Cómo funciona la moderación de contenido por IA en tiempo real

La moderación de contenido mediante IA mantiene la seguridad de la interacción comunitaria al revisar el contenido generado por el usuario (UGC) a medida que aparece. Las plataformas modernas generan mucho más contenido del que los moderadores humanos pueden procesar, pero la IA ayuda a gestionar el material destructivo en milisegundos. ¿Cómo funciona? ¿Qué tipo de moderación por IA existe y a qué problemas se enfrenta?

¿Qué es la moderación de contenido?

La moderación de contenido es el proceso de revisar y gestionar lo que los usuarios publican en línea: texto, audio, imágenes, vídeo, etc. El objetivo es, básicamente, evitar que el contenido tóxico o dañino llegue a los miembros y altere su experiencia dentro de la comunidad.

Esta gestión puede realizarse de forma manual, con algunas exclusiones basadas en reglas, o de forma totalmente automatizada. Por lo general, se requiere una combinación de enfoques para garantizar que el UGC cumpla con las normas de la comunidad y respalde una experiencia general positiva para todos los involucrados.

Dicho esto, la moderación de contenido es esencial siempre y dondequiera que los usuarios interactúen o chateen activamente en línea:

• Durante partidos deportivos (las emociones y las rivalidades intensas pueden provocar conflictos fácilmente)
• En comunidades de juegos (frecuentes focos de troleo o comportamiento tóxico)
• Plataformas y comunidades de comercio o inversión (alto riesgo de manipulación, desinformación y estafas)
• Comunidades de fans de cine y televisión (los usuarios pueden compartir contenido pirateado)
• Comunidades de criptomonedas y Web3 (objetivos de phishing, estafas de suplantación de identidad o enlaces que vacían billeteras)
• Aplicaciones de citas y comunidades dedicadas a las citas (las personas son demasiado abiertas, alto riesgo de fraude y acoso)
• Comunidades de salud y bienestar (audiencia vulnerable, temas delicados)

Por qué las plataformas ahora dependen de la IA

Las personas responden al contenido que consumen en línea produciendo aún más contenido. Un solo chat deportivo activo o un hilo de transmisión en vivo puede generar miles de mensajes por minuto, en múltiples formatos. Y una parte importante de ello puede resultar dañina, engañosa o abusiva.

Según Statista, Meta eliminó 18 millones de publicaciones de incitación al odio en el segundo trimestre de 2023, y Reddit eliminó más de 780.000 subreddits de spam solo en 2022. Incluso en LinkedIn, una red profesional, se eliminaron más de 204.000 piezas de contenido que contenían acoso o abuso en la segunda mitad de 2022.

A esta escala, los moderadores humanos simplemente no pueden seguir el ritmo. Las plataformas ahora dependen de la IA para escanear continuamente y evitar que el material dañino se propague. Y la necesidad crece cada año.

El informe "Data Never Sleeps" de Domo muestra que el número de usuarios de Internet ha crecido de 3 mil millones en 2014 a 5,5 mil millones en 2024. Con miles de millones de personas generando e interactuando con contenido a diario, el volumen es alucinante. Si bien mantener todo dentro de las pautas es primordial, hacerlo solo con moderación manual es imposible.

Cómo funciona la moderación de contenido por IA

La moderación humana requiere tiempo y es mentalmente agotadora. La cantidad de contenido que revisa una persona (o el número de personas necesarias en un equipo de moderación) varía según las especificaciones de cada plataforma.

Como referencia, una investigación de TIME reveló que en 2021, Meta contrató a más de 15.000 moderadores humanos a nivel mundial. Muchos de ellos eran de África subsahariana y su trabajo resultó ser una "tortura mental". Estos moderadores tenían que ver vídeos que mostraban suicidios, abuso infantil, violaciones y asesinatos, a menudo teniendo tan solo 50 segundos para calificar el contenido. Es comprensible que muchos de ellos terminaran sufriendo ansiedad, depresión, trastorno de estrés postraumático y agotamiento severo.

Por lo tanto, en algunos casos, ni siquiera decenas de miles de moderadores pueden seguir el ritmo del volumen. Y exponer a algunos humanos a un trauma ilimitado solo para proteger a otros no tiene sentido.

