Watermarking AI: Cara Kerja, Aplikasi, Tantangan

Dari video dan rekaman audio yang sangat realistis hingga gambar fotorealistik dan artikel yang menarik, konten yang dihasilkan AI semakin merajalela. Meskipun dapat digunakan untuk kebaikan, hal ini juga membuka peluang penyalahgunaan serius, seperti penyebaran misinformasi, manipulasi opini publik, dan menyesatkan pemilih selama pemilu.

Karena itu, memverifikasi asal-usul dan keaslian konten digital menjadi sangat penting. Langkah ini memungkinkan kita mengurangi potensi dampak buruk dari model generatif. Di sinilah watermarking AI berperan, menawarkan alat krusial untuk memberi label dan mendeteksi konten yang dihasilkan AI, yang penting untuk memerangi penyalahgunaannya.

Dalam postingan blog ini, saya akan menjelaskan apa itu watermarking AI dan cara kerjanya, menyoroti aplikasi utamanya, serta mengulas tantangan dan keterbatasan yang dihadapi.

Apa Itu Watermarking AI?

Watermarking AI adalah teknik yang menyematkan sinyal yang dapat dikenali (yakni watermark) ke dalam konten yang dihasilkan AI dengan cara yang membuatnya dapat dilacak dan dilindungi tanpa mengorbankan kualitasnya.

Watermark AI dapat disematkan dengan berbagai cara tergantung pada jenis kontennya:

Teks: Pola linguistik atau variasi yang halus.
Gambar: Perubahan pada nilai piksel atau warna.
Audio: Pergeseran frekuensi.
Video: Perubahan berbasis frame atau penyesuaian pengodean tertentu.

Watermark dapat diklasifikasikan berdasarkan dua faktor utama:

Visibilitas

Watermark yang tak kasatmata: Tidak langsung terlihat oleh manusia dan hanya dapat diidentifikasi secara algoritmis, seperti perubahan kecil pada struktur teks.
Watermark yang terlihat: Bersifat nyata dan mudah dikenali, seperti logo atau teks overlay pada gambar atau video.

Ketahanan terhadap manipulasi:

Watermark yang robust: Mampu bertahan dari perubahan konten seperti kompresi, pemotongan, penskalaan, dan pengeditan.
Watermark yang rapuh: Mudah rusak oleh modifikasi apa pun, tetapi tetap berguna untuk memverifikasi integritas konten asli yang belum dimodifikasi.

Bagaimana Cara Kerja Watermarking AI?

Berikut penjelasan singkat tentang cara kerja watermarking AI. Intinya, watermarking AI melibatkan dua tahap utama: penyematan (atau pengodean) dan deteksi.

Proses penyematan atau pengodean dapat dilakukan dengan berbagai cara, termasuk menambahkan pola derau dan memodifikasi bit orde rendah.

Proses deteksi dapat dilakukan dengan menggunakan algoritme yang mencari pola tertentu atau anomali statistik dalam konten yang dihasilkan, atau bahkan dengan melatih model pembelajaran mesin untuk membedakan konten yang diberi watermark dan yang tidak.

Keseluruhan proses watermarking dapat diimplementasikan dalam tiga cara utama:

Selama proses generatif itu sendiri (watermarking generatif).
Dengan mengedit media yang sudah dihasilkan (watermarking berbasis edit).
Dengan mengubah data pelatihan model generatif (watermarking berbasis data).

Masing-masing metode memiliki keunggulan unik, dan pilihan teknik bergantung pada jenis konten serta kasus penggunaan.

Aplikasi Watermarking AI

Sekarang, mari fokus pada aplikasi utama watermarking AI. Pada bagian berikut, saya akan membahas perlindungan kekayaan intelektual dan pelacakan asal-usul, verifikasi keaslian, serta penggunaan AI yang bertanggung jawab.

Perlindungan kekayaan intelektual dan pelacakan asal-usul

Saat membaca makalah “Watermarking Makes Language Models Radioactive,” saya tertarik dengan pembahasannya tentang bagaimana watermarking AI dapat melindungi kekayaan intelektual model bahasa berskala besar.

Studi ini memperkenalkan konsep “radioaktivitas,” yang menunjukkan bagaimana teks ber-watermark meninggalkan jejak yang dapat dideteksi ketika digunakan untuk fine-tuning model lain. Pendekatan ini memberi cara bagi pengembang model AI generatif untuk melacak penggunaan ulang konten AI mereka yang berizin, memastikan akuntabilitas atas penggunaan kekayaan intelektual mereka.

Verifikasi keaslian

Di luar pentingnya untuk melindungi kekayaan intelektual model AI generatif, watermarking AI juga berperan kunci dalam memverifikasi keaslian serta mengungkap deepfake atau konten yang dimanipulasi.

Bagi saya, kemampuan ganda inilah yang menjadikannya teknologi yang sangat penting. Dengan menyematkan penanda halus yang dapat dilacak ke dalam konten yang dihasilkan AI, watermarking memungkinkan kita mendeteksi manipulasi dan menjaga kepercayaan di dunia online yang semakin dipenuhi misinformasi.

Penggunaan AI yang bertanggung jawab

Sejalan dengan pentingnya watermarking AI dalam verifikasi keaslian, saya juga melihat watermarking sebagai langkah penting untuk mendorong penggunaan AI yang bertanggung jawab. Ini memudahkan identifikasi konten yang dihasilkan AI, membuat para pengembang dan pengguna AI generatif lebih akuntabel. Pencipta AI generatif akan lebih berhati-hati dalam menggunakan alat AI, memastikan mereka tidak menyesatkan audiens atau melakukan praktik tidak etis.

