¡Discusión sobre el vertido de aguas residuales nucleares al mar! El gobierno japonés estuvo expuesto al uso de armas de inteligencia artificial para monitorear toda la red en tiempo real en busca de "información falsa"
[Introducción] Algunos medios dieron la noticia de que ya el año pasado, el gobierno japonés comenzó a utilizar herramientas de inteligencia artificial para detectar comentarios relacionados con la descarga de aguas residuales nucleares de Fukushima y respondió en unas pocas horas.
En los últimos días, la noticia de que Japón ha comenzado oficialmente a descargar agua contaminada con armas nucleares en el Océano Pacífico ha atraído una atención generalizada.
Justo antes de la descarga, algunos medios informaron que el gobierno japonés había estado utilizando herramientas de inteligencia artificial desde el año pasado para monitorear cualquier comentario relacionado con el plan de la central nuclear de Fukushima de descargar aguas residuales nucleares.
En junio de este año, AI descubrió un informe de los medios de comunicación de Corea del Sur que afirmaba que altos funcionarios del Ministerio de Asuntos Exteriores japonés habían hecho enormes donaciones políticas a la Agencia Internacional de Energía Atómica (OIEA).
A las pocas horas, el gobierno japonés respondió, desestimando el informe como "infundado" tanto en inglés como en japonés.
Según informes anteriores de Nikkei Asia, el Ministerio de Asuntos Exteriores de Japón lanzará un nuevo sistema de inteligencia artificial en 2023 para recopilar y analizar información en las redes sociales y otras plataformas, así como rastrear el impacto de la opinión pública a medio y largo término.
Vale la pena señalar que este marco incluye no sólo información destinada al público japonés, sino también información destinada al Japón en otros países y regiones.
Revisión del evento
En marzo de 2011, un terremoto y un tsunami destruyeron el sistema de refrigeración de la central nuclear de Fukushima Daiichi, lo que provocó que el combustible nuclear de tres reactores se fundiera y se filtrara material radiactivo. La contaminación masiva resultante obligó a decenas de miles de personas a evacuar.
Desde entonces se han utilizado más de 1,3 millones de metros cúbicos de agua de mar para enfriar el núcleo del reactor, que se sobrecalentó tras la explosión.
Esta agua contaminada también se recoge y almacena en más de 1.000 tanques de acero inoxidable en el sitio.
Entre los 64 elementos radiactivos que causaron contaminación, los elementos radiactivos que representan principalmente una amenaza para la salud humana son: carbono-14, yodo-131, cesio-137, estroncio-90, cobalto-60 y tritio-3.
Para tratar estas aguas residuales nucleares, la Compañía de Energía Eléctrica de Tokio (TEPCO) adoptó un sistema avanzado de tratamiento de líquidos (ALPS) de desarrollo propio; el proceso se divide en cinco etapas de coprecipitación, adsorción y filtración física.
Sin embargo, cantidades tan grandes de agua también hacen que el almacenamiento sostenible sea cada vez más difícil.
En abril de 2021, el gobierno japonés aprobó oficialmente el vertido al mar de estas aguas residuales nucleares tratadas.
A pesar de las preocupaciones expresadas por varios países y organizaciones internacionales, esto no ha impedido que Japón avance con el plan.
Al mismo tiempo, el Ministerio de Asuntos Exteriores japonés también ha comenzado a utilizar la IA para monitorear informes en línea sobre sustancias radiactivas contenidas en aguas residuales nucleares y para diluir la concentración de dicha información mediante la producción de una gran cantidad de materiales promocionales.
El 21 de julio, el Ministerio de Asuntos Exteriores de Japón publicó un vídeo animado en Twitter, explicando la protección de seguridad en el proceso de tratamiento de aguas residuales nucleares en japonés, inglés, francés, español, ruso, árabe, chino y coreano.
El video explica cómo se purifica el agua de la planta según los estándares regulatorios a través del Sistema Avanzado de Tratamiento de Líquidos (ALPS). Y enfatizó que antes de ser liberadas en áreas oceánicas más amplias, las aguas residuales nucleares vertidas fueron diluidas 100 veces con agua de mar.
Discurso del monitor AI
De hecho, esta tecnología de seguimiento de la opinión pública en Internet ya ha sido explorada profunda y extensamente en el campo de la IA.
Uno de los más populares es el uso de una combinación de algoritmos, modelos de aprendizaje automático y humanos para abordar las "noticias falsas" publicadas en las redes sociales.
Un estudio de Twitter de 2018 demostró que las noticias falsas tienen un 70% más de probabilidades de ser retuiteadas por humanos que las noticias reales.
