UNITE AI मॉडल बिना चेहरों पर निर्भर हुए किसी भी डीपफेक का पता लगा सकता है

वैज्ञानिक अब AI समस्या को स्वयं AI के साथ हल कर रहे हैं। यूसी रिवरसाइड के शोधकर्ताओं ने डीपफेक की गंभीर समस्या को संबोधित करने के लिए UNITE मॉडल बनाया है। 

“लोगों को यह जानने का अधिकार है कि वे जो देख रहे हैं वह वास्तविक है,” यूसीआर के मार्लन और रोज़मेरी बाउर्न्स कॉलेज ऑफ़ इंजीनियरिंग के पीएचडी उम्मीदवार रोहित कुंदु ने कहा, जिन्होंने पेपर ‘एक सार्वभौमिक सिंथेटिक वीडियो डिटेक्टर की ओर: चेहरा या पृष्ठभूमि में हेरफेर से लेकर पूरी तरह AI‑जनित सामग्री तक।¹ “और जैसे ही AI वास्तविकता को नकली बनाने में बेहतर होता जा रहा है, हमें सत्य को उजागर करने में बेहतर होना चाहिए।”

शोधकर्ताओं ने Alphabet (GOOG ) कंपनी Google के वैज्ञानिकों के साथ मिलकर एक नया AI मॉडल विकसित किया है जो वीडियो में छेड़छाड़ का पता लगाता है और नकली सामग्री को उजागर करता है, जिसका उपयोग गलत जानकारी फैलाने और नुकसान पहुंचाने के लिए किया जा रहा है। अध्ययन ने कहा:

“चुनाव जैसे महत्वपूर्ण समय में गलत जानकारी का तेज़ी से फैलना यह दर्शाता है कि विविध हेरफेर, जिसमें चेहरा, पृष्ठभूमि, और पूरी तरह AI‑जनित T2V/I2V सामग्री (मानव विषय के साथ या बिना) शामिल है, की पहचान करने वाले सामान्यीकृत डिटेक्शन मॉडल की आवश्यकता है।” 

यह मॉडल आंशिक रूप से संशोधित और पूरी तरह सिंथेटिक वीडियो दोनों का पता लगा सकता है। अधिकांश पारंपरिक डिटेक्टर्स की तरह केवल चेहरे पर ध्यान केंद्रित करने के बजाय, यह मॉडल पूरे फ्रेम का विश्लेषण करता है, चाहे वीडियो में मानव विषय मौजूद हो या न हो। 
यह इसे एक शक्तिशाली उपकरण बनाता है जिसे तथ्य‑जांचकर्ता, शिक्षकों, संपादकों, सोशल मीडिया प्लेटफ़ॉर्म और अन्य लोग उपयोग कर सकते हैं ताकि संशोधित वीडियो वायरल न हों।

AI का उदय और परिणामस्वरूप सिंथेटिक ओवरलोड

कृत्रिम बुद्धिमत्ता (AI) हमारे जीवन और काम के विभिन्न पहलुओं में क्रांति लाने की अपार क्षमता रखती है। 

स्वचालन, डेटा विश्लेषण और निर्णय‑निर्धारण में इस तकनीक की क्षमता पहले ही उद्योगों को बदलना शुरू कर चुकी है, और यह इस दशक के अंत तक वैश्विक अर्थव्यवस्था में कई ट्रिलियन डॉलर जोड़ने की संभावना रखती है।

IDC नामक बाजार‑पूर्वानुमान दिग्गज द्वारा किए गए एक अध्ययन ने अनुमान लगाया है कि AI का उदय वैश्विक अर्थव्यवस्था को 2030 तक कुल $19.9 ट्रिलियन तक बढ़ाएगा।

McKinsey का शोध, इस बीच, अनुमान लगाता है कि जनरेटिव AI द्वारा जोड़े गए मूल्य $4.4 ट्रिलियन हो सकते हैं, जो वैश्विक प्रबंधन परामर्श फर्म द्वारा विश्लेषित 63 उपयोग‑केसों में से हैं। लगभग 75% मूल्य AI द्वारा चार क्षेत्रों में ही उत्पन्न होगा:

• R&D
• सॉफ़्टवेयर इंजीनियरिंग
• मार्केटिंग और बिक्री
• ग्राहक संचालन

जबकि तकनीक का प्रभाव सभी क्षेत्रों में महत्वपूर्ण होने की भविष्यवाणी है, टेक और बैंकिंग सेक्टर जनरेटिव AI से अपने राजस्व के प्रतिशत के हिसाब से सबसे अधिक प्रभाव देख सकते हैं। Goldman Sachs (GS ) भी इसी दृष्टिकोण को साझा करता है, AI से वैश्विक GDP में 7% की वृद्धि की उम्मीद करता है। बैंक के अर्थशास्त्री जोसेफ ब्रिग्स और देवेश कोडनानी ने उस समय कहा:

“जनरेटिव AI की संभावनाओं के बारे में महत्वपूर्ण अनिश्चितता के बावजूद, इसकी वह क्षमता जो मानव‑निर्मित आउटपुट से असभ्य रूप से अलग नहीं की जा सकती और मानव और मशीन के बीच संचार बाधाओं को तोड़ती है, एक बड़ा प्रगति दर्शाती है जिसके संभावित मैक्रोइकोनॉमिक प्रभाव बड़े हो सकते हैं।”

हालाँकि, कंप्यूटर सिस्टम की वह क्षमता जो सीखना, समस्या‑समाधान और निर्णय‑निर्धारण जैसी कार्यों को कर सकती है, जो सामान्यतः मानव बुद्धिमत्ता की आवश्यकता होती है, दुनिया को हिला देने के साथ ही अराजकता भी पैदा कर रही है। 
जैसे‑जैसे तकनीक अधिक परिष्कृत होती जा रही है, वास्तविक और नकली के बीच की सीमा धुंधली होती जा रही है।

पुराने डीपफेक डिटेक्टर्स अब काम नहीं करते

पिछले कुछ वर्षों में AI में प्रगति ने सिंथेटिक मीडिया में अभूतपूर्व वृद्धि लाई है। अनुमानों के अनुसार सुझाव दिया गया है कि आधे से अधिक लंबे लिंक्डइन पोस्ट वर्तमान में AI द्वारा लिखे जा रहे हैं। फिर ‘AI स्लॉप’ है, जो कम‑गुणवत्ता, बड़े पैमाने पर निर्मित AI‑जनित सामग्री को दर्शाता है।

लेकिन सबसे अधिक चिंताजनक हैं डीपफेक, जो छवियां, वीडियो या ऑडियो रिकॉर्डिंग हैं जो AI द्वारा उत्पन्न या संशोधित किए गए हैं। यह ऐसी बनावटी सामग्री है जो AI का उपयोग करके एक झूठी लेकिन वास्तविक दिखने वाली प्रस्तुति बनाती है।

आज, इस प्रकार की सामग्री हर जगह है, इंटरनेट के सभी कोनों में फैली हुई है। ये अत्यधिक वास्तविक डिजिटल मीडिया भ्रम पैदा कर रहे हैं और गलत जानकारी फैला रहे हैं। यह लोगों की गोपनीयता और सुरक्षा के लिए भी खतरा बन रहा है। 

साइबर अपराधी AI का उपयोग करके फ़िशिंग स्कैम और पहचान चोरी को अत्यधिक सटीकता से कर रहे हैं। कुंदु के अनुसार:

“यह डरावना है कि ये टूल कितने सुलभ हो गए हैं। मध्यम कौशल वाले कोई भी सुरक्षा फ़िल्टर को बायपास करके सार्वजनिक व्यक्तियों के वास्तविक नहीं कहे गए बयान वाले वीडियो बना सकता है।”

एक ऐसे मामले में, साइबर अपराधियों ने ज़ूम मीटिंग के दौरान कंपनी के मुख्य वित्तीय अधिकारी (CFO) का रूप धारण किया, जिससे $25 मिलियन का नुकसान हुआ।

यह सिर्फ शुरुआत है, क्योंकि Deloitte ने भविष्यवाणी की है कि ऐसे मामलों से उत्पन्न धोखाधड़ी नुकसान 2027 तक यूएस में $40 बिलियन तक पहुंच जाएंगे, जो 2023 में $12.3 बिलियन से बढ़कर है। एक यूएस ट्रेज़री रिपोर्ट ने भी पाया कि “कंपनियों द्वारा अपनाए गए मौजूदा जोखिम प्रबंधन ढांचे उभरती AI तकनीकों को कवर करने के लिए पर्याप्त नहीं हो सकते।”