Bagi siapa pun yang ingin memahami tantangan lebih luas dari Watermarking AI—terutama isu-isu terkait tata kelola, kontrol, dan penggunaan hasil deteksi—makalah “What Lies Ahead for Generative AI Watermarking” wajib dibaca.

Tantangan dan Keterbatasan Watermarking AI

Walaupun watermarking AI memiliki potensi besar, masih ada tantangan dan keterbatasan yang perlu dipertimbangkan. Pada bagian berikut, saya akan membahas isu-isu utama, termasuk pertukaran antara robustness dan ketidakterlihatan watermark, dampak transformasi terhadap akurasi deteksi, serta kebutuhan akan standar industri.

Robustness

Meningkatkan robustness biasanya melibatkan penyematan watermark lebih kuat ke dalam konten, sehingga lebih tahan terhadap serangan dan lebih sulit dihapus. Namun, ini sering mengorbankan ketidakterlihatan, karena watermark yang lebih kuat dapat menjadi lebih terlihat oleh pengguna, memengaruhi kualitas visual atau audio konten.

Sebaliknya, membuat watermark kurang terlihat biasanya melibatkan penyematan yang lebih halus ke dalam konten. Namun, watermark yang halus umumnya lebih rentan terhadap serangan seperti kompresi atau pemotongan.

Akurasi deteksi

Tantangan utama lain yang perlu dipertimbangkan adalah bagaimana akurasi deteksi teknik Watermarking AI dapat dipengaruhi oleh faktor seperti kompresi, pengubahan ukuran, dan pemotongan.

Ambil contoh kompresi. Algoritme kompresi dirancang untuk mengurangi ukuran file dengan menghapus data yang berlebih atau kurang penting, dan sayangnya, watermark yang halus sering kali termasuk dalam kategori data yang “dapat dihapus,” sehingga konten yang dihasilkan AI menjadi tidak terdeteksi.

Pemotongan menambah tantangan ini selangkah lebih jauh—jika watermark berada pada bagian konten yang dipotong, tidak ada peluang untuk mendeteksinya pada gambar yang tersisa.

Standarisasi

Watermarking AI masih menghadapi tantangan, terutama kurangnya standar lintas industri, yang menyulitkan interoperabilitas dan memperlambat adopsi yang lebih luas. Namun, saya melihat perkembangan terbaru cukup menjanjikan.

Misalnya, SynthID dari Google DeepMind memperkenalkan skema watermarking siap produksi untuk teks yang mempertahankan akurasi deteksi tinggi dengan latensi minimal.

Saya juga tertarik dengan pekerjaan Meta tentang watermarking video. Mereka baru-baru ini menerbitkan Video Seal, sebuah kerangka kerja komprehensif yang menyisipkan sinyal ke dalam video untuk memastikan ketahanannya terhadap transformasi (misalnya, kompresi).

Gambaran umum watermarking video digital. Sumber: Meta AI

Fakta bahwa Google DeepMind dan Meta telah memublikasikan kode watermarking mereka di GitHub merupakan langkah menarik menuju standarisasi.

Masa Depan Watermarking AI

Saat memikirkan masa depan watermarking AI, saya melihat beberapa kemajuan menarik di cakrawala, khususnya pada metode penyematan dan deteksi watermark.

Teknik yang terinspirasi kriptografi

Salah satu yang paling menarik menurut saya adalah penggunaan teknik yang terinspirasi kriptografi. Dalam pendekatan ini, watermark hanya dapat dideteksi dengan pengetahuan kunci rahasia. Tanpa kunci rahasia, secara komputasional mustahil membedakan keluaran ber-watermark dari keluaran model asli.

Untuk informasi lebih mendalam tentang konsep ini, saya sangat merekomendasikan membaca makalah riset “Undetectable watermarks for language models.” Makalah ini mengulas seluk-beluk teknik watermarking kriptografis dan potensi dampaknya pada masa depan konten yang dihasilkan AI.

Kekhawatiran privasi

Namun, meskipun kemajuan teknik watermarking AI menggembirakan, kekhawatiran mengenai kebebasan berekspresi, privasi, dan transparansi tetap ada.

Sebagai contoh, bayangkan sebuah gambar yang dihasilkan oleh pembela hak asasi manusia untuk mendokumentasikan tindakan pelanggaran. Gambar yang dihasilkan membawa informasi tersembunyi melalui watermark, sehingga pembela HAM tersebut mudah diidentifikasi oleh rezim yang menindas.

Penting bagi pengembang AI dan pembuat kebijakan untuk mengatasi isu ini dengan memastikan bahwa watermark dirancang untuk menjaga privasi para pembuat dan penyebar konten sensitif, sembari tetap memungkinkan atribusi dan pelacakan yang efektif.

Kesimpulan

Saya percaya watermarking AI memiliki potensi besar untuk membangun kepercayaan dan transparansi. Dengan memungkinkan identifikasi konten yang dihasilkan AI, teknologi ini dapat memerangi misinformasi, melindungi kekayaan intelektual, dan mendorong penggunaan AI yang etis.

Bagi saya, bagian yang paling menarik adalah bagaimana teknologi ini memberdayakan individu untuk membuat keputusan yang lebih baik tentang konten yang mereka konsumsi. Meski begitu, masih ada tantangan besar di depan, seperti membuat watermark cukup tangguh untuk menahan gangguan dan menemukan keseimbangan yang tepat antara transparansi dan privasi. Itulah sebabnya riset berkelanjutan dan kolaborasi sangat penting.

Penulis

Natasha Al-Khatib

Saya seorang insinyur komputer dan komunikasi sekaligus peneliti. Saya menghabiskan waktu membangun alat deep learning untuk memajukan bidang keamanan siber!

Topik

Kecerdasan Buatan Large Language Models