En cette ère où la technologie ne cesse d’évoluer, les applications de la data science dans certains aspects de notre quotidien augmentent. Ainsi, aujourd’hui, on retrouve facilement des sites où une intelligence artificielle a la capacité de générer de manière aléatoire des visages. Parmi ces sites, il y a This-Person-Does-not-Exist.com, dont le nom signifie littéralement Cette Personne N’Existe Pas. Comment fonctionne ce site ? Quels changements apporte-t-il dans notre vie ? Retrouvez les réponses à ces interrogations dans ce guide.
This-Person-Does-not-Exist.com : à propos du site
Il s’agit d’un site où il est possible de générer aléatoirement des visages humains. À noter que ces visages générés sont des faux portraits. En d’autres termes, ces personnes n’existent pas dans la vraie vie, d’où le nom du site.
Le générateur est disponible dès la page d’accueil du site. Concrètement, un faux portrait vous est proposé d’emblée dès que vous arrivez sur le landing page. Si celui-ci ne vous convient pas, un seul clic sur le bouton d’actualisation suffit pour relancer le générateur afin d’obtenir une autre image.
Les photos de visages humains générés sur This-Person-Does-not-Exist.com sont libres de droit. Elles peuvent donc être utilisées pour tous vos besoins une fois téléchargées. Toutefois, pour chaque usage, il convient de mettre un backlink redirigeant les internautes vers le site.
This-Person-Does-not-Exist.com a été développé par Philip Wang, un ingénieur travaillant chez Uber. Son but est de mettre en avant les progrès de l’intelligence artificielle dans la manipulation et le traitement d’image.
Comment fonctionne ce générateur de visages humains ?
Le générateur utilisé par This-Person-Does-not-Exist.com fonctionne sur la base de l’algorithme StyleGAN de NVIDIA et du logiciel de NVIDIA CUDA. À titre de rappel, NVIDIA est une société américaine dont l’activité principale est la construction de cartes graphiques utilisées dans des contextes IA.
En ce qui concerne StyleGAN, cet algorithme exploite des réseaux antagonistes génératifs ou GAN. Il s’agit d’une classe d’algorithme appartenant au machine learning ou apprentissage automatique. Sa particularité ? Il possède deux programmes qui sont le générateur et le discriminateur.
Le générateur
Ce programme, comme son nom l’indique, se charge de la génération d’images pixel par pixel. Pour ce faire, il a recours à des données brutes.
Dans les faits, l’algorithme commence par l’étude des constantes et des valeurs entrées. Ensuite, il ajuste le style de l’image, en passant en revue chaque couche convolutive. C’est de cette manière que le programme contrôle directement les caractéristiques de l’image, et ce, à n’importe quelle échelle.
Le discriminateur
Ce second programme assume le rôle de juge. En d’autres termes, ses tâches consistent à déterminer si l’image générée par le premier programme est assez proche de la réalité pour être convaincante. Pour ce faire, le programme compare les résultats obtenus à de vraies images appartenant à une autre base de données.
Les deux programmes, à chaque génération d’images, s’engagent donc dans une sorte d’affrontement. L’objectif principal de ce procédé est de relever tous les facteurs de variation cachés et d’augmenter ainsi qualitativement le niveau de contrôle. En effet, lors des débuts de son apprentissage, le premier programme ne va concevoir que des images qui ressemblent très peu à un visage humain. Un fait qui facilitera la réalisation des missions confiées au discriminateur, car celui-ci n’aura aucun mal à identifier les vrais et les faux portraits.
Toutefois, au fur et à mesure de son apprentissage, le générateur va changer ses paramètres jusqu’à générer des portraits de plus en plus réalistes. Le discriminateur, quant à lui, s’améliorera dans ses missions de détection, ce qui poussera le générateur à améliorer encore plus la qualité des images générées. C’est de cette façon qu’il est désormais quasi impossible d’identifier un faux portrait à l’œil nu.
Focus sur l’architecture de l’algorithme
L’algorithme StyleGAN définit les attributs de haut niveau de l’image, à savoir :
- La position du visage ;
- La personnalité d’une personne ;
- Le genre ;
- La coiffure ;
- Les taches de rousseur et bien d’autres détails.
Pour cela, il utilise une transformation non-linéaire via un vecteur caché modifié. Vient ensuite la transformation affine en vue d’une adaptation à différents styles et à différentes variations.
Quelles sont les conséquences de cette technologie ?
Cette IA, qui a la capacité de générer de faux portraits, a de nombreuses applications. Ainsi, on l’utilise, par exemple, pour générer des personnages d’animé. On peut aussi l’utiliser dans la création des effets spéciaux dans les films afin d’obtenir des effets réalistes.
Il convient, cependant, de noter que cette technologie ne suscite pas que de bonnes impressions. En effet, jusqu’ici, nombreux sont ceux qui ne cachent pas leur inquiétude quant à une éventuelle mauvaise utilisation de ce générateur et de l’algorithme StyleGAN qui est actuellement disponible en open source. Pour être plus précis, c’est la menace du deepfake qui est au centre des préoccupations.
À titre informatif, le deepfake fait référence à tout risque d’éthique et de trucage relatif à l’usage de l’intelligence artificielle ou du machine learning. Parmi les actes pouvant être qualifiés de deepfake, on cite, par exemple, le trucage d’images ou de vidéos d’une personnalité publique dans le but de manipuler l’opinion publique, de détruire l’image de ladite personnalité ou encore de répondre des fake news.
Comment reconnaître un faux portrait ?
Savoir distinguer un faux portrait d’un vrai est une compétence utile. Cependant, il convient de préciser que ce n’est pas toujours une tâche facile au vu de l’évolution de l’IA et de la qualité des images que celle-ci génère. Selon les statistiques, une personne ordinaire n’arrive pas à reconnaître 90 % des faux portraits, contre un taux de reconnaissance à 50 % chez les photographes expérimentés.
L’identification est d’autant plus difficile, car actuellement, il existe peu de logiciels proposant des services de reconnaissance d’image de fausse personne. Pour pouvoir reconnaître un faux portrait, il faut donc analyser l’image en détails pour pouvoir relever les incohérences. En effet, l’algorithme n’étant pas parfait, des erreurs peuvent donc apparaître. On cite, notamment :
- Des veines qui apparaissent à des endroits inappropriés ;
- Des motifs mal pliés ;
- Des cheveux de couleur étrange ;
- Des yeux souvent trop orange ;
- Des problèmes de symétrie localisés principalement au niveau des boucles d’oreilles ou des lunettes ;
- Des irrégularités au niveau de la dentition (Exemple : incisives répétées) ;
- Des taches d’eau souvent brillantes ;
- Des distorsions au niveau des lignes, des formes et de l’arrière-plan en cas de faux contexte.
À noter que ces exemples ne sont pas exhaustifs. Il existe d’autres incohérences qui peuvent apparaître en fonction de chaque image générée. Un examen attentif est donc conseillé.
À part cette méthode, il est aussi possible de recourir au site WhichFaceIsReal.com qui dispense des enseignements sur l’analyse et la reconnaissance des faux portraits.
Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !
