Onderzoekers hebben een nieuwe methode ontwikkeld, genaamd Lasso, die gebruikmaakt van hardware-compressie om synthetische media te detecteren. De techniek is aanzienlijk sneller en energiezuiniger dan huidige softwarematige detectoren en werkt over meerdere modaliteiten, waaronder tekst, beeld en video.
De toename van synthetische teksten, afbeeldingen en video's zorgt voor een groeiende behoefte aan effectieve detectiemethoden. Volgens een recent wetenschappelijk rapport op arxiv.org schieten huidige software-gebaseerde detectoren tekort omdat ze te veel energie verbruiken, te traag zijn en niet kunnen opschalen naar de huidige vraag. Om dit probleem op te lossen, hebben onderzoekers gekeken naar hardware-versnelling.
Doorbraak via reverse engineering
De kern van de nieuwe methode is gebaseerd op de eerste reverse engineering van de microarchitectuur van de Intel QuickAssist Technology (QAT), een compressieversneller. De onderzoekers ontdekten dat de tijd die deze hardware nodig heeft voor compressie varieert op basis van de datastructuur. Door deze specifieke eigenschap te benutten, is Lasso ontwikkeld: een detector die de hardwareversneller in feite omzet in een meetinstrument om AI-gegenereerde content te herkennen.
Superieure prestaties in tekstdetectie
In tests voor tekstdetectie behaalde Lasso indrukwekkende resultaten. Volgens de publicatie op bereikte het systeem een nauwkeurigheid van 100% op originele DetectRL-teksten. Zelfs wanneer teksten werden geparafraseerd, behield Lasso een gemiddelde nauwkeurigheid van 92%. Ter vergelijking: de methoden Binoculars en DetectGPT behaalden in soortgelijke tests respectievelijk 78% en 55%.
Wanneer er rekening werd gehouden met onderwerp, lengte en opmaak, steeg de nauwkeurigheid voor instruction-tuned generatoren naar 95%, zelfs bij generatoren die het systeem voorheen niet had gezien. Op de RAID-dataset behaalde de methode een gemiddelde nauwkeurigheid van 82% bij training op één generator en testen op een andere, en 74% over acht verschillende domeinen.
Snelheid en energie-efficiëntie
Naast de nauwkeurigheid blinkt Lasso uit in efficiëntie. De detectietijd bedraagt slechts 0,74 microseconden. Dit betekent een versnelling van minstens 83.784 keer ten opzichte van vijf andere baselines. Bovendien verbruikt Lasso meer dan 99% minder energie per document dan zowel DetectGPT als Binoculars, zoals beschreven in de .
Multimodale mogelijkheden
Een uniek aspect van Lasso is dat het niet beperkt is tot tekst. Het is de enige vergeleken techniek die detectie ondersteunt over vier verschillende modaliteiten. De resultaten voor andere media zijn als volgt:
- Afbeeldingen: 78% nauwkeurigheid
- Softwarecode: 70% nauwkeurigheid
- Video's: 67,5% nauwkeurigheid
Deze lage latentie en het geringe stroomverbruik openen volgens de auteurs de weg naar praktische real-time detectie op edge-apparaten.
Context en onderscheid
Het is belangrijk om Lasso in deze context te onderscheiden van andere gelijknamige termen. Zo is er in de statistiek de 'Lasso Regression' (Least Absolute Shrinkage and Selection Operator), een lineaire regressietechniek met L1-regularisatie die wordt gebruikt om overfitting te voorkomen en automatische featureselectie uit te voeren, zoals uitgelegd door geeksforgeeks.org. Daarnaast bestaat er in Brussel een platform voor culturele participatie genaamd lasso.be, dat zich richt op inclusieve kunst en educatie. Beide hebben geen relatie met de hardware-detector voor AI-media.