Lisinska, Justyna creator Castro, Daniel text technical report -uk Londres : Center for data innovation ,diciembre 2024 2024 monographic eng

print

13 páginas ; 1 documento PDF El informe Why AI-Generated Content Labeling Mandates Fall Short analiza las limitaciones de imponer etiquetas obligatorias a todo contenido generado por inteligencia artificial (IA). Señala que, aunque el etiquetado mediante marcas de agua puede ayudar a identificar material creado por IA, exigirlo universalmente resulta poco práctico y no aborda eficazmente problemas como la desinformación, las violaciones de derechos de autor y los deepfakes. La metodología del informe examina enfoques como el watermarking digital, el fingerprinting digital y el uso de metadatos criptográficos para etiquetar y verificar contenido de IA. Se destacan las limitaciones técnicas de cada método, incluyendo su susceptibilidad a manipulaciones y la falta de estándares uniformes, lo que dificulta su implementación efectiva a gran escala. Por último, el informe recomienda fomentar la adopción voluntaria de etiquetas para todo el contenido digital mediante estándares establecidos, como la Coalition for Content Provenance and Authenticity (C2PA). Además, sugiere promover campañas de alfabetización digital y desarrollar respuestas específicas para problemas particulares, en lugar de imponer etiquetas generales al contenido generado por IA. / Justyna Lisinska, Daniel Castro Inteligencia Artificial Tecnologías habilitadoras digitales Datos abiertos Internet https://www2.datainnovation.org/2024-ai-watermarking.pdf https://www2.datainnovation.org/2024-ai-watermarking.pdf ES-MaONT 250115 20250123100122.0 00008218