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

डिजिटल युग में, हमारे चेहरे हमारे पासवर्ड बन गए हैं। स्मार्टफोन को अनलॉक करने से लेकर बैंक ट्रांसफर को अधिकृत करने तक, चेहरे की पहचान करने वाली प्रणालियाँ आधुनिक जीवन के मौन द्वारपाल हैं। हालाँकि, यह सुविधा एक बढ़ते खतरे का सामना कर रही है: इन प्रणालियों को धोखा देने की क्षमता। हमलावर अब केवल एक तस्वीर नहीं दिखाते; वे वीडियो में चेहरे बदलने के लिए परिष्कृत सॉफ़्टवेयर, अति-यथार्थवादी मास्क बनाने के लिए 3D प्रिंटर और वास्तविकता से अभिन्न दिखने वाली नकली छवियां उत्पन्न करने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करते हैं। पारंपरिक बचाव अक्सर भौतिक और डिजिटल चालों के इस मिश्रण के सामने संघर्ष करते हैं, जो एक ऐसे सुरक्षा गार्ड की तरह कार्य करते हैं जो नकली आईडी तो पहचान सकता है, लेकिन जब घुसपैठिया एक आदर्श मुखौटा पहन लेता है, तो विफल हो जाता है। इसके अलावा, जब ये प्रणालियाँ कोई गलती करती हैं, तो वे शायद ही कभी बताती हैं कि क्यों, जिससे सुरक्षा टीमें इस बात से अनजान रह जाती हैं कि क्या गलत हुआ। वैज्ञानिकों के लिए चुनौती एक ऐसा बचाव बनाने की है जो न केवल इन जटिल नकली चीज़ों का पता लगा सके, बल्कि उन्हें इतना अच्छी तरह समझ भी सके कि साक्ष्य की व्याख्या कर सके, और यह सब इतनी तेज़ी से कर सके कि उपयोगकर्ताओं को केवल एक सेकंड के अंश के लिए ही प्रतीक्षा करनी पड़े।

शोधकर्ताओं की एक टीम ने एक नए प्रकार की कृत्रिम बुद्धिमत्ता को सिखाकर इस समस्या का समाधान किया है, जो इसे केवल एक साधारण क्लासिफायर के बजाय एक फोरेंसिक विशेषज्ञ के रूप में कार्य करने के योग्य बनाती है। निम्न-गुणवत्ता वाले उदाहरणों के विशाल डेटाबेस या बाहरी उपकरणों पर निर्भर रहने के बजाय, जो विफल हो सकते हैं, उन्होंने MFAD नामक एक प्रणाली विकसित की है। यह प्रणाली एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल पर आधारित है, जो एक प्रकार का AI है जो छवियों को देख सकता है और पाठ (टेक्स्ट) को एक साथ पढ़ सकता है। शोधकर्ताओं ने महसूस किया कि किसी कंप्यूटर के लिए नकली चेहरे को वास्तव में समझने के लिए, उसे साक्ष्यों के माध्यम से चरण-दर-चरण तर्क करने में सक्षम होना चाहिए, ठीक वैसे ही जैसे एक मानव अन्वेषक। इसे प्राप्त करने के लिए, उन्होंने एक अनूठी प्रशिक्षण पद्धति बनाई जो AI को छवि में विशिष्ट, दृश्य विवरणों से अपने विचारों को जोड़ने के लिए मजबूर करती है। अस्पष्ट पैटर्न के आधार पर अनुमान लगाने के बजाय, सिस्टम को जालसाजी के स्पष्ट संकेतों की ओर इशारा करने के लिए प्रशिक्षित किया गया है, जैसे कि एक मुद्रित फोटो की अजीब बनावट, स्क्रीन पर मोइरे पैटर्न (moiré pattern), या 3D मास्क की अप्राकृतिक सीम (seam)।