Para reducir la carga sobre los humanos, las plataformas introdujeron el filtrado basado en reglas. Más específicamente, sistemas que comparan automáticamente el contenido con reglas rígidas (por ejemplo, "Si el mensaje contiene una palabra prohibida, bloquéalo").

Si bien estos filtros ayudaron un poco con el texto, apenas mejoraron la moderación de imágenes y vídeos. Incluso en el texto, eran fáciles de evadir cambiando a un lenguaje codificado ("h@te", "k1ll", chistes internos o emojis). Además, cada nuevo truco requería una actualización manual del conjunto de reglas.

Este es el contexto en el que se implementó la moderación de contenido por IA. A diferencia de los sistemas basados en reglas, los modelos de IA pueden interpretar el contexto, detectar violaciones disfrazadas, operar en tiempo real y evitar que los humanos se expongan innecesariamente a contenido tóxico. Profundicemos en las capas que componen los principales sistemas de moderación por IA.

Las diferentes capas de la moderación de contenido por IA

Un motor de filtrado de IA puede basarse en una o varias de las siguientes técnicas/modelos:

• Modelos de aprendizaje automático (Machine Learning): El ML es la base de los modelos de moderación modernos. Se centra en el reconocimiento de patrones que los modelos aprenden mediante el entrenamiento con grandes conjuntos de datos (insultos, patrones de acoso, comportamiento de spam, etc.).
• Procesamiento del lenguaje natural (NLP): El NLP es una rama del ML que se centra en el lenguaje. Entiende las palabras clave Y el tono, la jerga o los matices lingüísticos detrás de las palabras. Y se utiliza para detectar insultos directos, acoso, frases dañinas, etc.
• Modelos de lenguaje extenso (LLM): Los LLM se sitúan sobre el NLP y abordan frases completas o incluso conversaciones largas a la vez. Al detectar la intención contextual, un LLM califica el contenido reconociendo el sarcasmo, las amenazas veladas o el lenguaje de odio codificado.
• Visión artificial: Esta es otra rama del ML que se centra en analizar píxeles o fotogramas para detectar desnudez, violencia, armas, símbolos de odio, señales de deepfake, medios manipulados, etc.

Y a través de todo esto, los modelos de puntuación y los umbrales guían las decisiones finales. ¿Qué significa esto?
En lugar de una simple etiqueta, la IA utiliza modelos de clasificación para generar una puntuación de probabilidad y determinar dónde cae dentro de los umbrales predefinidos. Dependiendo de la puntuación y el umbral, tomará una acción específica.

Para el contexto:

La puntuación es un número entre 0 y 1 que muestra la probabilidad de que un mensaje sea dañino.

Los modelos de clasificación que ayudan a determinar estas puntuaciones son sistemas de IA que fueron entrenados con millones de ejemplos etiquetados por humanos.

Por ejemplo:

1. Perspective API de Google (modelo de puntuación de toxicidad ampliamente utilizado)
2. Modelos de moderación de OpenAI (clasifican contenido sexual, de odio, violento, de autolesión e ilegal)

Los umbrales son definidos por cada plataforma, pero generalmente reflejan la práctica común de la industria:

• menos de 0.4: se permite publicar el contenido al instante
• entre 0.4 y 0.85: puede ser ofensivo, por lo tanto, se envía para revisión humana
• más de 0.85: de alto riesgo, bloqueo instantáneo

Ejemplos de moderación de contenido por IA

Ahora, profundicemos un poco más en los tipos de contenido generado por el usuario que modera la IA.

Moderación de texto (NLP)

El NLP analiza el sentido de las palabras individuales y los matices del lenguaje humano. Debido a eso, prospera donde el filtrado basado en reglas falla. Además, es rápido y se puede utilizar para la detección en tiempo real, especialmente en chats y moderación de comentarios en redes sociales.

El NLP también se utiliza ampliamente en sistemas a gran escala. Meta, por ejemplo, aplica NLP en Facebook e Instagram para detectar discursos de odio, acoso y palabras codificadas. En Messenger, ofrece NLP integrado a través de Wit.ai.

Las empresas pueden habilitarlo en sus páginas de Facebook para interpretar automáticamente los mensajes entrantes, extraer el significado (como fechas o ubicación) e identificar la intención del usuario.
En los chats de juegos, los insultos disfrazados como "ur tr@sh" (eres basura) o los estímulos a la autolesión como "kys plz" (suicídate, por favor) son mucho más fáciles de detectar con NLP.

