Nükleer atıkların denize boşaltılması tartışması! Japon hükümetinin, tüm ağı "yanlış bilgi" açısından gerçek zamanlı olarak izlemek için yapay zeka silahları kullandığı ortaya çıktı
[Giriş] Bazı medya kuruluşları, Japon hükümetinin daha geçen yıl Fukushima nükleer kanalizasyonunun boşaltılmasıyla ilgili yorumları tespit etmek için yapay zeka araçlarını kullanmaya başladığı ve birkaç saat içinde yanıt verdiği haberini yayınladı.
Geçtiğimiz birkaç gün içinde Japonya'nın resmi olarak nükleer maddeyle kirlenmiş suyu Pasifik Okyanusu'na boşaltmaya başladığı haberi büyük ilgi gördü.
Boşaltımdan hemen önce bazı medya kuruluşları, Japon hükümetinin Fukushima nükleer santralinin nükleer kanalizasyonu boşaltma planıyla ilgili açıklamaları izlemek için geçen yıldan bu yana yapay zeka araçlarını kullandığını bildirdi.
Bu yılın haziran ayında AI, Güney Kore medyasında, Japon Dışişleri Bakanlığı'nın üst düzey yetkililerinin Uluslararası Atom Enerjisi Ajansı'na (IAEA) büyük siyasi bağışlar yaptığını iddia eden bir haber buldu.
Birkaç saat içinde Japon hükümeti, raporu hem İngilizce hem de Japonca olarak "temelsiz" olarak nitelendirerek yanıt verdi.
Nikkei Asia'nın daha önceki raporlarına göre Japonya Dışişleri Bakanlığı, sosyal medya ve diğer platformlardaki bilgileri toplayıp analiz etmenin yanı sıra kamuoyunun orta ve uzun vadedeki etkisini takip etmek için 2023'te yepyeni bir yapay zeka sistemini devreye alacak. terim.
Bu çerçevenin yalnızca Japon izleyicilere yönelik bilgileri değil aynı zamanda diğer ülke ve bölgelerdeki Japonya'ya yönelik bilgileri de içerdiğini belirtmekte fayda var.
Etkinlik İncelemesi
Mart 2011'de meydana gelen deprem ve tsunami, Fukushima Daiichi nükleer santralinin soğutma sistemini devre dışı bırakarak üç reaktördeki nükleer yakıtın erimesine ve radyoaktif malzemenin sızmasına neden oldu. Ortaya çıkan büyük kirlilik, on binlerce insanı tahliye etmeye zorladı.
Patlamadan sonra aşırı ısınan reaktör çekirdeğini soğutmak için o zamandan bu yana 1,3 milyon metreküpten fazla deniz suyu kullanıldı.
Bu kirli su da toplanıp sahadaki 1.000'den fazla paslanmaz çelik tankta depolanıyor.
Kirliliğe neden olan 64 radyoaktif element arasında insan sağlığını en çok tehdit eden radyoaktif elementler şunlardır: karbon-14, iyot-131, sezyum-137, stronsiyum-90, kobalt-60 ve trityum-3.
Tokyo Elektrik Enerjisi Şirketi (TEPCO) bu nükleer atık suların arıtılması için kendi geliştirdiği gelişmiş sıvı arıtma sistemini (ALPS) benimsedi; süreç, birlikte çökeltme, adsorpsiyon ve fiziksel filtrelemeden oluşan beş aşamaya bölündü.
Ancak bu kadar büyük miktarlarda su, sürdürülebilir depolamayı da giderek zorlaştırıyor.
Nisan 2021'de Japon hükümeti, arıtılmış nükleer atıkların denize boşaltılmasını resmen onayladı.
Çeşitli ülkeler ve uluslararası kuruluşlar tarafından dile getirilen endişelere rağmen bu, Japonya'nın planı ilerletmesini engellemedi.
