AI e social media forensics: il ruolo di GNN e GANs nelle indagini digitali
Negli ultimi anni, l’analisi forense delle piattaforme di social media è diventata cruciale per contrastare la disinformazione, individuare attività fraudolente e garantire la sicurezza online.
L’intelligenza artificiale gioca un ruolo rivoluzionario nel contesto della social media forensics, configurandosi come un utile strumento in mano agli esperti del settore. Di seguito, verranno esplorati il potenziale e le applicazioni di GNN e GANs nell’ambito.
Cos’è GNN (Graph Neural Network)?
GNN, o reti neurali grafiche, è un approccio di deep learning basato su reti neurali progettate per operare su strutture sotto forma di grafo, ovvero una struttura composta da nodi e archi, comune in contesti come reti sociali, relazioni tra documenti, reti di trasporto e sistemi biologici.
A differenza delle reti neurali tradizionali, che elaborano dati con dimensioni fisse, le GNN sono in grado di analizzare ed elaborare dati con strutture variabili, catturando interazioni e dipendenze tra le varie entità presenti nel grafo. In poche parole, le GNN permettono di estrarre informazioni utili dalle strutture dei grafi, combinando la potenza delle reti neurali con la capacità di modellare relazioni complesse.
GNN e social media forensics
È proprio grazie a questa capacità che si rivelano un asso vincente nell’ambito della social media forensics.
In questo contesto infatti, le GNN sono in grado di identificare in modo efficace le complesse relazioni tra le varie entità presenti sui social media e quindi, sfruttando la grande quantità di informazioni presenti nei grafi dei social, possono individuare schemi di comportamento, anomalie e attività dannose come cyberbullismo, account falsi e le attività di reclutamento degli estremisti.
Le applicazioni delle GNN nella social media forensics
La fauxtography è la diffusione di immagini manipolate e ingannevoli sui social media e le GNN usano un approccio indicato a rilevarla, proprio grazie alla loro capacità di identificare schemi complessi all’interno di dataset di immagini. Uno dei principali vantaggi dell’uso delle GNN nell’individuazione della fauxtography è la loro capacità di integrare sia le caratteristiche visive estratte dalle immagini, sia le informazioni contestuali provenienti dai metadati, come timestamp, geolocalizzazioni e interazioni degli utenti e ciò consente alle GNN di cogliere i segnali di manipolazione o disinformazione.
Le GNN vengono usate dai digital forenser anche per individuare varie attività criminali, come per esempio il traffico di droga e i comportamenti dei profili fake/troll, analizzando i modelli di comportamento e identificando così attività anomale e illecite sui social network.
Cos’è GANs (Generative Adversarial Networks)?
GANs, o reti generative avversarie, è un framework di modelli di intelligenza artificiale composto da due reti neurali, un discriminatore e un generatore, addestrate contemporaneamente attraverso un processo competitivo. Attraverso questo processo,che vede la rete generativa creare campioni di dati mentre la rede discriminatoria distingue tra campioni reali e falsi, le GANs riescono a generare campioni sempre più realistici e per questo vengono spesso usati per creare dei contenuti falsi iper realistici, i deep fake, che amplificano la diffusione della disinformazione e minano la fiducia nelle piattaforme online.
I ricercatori e gli esperti del settore quindi, continuano ad esplorare nuovi metodi di rilevamento al fine di limitare la diffusione di questi contenuti manipolati e le GANs si sono rivelate non solo utili alla creazione dei deep fake, ma anche dei validi strumenti di contrasto.
Infatti, i digital forenser sfruttano il potenziale dell’apprendimento avversariale delle GANs che permettono di identificare e mitigare un’ampia gamma di manipolazioni digitali, dai falsi video e immagini ai testi e contenuti audio fabbricati.