"Tatort KI – Bild-Deep-Fakes forensisch auf der Spur"?

Aktuelle Fälle belegen: Die Kompetenz, Video, Standbilder und Audio auf Ihre Echtheit und Plausibilität prüfen zu können ist im Qualitätsjournalismus unabdingbar. Neben logischen Fehlern im Bild und der historischen Einordnung von Bildern stehen vor allem auch spezielle technische Tools und Möglichkeiten zur Verfügung. Ein Überblick und Praxiseinblick über die Bildanalyse von Stand- und Bewegtbildern.

Details

Ihr Nutzen

• Sie verstehen, wie KI-Bilder und KI Videos entstehen.
• Sie wissen, wie sich synthetische oder manipulierte Inhalte heute erkennen, prüfen und einordnen lassen.
• Sie kennen die Grenzen von Detektoren und die Rolle von Authentifizierung, Provenance und Standards, wie C2PA

Schwerpunkt

Ziel ist die Vermittlung eines fundierten Verständnisses von KI-generierten Bild- und Videoinhalten, ihrer technischen Grundlagen, typischen Fehlerbilder, Grenzen aktueller Detektionsansätze sowie praktischer Verifikations- und Authentifizierungsverfahren.

Zielgruppe

Journalist:innen, Redakteur:innen, Faktenchecker:innen, Verifikations-Teams

Themen

• Historische Entwicklung von KI Bild- und Videogeneratoren
• Warum entstehen Fehler? Stand der Technik wissenschaftlich erklärt
• Grundprinzip generativer Modelle,
• latente Repräsentationen und Wahrscheinlichkeitsmodellierung,
• Training auf großen Datensätzen statt „echtem Verstehen“,
• Approximation von Mustern statt Weltmodell mit belastbarem Situationsverständnis,
• Zusammenhang zwischen Trainingsdaten, Prompting und Fehlerentstehung.
• Fehlerklassen
• anatomische Fehler
• physikalische Inkonsistenzen
• semantische Fehler
• textuelle Fehler innerhalb von Bildern
• temporale Inkonsistenzen in Videos
• Bildaufbau, Frequenzräume und statistische Artefakte
• digitaler Bildaufbau: Pixel, Kanäle, Kompression, Auflösung,
• natürliche Bildstatistiken versus synthetische Verteilungen,
• Artefakte in Hochfrequenz- und Niedrigfrequenzbereichen,
• Muster durch Resampling, Upscaling, Denoising oder Decoder-Eigenschaften,
• Unterschied zwischen klassischen Kompressionsartefakten und generativen Artefakten
• KI-Detektoren: Möglichkeiten, Grenzen, Fehlinterpretationen
• artefaktbasierte Detektion,
• lernbasierte Klassifikationsansätze,
• Modell- und metadatenorientierte Verfahren,
• Kombination mehrerer Signale in Verifikationspipelines.

Lehrmethoden

Mix aus Vortrag, Demonstrationen und praktischen Übungen.