- Britisches Unternehmen Logically
- Bewertet die Vertrauenswürdigkeit von Medienberichten durch die Kombination von Machine Learning, natürlicher Sprachverarbeitung und menschlicher Intelligenz
- Die Webbrowser-Erweiterung von Logically betrachtet den inhaltlichen Kontext zusammen mit vertrauenswürdigen Artikeln aus mehr als 100.000 Publikationen
- Anschließend bewertet sie die Informationsquelle und die Glaubwürdigkeit des Artikels
- Auf Grundlage von Expertenbewertungen von Forschungspartnern und KI-Prognosen informiert sie Nutzer darüber, welchen Informationsquellen man vertrauen kann und welchen nicht
- Die KI sagt außerdem die Vertrauenswürdigkeit eines Artikels anhand des Inhalts, des Rufs und der Fachkenntnis des Autors sowie der Art seiner Verbreitung in sozialen Medien voraus
- Wenn Nutzer eine Faktenprüfung anfordern, untersucht ein Fact-Checking-Team den Fall und teilt das Ergebnis mit
- Britisches Unternehmen Factmata
- Analysiert Online-Inhalte mit Machine Learning und natürlicher Sprachverarbeitung, um Fake News zu erkennen
- Factmata hat eine Engine aufgebaut, die alle im Internet erzeugten Kernaussagen extrahiert und zusammenführt
- Außerdem wurde ein Algorithmus entwickelt, der Inhalte über 12 Dimensionen hinweg bewertet und klassifiziert
- Zu diesen 12 Dimensionen gehören Kontroversität, mangelnde Objektivität, Hassrede, Rassismus, Sexismus, toxische Sprache, Obszönität, sprachliche Bedrohung, übermäßige Parteilichkeit und Clickbait-Links
- Dies sind sprachliche Merkmale von Inhalten, die Propaganda, Desinformation oder Fake News sein können
- Mit dieser Engine und dem Algorithmus erkennt Factmata Fake News und Hassrede zu Marken, Produkten und aktuellen Online-Themen
- US-Online-Plattform Bot Sentinel
- Erkennt mit Machine Learning Accounts, die andere belästigen oder Desinformation verbreiten
- Das Team trainierte ein Machine-Learning-Modell zur Klassifizierung von Twitter-Accounts anhand von mehreren tausend Accounts und Millionen von Tweets
- Zunächst werden Accounts identifiziert, die wiederholt gegen die Twitter-Regeln verstoßen
- Anschließend wird das Modell darauf trainiert, Accounts zu klassifizieren, die den vom Team als „problematisch“ bestätigten Accounts ähneln
- Accounts werden in „normal“, „satisfactory“, „disruptive“ und „problematic“ eingeteilt und jeweils mit einer Bewertung (%) versehen
- Je höher die Bewertung, desto wahrscheinlicher ist es, dass der Account problematisch ist
- US-Unternehmen Meta (Facebook)
- Entwickelt ein System, das mit KI Deepfake-Videos erkennt
- Trainierte das Modell mit Videos aus einem für die „Deepfake Detection Challenge“ beauftragten Datensatz
- Auch mehrere Generative Adversarial Networks wurden für das Training genutzt
- Meta aktualisiert das Modell mithilfe neuer Datensynthesetechniken nahezu in Echtzeit, damit das System auch neue, zuvor unbekannte Deepfake-Videos erkennen kann
- Wenn ein neues Deepfake-Video erkannt wird, werden neue ähnliche Deepfake-Fälle erzeugt
- Diese werden als umfangreiche Trainingsdaten für das Modell zur Erkennung von Deepfake-Videos genutzt
Noch keine Kommentare.