Berliner Boersenzeitung - Angle mort de l'IA: quand les outils échouent à détecter leurs propres faux

EUR -
AED 4.231182
AFN 76.040018
ALL 93.28332
AMD 419.960542
AOA 1057.652191
ARS 1711.458707
AUD 1.643934
AWG 2.073827
AZN 1.960953
BAM 1.952337
BBD 2.312508
BDT 141.778513
BHD 0.432936
BIF 3407.171149
BMD 1.152126
BND 1.473612
BOB 13.633994
BRL 5.849809
BSD 1.148148
BTN 109.45727
BWP 15.655299
BYN 3.33999
BYR 22581.676638
BZD 2.309214
CAD 1.617805
CDF 2621.087293
CHF 0.931898
CLF 0.027053
CLP 1068.193963
CNY 7.778353
CNH 7.781565
COP 3630.085168
CRC 521.479526
CUC 1.152126
CUP 30.531349
CVE 110.071189
CZK 24.204443
DJF 204.458219
DKK 7.475393
DOP 66.612421
DZD 153.121031
EGP 57.960488
ERN 17.281895
ETB 183.477644
FJD 2.553575
FKP 0.854585
GBP 0.856473
GEL 3.012759
GGP 0.854585
GHS 13.422366
GIP 0.854585
GMD 84.68235
GNF 10079.165325
GTQ 8.760575
GYD 240.177101
HKD 9.035303
HNL 30.764563
HRK 7.532716
HTG 150.130865
HUF 363.546597
IDR 20724.448947
ILS 3.51966
IMP 0.854585
INR 109.768614
IQD 1504.125456
IRR 1584317.759414
ISK 141.999892
JEP 0.854585
JMD 181.766793
JOD 0.816815
JPY 180.83793
KES 149.086432
KGS 100.75315
KHR 4645.980752
KMF 491.958073
KRW 1648.894445
KWD 0.356756
KYD 0.956807
KZT 544.057313
LAK 26002.215821
LBP 102821.361766
LKR 385.441323
LRD 207.241496
LSL 18.991261
LTL 3.401929
LVL 0.69691
LYD 7.346002
MAD 10.725814
MDL 20.064671
MGA 4910.311403
MKD 61.464255
MMK 2419.100294
MNT 4140.198973
MOP 9.275407
MRU 46.144549
MUR 54.081118
MVR 17.811624
MWK 1990.877223
MXN 19.963758
MYR 4.717923
MZN 73.632627
NAD 18.991096
NGN 1567.525326
NIO 42.255231
NOK 10.986072
NPR 175.130114
NZD 1.963586
OMR 0.442993
PAB 1.148139
PEN 3.891098
PGK 5.140903
PHP 70.237063
PKR 318.87157
PLN 4.299897
PYG 6845.886481
QAR 4.19721
RON 5.244248
RSD 117.354485
RUB 91.881726
RWF 1685.517545
SAR 4.311981
SBD 9.310454
SCR 16.117074
SDG 691.27601
SEK 10.988786
SGD 1.477625
SLE 28.449336
SOS 656.133304
SRD 43.529064
STD 23846.689499
STN 24.456725
SVC 10.046224
SZL 18.988401
THB 38.419381
TJS 10.597356
TMT 4.043964
TND 3.375357
TRY 54.769495
TTD 7.796205
TWD 37.395143
TZS 3045.742793
UAH 51.245723
UGX 4311.408559
USD 1.152126
UYU 46.197854
UZS 13743.681113
VES 859.136475
VND 30265.78339
VUV 137.160822
WST 3.150479
XAF 654.798361
XAG 0.019762
XAU 0.000284
XCD 3.113679
XCG 2.069239
XDR 0.814359
XOF 654.798361
XPF 119.331742
YER 274.548333
ZAR 18.995566
ZMK 10370.552523
ZMW 21.567837
ZWL 370.984218
  • AEX

    0.9900

    1100.19

    +0.09%

  • BEL20

    0.5700

    5686.13

    +0.01%

  • PX1

    107.2200

    8617

    +1.26%

  • ISEQ

    109.6400

    13645.07

    +0.81%

  • OSEBX

    -3.4300

    2014.55

    -0.17%

  • PSI20

    27.3500

    9143.33

    +0.3%

  • ENTEC

    -5.8300

    1416.23

    -0.41%

  • BIOTK

    -20.6300

    4276.33

    -0.48%

  • N150

    14.9200

    4277.52

    +0.35%

Angle mort de l'IA: quand les outils échouent à détecter leurs propres faux
Angle mort de l'IA: quand les outils échouent à détecter leurs propres faux / Photo: Chris Delmas - AFP

Angle mort de l'IA: quand les outils échouent à détecter leurs propres faux

Lorsque des Philippins indignés ont utilisé un assistant virtuel ("chatbot") dopé à l'IA pour vérifier la photo virale d'un parlementaire impliqué dans un scandale de corruption, l'outil n'a pas détecté qu'elle était fabriquée. Il l'avait pourtant lui-même générée.