यह नहीं कहा जा रहा है कि AI सामग्री का पता लगाने और तकनीक के जोखिमों से बचने के लिए कोई टूल नहीं हैं। बाजार में वास्तव में कई टूल उपलब्ध हैं।

वही कंपनियां जो नई AI टूल्स लॉन्च कर रही हैं जिससे नई सामग्री बनाना आसान हो रहा है, वे सिंथेटिक डेटा को पहचानने के तरीके भी पेश कर रही हैं।

2020 में, टेक दिग्गज Microsoft (MSFT ) ने घोषणा की कि एक Video Authenticator है जो स्थिर फोटो या वीडियो का विश्लेषण करके एक विश्वास स्कोर प्रदान करता है ताकि यह निर्धारित किया जा सके कि मीडिया कृत्रिम रूप से संशोधित है या नहीं। टूल डीपफेक की ब्लेंडिंग सीमा और सूक्ष्म फेडिंग का पता लगाकर काम करता है, जिसे मानव आँख नहीं देख सकती।

उस समय, इसने फर्जी सामग्री की पहचान करने और लोगों द्वारा उपयोग किए जा रहे मीडिया की प्रामाणिकता की पुष्टि करने की तकनीक भी पेश की। इसमें एक टूल शामिल था जो निर्माताओं को उनके कंटेंट में डिजिटल हैश और प्रमाणपत्र जोड़ने की अनुमति देता है, जो मेटाडेटा के रूप में रहता है। एक रीडर को प्रमाणपत्र जांचने और हैश मिलाने के लिए प्रस्तुत किया गया।

टेक दिग्गज ने AI‑प्रेरित युग में इस तकनीक की अल्पकालिक उपयोगिता के बारे में चेतावनी दी। चूँकि डीपफेक AI द्वारा लगातार सीखते रहते हैं, यह केवल समय की बात है कि वे पारंपरिक डिटेक्शन तरीकों को पार कर जाएँ।

इसी समय, Facebook, एक Meta (META ) कंपनी, ने भी एक प्रतियोगिता शुरू की ताकि शोधकर्ताओं द्वारा पहले उपलब्ध नहीं डेटा का उपयोग करके डीपफेक डिटेक्टर विकसित किया जा सके।

कुछ साल पहले, Intel (INTC ) ने FakeCatcher नामक एक रियल‑टाइम डीपफेक डिटेक्टर पेश किया, जिसका दावा है कि इसकी सटीकता 96% है।

यह टूल OpenVino का उपयोग करके चेहरे और लैंडमार्क डिटेक्शन एल्गोरिदम चलाता है, जबकि कंप्यूटर विज़न ब्लॉक्स को इसके Integrated Performance Primitives और OpenCV के साथ अनुकूलित किया गया। हार्डवेयर के संदर्भ में, प्लेटफ़ॉर्म 3rd‑gen Xeon® Scalable प्रोसेसर पर एक साथ सत्तर से अधिक विभिन्न डिटेक्शन स्ट्रीम चला सकता है।

गलत को खोजने की बजाय, FakeCatcher मानव होने के संकेतों का आकलन करके प्रामाणिक संकेतों की तलाश करता है और फिर एल्गोरिदम इन संकेतों को स्पैटियो‑टेम्पोरल मैप्स में बदलते हैं, अंत में डीप लर्निंग का उपयोग करके तुरंत यह पता लगाते हैं कि वीडियो वास्तविक है या नकली।

पिछले साल, OpenAI ने भी घोषणा की कि वह कंटेंट प्रामाणिकता में मदद करने वाले टूल्स पर शोध कर रहा है।

इसमें टेक्स्ट वॉटरमार्किंग शामिल है, जिसे उन्होंने कहा कि यह स्थानीयकृत छेड़छाड़ के खिलाफ प्रभावी है लेकिन वैश्विक छेड़छाड़ के खिलाफ उतना नहीं। उन्होंने यह भी कहा कि यह “गैर‑मूल अंग्रेज़ी बोलने वाले समूहों” पर “असमान रूप से प्रभाव डाल सकता है।”

