Guides de vérification

Le détecteur d’images d’IA indique un résultat incertain : que vérifier ensuite

Un processus pratique après une analyse d’image d’IA incertaine : vérifiez la couverture, conservez l’original, examinez les justificatifs et les filigranes et documentez le contexte de la source.

Un résultat incertain de détecteur d’images d’IA signifie que les preuves disponibles ne permettent pas une décision fiable sur l’origine selon les règles de cet outil. Cela ne signifie ni « certainement réel », ni « certainement IA », ni une probabilité égale pour les deux. Vérifiez d’abord quelles analyses sont terminées, puis obtenez le meilleur fichier, examinez la provenance et vérifiez l’affirmation de la source.

Le but est de réduire l’incertitude qui compte. Un second score opaque peut apporter moins que l’exportation originale, un historique de création enregistré ou une publication antérieure montrant que la légende est fausse.

L’analyse est-elle terminée ou une vérification était-elle indisponible ?

Lisez l’état du traitement et les sections de preuves individuelles avant d’interpréter le verdict. Un résultat global incertain peut coexister avec des vérifications utiles terminées. Un envoi échoué ou une analyse non prise en charge est un autre problème qui doit être enregistré séparément.

Ce que dit le rapportCe que vous savezQue faire ensuite
Terminée, mais incertaineL’analyse prise en charge ne justifiait pas une décision plus forteExaminez les preuves, les limites et le fichier original
Vérification indisponibleCe canal de preuves n’a pas été vérifiéRésolvez le problème de disponibilité ou utilisez un vérificateur adapté
Fichier ou analyse non pris en chargeL’entrée ou la vérification demandée dépasse la couverture prise en chargeObtenez une version compatible sans jeter l’original
Échec du traitementL’analyse tentée ne s’est pas terminée correctementConservez l’erreur et réessayez après en avoir résolu la cause
Aucun justificatif ni filigrane trouvéUne vérification compatible terminée n’a trouvé aucun signal de ce typeConservez la portée de la vérification ; poursuivez avec d’autres preuves

Pour la bêta actuelle d’AIFakeScan, la combinaison des détecteurs passifs n’a pas passé le seuil de calibration. Sans indice fort de provenance ou de vérification officielle pris en charge, les résultats fondés uniquement sur des indices passifs restent incertains. C’est une règle de décision du produit, pas une preuve que chaque image envoyée est aussi ambiguë que les autres.

Lisez la méthodologie et les limites de couverture avec le détecteur d’images d’IA. Ne transformez pas une observation interne du modèle en probabilité mesurée que l’image soit générée par IA.

Obtenez le fichier original avant de modifier l’image

La prochaine entrée utile est souvent un fichier mieux documenté, pas une nouvelle tentative plus agressive. Conservez la copie reçue et demandez le fichier original de l’appareil photo ou l’exportation de génération. Étiquetez clairement les deux versions.

Une recherche de Corvi et ses collègues examine la détection des images générées par diffusion, y compris dans des scénarios de réseaux sociaux avec compression et redimensionnement. Elle justifie de considérer les transformations comme des conditions pertinentes d’évaluation ; elle ne fournit pas de garantie de précision pour un vérificateur en ligne sans rapport.

Demandez comment votre copie a été produite : téléchargement depuis une source, enregistrement par une application de messagerie, capture d’écran, recadrage ou nouvelle exportation. Notez ce que la source peut confirmer et ce qui reste inconnu.

Évitez d’accentuer, d’agrandir ou de réenregistrer la seule copie disponible avant l’analyse. Ces actions créent une autre version à expliquer. Si vous comparez des versions, modifiez une chose à la fois et conservez des rapports séparés.

Notre étude sur les captures d’écran et la compression fournit un exemple pratique limité de transformations de fichiers. Utilisez-la comme étude de cas, pas comme référence de précision pour chaque capture ou générateur.