Mientras tanto, las noticias reales tardan aproximadamente 6 veces más en llegar a un grupo de 1.500 personas, y la mayoría de las veces rara vez llegan a más de 1.000 personas. Por el contrario, las noticias falsas populares pueden llegar hasta 100.000 personas.
Con este fin, Meta lanzó una nueva herramienta de inteligencia artificial, Sphere, en 2022 para garantizar la precisión de la información.
Sphere es el primer modelo de IA capaz de escanear cientos de miles de citas a la vez para comprobar si respaldan las afirmaciones correspondientes.
El conjunto de datos de Sphere incluye 134 millones de páginas web públicas. Se basa en el conocimiento colectivo de Internet para escanear rápidamente cientos de miles de citas web en busca de errores fácticos.
Meta dijo que Sphere ha escaneado todas las páginas de Wikipedia para ver si puede identificar fuentes de citas que no respalden las afirmaciones hechas en las páginas.
Cuando Sphere encuentra fuentes sospechosas, puede recomendar fuentes más sólidas o correcciones para ayudar a mejorar la precisión de una entrada.
Anteriormente, muchos sistemas de IA podían identificar información que carecía de fuentes de citas, pero los investigadores de Meta dijeron que seleccionar afirmaciones dudosas y determinar si las fuentes de citas realmente las respaldan requiere "una comprensión y un análisis profundos por parte de los sistemas de IA".
El desarrollo de Sphere marca los esfuerzos de Meta para abordar la información errónea en la plataforma.
Meta ha enfrentado duras críticas por parte de usuarios y reguladores durante varios años por la información errónea difundida en Facebook, Instagram y WhatsApp. El director ejecutivo Xiao Zha incluso fue llamado ante el Congreso para discutir el tema.
Descubre noticias falsas y explora patrones de comunicación en las redes sociales
En Europa, también existe el proyecto Fandango, que está creando herramientas de software para ayudar a periodistas y verificadores de datos a detectar noticias falsas.
Ya sea PS o DeepFake, el sistema de Fandango puede realizar ingeniería inversa de los cambios, utilizando algoritmos para ayudar a los periodistas a detectar contenido manipulado.
Además, el sistema busca páginas web o publicaciones en redes sociales con palabras y opiniones similares basadas en noticias falsas que hayan sido señaladas por verificadores de datos.
Detrás de este sistema se encuentra el soporte de varios algoritmos de IA, especialmente el procesamiento del lenguaje natural.
Bronstein, profesor de la Universidad de Lugano en Suiza y del Imperial College de Londres en el Reino Unido, adoptó un enfoque atípico de IA para detectar noticias falsas.
El proyecto, llamado GoodNews, revoluciona las herramientas tradicionales de detección de noticias falsas mediante IA.
En el pasado, estas herramientas han analizado las características semánticas únicas de las noticias falsas, pero a menudo han encontrado obstáculos, como WhatsApp, que está encriptado y no permite el acceso.
Además, muchas veces las noticias falsas pueden ser imágenes, que son difíciles de analizar mediante técnicas de procesamiento del lenguaje natural.
Así que el equipo del profesor Bronstein puso patas arriba el modelo tradicional para estudiar cómo se difunden las noticias falsas.
Los resultados sugieren que las noticias falsas pueden ser compartidas mucho más que los "me gusta" en Facebook, mientras que las publicaciones regulares tienden a obtener más "me gusta" que las compartidas. Al detectar estos patrones, GoodNews asigna puntuaciones de credibilidad a las noticias.
El primer modelo del equipo, que utiliza aprendizaje automático basado en gráficos, se entrenó con datos de Twitter, algunos de los cuales los periodistas demostraron que eran falsos.
A partir de esto, entrenaron el algoritmo de IA, enseñando al modelo qué historias eran falsas y cuáles no.
### Detección multimodal de DeepFake, por lo que AIGC no tiene dónde esconderse
Además del texto puro, el rápido desarrollo de modelos de generación visual como Stable Diffusion también ha agravado cada vez más el problema de DeepFake.
En la manipulación multimodal de medios, se reemplazan los rostros de personas importantes en imágenes de diversos informes noticiosos (el rostro del presidente francés en la imagen siguiente) y se alteran frases o palabras clave en el texto (la frase positiva "es bienvenido a ” fue modificada por la frase negativa “se ve obligado a dimitir”).
Para afrontar los nuevos desafíos, los investigadores propusieron un modelo de inferencia de manipulación jerárquica multimodal, que puede detectar la inconsistencia semántica intermodal de muestras manipuladas fusionando e infiriendo características semánticas entre modalidades.
Actualmente, este trabajo ha sido aceptado por CVPR 2023.
Específicamente, el autor propone un modelo de razonamiento de manipulación jerárquica multimodal HierArchical Multi-modal Manipulation rEasoning tRansformer (HAMMER).
