MS-MFAD : Multimodal large language models for Face Anti-spoofing Detection

في العصر الرقمي، أصبحت وجوهنا هي كلمات مرورنا. فمن فتح الهواتف الذكية إلى تفويض التحويلات المصرفية، تعمل أنظمة التعرف على الوجه كحراس صامتين للحياة المعاصرة. ومع ذلك، تواجه هذه السهولة تهديداً متزايداً: القدرة على خداع هذه الأنظمة. لم يعد المهاجمون يكتفون برفع صورة فوتوغرافية فحسب؛ بل يستخدمون برمجيات متطاً لتبديل الوجوه في مقاطع الفيديو، وطابعات ثلاثية الأبعاد لإنشاء أقنعة واقعية للغاية، والذكاء الاصطناائي لتوليد صور مزيفة تبدو غير قابلة للتمييز عن الواقع. وغالباً ما تكافح الدفاعات التقليدية ضد هذا المزيج من الحيل المادية والرقمية، حيث تعمل مثل حارس أمن يمكنه رصد بطاقة هوية مزيفة، لكنه يفشل عندما يرتدي المتسلل قناعاً مثالياً. علاوة على ذلك، عندما ترتكب هذه الأنظمة خطأً، فإنها نادراً ما تشرح السبب، مما يترك فرق الأمن في حالة من التخبط حول ما حدث. ويتمثل التحدي الذي يواجه العلماء في بناء دفاع لا يكتفي فقط بكشف هذه التزييفات المعقدة، بل يفهمها جيداً بما يكفي لشرح الأدلة، كل ذلك مع العمل بسرعة كافية لكي لا ينتظر المستخدمون سوى جزء ضئيل من الثانية.

لقد عالج فريق من الباحثين هذه المشكلة عبر تعليم نوع جديد من الذكاء الاصطناعي ليعمل كخبير جنائي بدلاً من مجرد مصنف بسيط. فبدلاً من الاعتماد على قواعد بيانات ضخمة من الأمثلة منخفضة الجودة أو أدوات خارجية قد تفشل، طوروا نظاماً يسمى MFAD. هذا النظام مبني على نموذج لغوي كبير متعدد الوسائط، وهو نوع من الذكاء الاصطناعي يمكنه رؤية الصور وقراءة النصوص في آن واحد. أدرك الباحثون أنه لكي يفهم الكمبيوتر الوجه المزيف حقاً، يجب أن يكون قادراً على التفكير في الأدلة خطوة بخطوة، تماماً مثل المحقق البشري. ولتحقيق ذلك، ابتكروا طريقة تدريب فريدة تجبر الذكاء الاصطناعي على ربط أفكاره بتفاصيل محددة ومرئية في الصورة. فبدلاً من التخمين بناءً على أنماط غامضة، يتم تدريب النظام على الإشارة مباشرة إلى العلامات الدالة على التزوير، مثل الملمس الغريب لصورة مطبوعة، أو نمط "مواريه" (moiré) على الشاشة، أو الحواف غير الطبيعية لقناع ثلاثي الأبعاد.

يكمن جوهر هذا الاختراق في كيفية تعليم الباحثين للذكاء الاصطناًناعي كيف يفكر. فقد أنشأوا مجموعة بيانات متخصصة حيث قام خبراء بشريون بتحديد المواقع الدقيقة لأدلة التزوير بعناية على آلاف الصور. بالنسبة لعمليات تبديل الوجوه الرقمية، قاموا بتظليل ملامح وجه محددة مثل العينين أو الفم حيث يكون التركيب غير متقن. أما بالنسبة للهجمات المادية، فقد حددوا حواف الأقنعة أو التوهج على الشاشة. استُخدمت هذه العلامات بعد ذلك لتوليد سلسلة من الاستنتاجات، وهي عبارة عن سرد منطقي يشرح بالضبط سبب كون الصورة مزيفة. تم تدريب الذكاء الاصطناعي على اتباع هذه السلسلة، ليتعلم قول: "أرى انعكاساً هنا لا ينبغي أن يكون موجوداً"، أو "ملمس هذه البشرة يبدو كالبلاستيك"، بدلاً من مجرد إخراج تسمية "مزيفة". يضمن هذا النهج أن يكون قرار النظام قابلاً للتدقيق؛ فإذا وضع علامة على صورة بأنها تزوير، فإنه يقدم شرحاً واضحاً ومفهوماً للبشر حول الأدلة المرئية التي أدت إلى تلك النتيجة.

كانت نتائج هذا النهج مذهلة. فعند اختباره ضد هجمات معروفة، قلل النظام معدل الخطأ بشكل كبير مقارنة بالأساليب الحالية، رغم أنه تم تدريبه على عدد قليل نسبياً من الأمثلة عالية الجودة. والأهم من ذلك، أثبت النظام أنه أكثر قوة عند مواجهة أنواع جديدة وغير مرئية من الهجمات. وفي الاختبارات التي حاول فيها المهاجمون خداع النظام باستخدام ضوضاء دقيقة مولدة حاسوبياً تهدف إلى إخفاء التزوير، صمد النظام الجديد، حيث انخفضت دقته بنسبة ضئيلة جداً فقط. وفي المقابل، شهدت الأنظمة القديمة التي اعتمدت على كميات هائلة من البيانات البسيطة انهياراً في أدائها تحت ضغط مماثل. ووجد الباحثون أن القدرة على التفكير في الأدلة عملت كدرع، مما سمح للذكاء الاصطناعي بتجاهل الضوضاء المشتتة والتركيز على التناقضات الأساسية التي تحدد التزييف.

وبعيداً عن أدائه التقني، يوفر النظام مستوى من الثقة افتقرت إليه النماذج السابقة. فعندما راجع الخبراء البشريون التفسيرات التي أنتجها الذكاء الاصطناعي، قيموا جودة الاستنتاج بدرجة عالية جداً، مشيرين إلى أن الأدلة المقدمة كانت واضحة وموثوقة. كما يعمل النظام بسرعة كافية لاستخدامه في التطبيقات في الوقت الفعلي، مثل مكالمات الفيديو المباشرة أو التحقق الفوري من الدفع، دون التسبب في تأخيرات. ومن خلال تحويل التركيز من مجرد حفظ الأنماط إلى فهم منطق التزوير، يوضح هذا البحث مساراً جديداً لتأمين الهوية الرقمية. إنه يشير إلى أن مستقبل مكافحة التزييف لا يكمن في قواعد بيانات أكبر، بل في استنتاج أكثر ذكاءً وقابلية للتفسير يمكنه التكيف مع المشهد المتطور للخداع الرقمي.