچوب مدیریت ریسک هوش مصنوعی (AI Risk Management Framework, AI RMF)
- «AI Risk Management Framework (AI RMF).» NIST، سند، ژانویه ۲۰۲۳ (دی ۱۴۰۱ تا بهمن ۱۴۰۱). https://www.nist.gov/itl/ai-risk5 management-framework.
- آشکارسازی تصویر مصنوعی (Synthetic Image Detection) (ضمیمه D)
- Sohan, M et al. (۲۰۲۳). «A survey on deepfake video detection datasets,» Indonesian Journal of Electrical
- Engineering and Computer Science. 32.
- https://www.researchgate.net/publication/374142887_A_survey_on_deepfake_video_detection_datas
- ets.
- Wu, J. et al. (۲۰۲۳). Survey on LLM-generated Text Detection: Necessity, Methods, and Future Directions,» http://arxiv.org/abs/2310.14724
- Zhu, M. et al. (۲۰۲۳). «GenImage: A Million-Scale Benchmark for Detecting AI-Generated Image,»
- https://arxiv.org/pdf/2306.08571
Appendix A. Current Standards
- 2
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S30
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S30-F247B358
A.1. استانداردها و رهنمودهای محتوای مصنوعی
استانداردهای سختافزاری، نرمافزاری و مدیریت ریسک متنوعی برای سیستمهای هوش مصنوعی وجود دارد که با احراز اصالت «محتوای مصنوعی» (Synthetic Content) مرتبطاند ۴. جدول زیر فهرستی غیرمستنفد ارائه میکند.
| استاندارد | دامنه | هدف | سازمان(های) صادرکننده |
|---|---|---|---|
| ISO/IEC 38505-1:2017 | حکمرانی دادهها | ارزیابی، هدایت و «پایش» (Monitoring) نحوهٔ مدیریت و استفاده از دادهها در سازمانها. | سازمان بینالمللی استانداردسازی (ISO) و کمیسیون الکتروتکنیکی بینالمللی (IEC) |
| ISO/IEC 23894:2023 | مدیریت ریسک هوش مصنوعی | ادغام «مدیریت ریسک» (Risk management) در فعالیتها و کارکردهای مرتبط با هوش مصنوعی. | ISO و IEC |
| ISO/IEC JTC 1/SC 29 | صدا، تصویر، چندرسانهای و ابررسانه | کدگذاری اطلاعات دیجیتال مانند فرادادههای چندرسانهای، محیطی و مرتبط با کاربر، «امنیت» (Security) رسانه، مدیریت «حریم خصوصی» (Privacy)، احراز اصالت منبع و راستیآزمایی یکپارچگی. | ISO و IEC |
| IPTC Photo Metadata standard | عکسها | تعریف ساختار فراداده، «ویژگیها» (properties) و فیلدها بهگونهای که تصاویر بهبهترین شکل توصیف و بعداً بهآسانی بازیابی شوند. | شورای بینالمللی مخابرات مطبوعاتی (IPTC) |
| ISO/IEC 2022:2021 | سیستمهای مدیریت امنیت اطلاعات | سنجش یک محصول نرمافزاری بر اساس امنیت داخلی، «قابلیت اطمینان» (Reliability)، کارایی عملکرد و قابلیت نگهداشت. | ISO و IEC |
| ISO/IEC/IEEE 29119 | آزمون نرمافزار | آزمون در سراسر چرخهٔ حیات هوش مصنوعی و برای سیستمهای جعبهسیاه، که مستقیماً در بستر سیستمهای GAI کاربرد دارند. | ISO، IEC و مؤسسهٔ مهندسان برق و الکترونیک (IEEE) |
| ISO/IEC 22989:2022 | مفاهیم و اصطلاحشناسی هوش مصنوعی | تدوین اصطلاحشناسی برای هوش مصنوعی و توصیف مفاهیم در این حوزه. | ISO و IEC |
|---|---|---|---|
| ISO/IEC 42001:2023 | هوش مصنوعی — سامانه مدیریت | تعیین الزامات برقراری، اجرا، نگهداشت و بهبود مستمر «سامانه مدیریت هوش مصنوعی» (Artificial Intelligence Management System, AIMS) در سازمانها. | ISO و IEC |
| ISO/IEC TR 24027:2021 | سوگیری در سیستمهای هوش مصنوعی و تصمیمگیریهای بهکمک هوش مصنوعی | توصیف فنون و روشهای سنجش برای ارزیابی «سوگیری» (Bias) با هدف پرداختن به آسیبپذیریهای مرتبط با سوگیری و درمان آنها. | ISO و IEC |
