Base di conoscenza forense sull'intelligenza artificiale

Approfondisci la scienza della verifica digitale. Scopri come SUS IT rileva la manipolazione di audio, video, immagini e documenti utilizzando la tecnologia forense all'avanguardia.

Analisi forense su musica e audio

Analisi forense su musica e audio

I modelli di clonazione musicale e vocale basati sull’intelligenza artificiale funzionano prevedendo le forme d’onda audio sulla base di vasti set di dati. Sebbene diventino incredibilmente convincenti per l'orecchio umano, spesso lasciano microscopiche "impronte digitali" nello spettro di frequenze che SUS IT è progettato per rilevare.

Come lo rileviamo:

  • Cutoff ad alta frequenza: Molti modelli di intelligenza artificiale faticano a generare dati coerenti al di sopra di 16kHz-20kHz, creando uno scaffale rigido o "vuoto" innaturale nello spettrogramma che raramente esiste nelle registrazioni naturali.
  • Incoerenza di fase: Il suono naturale ha una relazione fisica tra le frequenze. La generazione dell'IA spesso tratta le frequenze matematicamente ma ignora il loro allineamento di fase, portando a una sottile qualità "metallica" o "sporca" nota come artefatti del vocoder di fase.
  • Sbavature transitorie: L'attacco iniziale di un suono (come un rullante o una "t" consonante) è acuto e definito nell'audio reale. Nella generazione dell'intelligenza artificiale, questi transitori sono spesso più morbidi o "più molli" a causa del processo di diffusione.
Rilevamento video e deepfake

Rilevamento video e deepfake

I deepfake utilizzano le reti neurali per mappare un volto su un altro. SUS IT guarda oltre l'immagine superficiale verso la fisica del video stesso. Analizziamo la coerenza fotogramma per fotogramma per individuare i problemi che si verificano quando l'IA perde il tracciamento.

Indicatori chiave:

  • Sfarfallio temporale: L'intelligenza artificiale spesso rigenera il viso in modo leggermente diverso in ogni fotogramma, facendo "luccicare" o tremolare impercettibilmente la struttura della pelle (instabilità temporale).
  • Segnali biologici (rPPG): I volti reali presentano sottili cambiamenti di colore dovuti al battito cardiaco (fotopletismografia remota). I deepfake attualmente faticano a replicare accuratamente questo segnale biologico invisibile attraverso una sequenza temporale.
  • Mancate corrispondenze di sincronizzazione labiale: Confrontiamo i fonemi (suoni) nella traccia audio con i visemi (forme della bocca) nel video per rilevare il disallineamento che si verifica nei contenuti doppiati dall'intelligenza artificiale.
Analisi delle immagini

Analisi delle immagini

Le reti generative avversarie (GANs) e i modelli di diffusione creano immagini dal rumore. Questo processo lascia dietro di sé un modello di rumore regolare, simile a una griglia, distinto dal rumore casuale riscontrato nei sensori della fotocamera (grana ISO).

Dichiarazioni visive:

  • Logica anatomica: Mentre i modelli stanno migliorando, l’intelligenza artificiale è ancora alle prese con geometrie complesse e connesse: mani che si fondono in oggetti, gioielli senza senso o pupille che non sono perfettamente circolari (riflessione dell’iride non circolare).
  • Fisica dell'illuminazione: L’intelligenza artificiale spesso si avvicina all’illuminazione anziché simularla. Cerchiamo ombre che non si allineino con fonti di luce o riflessi negli occhi che non si adattino all'ambiente.
  • Artefatti di upscaling: Molte immagini AI vengono generate a bassa risoluzione e ingrandite. Ciò spesso lascia un distinto motivo a "scacchiera" visibile ad alti livelli di ingrandimento.
Verifica di documenti e testi

Verifica di documenti e testi

I modelli AI Large Language Models (LLMs) sono motori di previsione statistica. Tendono a scegliere la parola successiva più "probabile", risultando in un testo grammaticalmente perfetto ma statisticamente "piatto" rispetto alla scrittura umana.

I nostri parametri:

  • Perplessità: Una misura di quanto un modello sia "sorpreso" dal testo. Una bassa perplessità suggerisce che il testo segua modelli di intelligenza artificiale standard; un'elevata perplessità suggerisce l'idiosincrasia umana.
  • Scoppiosità: Gli esseri umani variano la struttura e la lunghezza delle frasi in modo dinamico (elevata rapidità). Scriviamo frasi brevi. E poi scriviamo frasi lunghe e complesse che si snodano attraverso i processi mentali. L'intelligenza artificiale tende ad essere più monotona e uniforme nel ritmo.

⚡Ottimizzazione dell'analisi

Come ottenere i risultati forensi più accurati e uno sguardo a cosa succede dietro le quinte.

Carica le migliori pratiche

1

Evita MP3 e compressione

La compressione MP3 taglia le alte frequenze (>16kHz) in un modo che sembra identico ai primi modelli AI. Per una precisione del 100%, carica sempre file WAV o FLAC.

2

File originali > Registrazioni schermo

La registrazione dello schermo di un video introduce la "fusione dei fotogrammi" e gli artefatti di ricodifica che possono mascherare i difetti dell'IA originali o creare falsi positivi. Carica sempre il file sorgente quando possibile.

3

Grezzo vs elaborato

I media pesantemente modificati (filtri, regolazione automatica, gradazione del colore) sono più difficili da analizzare. Se sei un creatore che dimostra l'autenticità, carica i gambi grezzi o i filmati grezzi della fotocamera.

Approfondimento tecnico: il motore del "pensiero".

SUS IT non è solo un semplice classificatore. Utilizziamo modelli di ragionamento di prossima generazione configurati con un budget di pensiero forense esteso.

Perché "pensare" è importante

I rilevatori di intelligenza artificiale standard indovinano istantaneamente in base a modelli. Il nostro sistema è impegnato in un processo forense Chain-of-Thought. Discute esplicitamente le prove: "Questo artefatto è un errore di compressione o un difetto generativo?" oppure "Questo problema visivo è un errore di rendering o semplicemente un effetto tapparella?" prima di emettere un verdetto finale.

  • ●Analisi multimodale: Analizziamo simultaneamente gli spettrogrammi audio (frequenza), i vettori dei fotogrammi video (movimento) e le griglie di pixel (trama).
  • ●Filtraggio dei falsi positivi: Chiediamo esplicitamente al modello di identificare e ignorare le tecniche comuni di modifica umana come Warp Stabilizer, riduzione del rumore o Auto-Tune.

Precisione in continua evoluzione

I modelli di intelligenza artificiale si evolvono quotidianamente, e così anche SUS IT. I nostri algoritmi di rilevamento vengono continuamente aggiornati per riconoscere le tecniche di ultima generazione, dai generatori di immagini basati su Flux ai più recenti modelli di clonazione vocale come ElevenLabs e Suno.

Non controlliamo solo gli artefatti conosciuti; analizziamo le proprietà statistiche fondamentali dei media per stare al passo con i tempi. Il nostro team perfeziona costantemente i nostri strumenti per fornirti risultati più accurati, affidabili e granulari ad ogni aggiornamento.