強い生成 AI 検知システムを実現する Data-Centric なデータセット管理

日々アップデートされ多様化する生成技術に対し、強い生成 AI 検知システムを実現する為には「良いデータセット、およびその管理の仕組み」が必要不可欠です。NABLAS の生成 AI 検知技術で取り組んでいる、Data−Centric なデータセット管理基盤の構築アプローチをご紹介します。

Transcript

1. 強い生成 AI 検知システムを実現する Data-Centric なデータセット管理 第 3 回 Data-Centric AI 勉強会 AI 総合研究所 NABLAS 冨山 吉孝
2. 冨⼭ 吉孝 YOSHITAKA TOMIYAMA 職種 R&D Engineer / iLect Contents Manager 業務 NABLAS では製造業向け DX、新規技術開発、 AI ⼈材育成事業の教材企画‧開発‧講師業務に従事 趣味 ギター / ボドゲ / ⽂⿃ / 🏍 / 🥊 / 🍺 AI ミュージックバトル！『弁財天』#benzaiten 競技者募集中！ @johannyjm1
3. © NABLAS Inc. 3 NABLAS - 事業概要 AI コンサル・R＆D
 AI 人材育成事業「iLect」
 コンサルティング・技術研究開発、AI 人材育成までワンストップで提供
 
 東京大学で開発された DeepLearning 講座
 Kaggle ライクなコンペ課題など「実践的コンテンツ」 
 1 ユーザ 1GPU 使える iLect System
 AI の研究・開発の支援、共同研究 
 クライアントの状況に応じた技術面のコンサルティング 
 DX 導入支援、技術面のサポート 