| ISO/IEC TS 4213:2022 | ارزیابی عملکرد طبقهبندی «یادگیری ماشین» (Machine Learning, ML) | تعیین روششناسیهای سنجش عملکرد طبقهبندی «مدلها» (Models)، سیستمها و الگوریتمهای یادگیری ماشین. | ISO و IEC |
| SMPTE 2112-10 | استاندارد اتصال باز شناسههای محتوا | توصیف روشی برای پیوند شناسههای محتوا با رسانه با بهرهگیری از «واترمارکگذاری» (Watermarking) صوتی، بهگونهای که محتوا بهطور الکترونیکی و صوتی قابل شناسایی باشد | کمیتهٔ فناوری انجمن مهندسان فیلم و تلویزیون (SMPTE) در حوزهٔ تلویزیون و پهنباند (24TB) |
| ATSC A/334 | واترمارکگذاری صوتی | تعیین واترمارک صوتی VP1 برای استفاده در سیستمهای منطبق با خانوادهٔ مشخصات ATSC 3.0 و قالبی که واترمارک صوتی در سیگنال صوتی PCM جای میگیرد | کمیتهٔ سیستمهای تلویزیون پیشرفته (ATSC) |
| ATSC A/335 | واترمارکگذاری ویدیویی | توصیف فناوری واترمارکگذاری ویدیویی برای درج پایدار دادههای کمکی در «پیکسلها» (pixels) منتقلشدهٔ سیگنال ویدیویی | کمیتهٔ سیستمهای تلویزیون پیشرفته (ATSC) |
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S31
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S31-9ABDE5E2
A.2. شیوهها و رهنمودهای برگزیدهٔ مؤسسه ملی استاندارد و فناوری آمریکا (NIST)
- کارهای پیشین NIST در حوزههای هوش مصنوعی، حریم خصوصی و امنیت سایبری در زمینهٔ احراز اصالت محتوای مصنوعی سودمندند. رهنمودهای برگزیده در ادامه فهرست شدهاند.
| چارچوب | توضیحات |
|---|---|
| چارچوب مدیریت ریسک هوش مصنوعی NIST | بنیاد آنچه سازمانها برای مدیریت ریسک سیستمهای هوش مصنوعی بهتر است انجام دهند. |
| کتاب راهنمای چارچوب مدیریت ریسک هوش مصنوعی NIST | بنیاد چگونگی اجرای چارچوب مدیریت ریسک هوش مصنوعی NIST. |
| هستهٔ چارچوب مدیریت ریسک هوش مصنوعی (AI RMF Core) | دستاوردها و اقدامهایی که گفتوگو، فهم و فعالیتهای لازم برای مدیریت ریسکهای هوش مصنوعی و توسعهٔ مسئولانهٔ سیستمهای هوش مصنوعی اعتمادپذیر را ممکن میسازند. |
| کنترلهای امنیت و حریم خصوصی برای سیستمها و سازمانهای اطلاعاتی | فهرستی از کنترلهای امنیت و حریم خصوصی برای سیستمها و سازمانهای اطلاعاتی بهمنظور حفاظت از عملیات و داراییهای سازمانی، افراد، سایر سازمانها و کشور در برابر طیف گستردهای از تهدیدها و ریسکها. |
| رهنمودهای هویت دیجیتال و پیشنویس عمومی اولیهٔ ۲۰۲۲ (IPD) رهنمودهای هویت دیجیتال | الزامات فنی برای نهادهای فدرالی که خدمات هویت دیجیتال را پیادهسازی میکنند. پیشنویس عمومی اولیهٔ ۲۰۲۲ (IPD) رهنمودهای هویت دیجیتال، اقدامات پیشگیری از تقلب نسخههای پیشین را تقویت میکند. |
| چارچوب حریم خصوصی (Privacy Framework) | ابزاری برای بهبود حریم خصوصی از طریق مدیریت ریسک سازمانی. |
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S32
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S32-D7600234
A.3. استانداردهای فراداده
- فرادادهٔ EXIF (Exchangeable Image File Format): استانداردی که قالبهای تصویر، صدا و برچسبهای جانبی مورد استفادهٔ دوربینهای دیجیتال (از جمله گوشیهای هوشمند)، اسکنرها و سایر سیستمها را مشخص میکند. دادههای EXIF شامل جزئیاتی دربارهٔ مدل دوربین استفادهشده، سرعت شاتر، تاریخ ایجاد و اطلاعات مکانی است.