Moderación de imágenes y vídeos

Los modelos de visión artificial utilizan aprendizaje automático, biometría y análisis en vivo para potenciar la moderación de imágenes y vídeos.

Analizan a nivel de píxel (imágenes) o fotograma a fotograma (vídeos) para:

• Identificar objetos y contexto: Vision AI de Google Cloud (Cloud Vision API + Video Intelligence API) proporciona modelos de visión artificial preentrenados que pueden detectar desnudez explícita, violencia, símbolos de odio, etc.
• Reconocer rostros: Amazon Rekognition utiliza herramientas de análisis facial para detectar rostros en imágenes/vídeos y verificar su vivacidad (para garantizar que sea una persona real, no un deepfake)
• Leer texto dentro de imágenes o vídeos: Google Cloud Vision API utiliza reconocimiento óptico de caracteres (OCR) para detectar posibles violaciones incrustadas en imágenes o subtítulos de vídeo.

Si el NLP tarda milisegundos, la visión artificial tarda segundos en procesar los millones de píxeles por imagen o cientos de fotogramas por segundo. Por lo tanto, se considera un filtrado casi en tiempo real.

Esta forma de filtrado es beneficiosa durante la transmisión en vivo. Si un clip contiene símbolos de odio (como una esvástica), la IA los identifica y marca el contenido en 2 o 3 segundos.

Moderación de audio y multimodal

La moderación de audio es un proceso de dos pasos donde la inteligencia artificial:

• Utiliza el reconocimiento automático de voz (ASR) para convertir el habla en texto
• Examina ese texto con NLP

De esta manera, detecta discursos de odio, amenazas y otras formas de acoso en mensajes de voz. Pero las notas de audio son solo un tipo de contenido generado por el usuario. El vídeo, por ejemplo, requiere una detección de audio junto con otras formas de moderación, y es ahí cuando el proceso se vuelve multimodal.

La moderación multimodal significa que el sistema analiza todos los diferentes tipos de datos juntos, detectando violaciones que los modelos de modo único no pueden detectar.

Si un vídeo muestra una escena inofensiva con una amenaza de audio, un modelo visual de modo único probablemente lo aprobaría. Se necesita un modelo multimodal para detectar esta violación.

YouTube es una de las principales plataformas que utiliza IA multimodal para la seguridad. Según su reciente publicación en el blog, la empresa utiliza esta tecnología para reducir la cantidad de contenido dañino al que están expuestos más de 20.000 revisores humanos.

Moderación con humanos en el proceso (Human-in-the-Loop)

Cuando el sistema no puede decidir sobre un caso individual y lo envía a un moderador humano, lo llamamos "human-in-the-loop". Es un enfoque híbrido donde la IA maneja la mayor parte y los humanos manejan los casos que requieren matices y comprensión cultural.

Esta es una capa adicional y final que se puede agregar a todas las demás formas de moderación de contenido por IA.

Piense en una transmisión en vivo donde alguien hace una broma racial límite. El sistema podría detectarlo como una posible violación. Aún así, si la puntuación de confianza cae en el rango medio, entre 0.4 y 0.85 (porque no es tan obvio), se le pedirá a un humano que tome la decisión final.

Tipos de moderación de contenido por IA

Hemos visto qué tipos de contenido modera la IA y cómo lo hace. Veamos cuándo ocurre la moderación a lo largo del ciclo de UGC y cuáles son las implicaciones en cada etapa.

Pre-moderación

Esto ocurre antes de la publicación. El contenido se modera y, si se valida como seguro, aparecerá en la plataforma. Si no, puede ser bloqueado, o se notificará al usuario y se le dará la oportunidad de corregirlo antes de la publicación.

La pre-moderación es la opción más segura porque casi elimina el riesgo de que el contenido inapropiado afecte a la comunidad. Pero también ralentiza la experiencia de publicación, haciendo que los usuarios estén menos inclinados a contribuir.

Notará que se usa comúnmente en plataformas para audiencias vulnerables. Por ejemplo, YouTube Kids pre-filtra las cargas antes de que aparezcan en la aplicación, y Roblox aplica el filtrado previo a la publicación para jugadores menores de 13 años (aunque no les ha sido de mucha ayuda). Pero también en audiencias de riesgo legal (sitios de medios, portales gubernamentales y mercados como Amazon o eBay que deben verificar imágenes y descripciones, etc.).