Aynı zamanda, Japonya Dışişleri Bakanlığı da nükleer atık sularda bulunan radyoaktif maddeler hakkındaki çevrimiçi raporları izlemek ve çok sayıda tanıtım malzemesi üreterek bu tür bilgilerin yoğunluğunu azaltmak için yapay zekayı kullanmaya başladı.
21 Temmuz'da Japonya Dışişleri Bakanlığı, Twitter'da nükleer atık su arıtma sürecinde güvenliğin korunmasını Japonca, İngilizce, Fransızca, İspanyolca, Rusça, Arapça, Çince ve Korece ölçülerinde açıklayan animasyonlu bir video yayınladı.
Videoda, tesisin suyunun Gelişmiş Sıvı Arıtma Sistemi (ALPS) aracılığıyla düzenleyici standartlara göre nasıl arıtıldığı açıklanıyor. Deşarj edilen nükleer atık suyun daha geniş okyanus alanlarına salınmadan önce deniz suyuyla 100 kat seyreltildiğini vurguladı.
AI monitör konuşması
Aslında, İnternet kamuoyunun izlenmesine yönelik bu teknoloji, yapay zeka alanında halihazırda derinlemesine ve kapsamlı bir şekilde araştırılmıştır.
En popüler olanlardan biri, sosyal medyada yayınlanan "sahte haberlerle" başa çıkmak için algoritmaların, makine öğrenimi modellerinin ve insanlardan oluşan bir kombinasyonun kullanılmasıdır.
2018'de yapılan bir Twitter araştırması, sahte haber hikayelerinin insanlar tarafından retweetlenme olasılığının gerçek haberlere göre %70 daha fazla olduğunu gösterdi.
Bu arada gerçek haberin 1.500 kişilik bir gruba ulaşması yaklaşık 6 kat daha uzun sürüyor ve çoğu zaman 1.000'in üzerine nadiren ulaşıyor. Buna karşılık, popüler sahte haberler 100.000 kadar kişiye ulaşabiliyor.
Bu amaçla Meta, bilgilerin doğruluğunu sağlamak amacıyla 2022 yılında yepyeni bir AI aracı olan Sphere'i piyasaya sürdü.
Sphere, ilgili iddiaları destekleyip desteklemediğini kontrol etmek için yüz binlerce alıntıyı aynı anda tarayabilen ilk yapay zeka modelidir.
Sphere'in veri kümesi 134 milyon genel web sayfasını içermektedir. Yüzbinlerce web alıntısını gerçek hatalara karşı hızlı bir şekilde taramak için internetin kolektif bilgisine güvenir.
Meta, Sphere'in Vikipedi'deki tüm sayfaları taradığını ve sayfalarda ileri sürülen iddiaları desteklemeyen alıntıların kaynaklarını tespit edip edemeyeceğini görmek istediğini söyledi.
Sphere şüpheli kaynaklar bulduğunda, bir girişin doğruluğunu artırmaya yardımcı olmak için daha güçlü kaynaklar veya düzeltmeler önerebilir.
Daha önce birçok yapay zeka sistemi, alıntı kaynakları olmayan bilgileri tanımlayabiliyordu ancak Meta'daki araştırmacılar, şüpheli iddiaları seçmenin ve alıntı kaynaklarının onları gerçekten destekleyip desteklemediğini belirlemenin "yapay zeka sistemleri tarafından derinlemesine anlayış ve analiz" gerektirdiğini söyledi.
Sphere'in geliştirilmesi, Meta'nın platformdaki yanlış bilgileri giderme çabalarına işaret ediyor.
Meta, Facebook, Instagram ve WhatsApp'ta yayılan yanlış bilgiler nedeniyle birkaç yıldır kullanıcılardan ve düzenleyicilerden sert eleştirilere maruz kalıyor. Hatta CEO Xiao Zha, konuyu görüşmek üzere Kongre'ye çağrıldı.