Este modelo se basa en la arquitectura del modelo de fusión semántica multimodal y el razonamiento basado en la estructura de doble torre, y realiza la detección y localización de manipulación multimodal de una manera jerárquica y detallada a través de un razonamiento de manipulación superficial y profundo.
El modelo HAMMER tiene las dos características siguientes:
En el razonamiento de manipulación superficial, el aprendizaje contrastivo consciente de la manipulación se utiliza para alinear las características semánticas de la unimodalidad de imagen y texto extraídas por el codificador de imágenes y el codificador de texto. Al mismo tiempo, la función de incrustación unimodal se utiliza para la interacción de información a través del mecanismo de atención cruzada, y el mecanismo de agregación de atención de parches locales está diseñado para ubicar el área de manipulación de imágenes;
En el razonamiento de manipulación profunda, las características semánticas multimodales se fusionan aún más utilizando el mecanismo de atención cruzada consciente de la modalidad en el agregador multimodal. Sobre esta base, se realizan un etiquetado de secuencia multimodal especial y una clasificación de etiquetas múltiples multimodal para localizar palabras de manipulación de texto y detectar tipos de manipulación más detallados.
Los resultados experimentales muestran que el HAMMER propuesto por el equipo de investigación puede detectar y localizar la manipulación de medios multimodales con mayor precisión que los métodos de detección multimodales y unimodales.
A juzgar por los resultados de visualización de la detección y localización de manipulaciones multimodales, HAMMER puede realizar con precisión tareas de detección y localización de manipulaciones simultáneamente.
Además, los resultados de visualización de atención del modelo en palabras manipuladas demuestran aún más que HAMMER realiza detección y localización de manipulación multimodal centrándose en regiones de la imagen que son semánticamente inconsistentes con el texto manipulado.
Referencias:
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
¡Discusión sobre el vertido de aguas residuales nucleares al mar! El gobierno japonés estuvo expuesto al uso de armas de inteligencia artificial para monitorear toda la red en tiempo real en busca de "información falsa"
Fuente: Xinzhiyuan
EDITAR: Eneas tiene mucho sueño
En los últimos días, la noticia de que Japón ha comenzado oficialmente a descargar agua contaminada con armas nucleares en el Océano Pacífico ha atraído una atención generalizada.
Justo antes de la descarga, algunos medios informaron que el gobierno japonés había estado utilizando herramientas de inteligencia artificial desde el año pasado para monitorear cualquier comentario relacionado con el plan de la central nuclear de Fukushima de descargar aguas residuales nucleares.
En junio de este año, AI descubrió un informe de los medios de comunicación de Corea del Sur que afirmaba que altos funcionarios del Ministerio de Asuntos Exteriores japonés habían hecho enormes donaciones políticas a la Agencia Internacional de Energía Atómica (OIEA).
Vale la pena señalar que este marco incluye no sólo información destinada al público japonés, sino también información destinada al Japón en otros países y regiones.
Revisión del evento
En marzo de 2011, un terremoto y un tsunami destruyeron el sistema de refrigeración de la central nuclear de Fukushima Daiichi, lo que provocó que el combustible nuclear de tres reactores se fundiera y se filtrara material radiactivo. La contaminación masiva resultante obligó a decenas de miles de personas a evacuar.
Desde entonces se han utilizado más de 1,3 millones de metros cúbicos de agua de mar para enfriar el núcleo del reactor, que se sobrecalentó tras la explosión.
Esta agua contaminada también se recoge y almacena en más de 1.000 tanques de acero inoxidable en el sitio.
Entre los 64 elementos radiactivos que causaron contaminación, los elementos radiactivos que representan principalmente una amenaza para la salud humana son: carbono-14, yodo-131, cesio-137, estroncio-90, cobalto-60 y tritio-3.
Para tratar estas aguas residuales nucleares, la Compañía de Energía Eléctrica de Tokio (TEPCO) adoptó un sistema avanzado de tratamiento de líquidos (ALPS) de desarrollo propio; el proceso se divide en cinco etapas de coprecipitación, adsorción y filtración física.
En abril de 2021, el gobierno japonés aprobó oficialmente el vertido al mar de estas aguas residuales nucleares tratadas.
A pesar de las preocupaciones expresadas por varios países y organizaciones internacionales, esto no ha impedido que Japón avance con el plan.
Al mismo tiempo, el Ministerio de Asuntos Exteriores japonés también ha comenzado a utilizar la IA para monitorear informes en línea sobre sustancias radiactivas contenidas en aguas residuales nucleares y para diluir la concentración de dicha información mediante la producción de una gran cantidad de materiales promocionales.
El 21 de julio, el Ministerio de Asuntos Exteriores de Japón publicó un vídeo animado en Twitter, explicando la protección de seguridad en el proceso de tratamiento de aguas residuales nucleares en japonés, inglés, francés, español, ruso, árabe, chino y coreano.
