NGHIÊN CỨU XÂY DỰNG HỆ THỐNG PHÂN LỚP NỘI DUNG DO CON NGƯỜI VÀ TRÍ TUỆ NHÂN TẠO SINH RA DỰA TRÊN DỮ LIỆU VĂN BẢN VÀ HÌNH ẢNH

Abstract

"Xử lý ngôn ngữ tự nhiên và Thị giác máy tính đã phát triển với tốc độ nhanh trong thời gian gần đây. Điều này dẫn đến sự phát triển nhanh chóng và đa dạng của nội dung cho các mô hình trí tuệ nhân tạo sinh ra từ đó đặt ra thách thức quan trọng trong việc đảm bảo tính xác thực của nội dung. Nghiên cứu này tập trung vào việc xây dựng ra một hệ thống giúp xác định nội dung do các mô hình trí tuệ nhân tạo sinh ra dựa vào các mô hình được xây dựng theo kiến trúc Transformer hiện đại đồng thời so sánh hiệu năng với các mô hình học sâu và các mô hình máy học truyền thống cho tác vụ này. Đối với tác vụ phát hiện văn bản do các mô hình trí tuệ nhân tạo sinh ra dựa trên Tiếng Anh và Tiếng Việt nghiên cứu đề xuất sử dụng mô hình RoBERTa là một mô hình được viết theo kiến trúc Transformer cải tiến từ mô hình mã hóa hai chiều BERT. Với tác vụ phát hiện hình ảnh do các mô hình trí tuệ nhân tạo sinh ra nghiên cứu đề xuất sử dụng mô hình ViT đây là một mô hình dựa theo kiến trúc mô hình ngôn ngữ Transformer chuyển đổi cho việc xử lý các tác vụ thị giác máy tính. Qua quá trình cài đặt thực nghiệm đã chứng minh được rằng mô hình RoBERTa mang lại kết quả vượt trội trong tác vụ phát hiện văn bản do các mô hình trí tuệ nhân tạo sinh ra được viết bằng Tiếng Anh hoặc Tiếng Việt với độ chính xác cụ thể là 99.99 (%) ở mô hình phát hiện văn bản do các mô hình trí tuệ nhân tạo sinh ra được viết bằng Tiếng Anh. Kết quả này có phần cải thiện đáng kể so với việc sử dụng mô hình học sâu cụ thể là mô hình LSTM với độ chính xác đạt được là 99.96 (%) và nhóm mô hình học máy truyền thống như: Logistic Regression, SVM, Naïve-Bayes với độ chính xác lần lượt là: 99.41 (%), 99.72 (%) và 97.54 (%). Ở mô hình phát hiện văn bản được viết bằng Tiếng Việt do các mô hình trí tuệ nhân tạo sinh ra, mô hình RoBERTa mang lại độ chính xác 99.83 (%). Đây là kết quả có phần cao hơn so với mô hình học sâu LSTM với độ chính xác là 99.79 (%) và nhóm các mô hình máy học truyền thống bao gồm: Logistic Regression, SVM, Naïve-Bayes với độ chính xác tương đương là: 99.05 (%), 99.49 (%), và 92.70 (%). Đối với mô hình phát hiện hình ảnh do các mô hình trí tuệ nhân tạo sinh ra kết quả độ chính xác trên mô hình ViT là: 95.57 (%). Kết quả này chứng tỏ mô hình ViT một mô hình được viết theo kiến trúc Transformer một kiến trúc vốn được thiết kế cho các mô hình ngôn ngữ chuyển đổi cho tác vụ thị giác máy tính đã đạt được kết quả vượt trội so với các mô hình CNN cụ thể so với mô hình ConvNeXt_V2 với độ chính xác đạt được là 89.77 (%) và với mô hình VGG-16 là 81.55 (%)." Từ khóa: Phát hiện nội dung do AI sinh ra, RoBERTa, Vision Transformer (ViT).