Իրականության և գեղարվեստականի միջև սահմանները ցրելու AI-ի կարողությունը կիբերհանցագործներին առաջարկում է էժան և արդյունավետ տեխնոլոգիա:
Կալիֆորնիայի Բերկլիի համալսարանի պրոֆեսոր Հանի Ֆարիդը, ով համարվում է թվային դատաբժշկական հեղինակություն, բացատրել է, որ չի կարող տարբերել արհեստական ինտելեկտի կողմից արտադրված ձայներն ու տեսանյութերը իրականից։
Ֆարիդը հայտարարեց, որ արհեստական ինտելեկտի ձայները տարբերող նորմալ մարդկանց մակարդակը մնում է մոտ 60 տոկոս, ինչը ոչնչով չի տարբերվում մետաղադրամը շրջելուց:
Համաշխարհային խարդախության կորուստները հասնում են 442 միլիարդ դոլարի
ԻՆՏԵՐՊՈԼԻ կողմից հրապարակված «Ֆինանսական խարդախության սպառնալիքի գլոբալ գնահատման» զեկույցի համաձայն՝ 2025 թվականին գլոբալ ֆինանսական խարդախության կորուստները հասել են 442 միլիարդ դոլարի։ Կազմակերպությունը ընդհանուր ռիսկի մակարդակը գնահատել է որպես «Բարձր»՝ կանխատեսելով զգալի սրացում հաջորդ 3-5 տարիների ընթացքում։
ԱՄՆ-ում ՀԴԲ-ի ինտերնետային հանցագործությունների դեմ բողոքների կենտրոնի տարեկան զեկույցում գրանցվել է կիբեռհանցագործության դեմ ուղղված 20.9 միլիարդ դոլարի կորուստ։ Զեկույցի պատմության մեջ առաջին անգամ ՀԴԲ-ն արհեստական բանականության հետ կապված բողոքները դիտարկել է որպես առանձին հանցագործության կատեգորիա՝ գրանցելով ավելի քան 22,000 բողոք, որոնցում նշվում է 893 միլիոն դոլարից ավելի կորուստների մասին։ Մեծ Բրիտանիայում զոհերի կողմից ձեռքով գումար ուղարկելու հետ կապված խարդախությունը աճել է 19%-ով՝ հասնելով 576.4 միլիոն ֆունտ ստեռլինգի։
Ինչպե՞ս են աշխատում ձայնի կլոնավորումը և խորը գեղարվեստական խաբեությունները։
Այսօրվա տեխնոլոգիաների շնորհիվ սոցիալական ցանցերի տեսանյութից, փոդքասթից կամ ձայնային հաղորդագրությունից 3 վայրկյան տևողությամբ ձայնագրությունը բավարար է ձայնը կլոնավորելու համար։
Արհեստական բանականության գործակալները ավտոմատացնում են խարդախությունը
Խարդախ գործունեության արդյունաբերականացումը նոր չափում է ստացել՝ արհեստական բանականության գործակալների շնորհիվ, որոնք կարող են պլանավորել և կատարել առաջադրանքներ առանց մարդու միջամտության։ Ասում են, որ արհեստական բանականության վրա հիմնված խարդախությունը 4.5 անգամ ավելի շահավետ է, քան ավանդական մեթոդները։
Այս համակարգերը սովորում են իրենց անհաջող փորձերից՝ թարմացնելով իրենց մոդելները և փոխելով իրենց մոտեցումը հաջորդ փորձի ժամանակ։
