Ant Digital gewann die Auszeichnung „Financial Technology Technology Innovation and Application Case“ für seine Deepfake-Erkennungslösung auf der 12. Digital Finance and Technology Finance Conference der Zhongguancun Forum Series. Diese Lösung basiert auf dem Ant Digital Tianji Laboratory, um den branchenweit ersten groß angelegten, qualitativ hochwertigen, multimodalen Deepfake-Datensatz zu erstellen, der die Genauigkeit und Zuverlässigkeit des Deepfake-Erkennungsmodells effektiv verbessert und erfolgreich auf tatsächliche Finanzdienstleistungsszenarien angewendet wird Schützen Sie die Sicherheit der Benutzerressourcen. Die Erstellung dieses Datensatzes löst die bisherigen Probleme des geringen Trainingsumfangs von Deepfake-Erkennungsmodellen im Finanzbereich und der Unfähigkeit, sie in realen Umgebungen auszuwerten, und fördert die Entwicklung traditioneller Erkennungsmodelle.
Kürzlich wurde auf der 12. Digital Finance and Technology Finance Conference der Veranstaltungsreihe des Zhongguancun Forums die Deepfake-Erkennungslösung von Ant Digital in die Kategorie „Financial Technology Technology Innovation and Application Cases“ der Konferenz aufgenommen.
Mithilfe seiner Tochtergesellschaft Tianji Laboratory hat Ant Digital zum ersten Mal in der Branche einen groß angelegten, hochwertigen, multimodalen Deepfake-Datensatz erstellt, der mehr als eine Million Ebenen an Multimedia-Inhalten synthetisiert und Deepfake vollständig simuliert Die reale Finanzrisikokontrollumgebung ist zu einem wichtigen Kriterium für die Bewertung der Leistung bestehender Deepfake-Erkennungsmodelle im Finanzbereich geworden. In Finanzgeschäftsszenarien hat die Deepfake-Erkennungsgenauigkeit von Ant Digits bei mehreren Testdatensätzen eine Genauigkeit von mehr als 98 % erreicht und mithilfe der Deepfake-Technologie viele Betrugsfälle erfolgreich verhindert und die Vermögenssicherheit der Benutzer geschützt.
Dieser Datensatz löst das Problem, dass Deepfake-Erkennungsmodelle im Finanzbereich nicht in großem Maßstab trainiert und nicht in realen Umgebungen evaluiert werden können. Er fördert auch die Entwicklung traditioneller Erkennungsmodelle aus der Perspektive der multimodalen Analyse. Derzeit ist dieser Datensatz zur Schlüsselfunktion des Anti-Deep-Fake-Produkts ZOLOZDeeper von Ant Digital für die Bedienung externer Kunden geworden.
Es wird davon ausgegangen, dass Ant Digital bis zu 81 fortschrittliche Deepfake-Technologien verwendet, um hochwertige synthetische Bilder zu erzeugen, die eine Vielzahl von Fälschungstechnologietypen, komplexe Lichtverhältnisse, Hintergrundumgebungen und Gesichtsausdrücke abdecken, um komplexe und realistische Angriffsumgebungen in der realen Welt zu simulieren. Neben statischen Bildern werden auch große Mengen an Videodaten mit Ton gesammelt und generiert, darunter mehr als 100 Arten von Fälschungstechniken, die verschiedene Sprachen, Akzente und Hintergrundgeräusche abdecken und so die Vielfalt und Komplexität des Datensatzes gewährleisten.
In der Datenvorverarbeitungs- und Annotationsphase bereinigt und verarbeitet Ant Digital die gesammelten Daten, um die Datenqualität sicherzustellen. Das Expertenteam kommentiert die Daten, um deutlich zu machen, ob jedes Bild oder Video von Deepfake generiert wurde, und stellt gleichzeitig sicher, dass Fälschungsspuren minimiert werden, um einen äußerst realistischen Effekt zu erzielen. Zuvor veröffentlichte Ant Digital eine KI-Datensynthese- und -produktionsplattform, die eine „KI-Dominanz“ auf der Datenannotationsebene erreichte und den Umfang der manuellen Annotation, auf die sich das Annotationsmodell stützte, um mehr als 70 % reduzierte.
Darüber hinaus startete Ant Digital auf der Bund-Konferenz 2024 eine Deepfake Offensive and Defense Challenge, bei der der Deepfake-Datensatz als grundlegende Trainings- und Testdaten für den Wettbewerb verwendet wurde. Mehr als 2.200 Spieler aus 26 Ländern und Regionen auf der ganzen Welt haben sich angemeldet für den Wettbewerb bereit. Durch die von den Teilnehmern beigesteuerten Algorithmuslösungen konnten die Angriffsqualität und die Erkennungsschwierigkeit des Deepfake-Datensatzes effektiv überprüft und bewertet werden.
Mit der Entwicklung der Technologie der künstlichen Intelligenz schreitet auch die Deepfake-Technologie rasant voran. Diese Technologie nutzt Deep-Learning-Algorithmen, um Gesichter in Videos realistisch zu ersetzen. Obwohl Deepfake aktive Anwendungen in Bereichen wie Unterhaltung und Medien hat, birgt die Deepfake-Technologie neue Risiken im Finanzbereich, insbesondere bei den Links zur Identitätsüberprüfung und Transaktionsüberprüfung. Die Identitätsprüfungssysteme von Finanzinstituten basieren häufig auf biometrischen Technologien wie der Gesichtserkennung. Sobald diese Systeme durch Deepfake-Technologie getäuscht werden, kann es zu schwerem Finanzbetrug kommen.
Vor diesem Hintergrund ist es sehr wichtig, ein Erkennungssystem für Deepfake-Angriffe im Finanzbereich zu entwickeln, aber ein leistungsstarkes Deepfake-Erkennungs- und Abwehrmodell erfordert einen hochwertigen Deepfake-Gesichtsdatensatz, der der realen Umgebung entspricht, also wie einen Datensatz zu erstellen, der die reale Welt simuliert und wie die Überprüfung seiner Wirksamkeit ein dringendes Problem darstellt.
Die Deepfake-Erkennungslösung von Ant Digital bietet eine starke Garantie für die finanzielle Sicherheit. Die von ihr erstellten umfangreichen, hochwertigen Datensätze stellen auch wertvolle Ressourcen für die Branchenforschung bereit, fördern die Entwicklung der Deepfake-Erkennungstechnologie und geben eine neue Richtung für die zukünftige finanzielle Sicherheit vor. .