- فرادادهٔ IPTC (International Press Telecommunications Council): استانداردی برای تبادل فراداده در تصاویر، بهویژه تصاویر بهکاررفته در روزنامهنگاری. این استاندارد شامل فیلدهایی برای اطلاعاتی مانند عنواننوشته، کلیدواژهها، مکان و حق نشر است.
- فرادادهٔ XMP (Extensible Metadata Platform): استانداردی از ISO که در اصل توسط Adobe Systems Inc. ایجاد شده و برای ایجاد، پردازش و تبادل فرادادهٔ استاندارد و سفارشی برای اسناد دیجیتال (مانند تصاویر، ویدیوها و PDFها) است.
- ANSI/NISO Z39.87-2006 (R2017) Data Dictionary - Technical Metadata for Digital Still Images: مجموعهای از عناصر فراداده را برای تصاویر دیجیتال شطرنجی (رَستری) تعریف میکند تا کاربران بتوانند فایلهای تصویر دیجیتال را توسعه دهند، تبادل کنند و تفسیر نمایند. این فرهنگ لغت بهگونهای طراحی شده که همکنشپذیری (Interoperability) میان سیستمها، خدمات و نرمافزارها را تسهیل کند و از مدیریت بلندمدت و دسترسی مستمر به مجموعههای تصویر دیجیتال پشتیبانی نماید.
- textMD: یک XML Schema که فرادادهٔ فنی اشیای دیجیتال متنی را با جزئیات شرح میدهد. این ابزار بیش از همه بهعنوان یک اسکیمای الحاقی در بخش فرادادهٔ مدیریتیِ Metadata Encoding and Transmission Schema (METS) بهکار میرود؛ اما همچنین ممکن است بتواند بهصورت سندی مستقل وجود داشته باشد. در حالی که textMD به فایلهای متنی پیوست میشود، صفحههای مجزای یک سند نیز میتوانند بهعنوان اشیای متمایز با فرادادهٔ خاص خود تعریف شوند.
- ISO/IEC 11179 Metadata Registry (MDR): استانداردی برای مدیریت دفترهای ثبت فراداده که برای تضمین همکنشپذیری میان سیستمهای مختلف طراحی شده است.
- Dublin Core Metadata Initiative (DCMI): یکی از پرکاربردترین استانداردهای فرادادهٔ دیجیتال. DCMI مجموعهای ساده و انعطافپذیر از عناصر فراداده ارائه میدهد که میتواند برای توصیف انواع مختلف منابع دیجیتال بهکار رود. عنوانها، پدیدآورندگان، موضوعها، توصیفها، تاریخها، قالبها و شناسهها از عناصر اساسیای هستند که این مجموعه ارائه میدهد. این مؤلفهها مبنایی برای همکنشپذیری میان سیستمهای فرادادهٔ گوناگون فراهم میکنند و میتوان از آنها برای ساخت فرادادههای گویا استفاده کرد.
- Metadata Object Description Schema (MODS): سیستمی مبتنی بر XML که توسط Library of Congress ایجاد شده است. این سیستم عناصر خاصی را برای انواع محتوا، از جمله موسیقی، عکس، ویدیو، اسناد و نقشهها ارائه میدهد و توصیفِ دقیقتر منابع را ممکن میسازد. افزون بر این، رمزگذاری روابط پیچیده میان منابع را تسهیل میکند و امکان ترسیم مجموعهها، سریها یا ساختارهای سلسلهمراتبی را فراهم میآورد.
- The Metadata Encoding and Transmission Standard (METS): استانداردی بیانشده در XML برای رمزگذاری فرادادهٔ توصیفی، مدیریتی و ساختاریِ اشیای درون یک کتابخانهٔ دیجیتال، که وسیلهای را برای انتقال فرادادهٔ لازم برای هم مدیریت اشیای دیجیتال درون یک مخزن و هم تبادل چنین اشیایی میان مخزنها (یا میان مخزنها و کاربران آنها) فراهم میکند.
