{"id":23382,"date":"2020-03-26T16:37:00","date_gmt":"2020-03-26T14:37:00","guid":{"rendered":"https:\/\/www.kaspersky.de\/blog\/?p=23382"},"modified":"2020-03-26T16:38:52","modified_gmt":"2020-03-26T14:38:52","slug":"rsa2020-deepfakes-mitigatio","status":"publish","type":"post","link":"https:\/\/www.kaspersky.de\/blog\/rsa2020-deepfakes-mitigatio\/23382\/","title":{"rendered":"Wie man die Auswirkungen von Deepfakes reduzieren kann"},"content":{"rendered":"

Deepfakes sind lediglich eines der zahlreichen Negativeffekte der j\u00fcngsten Fortschritte auf dem Gebiet der k\u00fcnstlichen Intelligenz. Gef\u00e4lschte Medien, die durch maschinelle Lernalgorithmen erzeugt wurden, haben in den letzten Jahren viel Anklang gefunden. Alyssa Millers Vortrag, \u201eLosing our Reality\u201c<\/a> (dt. Der Verlust unserer Realit\u00e4t), auf der RSA-Konferenz 2020, bietet einige Fakten dazu, warum es an der Zeit ist, Deepfakes als Bedrohung zu betrachten und was Ihr Unternehmen tats\u00e4chlich tun kann, um Auswirkungen eines derartigen Angriffs zu mindern.<\/p>\n

Wie Deepfakes erzeugt werden<\/h2>\n

Der gebr\u00e4uchlichste Ansatz f\u00fcr die Erstellung von Deepfakes ist die Verwendung eines Systems mit dem Namen GAN (Generative Adversial Networks). GANs bestehen aus zwei neuronalen Netzen, die miteinander konkurrieren. Zur Vorbereitung werden beide Netzwerke auf reale Bilder trainiert. Dann beginnt der Konkurrenzmechanismus: Ein Netzwerk generiert Bilder (daher der Name Generator<\/em>), w\u00e4hrend das andere, konkurrierende Netzwerk versucht festzustellen, ob das Bild echt oder falsch ist (letzteres Netzwerk wird als Diskriminator<\/em> bezeichnet).<\/p>\n

So entwickelt das generative Netzwerk einen Lernprozess aus dem Ergebnis. Gleichzeitig lernt der Diskriminator, wie er seine Leistung verbessern kann. Mit jedem Zyklus wird die Leistung beider Netzwerke zunehmend verbessert.<\/p>\n

Nehmen wir an, ein solches System hat eine Million solcher Trainingszyklen absolviert: Das GAN hat gelernt, wie man gef\u00e4lschte Bilder erzeugt, die ein ebenso fortgeschrittenes neuronales Netzwerk nicht von echten unterscheiden kann.<\/p>\n

Diese Methode ist in vielen Anwendungen tats\u00e4chlich n\u00fctzlich. Abh\u00e4ngig von den vorbereitenden Daten lernt das generative Netzwerk, bestimmte Arten von Bildern zu generieren.<\/p>\n

F\u00fcr Deepfakes wird der Algorithmus nat\u00fcrlich auf reale Fotos bestimmter Personen trainiert, was zu einem Netzwerk f\u00fchrt, das eine unendliche Anzahl \u00fcberzeugender (aber gef\u00e4lschter) Fotos einer Person erzeugen kann, die man in einem Video zusammenschneiden kann. \u00c4hnliche Methoden k\u00f6nnten gef\u00e4lschte Audiodateien erzeugen und ja, Betr\u00fcger verwenden bereits Deepfake-Audios.<\/a><\/p>\n

Wie \u00fcberzeugend Deepfakes geworden sind<\/h2>\n

Fr\u00fche Deepfake-Videos sahen l\u00e4cherlich aus, aber die Technologie hat sich zu diesem Zeitpunkt so weit entwickelt, dass solche Medien erschreckend \u00fcberzeugend wirken. Eines der bemerkenswertesten Beispiele f\u00fcr erschreckend \u00fcberzeugende Deepfakes aus dem Jahr 2018 war ein Fake-Video von Barack Obama,<\/a> in dem dieser \u00fcber Deepfakes sprach (und obendrein gelegentlich den derzeitigen US-Pr\u00e4sidenten beleidigte). Mitte 2019 sahen wir ein kurzes Video von Mark Zuckerberg, der \u00fcberraschenderweise mal ehrlich \u00fcber den aktuellen Stand der Privatsph\u00e4re berichtete.<\/p>\n

Um zu verstehen, wie gut die Technologie bereits geworden ist, sollten Sie einen Blick auf das folgende Video werfen. Der Impressionist Jim Meskimen schuf es in Zusammenarbeit mit dem Deepfake-K\u00fcnstler Sham00k. Ersterer war f\u00fcr die Stimmen verantwortlich, w\u00e4hrend letzterer die Gesichter von rund 20 Promis mit Deepfake-Software<\/a> in einem Video vereinte. Das Ergebnis ist wirklich faszinierend.<\/p>\n