इस सफलता का मूल इस बात में निहित है कि शोधकर्ताओं ने AI को सोचना कैसे सिखाया। उन्होंने एक विशेष डेटासेट का निर्माण किया जहाँ मानव विशेषज्ञों ने हजारों छवियों पर जालसाजी के सुरागों के सटीक स्थानों को सावधानीपूर्वक चिह्नित किया। डिजिटल फेस स्वैप के लिए, उन्होंने आंखों या मुंह जैसे विशिष्ट चेहरे के लक्षणों को हाइलाइट किया जहाँ संश्लेषण (synthesis) दोषपूर्ण था। भौतिक हमलों के लिए, उन्होंने मास्क के किनारों या स्क्रीन पर चमक (glare) को चिह्नित किया। इन चिह्नों का उपयोग फिर तर्क की एक श्रृंखला (chain of reasoning) उत्पन्न करने के लिए किया गया, जो एक तार्किक वृत्तांत है जो बताता है कि कोई छवि नकली क्यों है। AI को इस श्रृंखला का पालन करने के लिए प्रशिक्षित किया गया था, जिससे वह यह सीखने में सक्षम हुआ कि केवल "नकली" लेबल आउटपुट करने के बजाय, यह कहना: "मुझे यहाँ एक प्रतिबिंब दिख रहा है जो यहाँ नहीं होना चाहिए था," या "इस त्वचा की बनावट प्लास्टिक जैसी लग रही है।" यह दृष्टिकोण सुनिश्चित करता है कि सिस्टम का निर्णय ऑडिट योग्य है; यदि यह किसी छवि को जालसाजी के रूप में चिह्नित करता है, तो यह उस दृश्य साक्ष्य की स्पष्ट, मानव-पठनीय व्याख्या प्रदान करता है जिसने उस निष्कर्ष तक पहुँचाया।

इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। ज्ञात हमलों के विरुद्ध परीक्षण किए जाने पर, मौजूदा तरीकों की तुलना में इस प्रणाली ने त्रुटि दर को काफी कम कर दिया, भले ही इसे उच्च-गुणवत्ता वाले उदाहरणों की अपेक्षाकृत कम संख्या पर प्रशिक्षित किया गया था। अधिक महत्वपूर्ण बात यह है कि यह नए, अनदेखे प्रकार के हमलों का सामना करने में कहीं अधिक मजबूत साबित हुआ। उन परीक्षणों में जहाँ हमलावरों ने जालसाजी को छिपाने के लिए डिज़ाइन किए गए सूक्ष्म, कंप्यूटर-जनित शोर (noise) से सिस्टम को धोखा देने की कोशिश की, वहां नया सिस्टम अडिग रहा, जिसकी सटीकता केवल एक बहुत छोटे अंश तक ही गिरी। इसके विपरीत, पुराने सिस्टम जो सरल डेटा की विशाल मात्रा पर निर्भर थे, समान दबाव के तहत अपने प्रदर्शन को ढहते हुए देखते रहे। शोधकर्ताओं ने पाया कि साक्ष्यों के माध्यम से तर्क करने की क्षमता एक ढाल के रूप में कार्य करती है, जिससे AI को विचलित करने वाले शोर को अनदेखा करने और उन मौलिक विसंगतियों पर ध्यान केंद्रित करने की अनुमति मिलती है जो एक नकली चीज़ को परिभाषित करती हैं।

इसके तकनीकी प्रदर्शन से परे, यह प्रणाली विश्वास का एक ऐसा स्तर प्रदान करती है जो पिछले मॉडलों में नहीं था। जब मानव विशेषज्ञों ने AI द्वारा उत्पन्न स्पष्टीकरणों की समीक्षा की, तो उन्होंने तर्क की गुणवत्ता को बहुत उच्च माना, और नोट किया कि प्रदान किया गया साक्ष्य स्पष्ट और विश्वसनीय था। यह प्रणाली लाइव वीडियो कॉल या तत्काल भुगतान सत्यापन जैसे वास्तविक समय के अनुप्रयोगों में बिना किसी देरी के उपयोग करने के लिए पर्याप्त तेज़ भी है। केवल पैटर्न को याद करने के बजाय जालसाजी के तर्क को समझने पर ध्यान केंद्रित करके, यह शोध डिजिटल पहचान को सुरक्षित करने के लिए एक नया मार्ग प्रदर्शित करता है। यह सुझाव देता है कि एंटी-स्पूफिंग का भविष्य बड़े डेटाबेस में नहीं, बल्कि स्मार्ट, अधिक व्याख्या योग्य तर्क में है जो डिजिटल धोखे के बदलते परिदृश्य के अनुकूल हो सके।