यह अपडेट Wall Street Journal की रिपोर्ट के बाद आया कि कंपनी ने पहले ही एक टूल विकसित किया है जो ChatGPT‑जनित टेक्स्ट को “उच्च सटीकता” के साथ वॉटरमार्क और पहचानता है, लेकिन अभी तक इसे जारी करने का निर्णय नहीं लिया है।

इसके अतिरिक्त, OpenAI ने C2PA (Coalition for Content Provenance and Authenticity) के स्टियेरिंग कमेटी में शामिल हुआ है, जो डिजिटल कंटेंट प्रमाणन के लिए व्यापक रूप से उपयोग किया जाने वाला मानक है। कंपनी सभी अपने सेवाओं द्वारा निर्मित और संपादित छवियों में C2PA मेटाडेटा जोड़ती है, जो इमेज डिटेक्शन टूल्स का हिस्सा है।

अब इस साल, Google ने भी अपना AI‑जनित टेक्स्ट, इमेज, ऑडियो और वीडियो डिटेक्शन टूल SynthID Detector लॉन्च किया।

Google का टूल केवल उन कंटेंट के लिए काम करता है जो Google की अपनी AI सेवाओं जैसे Gemini, Imagen, Veo और Lyria का उपयोग करके उत्पन्न किए गए हैं। यह इसलिए है क्योंकि टूल मूल रूप से “वॉटरमार्क” की उपस्थिति की पहचान करता है, जिसे Google के उत्पाद अपने आउटपुट में एम्बेड करते हैं।

वॉटरमार्क एक अद्वितीय, मशीन‑पठनीय तत्व है जो कंटेंट में एम्बेड किया जाता है। यह मानवों द्वारा पहचाना नहीं जाता, लेकिन एल्गोरिदम द्वारा पता लगाया और निकाला जा सकता है।

UNITE की सफलता को शक्ति देने वाली तकनीक के अंदर

जैसे ही AI तकनीक तेज़ी से आगे बढ़ रही है, सामग्री का पता लगाने वाले टूल भी उसी गति से विकसित हो रहे हैं। लेकिन अभी तक ऐसा कोई सार्वभौमिक टूल नहीं है जो सभी प्रकार की AI‑जनित सामग्री को सभी के लिए उपयोगी हो।

इसके अलावा, मौजूदा डीपफेक डिटेक्शन तकनीकों का ध्यान मुख्यतः चेहरे की हेरफेर जैसे लिप‑सिंकिंग या फेस‑स्वैपिंग पर रहता है, और तकनीकी प्रगति ने इन्हें अप्रचलित बना दिया है।

टेक्स्ट‑टू‑वीडियो (T2V) और इमेज‑टू‑वीडियो (I2V) जनरेटिव मॉडलों में महत्वपूर्ण प्रगति के साथ, अब कोई भी आसानी से अत्यधिक विश्वसनीय, पूरी तरह AI‑जनित सिंथेटिक कंटेंट और सहज पृष्ठभूमि परिवर्तन बना सकता है। यह, बेशक, व्यक्तियों से लेकर संस्थानों और यहाँ तक कि राष्ट्रों तक को गंभीर जोखिम में डालता है।

इस पृष्ठभूमि में, पहले के डीपफेक डिटेक्टर्स की पूरी तरह चेहरे पर निर्भरता उन्हें आज की अधिक तकनीकी उन्नत दुनिया में पुराना बना देती है। 

“यदि फ्रेम में चेहरा नहीं है, तो कई डिटेक्टर्स काम नहीं करते। लेकिन गलत जानकारी कई रूपों में आ सकती है। दृश्य की पृष्ठभूमि को बदलना भी सत्य को उतनी ही आसानी से विकृत कर सकता है।”

– कुंदु

इसलिए, पारंपरिक डिटेक्टर्स नई हेरफेरों पर काम नहीं करते, क्योंकि नई सिंथेटिक सामग्री अब पूरे दृश्य और पृष्ठभूमि को शामिल करती है, जो चेहरे‑केंद्रित डिटेक्शन विधियों के लिए चुनौती बनती है। 

यह एक अधिक बहुमुखी दृष्टिकोण की मांग करता है। इस समस्या के समाधान के रूप में, यूसी रिवरसाइड के शोधकर्ताओं ने UNITE पेश किया है।