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S33
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S33-EC496E96
پیوست B. ابزارهای فنی
- ۲ ابزار فنی منتخب مرتبط با شفافیت محتوای دیجیتال (Digital Content Transparency).
| نام ابزار | دامنه | مودالیته | توضیحات |
|---|---|---|---|
| Google Deepmind SynthID | واترمارکگذاری (Watermarking) و شناسایی | تصویر، صدا | ابزاری برای واترمارک دیجیتال و شناسایی محتوای تولیدشده با هوش مصنوعی |
| C2PA Tool | احراز هویت محتوا | تصویر، ویدئو، صدا | ابزارهای متنباز برای اصالت (authenticity) و منشأ (Provenance) محتوا |
| Documents | |||
| HIVE Classification APIs | تشخیص (Detection) | تصاویر، متن | شناسایی تصاویر و متونی که با هوش مصنوعی تولید یا تغییر یافتهاند |
| AISEO | تشخیص | متن | شناسایی متن انسانی و متن تولیدشده با هوش مصنوعی |
| Photoguard | دیپفیک (Deepfake) | تصویر | جلوگیری از دستکاری غیرمجاز تصاویر |
| Sensity | دیپفیک | تصویر، ویدئو | تشخیص تصاویر و ویدئوهای دیپفیک |
| GPTzero | تشخیص | متن | تشخیص متن تولیدشده با هوش مصنوعی |
| Turnitin | تشخیص | متن | تشخیص متن تولیدشده با هوش مصنوعی؛ تخصصی برای نوشتههای دانشجویی |
| RADAR | تشخیص | متن | چارچوبی برای متن تولیدشده با هوش مصنوعی |
| Resemble AI | تشخیص | صدا | تشخیص صداهای تولیدشده با هوش مصنوعی و دیپفیکها |
| Truepic Lens | احراز هویت محتوا | تصویر، ویدئو | کیت توسعه نرمافزار دوربین موبایل مجهز به استاندارد (Standard) C2PA |
| Serelay | احراز هویت محتوا | تصویر، ویدئو | راستیآزمایی اصالت تصاویر/ویدئوهای ثبتشده |
| Attestiv | احراز هویت مبتنی بر بلاکچین | تصویر، ویدئو | اعتبارسنجی رسانه و تشخیص تقلب |
| Documents | |||
| Copyleaks | تشخیص | متن، کد منبع | تشخیص محتوای تولیدشده با هوش مصنوعی از جمله سرقت ادبی در کد منبع |
| Azure AI Content Safety | تعدیل محتوا | متن، تصویر | تشخیص محتوای زیانبار تولیدشده توسط کاربران و هوش مصنوعی در برنامهها و خدمات |
| Reality Defender | دیپفیک | متن، تصویر، ویدئو، صدا | تشخیص دیپفیکها و محتوای مولد |
| Verify | احراز هویت | تصویر، ویدئو، صدا | بررسی و راستیآزمایی اعتبارنامههای محتوایی یک محتوای دیجیتال |
| FakeNet AI | دیپفیک | ویدئو | تشخیص رسانههای سنتزی |
| PhotoDNA | CSAM | تصویر، ویدئو | تشخیص محتوای CSAM |
| CSAI Match | CSAM | ویدئو | تشخیص ویدئوهای CSAM |
| NeuralHash | CSAM | تصویر | تشخیص CSAM روی دستگاههای سرویسگیرنده |
| PDQ | CSAM | تصویر | تشخیص محتوای CSAM |
| TMK+PDQF | ویدئو | ||
| eGLYPH | محتوای زیانبار | صدا، تصویر | سیستم هشداردهنده برای پلتفرمهای رسانههای اجتماعی |
| Video | |||
| GIFCT | محتوای زیانبار | تصویر، ویدئو | پایگاهداده هش مشترک برای شناسایی مواد مرتبط با تروریسم (Terrorism) |
| TinEye | بازیابی | تصویر | جستوجو و بازیابی تصاویر مشابه از منظر ادراکی از جمله منبع تصویر |
| Google reverse image search | بازیابی | تصویر | جستوجو و بازیابی تصاویر مشابه از منظر ادراکی از جمله منبع تصویر |
| Steg.AI | واترمارکگذاری | تصویر، ویدئو، اسناد | ایمنسازی و احراز هویت داراییهای دیجیتال با استفاده از واترمارکهای جرمیابی (forensic) |
| SAFE | واترمارکگذاری | داراییهای دیجیتال | ابزار درج و تشخیص واترمارک دیجیتال برای داراییهای دیجیتال |
