Академічний дослідницький проєкт Чиказького університету Glaze запустив безплатний додаток для художників для боротьби з крадіжкою генераторами зображень їхньої «художньої інтелектуальної власності».

У науковій статті, опублікованій командою, пояснюється, що бета-версія додатка додає майже непомітні зміни до кожного твору мистецтва, які покликані перешкоджати здатності ШІ-моделей зчитувати дані про художній стиль та імітувати стиль твору мистецтва й самого художника. Натомість системи обманом змушують виводити інші загальнодоступні стилі, далекі від оригінального твору мистецтва.

Ефективність захисту Glaze варіюється — деякі художні стилі краще підходять для «маскування» (а отже, захисту) від ШІ, ніж інші. Але мета полягає в тому, щоб надати художникам інструмент для боротьби з майнерами даних — і принаймні порушити їхню здатність копіювати важко напрацьований художній стиль без необхідності відмовлятися від публічної демонстрації своїх робіт в інтернеті.

Бен Чжао, професор комп’ютерних наук Чиказького університету, який очолює проєкт, пояснив, як працює цей інструмент:

«Ми намагаємося зрозуміти, як ШІ-модель сприймає, що таке художній стиль. І тоді ми в основному працюємо в цьому вимірі – спотворюємо те, що модель сприймає як певний стиль. Це, по суті, навчання мови моделі машинного навчання, і використання її власної мови – спотворення того, що вона бачить у художніх образах, таким чином, щоб це мало мінімальний вплив на те, як бачить людина. Це відбувається через фундаментальний розрив між тим, як ШІ сприймає світ, і тим, як ми сприймаємо світ. Цей фундаментальний розрив був відомий давно».

Закони та правила не встигають за розвитком штучного інтелекту, і саме тут дослідники, що стоять за Glaze, сподіваються, що їхня технологія може допомогти, забезпечивши художників безплатним інструментом для захисту їхніх робіт і творчості, і дати час законодавцям зрозуміти, як повинно розвиватися авторське право.

У статті команди дослідників розглядається кілька контрзаходів, які ШІ-імітатори можуть спробувати застосувати: трансформації зображень (які доповнюють зображення перед навчанням, щоб спробувати протидіяти «маскуванню»), і надійне навчання (яке доповнює навчальні дані, вводячи деякі замасковані зображення поряд з їхніми правильними результатами).

В обох випадках дослідники виявили, що ці методи не підривають метрику успіху «захисту за оцінкою виконавця» (ARP), яку вони використовують для оцінки ефективності інструменту в руйнуванні мімікрії стилю (хоча в статті зазначається, що надійна техніка навчання може знизити ефективність маскування).

Говорячи про ризики, пов’язані з контрзаходами, Бен Чжао визнає, що, швидше за все, будуть певні «перегони озброєнь», але він цілком упевнений, що Glaze матиме значний захисний вплив — принаймні на час лобіювання кращого правового захисту від моделей ШІ.