यूनिवर्सल नेटवर्क फॉर आइडेंटिफ़ाइंग टैम्पर्ड एंड सिंथेटिक वीडियोज़ (UNITE) मॉडल पूर्ण‑फ़्रेम हेरफेर को पकड़ता है।

“डीपफेक विकसित हो गए हैं,” कुंदु ने कहा, जो यूसी रिवरसाइड में फाउंडेशन मॉडल का उपयोग करके उन्नत विज़न कार्यों जैसे इमेज सेगमेंटेशन और फेक मीडिया डिटेक्शन पर काम कर रहे हैं। “अब ये केवल चेहरा‑स्वैप नहीं हैं। लोग अब पूरी तरह नकली वीडियो बना रहे हैं – चेहरों से पृष्ठभूमि तक – शक्तिशाली जनरेटिव मॉडलों का उपयोग करके। हमारा सिस्टम इसे सब पकड़ने के लिए बनाया गया है।”

मॉडल पहचान क्षमताओं को उन परिदृश्यों तक विस्तारित करता है जहाँ कोई चेहरा या मानव विषय नहीं है, और इसके अलावा यह सूक्ष्म स्थानिक और कालिक विसंगतियों की पहचान कर सकता है और जटिल पृष्ठभूमि संशोधनों को भी कवर करता है, जो पिछले सिस्टम ने मिस किए थे।

इस प्रकार, चेहरे के साथ-साथ पृष्ठभूमि और गति पैटर्न का विश्लेषण करके, पूरे वीडियो फ्रेम को कवर करते हुए, UNITE उन पहले के टूल्स में से एक है जो सिंथेटिक वीडियो की पहचान करता है जो केवल चेहरे की सामग्री पर निर्भर नहीं है।

इसके लिए, मॉडल एक ट्रांसफ़ॉर्मर‑आधारित डीप लर्निंग मॉडल का उपयोग करता है, जो मल्टी‑हेड अटेंशन मैकेनिज़्म के साथ क्रमिक डेटा को प्रोसेस करता है। यहाँ, टेक्स्ट को टोकन नामक संख्यात्मक प्रतिनिधित्व में बदला जाता है। यह आर्किटेक्चर कई आधुनिक भाषा मॉडलों जैसे GPT की नींव है।

समांतर रूप से जानकारी प्रोसेस करके, ट्रांसफ़ॉर्मर तेज़ प्रशिक्षण और बेहतर प्रदर्शन को सक्षम करते हैं।

UNITE के मामले में, ट्रांसफ़ॉर्मर‑आधारित आर्किटेक्चर डोमेन‑अज्ञेय फीचर्स को प्रोसेस करता है जो वीडियो से SigLIP‑So400M फाउंडेशन मॉडल के माध्यम से निकाले जाते हैं। SigLIP एक बुनियादी AI फ्रेमवर्क है जो विशिष्ट वस्तु या व्यक्ति से बंधे नहीं हुए फीचर्स निकालता है।

चेहरे/पृष्ठभूमि और टेक्स्ट‑टू‑वीडियो/इमेज‑टू‑वीडियो सामग्री में बदलाव को कवर करने वाले सीमित डेटासेट के कारण, टीम ने अपने मॉडल के लिए नवाचारी प्रशिक्षण रणनीतियों का उपयोग किया। इसका मतलब है कि टास्क‑अप्रासंगिक डेटा के साथ साथ मानक डीपफेक डेटा का उपयोग करके प्रशिक्षण। 

इसलिए, लोकप्रिय FaceForensics++ डेटासेट के अलावा, टीम ने SAIL‑VOS‑3D डेटासेट का भी उपयोग किया, जो जटिल वातावरण का सिमुलेशन करता है और विविध सिंथेटिक दृश्यों को प्रदान करता है जो AI डिटेक्शन मॉडल के प्रशिक्षण में मददगार होते हैं। उल्लेखनीय रूप से, यह मूल रूप से GTA‑V गेम में 3D वीडियो ऑब्जेक्ट सेगमेंटेशन के लिए डिज़ाइन किया गया था। जबकि यह AI‑जनित नहीं है, डेटासेट पूरी तरह सिंथेटिक है और AI‑जनित मीडिया को सिमुलेट करने में मदद करता है। टीम ने पाया कि यह मॉडल की विभिन्न प्रकार की सिंथेटिक हेरफेर पहचानने की क्षमता को बढ़ाता है।