Sahte haberleri keşfedin ve sosyal medya iletişim kalıplarını keşfedin
Avrupa'da ayrıca gazetecilerin ve teyitçilerin sahte haberleri tespit etmelerine yardımcı olacak yazılım araçları geliştiren Fandango projesi de mevcut.
İster PS ister DeepFake olsun, Fandango'nun sistemi, gazetecilerin üzerinde oynanmış içeriği tespit etmesine yardımcı olmak için algoritmalar kullanarak değişiklikleri tersine çevirebilir.
Ayrıca sistem, teyitçiler tarafından işaretlenen sahte haberlere dayanan, benzer kelime ve görüşlere sahip web sayfalarını veya sosyal medya gönderilerini de arar.
Bu sistemin arkasında doğal dil işleme başta olmak üzere çeşitli yapay zeka algoritmalarının desteği yer alıyor.
İsviçre'deki Lugano Üniversitesi'nde ve Birleşik Krallık'taki Imperial College London'da profesör olan Bronstein, sahte haberleri tespit etmek için alışılmadık bir yapay zeka yaklaşımını benimsedi.
GoodNews adı verilen proje, geleneksel sahte haber yapay zeka tespit araçlarını geliştiriyor.
Geçmişte bu araçlar, sahte haberlerin kendine özgü anlamsal özelliklerini analiz ediyordu ancak şifrelenen ve erişime izin vermeyen WhatsApp gibi engellerle sıklıkla karşılaşıyorlardı.
Ayrıca sahte haberler çoğu zaman doğal dil işleme teknikleri kullanılarak analiz edilmesi zor olan görseller de olabilir.
Böylece Profesör Bronstein'ın ekibi, sahte haberlerin nasıl yayıldığını incelemek için geleneksel modeli tersine çevirdi.
Sonuçlar, sahte haberlerin Facebook'ta beğenilerden çok daha fazla paylaşım alabileceğini, normal gönderilerin ise paylaşımlardan daha fazla beğeni alma eğiliminde olduğunu gösteriyor. GoodNews, bu tür kalıpları tespit ederek haberlere güvenilirlik puanları veriyor.
Ekibin grafik tabanlı makine öğrenimini kullanan ilk modeli, bazılarının yanlış olduğu gazeteciler tarafından kanıtlanan Twitter verileriyle eğitildi.
Bundan yola çıkarak yapay zeka algoritmasını eğiterek modele hangi hikayelerin yanlış olduğunu ve hangilerinin olmadığını öğrettiler.
### Çok modlu DeepFake algılama sayesinde AIGC'nin saklanacak yeri kalmaz
Saf metnin yanı sıra Stable Diffusion gibi görsel üretim modellerinin de hızla gelişmesi DeepFake sorununu giderek daha ciddi hale getirdi.
Çok modlu medya tahrifatında, çeşitli haberlerin resimlerinde önemli kişilerin yüzleri (aşağıdaki resimde Fransız cumhurbaşkanının yüzü) değiştirilir ve metindeki anahtar ifadeler veya kelimeler tahrif edilir (olumlu ifade "hoş karşılanır") ” olumsuz ifadesi “istifaya zorlandı” olarak değiştirildi.
Yeni zorlukların üstesinden gelmek için araştırmacılar, modaliteler arasındaki anlamsal özellikleri birleştirerek ve çıkarım yaparak, değiştirilmiş örneklerin modlar arası anlamsal tutarsızlığını tespit edebilen, çok modlu hiyerarşik bir kurcalama çıkarım modeli önerdiler.
Şu anda bu çalışma CVPR 2023 tarafından kabul edilmiştir.
Özellikle, yazar çok modlu hiyerarşik kurcalama akıl yürütme modeli HierArchical Çok Modlu Manipülasyon REasoning Transformer'ı (HAMMER) önermektedir.
