Page 52 - INATEL - Revista Fetin 44ª-completa

PROJETO VENCEDOR
2º Lugar • Nível 4
Prêmio de Impacto Social

Fak3Zer0

Extensão Identificadora de DeepFakes

ORIGEM DO PROJETO

O problema partiu da observação direta da disseminação de notícias falsas por meio de jornalistas independentes e grandes
mídias nas redes sociais.

PROBLEMÁTICA
O problema principal que buscamos resolver é a crescente circulação de DeepFakes (mídias adulteradas por Inteligência
Artificial) em redes sociais. A adulteração é quase imperceptível a olho nu, exigindo soluções tecnológicas para distinguir o
real do sintético.
A facilidade de criação e o realismo das DeepFakes as tornam ferramentas poderosas na disseminação de fake news, pois
diferentemente dos textos falsos, elas exploram a credibilidade da imagem e da voz de uma pessoa. Consequentemente,
jornalistas e criadores de conteúdo podem inadvertidamente disseminar notícias falsas, minando a confiança do cidadão
comum e causando danos à reputação das vítimas destas fraudes.

MATERIAIS E MÉTODOS

Utilizamos um algoritmo de visão computacional para localizar rostos e isolá-los em cada frame de um vídeo. Além disso,
treinamos um modelo de Aprendizado de Máquina com grandes volumes de dados reais e falsos, a fim de analisar a
autenticidade dos vídeos.
O nosso diferencial reside na integração entre uma extensão para navegadores Chrome (implementada com JavaScript,
HTML e CSS) e um backend de processamento de dados (desenvolvido em Python), tornando a ferramenta acessível a
qualquer usuário da internet, sem a necessidade de instalação de softwares.
Docentes das áreas de tecnologia e comunicação do INATEL validaram a nossa proposta, confirmando uma lacuna de
mercado para soluções de detecção em tempo real de DeepFakes em vídeos, voltadas ao consumidor final.

PROJETO E SOLUÇÃO

A extensão tem como seu requisito principal a submissão de um arquivo em formato .mp4 na Interface de Upload. Uma vez
que o vídeo é enviado, o sistema segmenta o conteúdo em múltiplos frames.
Cada um desses frames é então enviado ao backend, onde o modelo de Aprendizado de Máquina localiza a face e calcula
o score de confiabilidade. O usuário pode acompanhar o processo por meio da Interface de Análise Frame-a-Frame, que
delimita a face detectada e indica a probabilidade dela ser “Real” ou “Fake”.
Após a análise de todos os frames relevantes, o sistema identifica aquele que apresentou a maior probabilidade de falsidade
e, com base nesse dado, consolida o resultado. Por fim, a Interface de Resultado Final informa se o vídeo é considerado real
ou adulterado.

52 INSTITUTO NACIONAL DE TELECOMUNICAÇÕES - INATEL