Google ने आवश्यक डेटासेट और मॉडल को प्रशिक्षित करने के लिए कंप्यूटिंग संसाधन प्रदान किए। 

मॉडल की चेहरे पर अधिक फोकस को कम करने के लिए, टीम ने एटेंशन‑डायवर्सिटी (AD) लॉस का उपयोग किया, जो वीडियो फ्रेम में विभिन्न स्थानिक अटेंशन को प्रोत्साहित करता है।

AD लॉस को क्रॉस‑एंट्रॉपी (log loss) के साथ जोड़ा गया है, जो वर्गीकरण मॉडल के प्रदर्शन को मापने के लिए सामान्यतः उपयोग किया जाता है, ताकि मॉडल विभिन्न स्थितियों में बेहतर प्रदर्शन करे। केवल क्रॉस‑एंट्रॉपी (CE) लॉस पर मॉडल को प्रशिक्षित करने से वह उन वीडियो को संभालने में कठिनाई महसूस करता है जहाँ वास्तविक मानव विषय के साथ संशोधित पृष्ठभूमि या T2V/I2V मॉडल द्वारा उत्पन्न सामग्री होती है।

इसलिए, टीम ने AD लॉस पेश किया, जो सिस्टम को प्रत्येक फ्रेम में कई दृश्य क्षेत्रों की निगरानी करने के लिए प्रेरित करता है, जिससे मॉडल अग्रभूमि और पृष्ठभूमि दोनों से महत्वपूर्ण संकेत पकड़ने में सक्षम होता है।

AD लॉस टीम के दृष्टिकोण में मुख्य नवाचार को चिह्नित करता है, जिससे UNITE न केवल AI‑जनित और पृष्ठभूमि‑परिवर्तित वीडियो का पता लगाने में उत्कृष्टता प्राप्त करता है, बल्कि सामान्य चेहरे‑हेरफेर सामग्री की पहचान में भी उल्लेखनीय सुधार दिखाता है।

UNITE की अन्य मॉडलों के साथ तुलना करने पर टीम ने पाया कि यह “क्रॉस‑डेटा सेटिंग्स में फेस/बैकग्राउंड हेरफेर और पूरी तरह सिंथेटिक T2V/I2V वीडियो वाले डेटासेट पर अत्याधुनिक डिटेक्टर्स से बेहतर प्रदर्शन करता है, जो इसकी अनुकूलनशीलता और सामान्यीकृत डिटेक्शन क्षमताओं को दर्शाता है।”

एक तेजी से डिजिटल और स्वचालित दुनिया में, नया सिस्टम एक सार्वभौमिक डिटेक्टर प्रदान करता है जो सरल चेहरे‑स्वैप से लेकर पूरी तरह सिंथेटिक वीडियो तक विभिन्न फर्जी सामग्री को चिन्हित कर सकता है। कुंदु के अनुसार:

“यह एक मॉडल है जो इन सभी परिदृश्यों को संभालता है। यही इसे सार्वभौमिक बनाता है।”

वर्तमान में विकासाधीन, UNITE के निर्माताओं के अनुसार यह सिंथेटिक वीडियो डिटेक्शन परिदृश्य में एक मूल्यवान उपकरण है। जल्द ही यह वीडियो गलत जानकारी के खिलाफ रक्षा में प्रमुख भूमिका निभा सकता है।

AI‑आधारित डिटेक्शन में निवेश

AI क्षेत्र में, Palantir Technologies (PLTR ) अपने AI‑संचालित डेटा इंटीग्रेशन, पैटर्न पहचान और विसंगति डिटेक्शन के लिए जाना जाता है। 
कंपनी चार मुख्य सॉफ़्टवेयर प्लेटफ़ॉर्म के माध्यम से कार्य करती है: Gotham, Foundry, Apollo, और AIP। Apollo एक एकल नियंत्रण परत है जो कॉन्फ़िगरेशन, सुरक्षा अपडेट और नई सुविधाओं की डिलीवरी को समन्वयित करता है ताकि महत्वपूर्ण सिस्टम की निरंतर संचालन सुनिश्चित हो सके। Gotham उपयोगकर्ताओं को डेटासेट में गहराई से छिपे पैटर्न पहचानने की अनुमति देता है, जबकि Foundry प्रभावी संपत्ति और जोखिम प्रबंधन के लिए ऑपरेटिंग सिस्टम के रूप में कार्य करता है। AIP कंपनियों को LLMs और अन्य मॉडलों को पूर्ण नियंत्रण के साथ चलाने में सक्षम बनाता है।

