Yapay Zeka Görsel Tespiti: Algoritmaların Yarışı

Yapay zeka destekli görsel üretim araçları son iki yılda hem kalite hem erişilebilirlik bakımından ciddi bir sıçrama yaşadı. Bu gelişim yalnızca yaratıcı üretim alanını değil, dezenformasyon ekosistemini de dönüştürdü. Özellikle kriz anlarında dolaşıma giren gerçekçi yapay zeka görselleri, yanlış bilgilerin yayılım hızını ve ikna ediciliğini artırıyor. Görsel içeriklerin duygusal etki gücü düşünüldüğünde, bu dönüşüm yalnızca teknik değil, aynı zamanda siyasal ve toplumsal sonuçlar doğuruyor.

2024 Amerika Birleşik Devletleri başkanlık seçimi öncesinde Mayıs ile Kasım ayları arasında X platformunda paylaşılan 24,7 milyon gönderinin incelendiği bir araştırma, sorunun ölçeğini gösteriyor. Bu gönderilerin 2,5 milyonu görsel içeriyordu ve yapılan analizde görsel destekli paylaşımların yüzde 12’sinin yapay zeka üretimi olduğu tespit edildi. Aynı araştırmada metin içeriklerde yapay zeka tespit oranının yalnızca yüzde 1,4 olması, kısa yazıların teknik olarak daha zor ayırt edildiğini ortaya koydu. Ancak bu oranların kullanılan tespit araçlarına ve metodolojiye bağlı olduğu unutulmamalı. Tespit edilen her görsel gerçekten yapay zeka üretimi olmayabilir; aynı şekilde tespit edilemeyen görsellerin bir kısmı da yapay zeka ürünü olabilir. Bu durum, tespit araçlarının güvenilirliği ve sınırları üzerine ayrı bir tartışma gerektiriyor.

Bu alanda öne çıkan araçlardan biri 2023 yılında Anatoly Kvitnitsky tarafından kurulan AI or Not. Araç, yüklenen görselin yapay zeka üretimi olma ihtimaline dair olasılık temelli bir çıktı sunuyor. Basit arayüzü ve hızlı sonuç üretmesi kullanım açısından avantaj sağlıyor. Ücretsiz sürümde sınırlı sayıda kontrol imkânı tanınırken, daha ayrıntılı model analizleri ücretli seçeneklerde sunuluyor. 

Ancak sonuçların olasılık temelli olması ve görsel üzerinde sonradan yapılan manipülasyonların performansı düşürebilmesi önemli bir sınırlılık oluşturuyor.

2021 yılında Kevin Guo ve Dmitriy Karpman tarafından kurulan Hive Moderation ibaşlangıçta içerik moderasyonu amacıyla kurulmuş olsa da son yıllarda yapay zeka görsel tespiti konusunda güçlü bir araç haline geldi. Hive’ın dikkat çeken özelliği, yalnızca görselin yapay zeka ürünü olup olmadığını değil, hangi modelle üretilmiş olabileceğine dair tahmin sunabilmesi. 

Chicago Üniversitesi araştırmacılarının “Organic or Diffused” başlıklı çalışmasında Hive dahil beş tespit aracı test edildi. Çalışmada 280 insan üretimi sanat eseri ile DALL-E 3, Midjourney V6, Firefly, SDXL ve CivitAI modelleri kullanılarak üretilen 350 görsel karşılaştırıldı. Bulgular, değiştirilmemiş yapay zeka görsellerinde Hive’ın yüksek doğruluk oranına ulaştığını ve insan üretimi eserlerde yanlış pozitif üretmediğini gösterdi. Bununla birlikte Adobe Firefly ile üretilen görsellerde zorlanması ve Glaze gibi koruma tekniklerini ya da manipülatif yöntemleri tespit edememesi, aracın kırılgan noktalarına işaret ediyor.

Sırbistan merkezli Was It AI ise yalnızca yapay zeka görsel tespiti üzerine odaklanan daha sade bir araç olarak öne çıkıyor. Ücretsiz kullanım imkânı sunması erişilebilirlik açısından avantaj sağlıyor ve API desteği ile teknik entegrasyon imkânı veriyor. Ancak model tahmini gibi daha gelişmiş analizler sunmaması ve bağımsız akademik test sonuçlarının sınırlı olması, değerlendirme yapılırken dikkate alınmalı.

Google Synth ID

Üretici firmalar da kendi çözümlerini geliştirmeye çalışıyor. Google’ın SynthID sistemi, şirketin yapay zeka araçlarıyla üretilen görsellerin piksellerine görünmez veri işleyerek tespit imkânı sunuyor. Bu yöntem, görsel üzerindeki klasik filigran silinse bile piksel düzeyinde gömülü bilgilerin kalmasını amaçlıyor. Ancak sistem yalnızca Google üretimi içerikler için geçerli. Ayrıca görselin kırpılması, yeniden sıkıştırılması ya da ekran görüntüsünün alınması gibi işlemler tespit performansını etkileyebiliyor. Daha önemlisi, bu yaklaşım üretici firmanın filigran yerleştirme iradesine dayanıyor; kötü niyetli aktörlerin bu sistemi kullanmaması hâlinde yöntem işlevsiz kalabiliyor.

Tüm bu araçlar önemli olmakla birlikte hiçbirinin yüzde yüz doğruluk sunmadığı açık. Yanlış pozitif ve yanlış negatif sonuçlar kaçınılmaz. Görsellerin sonradan düzenlenmesi, farklı platformlarda yeniden sıkıştırılması ya da küçük müdahalelerle dönüştürülmesi, tespit sistemlerini zorlaştırıyor. Yapay zeka üretim modelleri geliştikçe tespit modelleri de güncelleniyor; bu durum teknik bir yarışa işaret ediyor ve kalıcı, mutlak bir çözümün henüz mümkün olmadığını gösteriyor.

Bu nedenle yapay zeka görsellerinin tespiti yalnızca teknik araçlara bırakılabilecek bir mesele değil. Şüpheli bir görselle karşılaşıldığında tersine görsel arama yapılması, en az iki farklı tespit aracında kontrol edilmesi ve görselin kendi iç tutarlılığının incelenmesi önemli. Işık ve gölge uyumsuzlukları, perspektif bozulmaları, anatomik hatalar ya da yazı karakterlerindeki tutarsızlıklar hâlâ ipucu sunabiliyor. Ayrıca görseli paylaşan hesabın geçmişi ve bağlamı incelenmeden kesin hüküm verilmemeli. Özellikle kriz dönemlerinde şüphe eşiğinin daha yüksek tutulması gerekiyor.