Bu model, çift kule yapısına dayanan çok modlu anlamsal füzyon ve muhakeme model mimarisine dayanmaktadır ve sığ ve derin kurcalama akıl yürütme yoluyla çok modlu kurcalamanın tespitini ve konumunu ince taneli ve hiyerarşik bir şekilde gerçekleştirir.
HAMMER modeli aşağıdaki iki özelliğe sahiptir:
Sığ kurcalama muhakemesinde, Manipülasyon Farkında Karşılaştırmalı Öğrenme, görüntü kodlayıcı ve metin kodlayıcı tarafından çıkarılan görüntü ve metin tek modluluğunun anlamsal özelliklerini hizalamak için kullanılır. Aynı zamanda, çapraz dikkat mekanizması aracılığıyla bilgi etkileşimi için tek modlu yerleştirme özelliği kullanılır ve Yerel Yama Dikkat Toplama mekanizması (Yerel Yama Dikkat Toplama), görüntü kurcalama alanını konumlandırmak için tasarlanmıştır;
Derin tahrifat muhakemesinde, çok modlu anlamsal özellikler, çok modlu toplayıcıdaki modaliteye duyarlı çapraz dikkat mekanizması kullanılarak daha da birleştirilir. Bu temelde, metinde değişiklik yapan sözcükleri bulmak ve daha ince taneli değişiklik türlerini tespit etmek için özel çok modlu sıra etiketleme ve çok modlu çok etiketli sınıflandırma gerçekleştirilir.
Deneysel sonuçlar, araştırma ekibi tarafından önerilen HAMMER'ın, çok modlu medya kurcalamalarını, çok modlu ve tek modlu algılama yöntemlerinden daha doğru bir şekilde tespit edebildiğini ve yerini tespit edebildiğini göstermektedir.
Çok modlu kurcalama tespiti ve yerelleştirmenin görselleştirme sonuçlarına bakıldığında HAMMER, kurcalama algılama ve yerelleştirme görevlerini aynı anda doğru bir şekilde gerçekleştirebilir.
Buna ek olarak, tahrif edilmiş kelimeler üzerindeki model dikkat görselleştirme sonuçları ayrıca HAMMER'ın tahrif edilmiş metinle semantik olarak tutarsız olan görüntü bölgelerine odaklanarak çok modlu tahrifat tespiti ve lokalizasyonu gerçekleştirdiğini göstermektedir.
Referanslar:
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Nükleer atıkların denize boşaltılması tartışması! Japon hükümetinin, tüm ağı "yanlış bilgi" açısından gerçek zamanlı olarak izlemek için yapay zeka silahları kullandığı ortaya çıktı
Kaynak: Xinzhiyuan
EDIT: Aeneas çok uykulu
Geçtiğimiz birkaç gün içinde Japonya'nın resmi olarak nükleer maddeyle kirlenmiş suyu Pasifik Okyanusu'na boşaltmaya başladığı haberi büyük ilgi gördü.
Boşaltımdan hemen önce bazı medya kuruluşları, Japon hükümetinin Fukushima nükleer santralinin nükleer kanalizasyonu boşaltma planıyla ilgili açıklamaları izlemek için geçen yıldan bu yana yapay zeka araçlarını kullandığını bildirdi.
Bu yılın haziran ayında AI, Güney Kore medyasında, Japon Dışişleri Bakanlığı'nın üst düzey yetkililerinin Uluslararası Atom Enerjisi Ajansı'na (IAEA) büyük siyasi bağışlar yaptığını iddia eden bir haber buldu.
Bu çerçevenin yalnızca Japon izleyicilere yönelik bilgileri değil aynı zamanda diğer ülke ve bölgelerdeki Japonya'ya yönelik bilgileri de içerdiğini belirtmekte fayda var.
Etkinlik İncelemesi
Mart 2011'de meydana gelen deprem ve tsunami, Fukushima Daiichi nükleer santralinin soğutma sistemini devre dışı bırakarak üç reaktördeki nükleer yakıtın erimesine ve radyoaktif malzemenin sızmasına neden oldu. Ortaya çıkan büyük kirlilik, on binlerce insanı tahliye etmeye zorladı.
Patlamadan sonra aşırı ısınan reaktör çekirdeğini soğutmak için o zamandan bu yana 1,3 milyon metreküpten fazla deniz suyu kullanıldı.
Bu kirli su da toplanıp sahadaki 1.000'den fazla paslanmaz çelik tankta depolanıyor.
Kirliliğe neden olan 64 radyoaktif element arasında insan sağlığını en çok tehdit eden radyoaktif elementler şunlardır: karbon-14, iyot-131, sezyum-137, stronsiyum-90, kobalt-60 ve trityum-3.
Tokyo Elektrik Enerjisi Şirketi (TEPCO) bu nükleer atık suların arıtılması için kendi geliştirdiği gelişmiş sıvı arıtma sistemini (ALPS) benimsedi; süreç, birlikte çökeltme, adsorpsiyon ve fiziksel filtrelemeden oluşan beş aşamaya bölündü.
Nisan 2021'de Japon hükümeti, arıtılmış nükleer atıkların denize boşaltılmasını resmen onayladı.
Çeşitli ülkeler ve uluslararası kuruluşlar tarafından dile getirilen endişelere rağmen bu, Japonya'nın planı ilerletmesini engellemedi.
Aynı zamanda, Japonya Dışişleri Bakanlığı da nükleer atık sularda bulunan radyoaktif maddeler hakkındaki çevrimiçi raporları izlemek ve çok sayıda tanıtım malzemesi üreterek bu tür bilgilerin yoğunluğunu azaltmak için yapay zekayı kullanmaya başladı.
21 Temmuz'da Japonya Dışişleri Bakanlığı, Twitter'da nükleer atık su arıtma sürecinde güvenliğin korunmasını Japonca, İngilizce, Fransızca, İspanyolca, Rusça, Arapça, Çince ve Korece ölçülerinde açıklayan animasyonlu bir video yayınladı.
Videoda, tesisin suyunun Gelişmiş Sıvı Arıtma Sistemi (ALPS) aracılığıyla düzenleyici standartlara göre nasıl arıtıldığı açıklanıyor. Deşarj edilen nükleer atık suyun daha geniş okyanus alanlarına salınmadan önce deniz suyuyla 100 kat seyreltildiğini vurguladı.
AI monitör konuşması
Aslında, İnternet kamuoyunun izlenmesine yönelik bu teknoloji, yapay zeka alanında halihazırda derinlemesine ve kapsamlı bir şekilde araştırılmıştır.
En popüler olanlardan biri, sosyal medyada yayınlanan "sahte haberlerle" başa çıkmak için algoritmaların, makine öğrenimi modellerinin ve insanlardan oluşan bir kombinasyonun kullanılmasıdır.
2018'de yapılan bir Twitter araştırması, sahte haber hikayelerinin insanlar tarafından retweetlenme olasılığının gerçek haberlere göre %70 daha fazla olduğunu gösterdi.
Bu arada gerçek haberin 1.500 kişilik bir gruba ulaşması yaklaşık 6 kat daha uzun sürüyor ve çoğu zaman 1.000'in üzerine nadiren ulaşıyor. Buna karşılık, popüler sahte haberler 100.000 kadar kişiye ulaşabiliyor.
Sphere, ilgili iddiaları destekleyip desteklemediğini kontrol etmek için yüz binlerce alıntıyı aynı anda tarayabilen ilk yapay zeka modelidir.
Sphere şüpheli kaynaklar bulduğunda, bir girişin doğruluğunu artırmaya yardımcı olmak için daha güçlü kaynaklar veya düzeltmeler önerebilir.
Sphere'in geliştirilmesi, Meta'nın platformdaki yanlış bilgileri giderme çabalarına işaret ediyor.