Examinez la provenance et l’action déclarée

Les Content Credentials peuvent fournir des preuves sur les actions de création ou de modification enregistrées lorsqu’elles sont disponibles. Utilisez le vérificateur C2PA et lisez l’état de validation avec le signataire et la déclaration. Un registre manquant laisse une lacune d’information.

La spécification C2PA distingue les actions et les ingrédients. Un ingrédient d’IA, une modification par IA et la création du fichier par IA sont des déclarations différentes. Notez celle qui apparaît au lieu de présenter les trois comme une génération complète de l’image.

Notre inspection locale des justificatifs ne récupère pas les manifestes distants. Si la source indique qu’une provenance était jointe mais qu’aucune n’est trouvée, demandez l’original signé et le processus d’inspection utilisé.

Vérifiez aussi si les métadonnées soutiennent une piste à suivre, comme le nom d’une application ou un historique d’exportation. Les métadonnées doivent guider les questions, pas les trancher : une étiquette de logiciel seule n’établit pas tout le processus de création.

La question pratique est précise : « Que dit le registre disponible sur ce fichier ? » Gardez ouverte la question distincte de l’exactitude de sa légende ou de l’événement représenté jusqu’à son examen.

Utilisez une vérification de filigrane du fournisseur lorsque la source correspond

Choisissez un processus de filigrane selon le fournisseur soupçonné et le type de média pris en charge. Un vérificateur d’un système de filigrane ne teste pas tous les générateurs d’IA. Un résultat négatif ou indisponible doit conserver cette limite de couverture.

La documentation SynthID de Google DeepMind décrit les filigranes appliqués dans ses produits d’IA générative et un processus Gemini permettant de vérifier si un média a été généré ou modifié par l’IA de Google. Suivez les instructions officielles actuelles lorsque c’est la question à laquelle vous devez répondre.

La page du vérificateur SynthID du site vous dirige vers les processus pertinents. Elle ne réalise pas d’analyse SynthID directe des images envoyées. Utilisez le processus officiel lié et conservez avec le résultat sa portée de médias et de fournisseurs pris en charge.

Conservez la réponse exacte du fournisseur. « Un filigrane compatible a été trouvé » est différent de « l’histoire de cette image est vraie ». « Aucun filigrane compatible n’a été trouvé » est différent de « aucune IA n’a été utilisée ».

Vérifiez séparément l’affirmation de la source

L’origine d’une image et l’affirmation qui l’accompagne sont des questions distinctes. Même si la génération reste non résolue, vous pourrez peut-être vérifier qu’une image précède l’événement allégué, a été publiée ailleurs ou représente un autre lieu.

Utilisez ces vérifications comme processus d’enquête :

  1. Notez l’affirmation précise : qui, où, quand et ce qui se serait passé.
  2. Localisez la publication la plus ancienne que vous pouvez étayer, en conservant son URL et sa date.
  3. Cherchez d’autres vues, événements proches ou informations indépendantes soutenant le contexte.
  4. Demandez au créateur ou à l’éditeur l’original et une explication du processus.
  5. Séparez les faits confirmés des déductions et des détails non résolus.

Le rapport de NIST sur la transparence des contenus numériques présente le suivi de la provenance et la détection de contenu synthétique comme des approches distinctes dont les usages dépendent du contexte. Il note aussi qu’un contenu authentique peut être trompeur. Une vérification technique d’origine ne répond donc qu’à une partie de la tâche.

Si un autre détecteur donne un résultat différent, conservez la différence et examinez la couverture des outils. Ne faites pas la moyenne de scores sans rapport et ne transformez pas un vote majoritaire en preuve. Pour le problème plus large des erreurs, consultez pourquoi les détecteurs d’IA produisent des faux positifs.

Tenez un registre des preuves et choisissez un point d’arrêt utile

Un court registre des preuves permet d’agir malgré l’incertitude. Notez la version du fichier, les vérifications terminées, les observations et les questions non résolues. Décidez quelles informations supplémentaires pourraient changer votre conclusion avant de consacrer du temps à des analyses répétées.

