به گزارش ایتنا و به نقل از سای‌تک‌دیلی، این سیستم برخلاف روش‌های قدیمی که فقط بر چهره تمرکز داشتند، کل فریم‌های ویدیو از جمله حرکات و ناسازگاری‌های پس‌زمینه را تحلیل می‌کند.
بر این اساس، پروفسور امیت روی-چودری و دانشجوی دکترا روهیت کوندو از دانشکده مهندسی دانشگاه کالیفرنیا، با استفاده از یک مدل یادگیری عمیق مبتنی بر ترنسفورمر، توانسته‌اند سیستم جدیدی بسازند که حتی ویدیوهای کاملاً ساختگی بدون استفاده از تصاویر واقعی را تشخیص می‌دهد.
کوندو در این باره می‌گوید: «دیپ‌فیک‌ها دیگر فقط جایگزینی چهره نیستند. امروز افراد می‌توانند کل صحنه‌ها را با مدل‌های تولیدی بسازند.»
گفتنی است که این فناوری در شرایطی معرفی شده که ابزارهای تبدیل متن به ویدیو و تصویر به ویدیو به راحتی در دسترس همگان قرار گرفته‌اند. کوندو هشدار می‌دهد: «ترسناک است که این ابزارها چقدر در دسترس هستند. هر کسی با مهارت متوسط می‌تواند فیلترهای ایمنی را دور بزند و ویدیوهای واقع‌نمایی از چهره‌های عمومی بسازد.»
سیستم یونایتد از چارچوب هوش مصنوعی «سیگ‌لیپ» استفاده می‌کند که ویژگی‌هایی فراتر از چهره یا اشیاء خاص را استخراج می‌نماید.
از سوی دیگر، روش آموزشی جدیدی به نام «تلفات توجه-تنوع» نیز به سیستم یاد می‌دهد که چندین ناحیه تصویری را در هر فریم بررسی کند تا فقط به چهره‌ها تمرکز نکند.
به نظر می‌رسد با پیشرفت روزافزون فناوری‌های تولید محتوای جعلی، سیستم‌های تشخیصی مانند یونایتد بیش از پیش به ابزاری ضروری برای حفظ اعتماد عمومی تبدیل خواهند شد. این نوآوری گامی مهم در مسیر ایجاد فضای دیجیتالی امن‌تر و شفاف‌تر محسوب می‌شود.∎