4. © NABLAS Inc.
 4
 クライアント&パートナー/受賞歴 主要顧客とパートナー 受賞歴 HONGO AI 2020
 HONGO AI AWARD
 ASPIC IoT・AI・クラウドアワード 2020
 AI部門ベンチャーグランプリ 
 大学発ベンチャー表彰 2020 
 日本ベンチャー学会会長賞 
 防衛装備庁
5. © NABLAS Inc. 5 ⽣成 AI 技術‧検知技術に関する番組製作協⼒、メディア露出 ⽇本テレビ系列「カズレーザーと学ぶ。」（2022 年 11 ⽉ 15 ⽇放送） ⽇本テレビ系列「カワシマの⽳」（2022 年 12 ⽉ 26 ⽇放送） 画像‧⾳声⽣成 ⽣成 AI 検知 NHK 総合「フェイク‧バスターズ」（2023 年 8 ⽉ 26 ⽇放送） テレビ東京「円卓コンフィデンシャル」（2023 年 8 ⽉ 13 ⽇放送） TBS 系列「news23」（2023 年 8 ⽉ 31 ⽇放送）
7. © NABLAS Inc. 7 あらゆる形式のデータをAIが⽣成できるように “Generative Everything” AI Index 2021 by Stanford University HAI テキスト (⽂章)‧画像‧⾳声‧動画など あらゆる形式のデータをAIが⽣成できるように ⼈間が作成したメディアと⾒分けが困難に
8. © NABLAS Inc. 8 “AI-enabled future crime” Caldwell, M., Andrews, J.T.A., Tanay, T. et al. AI-enabled future crime. Crime Sci 9, 14 (2020). GAN 技術の進化によってもたらされた 「ディープフェイク」は 社会に最も差し迫った AI 犯罪の脅威の⼀つ
9. © NABLAS Inc. 9 “AI-enabled current crimes”
10. ⽣成 AI を⽤いた犯罪への対抗技術
11. © NABLAS Inc. 11 NABLAS の⽣成 AI 検知システム ⽣成 AI 検知システム 複数のモデルを組み合わせて ⾼い性能を実現 迅速に解析 フェイク/ 本物 鑑定対象メディア 画像データ ⾳声データ データセントリックなアプローチ * Representative Forgery Mining for Fake Face Detection * Preliminary Forensics Analysis of DeepFake Images * DataPerf: Benchmarks for Data-Centric AI Development 画像⽤ API ⾳声⽤ API ⽣成検知 API モデルセントリックなアプローチ
12. Why Data-Centric?
13. © NABLAS Inc. 13 Why Data-Centric? データセットは真の分布を反映した形でサンプリングされるべき リアル画像‧⽣成画像の真の分布とは …？
14. © NABLAS Inc. 14 Why Data-Centric? Generation using prompt Inpainting Face swap models Diffusion models Creative support tools 多様で⾼品質なモデル‧ツールが毎⽇のようにリリースされる
15. © NABLAS Inc. 15 Why Data-Centric? Generation using prompt Inpainting Face swap models Diffusion models Creative support tools 多様で⾼品質なモデル‧ツールが毎⽇のようにリリースされる 過去の⽣成 AI を良く検知できたモデルがまた効くとは限らない
16. © NABLAS Inc. 16 Why Data-Centric? Generation using prompt Inpainting Face swap models Diffusion models Creative support tools 多様で⾼品質なモデル‧ツールが毎⽇のようにリリースされる 過去の⽣成 AI を良く検知できたモデルがまた効くとは限らない データセットを柔軟に管理‧更新する仕組みが必要
17. Data-Centric なデータ基盤構築
18. © NABLAS Inc. 18 基本的なアイデア データを追加したり、うまく選んだり、加⼯したりする ことで、 より真の分布に近づける これをリアル画像‧⽣成画像データセット 両⽅について ⾏う
19. © NABLAS Inc. 19 基本的なアイデア データを追加したり、うまく選んだり、加⼯したりする ことで、 より真の分布に近づける これをリアル画像‧⽣成画像データセット 両⽅について ⾏う ⇩ ① どんな操作をする？ ⇧ ② どう評価する？ ⇧ ③ 両者の塩梅は？
20. © NABLAS Inc. 20 ① どんな操作をする？ ② どう評価する？ ③ 両者の塩梅は？ を参考にする
21. © NABLAS Inc. 21 DataPerf とは • Data-Centric AI を推進する組織 • データセット作成を評価するベンチマーク‧コミュニティ • コンペやワークショップを開催
22. © NABLAS Inc. 22 DataPerf が提案するベンチマークタスク https://arxiv.org/abs/2207.10062v1 Training Data Development • Training set creation • Data selection • Data debugging • Data valuation ..and more Test Data Development • Test set creation • Slice discovery ..and more
23. © NABLAS Inc. 23 DataPerf が提案するベンチマークタスク https://arxiv.org/abs/2207.10062v1 Training Data Development • Training set creation • Data selection • Data debugging • Data valuation ..and more Test Data Development • Test set creation • Slice discovery ..and more ① どんな操作をする？ ② どう評価する？
24. © NABLAS Inc. 24 Training set creation：学習データセットを作る DataPerf の提案 モデルを固定し、学習データセットを改善（Model-Centric の逆） • ラベルの⾒直し • 不適切なデータの削除 ⽣成 AI 検知データ基盤構築 ⽣成 AI モデルを多様な形で活⽤し、データセットへ追加する • 新規リリースやアップデートがされるたびに対応 • リアル：⽣成のペアを作る - キャプションをプロンプトとし、リアル：⽣成のペアを作る - リアル画像を img2img し、リアル：⽣成のペアを作る - リアル画像の⼀部を指定した inpainting によりリアル：⽣成のペアを作る ← ③ 両者の塩梅は？ ↓ ① どんな操作をする？
25. © NABLAS Inc. 25 Data selection：学習データを減らす DataPerf の提案 • 例：active learning, core-set selection • モデルを固定し、学習データセットを⼩さくする • アノテーションや学習のコスト削減を狙う ⽣成 AI 検知データ基盤構築 • Training set creation によって（特に⽣成画像の）データセットが膨⼤な量になるため、 学習コストの削減のためにデータを削減する • 現在はランダムにサンプリングしているが、 選択アルゴリズムを使って同サイズデータセットにおける精度改善を図る ↓ ① どんな操作をする？
26. © NABLAS Inc. 26 Test set creation：テストデータセットを作る DataPerf の提案 • モデルを固定し、評価データセットを改善 • （⼈間に解けるが、）モデルにとって厳しいデータを追加する • Model-Centric AI のベンチマークのスコアが飽和していることへの直接的な改善になる ⽣成 AI 検知データ基盤構築 ⽣成画像として検知したい画像の中には「⼤量な⽣成」が難しいものも多い（FireFly 等） • 評価データセットには少量であってもそれらを追加する • テストスコアが改善するように Training set creation を⾏う • 過学習しないように定期的にアップデートする ↓ ② どう評価する？
27. © NABLAS Inc. 27 システム構成 Validation/Evaluation 結果を返す データの選択 固定されたモデル Training Evaluation demo Deploy Training Data service Training Dataset v3 Training Dataset v2 Training Dataset v1 Evaluation Dataset 多様な画像を⽣成
28. © NABLAS Inc. 28 • ⽣成 AI 技術が⾼精度化‧⺠主化し、⽣成 AI 検知技術への社会的ニーズが⾼まっている • ⽣成 AI 検知システムを実現するデータセット構築にあたり、Data-Centric AI の視点での アプローチがマッチする • NABLAS では「強い⽣成 AI 検知システム」を実現するために、柔軟で素早くデータを管 理できる基盤を構築中である まとめ
29. © NABLAS Inc. 29 WE ARE HIRING！
 一緒に働く仲間を募集しています！
 
 ▼ 採用HP
 https://www.nablas.com/jobs?lang=ja
 @nablas_inc
 https://twitter.com/nablas_inc
 https://www.facebook.com/nablas.inc
 https://www.linkedin.com/company/nablas