Champ du registre des preuvesExemple de formulation
Version du fichierCapture d’écran d’une republication ; original non fourni
TraitementAnalyse terminée ; résultat passif incertain
ProvenanceAucun justificatif disponible localement trouvé
Couverture des filigranesVérification officielle du fournisseur non effectuée
Contexte de la sourcePremière publication confirmée enregistrée séparément
Question ouverteLa source peut-elle fournir l’exportation originale ?
Prochaine actionDemander l’original et examiner le processus déclaré

Ces entrées illustrent un modèle, pas un rapport sur un fichier testé. Remplacez-les par vos observations réelles.

Un point d’arrêt utile est une conclusion délimitée : « L’origine reste non résolue pour cette copie ; la légende a été vérifiée séparément », ou « La source a fourni un registre validé déclarant une modification par IA ». Si aucune vérification disponible ne répond à la question non résolue, de nouvelles tentatives peuvent simplement répéter la même limite.

Pour une décision aux conséquences importantes, conservez les preuves et obtenez une révision qualifiée adaptée au cas. Un résultat incertain doit le rester jusqu’à ce que des preuves supplémentaires soutiennent une affirmation plus limitée et défendable.

Questions fréquentes

Un résultat incertain signifie-t-il que l’image est probablement réelle ?

Non. Le résultat n’établit pas une origine humaine. Lisez la raison de la décision et la couverture : l’incertitude peut refléter des preuves insuffisantes, une interprétation du modèle non validée ou les limites du fichier et des vérifications prises en charge.

Une analyse incertaine est-elle un échec technique ?

Pas nécessairement. Une analyse peut se terminer correctement sans disposer de preuves suffisantes pour décider de l’origine. Vérifiez l’état du traitement et chaque canal de preuves pour distinguer l’incertitude d’une analyse échouée ou indisponible.

Dois-je continuer à envoyer le fichier jusqu’à obtenir un résultat sûr ?

Ne répétez que lorsqu’un élément significatif change, comme l’obtention de l’original ou la résolution d’une vérification indisponible. Conservez les deux rapports. Répéter la même analyse prise en charge n’ajoute pas en soi de preuve indépendante.

Que partager avec la personne qui examine l’image ?

Partagez la version exacte du fichier, la source, la date d’analyse, le texte du résultat, les vérifications terminées et les limites. Incluez tout contexte vérifié séparément. Gardez les observations distinctes des affirmations qui nécessitent encore une enquête.

Questions et réponses

Un résultat incertain signifie-t-il que l’image est probablement réelle ?

Non. Le résultat n’établit pas une origine humaine. Lisez la raison de la décision et la couverture : l’incertitude peut refléter des preuves insuffisantes, une interprétation du modèle non validée ou les limites du fichier et des vérifications prises en charge.

Une analyse incertaine est-elle un échec technique ?

Pas nécessairement. Une analyse peut se terminer correctement sans disposer de preuves suffisantes pour décider de l’origine. Vérifiez l’état du traitement et chaque canal de preuves pour distinguer l’incertitude d’une analyse échouée ou indisponible.

Dois-je continuer à envoyer le fichier jusqu’à obtenir un résultat sûr ?

Ne répétez que lorsqu’un élément significatif change, comme l’obtention de l’original ou la résolution d’une vérification indisponible. Conservez les deux rapports. Répéter la même analyse prise en charge n’ajoute pas en soi de preuve indépendante.

Que partager avec la personne qui examine l’image ?

Partagez la version exacte du fichier, la source, la date d’analyse, le texte du résultat, les vérifications terminées et les limites. Incluez tout contexte vérifié séparément. Gardez les observations distinctes des affirmations qui nécessitent encore une enquête.

Sources

  1. Corvi et al.: On the detection of synthetic images generated by diffusion models
  2. C2PA Content Credentials technical specification, version 2.4
  3. Google DeepMind: SynthID
  4. NIST AI 100-4: Reducing Risks Posed by Synthetic Content