Taille du texte:

Les internautes se tournent de plus en plus vers des chatbots pour vérifier des images en temps réel. Mais ces outils échouent souvent, interrogeant sur leurs capacités à détecter les images factices, à un moment où les grandes plateformes réduisent la vérification humaine.

Dans de nombreux cas, ils identifient comme authentiques des images générées par l'IA, ce qui accentue la confusion dans un univers numérique saturé de faux visuels.

Les outils de vérification "sont principalement entraînés sur des schémas linguistiques et manquent de la compréhension visuelle nécessaire pour identifier correctement les images générées ou manipulées", explique Alon Yamin, PDG de Copyleaks, une plateforme de détection de contenus IA.

"Les chatbots donnent souvent des évaluations incohérentes ou trop générales, ce qui les rend peu fiables pour des tâches comme la vérification ou l'authentification."

Aux Philippines, une image fabriquée a ainsi circulé sur les réseaux sociaux impliquant Elizaldy Co, ex-député impliqué dans une vaste affaire de corruption concernant des projets fictifs de contrôle des inondations, qui auraient coûté des centaines de millions de dollars au contribuable.

La photo montrait l'ex-député au Portugal, alors qu'il aurait dû se trouver aux Philippines à la disposition de la justice. Lorsque des internautes ont interrogé l'assistant IA de Google pour savoir si la photo était authentique, l'IA a répondu à tort par l'affirmative.

Elizaldy Co n'est en réalité jamais réapparu en public depuis le début de l'enquête.

Les vérificateurs de l'AFP ont retrouvé le créateur de l'image et établi qu'elle avait été précisément générée par l'IA de Google.

Google n'a pas répondu aux sollicitations de l'AFP sur ce sujet.

- "Distinguable de la réalité" -

L'AFP a trouvé d'autres occurrences d'IA incapables de reconnaître leurs propres créations.

Lors des violentes manifestations du mois dernier au Cachemire pakistanais, des internautes ont partagé une image censée montrer des hommes marchant avec des drapeaux et des torches.

Une analyse de l'AFP a révélé qu'elle avait été créée avec le modèle Gemini de Google. Mais Gemini et Copilot (Microsoft) l'ont identifiée comme authentique.

"Ces modèles (d'IA) sont programmés uniquement pour bien imiter", explique à l'AFP Rossine Fallorina, du centre de recherche Sigla. "En un sens, ils ne peuvent que générer des choses qui imitent correctement. Ils ne peuvent pas déterminer si cette imitation est réellement distinguable de la réalité".

Plus tôt cette année, le Tow Center for Digital Journalism de l'université américaine Columbia a testé sept chatbots IA – dont ChatGPT, Perplexity, Gemini et Grok (une IA appartenant à Elon Musk) – sur 10 photos de photojournalistes.

Tous ont échoué à identifier correctement la provenance des images qui leur étaient soumises, selon l'étude.

- "Choqué" -

L'AFP a retrouvé l'auteur de la fausse photo d'Elizaldy Co, qui a dépassé le million de vues sur les réseaux: un développeur web philippin qui affirme l'avoir créée "pour s'amuser" avec Nano Banana, le générateur d'images IA de Gemini.

"Malheureusement, beaucoup de gens y ont cru", confie-t-il, sous couvert d'anonymat pour éviter les représailles. "J'ai modifié mon post en précisant +image générée par IA+ pour stopper la propagation, car j'étais choqué par le nombre de partages."

Ces cas montrent à quel point les photos générées par IA peuvent être indiscernables des images réelles. Et la tendance inquiète, alors que les internautes délaissent les moteurs de recherche traditionnels au profit des outils IA pour s'informer et vérifier des contenus.

Le géant américain Meta, qui contrôle Facebook et Instagram, a annoncé en début d'année la fin de son programme de fact-checking aux Etats-Unis pour le remplacer par un système de "notes de communauté", écrites par des utilisateurs, sur le modèle du réseau social X d'Elon Musk.

L'AFP collabore en revanche toujours avec Meta dans 26 langues, en Asie, Amérique latine et dans l'Union européenne.

Les chercheurs estiment que les modèles d'IA peuvent aider les fact-checkers professionnels à géolocaliser rapidement des images et repérer des indices visuels. Mais ils avertissent qu'ils ne peuvent pas remplacer le travail humain.

"On ne peut pas compter sur les outils IA pour combattre l'IA à long terme", insiste Rossine Fallorina.

(Y.Berger--BBZ)