| ZIRCON | واترمارکگذاری | اینترنت اشیا (IoT) | رویکردی نوین در واترمارکگذاری صفر برای برقراری قابلیت اعتماد (Trustworthiness) دادهها بهصورت سرتاسری در یک شبکه IoT |
| Imatag | واترمارکگذاری | تصویر، ویدئو | واترمارک دیجیتال برای درج واترمارکهای نامرئی، امن و مقاوم در طول |
| فرایند تولید تصویر | |||
| WinstonAI | تشخیص | متن | ابزار تشخیص محتوای هوش مصنوعی برای متون تولیدشده توسط LLMها |
| ZeroGPT | تشخیص | متن | ابزار تشخیص محتوای هوش مصنوعی برای متون تولیدشده توسط LLMها |
- پیوست C. رهگیری (tracking) دادههای اصالت و منشأ (Provenance Data)
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S34
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S34-4855B022
C.1. نمونههایی از موارد کاربرد واترمارکگذاری دیجیتال
- Steganography (پنهاننگاری): «واترمارکگذاری» (Watermarking) میتواند برای پنهانسازی یا مخفیکردن یک پیام (متن، فایل، تصویر یا ویدیو) درون محتوای دیجیتال دیگری بهکار رود؛ این کار با تغییردادن اطلاعات متنی، تغییردادن مقادیر پیکسلها در یک تصویر، یا درجکردن صداهای گسسته در یک فایل صوتی صورت میگیرد که نسبت به تشخیص انسانی (بینایی یا شنوایی) پنهان هستند.
- واترمارکگذاری جرمشناسی نامرئی: واترمارکگذاری مجموعهدادهها، واترمارکگذاری مدلها، و پنهاننگاری را میتوان برای امنسازی داراییهای دیجیتال، مانند ردیابیکردن محتوا به مدلهای خاص، با یکدیگر ترکیب کرد.
- حفاظت از حق نشر: واترمارکگذاری برای حفاظت از محتوای رسانهای دیجیتال، مانند تصاویر، صداها و ویدیوها، در برابر استفاده یا توزیع غیرمجاز بهکار رفته است؛ این کار از طریق جاسازی اطلاعات مالکیت یا حق نشر
- انجام میشود. این کار ممکن است دزدی محتوا (قرصهگری) و توزیع غیرمجاز را بازدارد، خواه به این دلیل که میتوان تشخیص داد محتوا متعلق به شخص دیگری است، خواه به این دلیل که یک واترمارک آشکار محتوا را
- غیرقابل استفاده میکند. واترمارکها همچنین توسط خبرگزاریهای جهانی برای ردیابی و پایش توزیع محتوای رسانهای دیجیتال در میان کانالها یا پلتفرمها، با هدف مبارزه با نقض حق نشر، بهکار رفتهاند.
- احراز اصالت محتوا: واترمارکگذاری میتواند «اصالت» (authenticity) منشأ و یکپارچگی محتوای دیجیتال را تأیید کند و در عین حال احتمال دستنخوردگی یا تغییرنیافتن محتوا را کمینه سازد.
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S35
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S35-56AB4ED5
C.2. کاربردهای «واترمارکگذاری» (Watermarking) پیش از ایجاد محتوا
- کاربرد نشانهای آبی میتواند از مجموعهدادهها و مدلهای آموزشدیده تا تولید محتوای دیجیتال امتداد یابد. برای مثال، برخی از انواع و ردههایی که به کار میروند عبارتاند از:
| واترمارکگذاری مجموعهداده | تکنیکی است که یک شناسه یکتا را جایگذاری میکند که منشأ (Provenance) یک مجموعهداده را ردیابی کرده و بهعنوان اثبات مالکیت محتوای دیجیتال عمل میکند. |
| واترمارکگذاری مدل | تکنیکی است که یک شناسه یکتا را در یک مدل جایگذاری میکند و بهعنوان اثبات مالکیت محتوای دیجیتال عمل میکند و در عین حال از استفادههای غیرمجاز و توزیع غیرمجاز جلوگیری میکند. |
| واترمارکگذاری تفاضلی | تکنیکی است که یک شناسه یکتا را میان دو نقطه داده (مقادیر پیکسل یا ویژگیهای یک جدول داده/مجموعهداده جدولی) جایگذاری میکند. |
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P05-C38-S36
شناسهٔ محتوا KDJ-AI-2026E1-P05-C38-S36-78DA0367