Palantir Technologies (PLTR )

Palantir का US सरकार, सेना और खुफ़िया एजेंसियों के साथ गहरा संबंध है। इस वर्ष, इसने एक $30 मिलियन का अनुबंध प्राप्त किया है ताकि इमीग्रेशन रिकॉर्ड्स में AI विश्लेषण लाया जा सके।

$372 बिलियन के मार्केट कैप के साथ, PLTR शेयर वर्तमान में $157.72 पर ट्रेड कर रहे हैं, YTD में 109.35% की वृद्धि के साथ, AI की मांग, विशाल रिटेल रुचि और बढ़ते सरकारी अनुबंधों के कारण। इसका EPS (TTM) 0.23 है, और P/E (TTM) 687.90 है।

वित्तीय रूप से, Palantir ने Q1 2025 में राजस्व में 39% YoY वृद्धि कर $884 मिलियन दर्ज किया। US राजस्व भी 55% YoY बढ़कर $628 मिलियन हुआ, जिसमें US कमर्शियल राजस्व $255 मिलियन और US सरकारी राजस्व $373 मिलियन शामिल हैं।

इस अवधि में, कंपनी ने US कमर्शियल कुल अनुबंध मूल्य का अपना सर्वाधिक तिमाही दर्ज किया, शेष डील वैल्यू $2.32 बिलियन है।

Palantir की ग्राहक संख्या 1Q25 में 39% YoY बढ़ी। GAAP प्रति शेयर आय $0.08 थी, और समायोजित EPS $0.13 था। नकद, नकद समकक्ष और अल्पकालिक US ट्रेज़री सिक्योरिटीज़ तिमाही के अंत में $5.4 बिलियन थे।

“हम AI युग में आधुनिक उद्यम के लिए ऑपरेटिंग सिस्टम प्रदान कर रहे हैं। हम अपने सॉफ़्टवेयर के अपनाने में एक टेक्टोनिक बदलाव के बीच हैं, विशेषकर US में।”

– CEO Alexander C. Karp

नवीनतम Palantir Technologies (PLTR) स्टॉक समाचार और विकास

निष्कर्ष

कृत्रिम बुद्धिमत्ता का आगमन ने दुनिया को पूरी तरह बदल दिया है, जहाँ व्यक्तियों और संगठनों दोनों ने तकनीक को अपनाकर उत्पादकता बढ़ाने और निर्णय‑निर्धारण को सुधारने की दिशा में कदम बढ़ाए हैं।

ट्रिलियन डॉलर के योगदान की भविष्यवाणी के बावजूद, AI बिना जोखिम के नहीं है। डीपफेक और उनका उपयोग गलत जानकारी फैलाने और लोगों को धोखा देने के लिए AI के व्यापक अपनाने के सबसे गंभीर खतरों में से एक है। 

जैसे-जैसे वास्तविक और सिंथेटिक के बीच अंतर करना कठिन होता जा रहा है, UNITE जैसे उपकरण अधिक महत्वपूर्ण और तात्कालिक हो रहे हैं। इस सामान्यीकृत AI मॉडल के साथ फर्जी सामग्री के खिलाफ सुरक्षा करके, हम AI के नकारात्मक प्रभाव को कम कर सकते हैं जबकि इसके सकारात्मक प्रभावों का आनंद ले सकते हैं।

क्लिक करके कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानें।

संदर्भ:

1. Kundu, R.; Xiong, H.; Mohanty, V.; Balachandran, A.; Roy‑Chowdhury, A. K.; et al. Towards a Universal Synthetic Video Detector: From Face or Background Manipulations to Fully AI‑Generated Content. arXiv preprint arXiv:2412.12278 (2024). https://doi.org/10.48550/arXiv.2412.12278