- Empresa británica Logically
- Evalúa la confiabilidad de las noticias combinando aprendizaje automático, procesamiento de lenguaje natural e inteligencia humana
- La extensión para navegador web de Logically revisa el contexto del contenido junto con artículos confiables provenientes de más de 100 mil medios
- Luego evalúa la fuente de la información y la credibilidad del artículo
- Con base en evaluaciones de expertos de sus socios de investigación y predicciones de IA, informa al usuario qué fuentes de información son confiables y cuáles no deberían considerarse confiables
- La IA también predice si un artículo es confiable tomando en cuenta su contenido, la reputación y experiencia del autor, y la forma en que el artículo circuló en redes sociales
- Si el usuario solicita una verificación, el equipo de fact-checking investiga e informa el resultado
- Empresa británica Factmata
- Detecta noticias falsas analizando contenido en línea con aprendizaje automático y procesamiento de lenguaje natural
- Factmata construyó un motor que extrae y reúne todas las afirmaciones clave generadas en internet
- También diseñó un algoritmo que puntúa y clasifica el contenido en 12 dimensiones
- Entre esas 12 dimensiones están la controversia, la falta de objetividad, el discurso de odio, el racismo, el sexismo, la toxicidad, la obscenidad, las amenazas en el lenguaje, el partidismo excesivo y los enlaces engañosos
- Estas son características lingüísticas de contenidos que pueden constituir propaganda, desinformación o noticias falsas
- Factmata usa ese motor y algoritmo para detectar noticias falsas y discurso de odio relacionados con marcas, productos y temas de actualidad en línea
- Plataforma en línea estadounidense Bot Sentinel
- Usa aprendizaje automático para detectar cuentas que acosan a otros o difunden desinformación
- El equipo entrenó un modelo de aprendizaje automático para clasificar cuentas de Twitter usando miles de cuentas y millones de tuits
- Primero identifica cuentas que violan repetidamente las reglas de Twitter
- Luego entrena el modelo para clasificar cuentas similares a las que el equipo confirmó como “problemáticas”
- Las cuentas se clasifican como “normal”, “satisfactory”, “disruptive” y “problematic”, y a cada una se le asigna una puntuación (%)
- Cuanto mayor es la puntuación, mayor es la probabilidad de que esa cuenta sea problemática
- Empresa estadounidense Meta (Facebook)
- Desarrolló un sistema para detectar videos deepfake con IA
- Entrenó el modelo con videos del dataset encargado para el “Deepfake Detection Challenge”
- También usó múltiples redes generativas antagónicas en el entrenamiento
- Meta actualiza el modelo casi en tiempo real con nuevas técnicas de síntesis de datos para que su sistema pueda identificar nuevos videos deepfake que no había visto antes
- Cuando detecta un nuevo video deepfake, crea nuevos casos similares de deepfake
- Los usa como datos de entrenamiento a gran escala para el modelo de detección de videos deepfake
Aún no hay comentarios.