Meta, Facebook, Instagram ve WhatsApp'ta yayılan yanlış bilgiler nedeniyle birkaç yıldır kullanıcılardan ve düzenleyicilerden sert eleştirilere maruz kalıyor. Hatta CEO Xiao Zha, konuyu görüşmek üzere Kongre'ye çağrıldı.
Sahte haberleri keşfedin ve sosyal medya iletişim kalıplarını keşfedin
Avrupa'da ayrıca gazetecilerin ve teyitçilerin sahte haberleri tespit etmelerine yardımcı olacak yazılım araçları geliştiren Fandango projesi de mevcut.
Ayrıca sistem, teyitçiler tarafından işaretlenen sahte haberlere dayanan, benzer kelime ve görüşlere sahip web sayfalarını veya sosyal medya gönderilerini de arar.
GoodNews adı verilen proje, geleneksel sahte haber yapay zeka tespit araçlarını geliştiriyor.
Ayrıca sahte haberler çoğu zaman doğal dil işleme teknikleri kullanılarak analiz edilmesi zor olan görseller de olabilir.
Sonuçlar, sahte haberlerin Facebook'ta beğenilerden çok daha fazla paylaşım alabileceğini, normal gönderilerin ise paylaşımlardan daha fazla beğeni alma eğiliminde olduğunu gösteriyor. GoodNews, bu tür kalıpları tespit ederek haberlere güvenilirlik puanları veriyor.
Bundan yola çıkarak yapay zeka algoritmasını eğiterek modele hangi hikayelerin yanlış olduğunu ve hangilerinin olmadığını öğrettiler.
Saf metnin yanı sıra Stable Diffusion gibi görsel üretim modellerinin de hızla gelişmesi DeepFake sorununu giderek daha ciddi hale getirdi.
Çok modlu medya tahrifatında, çeşitli haberlerin resimlerinde önemli kişilerin yüzleri (aşağıdaki resimde Fransız cumhurbaşkanının yüzü) değiştirilir ve metindeki anahtar ifadeler veya kelimeler tahrif edilir (olumlu ifade "hoş karşılanır") ” olumsuz ifadesi “istifaya zorlandı” olarak değiştirildi.
Şu anda bu çalışma CVPR 2023 tarafından kabul edilmiştir.
Bu model, çift kule yapısına dayanan çok modlu anlamsal füzyon ve muhakeme model mimarisine dayanmaktadır ve sığ ve derin kurcalama akıl yürütme yoluyla çok modlu kurcalamanın tespitini ve konumunu ince taneli ve hiyerarşik bir şekilde gerçekleştirir.
Sığ kurcalama muhakemesinde, Manipülasyon Farkında Karşılaştırmalı Öğrenme, görüntü kodlayıcı ve metin kodlayıcı tarafından çıkarılan görüntü ve metin tek modluluğunun anlamsal özelliklerini hizalamak için kullanılır. Aynı zamanda, çapraz dikkat mekanizması aracılığıyla bilgi etkileşimi için tek modlu yerleştirme özelliği kullanılır ve Yerel Yama Dikkat Toplama mekanizması (Yerel Yama Dikkat Toplama), görüntü kurcalama alanını konumlandırmak için tasarlanmıştır;
Derin tahrifat muhakemesinde, çok modlu anlamsal özellikler, çok modlu toplayıcıdaki modaliteye duyarlı çapraz dikkat mekanizması kullanılarak daha da birleştirilir. Bu temelde, metinde değişiklik yapan sözcükleri bulmak ve daha ince taneli değişiklik türlerini tespit etmek için özel çok modlu sıra etiketleme ve çok modlu çok etiketli sınıflandırma gerçekleştirilir.
Deneysel sonuçlar, araştırma ekibi tarafından önerilen HAMMER'ın, çok modlu medya kurcalamalarını, çok modlu ve tek modlu algılama yöntemlerinden daha doğru bir şekilde tespit edebildiğini ve yerini tespit edebildiğini göstermektedir.