AI Forensische kennisbank

Duik diep in de wetenschap van digitale verificatie. Ontdek hoe SUS IT manipulatie in audio, video, afbeeldingen en documenten detecteert met behulp van de modernste forensische technologie.

Muziek- en audioforensisch onderzoek

Muziek- en audioforensisch onderzoek

AI-modellen voor muziek en stemklonen werken door audiogolfvormen te voorspellen op basis van enorme datasets. Hoewel ze ongelooflijk overtuigend worden voor het menselijk oor, laten ze vaak microscopisch kleine "digitale vingerafdrukken" achter in het frequentiespectrum dat SUS IT moet detecteren.

Hoe we het detecteren:

  • Hoogfrequente afsnijdingen: Veel AI-modellen hebben moeite om consistente gegevens boven de 16 kHz-20 kHz te genereren, waardoor een onnatuurlijke harde plank of "leegte" in het spectrogram ontstaat die zelden voorkomt in natuurlijke opnames.
  • Fase-incoherentie: Natuurlijk geluid heeft een fysieke relatie tussen frequenties. AI-generatie behandelt frequenties vaak wiskundig, maar negeert hun fase-uitlijning, wat leidt tot een subtiele "metallic" of "smerige" kwaliteit die bekend staat als fasevocoder-artefacten.
  • Voorbijgaande versmering: De initiële aanval van een geluid (zoals een snaredrum of een medeklinker 't') is scherp en gedefinieerd in echte audio. Bij het genereren van AI zijn deze transiënten vaak zachter of "papperiger" vanwege het diffusieproces.
Video- en deepfake-detectie

Video- en deepfake-detectie

Deepfakes gebruiken neurale netwerken om het ene gezicht op het andere in kaart te brengen. SUS IT kijkt verder dan het oppervlaktebeeld naar de fysica van de video zelf. We analyseren de consistentie per frame om de problemen op te sporen die optreden wanneer de AI de tracking verliest.

Belangrijkste indicatoren:

  • Tijdelijk flikkeren: AI regenereert het gezicht vaak in elk frame iets anders, waardoor de huidtextuur onmerkbaar "glinstert" of flikkert (tijdelijke instabiliteit).
  • Biologische signalen (rPPG): Echte gezichten hebben subtiele kleurveranderingen als gevolg van de hartslag (fotoplethysmografie op afstand). Deepfakes hebben momenteel moeite om dit onzichtbare biologische signaal nauwkeurig te repliceren over een tijdlijn.
  • Mismatches bij lipsynchronisatie: We vergelijken de fonemen (geluiden) in de audiotrack met de visemen (mondvormen) in de video om verkeerde uitlijning te detecteren die optreedt in door AI nagesynchroniseerde inhoud.
Beeldanalyse

Beeldanalyse

Generatieve Adversarial Networks (GANs) en diffusiemodellen creëren beelden uit ruis. Dit proces laat een regelmatig, rasterachtig ruispatroon achter dat zich onderscheidt van de willekeurige ruis in camerasensoren (ISO-korrel).

Visueel vertelt:

  • Anatomische logica: Hoewel de modellen steeds beter worden, worstelt AI nog steeds met complexe samenhangende geometrieën: handen die overgaan in objecten, onzinnige sieraden of pupillen die niet perfect rond zijn (niet-cirkelvormige irisreflectie).
  • Verlichtingsfysica: AI benadert vaak de verlichting in plaats van deze te simuleren. We zoeken naar schaduwen die niet aansluiten bij lichtbronnen of reflecties in de ogen die niet passen bij de omgeving.
  • Opschaling van artefacten: Veel AI-afbeeldingen worden met een lage resolutie gegenereerd en opgeschaald. Hierdoor blijft er vaak een duidelijk "schaakbordpatroon" zichtbaar bij hoge vergrotingsniveaus.
Document- en tekstverificatie

Document- en tekstverificatie

AI Large Language Models (LLMs) zijn statistische voorspellingsmachines. Ze hebben de neiging om het meest ‘waarschijnlijke’ volgende woord te kiezen, wat resulteert in een tekst die grammaticaal perfect is, maar statistisch gezien ‘plat’ vergeleken met menselijk schrift.

Onze statistieken:

  • Verbijstering: Een maatstaf voor hoe ‘verrast’ een model is door de tekst. Weinig verwarring suggereert dat de tekst standaard AI-patronen volgt; hoge verbijstering duidt op menselijke eigenaardigheid.
  • Burstheid: Mensen variëren hun zinsstructuur en lengte dynamisch (hoge burstiness). Wij schrijven korte zinnen. En dan schrijven we lange, complexe zinnen die door denkprocessen slingeren. AI is doorgaans monotooner en uniformer in ritme.

⚡Optimaliseer uw analyse

Hoe u de meest nauwkeurige forensische resultaten kunt krijgen en kunt zien wat er onder de motorkap gebeurt.

Upload best practices

1

Vermijd MP3s en compressie

MP3-compressie kapt hoge frequenties (>16kHz) af op een manier die identiek lijkt aan vroege AI-modellen. Voor 100% nauwkeurigheid uploadt u altijd WAV- of FLAC-bestanden.

2

Originele bestanden > Schermopnamen

Schermopname van een video introduceert "frame blending" en het opnieuw coderen van artefacten die de oorspronkelijke AI-storingen kunnen maskeren of valse positieven kunnen creëren. Upload indien mogelijk altijd het bronbestand.

3

Rauw versus verwerkt

Zwaar bewerkte media (filters, auto-tune, kleurcorrectie) zijn moeilijker te analyseren. Als je een maker bent die de authenticiteit bewijst, upload dan de onbewerkte stengels of de onbewerkte camerabeelden.

Technische diepe duik: de "denkende" motor

SUS IT is niet alleen een eenvoudige classificatie. We maken gebruik van redeneermodellen van de volgende generatie, geconfigureerd met een uitgebreid forensisch denkbudget.

Waarom ‘denken’ ertoe doet

Standaard AI-detectoren raden onmiddellijk op basis van patronen. Ons systeem is betrokken bij een Chain-of-Thought forensisch proces. Het debatteert expliciet over bewijsmateriaal: "Is dit artefact een compressiefout of een generatieve fout?" of "Is deze visuele storing een weergavefout of gewoon een rolluikeffect?" alvorens een definitief oordeel uit te spreken.

  • ●Multimodale analyse: We analyseren tegelijkertijd audiospectrogrammen (frequentie), videoframevectoren (beweging) en pixelrasters (textuur).
  • ●Vals-positieve filtering: We vragen het model expliciet om algemene menselijke bewerkingstechnieken zoals Warp Stabilizer, Ruisonderdrukking of Auto-Tune te identificeren en te negeren.

Voortdurend evoluerende nauwkeurigheid

AI-modellen evolueren dagelijks, en dat geldt ook voor SUS IT. Onze detectie-algoritmen worden voortdurend bijgewerkt om de nieuwste generatie technieken te herkennen, van op Flux gebaseerde beeldgeneratoren tot de nieuwste modellen voor stemklonen zoals ElevenLabs en Suno.

We controleren niet alleen op bekende artefacten; we analyseren de fundamentele statistische eigenschappen van media om voorop te blijven lopen. Ons team verfijnt voortdurend onze tools om u bij elke update nauwkeurigere, betrouwbaardere en gedetailleerdere resultaten te geven.