El video explica cómo se purifica el agua de la planta según los estándares regulatorios a través del Sistema Avanzado de Tratamiento de Líquidos (ALPS). Y enfatizó que antes de ser liberadas en áreas oceánicas más amplias, las aguas residuales nucleares vertidas fueron diluidas 100 veces con agua de mar.
Discurso del monitor AI
De hecho, esta tecnología de seguimiento de la opinión pública en Internet ya ha sido explorada profunda y extensamente en el campo de la IA.
Uno de los más populares es el uso de una combinación de algoritmos, modelos de aprendizaje automático y humanos para abordar las "noticias falsas" publicadas en las redes sociales.
Un estudio de Twitter de 2018 demostró que las noticias falsas tienen un 70% más de probabilidades de ser retuiteadas por humanos que las noticias reales.
Mientras tanto, las noticias reales tardan aproximadamente 6 veces más en llegar a un grupo de 1.500 personas, y la mayoría de las veces rara vez llegan a más de 1.000 personas. Por el contrario, las noticias falsas populares pueden llegar hasta 100.000 personas.
Sphere es el primer modelo de IA capaz de escanear cientos de miles de citas a la vez para comprobar si respaldan las afirmaciones correspondientes.
Cuando Sphere encuentra fuentes sospechosas, puede recomendar fuentes más sólidas o correcciones para ayudar a mejorar la precisión de una entrada.
El desarrollo de Sphere marca los esfuerzos de Meta para abordar la información errónea en la plataforma.
Meta ha enfrentado duras críticas por parte de usuarios y reguladores durante varios años por la información errónea difundida en Facebook, Instagram y WhatsApp. El director ejecutivo Xiao Zha incluso fue llamado ante el Congreso para discutir el tema.
Descubre noticias falsas y explora patrones de comunicación en las redes sociales
En Europa, también existe el proyecto Fandango, que está creando herramientas de software para ayudar a periodistas y verificadores de datos a detectar noticias falsas.
Además, el sistema busca páginas web o publicaciones en redes sociales con palabras y opiniones similares basadas en noticias falsas que hayan sido señaladas por verificadores de datos.
El proyecto, llamado GoodNews, revoluciona las herramientas tradicionales de detección de noticias falsas mediante IA.
Además, muchas veces las noticias falsas pueden ser imágenes, que son difíciles de analizar mediante técnicas de procesamiento del lenguaje natural.
Los resultados sugieren que las noticias falsas pueden ser compartidas mucho más que los "me gusta" en Facebook, mientras que las publicaciones regulares tienden a obtener más "me gusta" que las compartidas. Al detectar estos patrones, GoodNews asigna puntuaciones de credibilidad a las noticias.
A partir de esto, entrenaron el algoritmo de IA, enseñando al modelo qué historias eran falsas y cuáles no.
Además del texto puro, el rápido desarrollo de modelos de generación visual como Stable Diffusion también ha agravado cada vez más el problema de DeepFake.
En la manipulación multimodal de medios, se reemplazan los rostros de personas importantes en imágenes de diversos informes noticiosos (el rostro del presidente francés en la imagen siguiente) y se alteran frases o palabras clave en el texto (la frase positiva "es bienvenido a ” fue modificada por la frase negativa “se ve obligado a dimitir”).
Actualmente, este trabajo ha sido aceptado por CVPR 2023.
Este modelo se basa en la arquitectura del modelo de fusión semántica multimodal y el razonamiento basado en la estructura de doble torre, y realiza la detección y localización de manipulación multimodal de una manera jerárquica y detallada a través de un razonamiento de manipulación superficial y profundo.
En el razonamiento de manipulación superficial, el aprendizaje contrastivo consciente de la manipulación se utiliza para alinear las características semánticas de la unimodalidad de imagen y texto extraídas por el codificador de imágenes y el codificador de texto. Al mismo tiempo, la función de incrustación unimodal se utiliza para la interacción de información a través del mecanismo de atención cruzada, y el mecanismo de agregación de atención de parches locales está diseñado para ubicar el área de manipulación de imágenes;
En el razonamiento de manipulación profunda, las características semánticas multimodales se fusionan aún más utilizando el mecanismo de atención cruzada consciente de la modalidad en el agregador multimodal. Sobre esta base, se realizan un etiquetado de secuencia multimodal especial y una clasificación de etiquetas múltiples multimodal para localizar palabras de manipulación de texto y detectar tipos de manipulación más detallados.
Los resultados experimentales muestran que el HAMMER propuesto por el equipo de investigación puede detectar y localizar la manipulación de medios multimodales con mayor precisión que los métodos de detección multimodales y unimodales.