Post-moderación

La post-moderación viene justo después de que se publica el contenido y es la opción estándar para los chats. Los feeds sociales, las discusiones en vivo y las secciones de comentarios de rápido movimiento también pueden emplearla.

Una vez que la IA detecta contenido inapropiado, puede advertir al creador, eliminar el mensaje, evitar que el usuario vuelva a publicar o incluso enviar el caso a un moderador humano. Todo depende de las reglas de la plataforma.

Con la publicación instantánea, los miembros disfrutan más de la experiencia, pero eso significa que es más probable que el contenido tóxico sea visible, aunque solo sea por un corto tiempo. Los riesgos varían según la rapidez con la que el motor detecte y maneje las violaciones.

Moderación reactiva

Con este tipo de moderación, las plataformas solo revisan el contenido del que se quejan los usuarios. Es un proceso aún más lento, y si nadie se queja, nada se revisa, marca o prohíbe. Esto es común en canales de redes sociales, foros comunitarios o incluso mercados como eBay, Amazon o Airbnb.

En el lado positivo, la reactividad reduce la carga sobre los moderadores. Aún así, algunos miembros pueden abusar del botón de informe, y los resultados dependen en gran medida del nivel de compromiso de la comunidad.

Moderación distribuida

La moderación distribuida es cuando la comunidad modera su propio contenido a escala. Los miembros califican o votan colectivamente sobre el contenido, y el sistema muestra los resultados agregados. Según los votos/puntuaciones, la plataforma puede ocultar, colapsar, degradar o incluso eliminar contenido.

Uno de los ejemplos más populares es el sistema de votación en Reddit, donde los usuarios pueden votar a favor o en contra de publicaciones y comentarios. Los mensajes de baja calidad o dañinos se ocultan o colapsan.

Moderación híbrida

El modelo más común, la moderación híbrida, combina IA, vigilancia humana y filtrado automatizado basado en reglas. Cuanto más grande es la comunidad, mayor es la necesidad de una moderación híbrida para abordar los desafíos y garantizar un entorno seguro.

Por lo general, en estos entornos, los filtros de reglas y la IA manejan la moderación rutinaria de alto volumen, tomando decisiones sobre el filtrado de spam, puntuaciones de toxicidad o clasificaciones NSFW. Todo lo que parece ambiguo (dependiente del contexto, casos extremos, apelaciones) se envía a moderadores humanos.

Este enfoque permite a las plataformas equilibrar la precisión con la escalabilidad. El contenido dañino se detecta lo más rápido posible, independientemente de cuánto contenido generen los miembros. Y donde los matices realmente importan, los humanos toman las decisiones.

Desafíos clave en la era de la IA generativa

La investigación de Salesforce reveló que:

• El 49% de las personas ha utilizado IA generativa
• El 65% de los usuarios son Millennials o Gen Z
• El 70% de la Generación Z dice que usa y confía cada vez más en esta tecnología

Clara Shih, CEO de Salesforce AI, dice: "En mi carrera, nunca había visto una tecnología adoptarse tan rápido".

Dicho esto, cada vez es más difícil distinguir qué contenido es generado por humanos y cuál por IA. Y las empresas que desarrollan herramientas de IA generativa son conscientes de los desafíos y hacen todo lo posible para mitigar los riesgos.

Tomemos como ejemplo a Synthesia, una de las principales plataformas de generación de vídeo por IA. Su tecnología crea versiones digitales de humanos reales y las utiliza para generar vídeos completos a partir de texto plano en cuestión de segundos.

La empresa aplica salvaguardas estrictas en torno a la creación de avatares y el uso de estos vídeos. Prueban proactivamente sus sistemas bajo evaluaciones rigurosas e independientes de equipos rojos (red-team). Y están muy comprometidos en evitar que los deepfakes y el contenido dañino se filtren.

Con este contexto, analicemos más de cerca los principales desafíos del filtrado de contenido en la era de la IA generativa.

Contenido dañino generado por IA

La IA se entrena con contenido creado por humanos. Por definición, todo su propósito es ser lo más realista posible. Además, cuando alguien usa contenido de IA para hacer daño, lo diseñará intencionalmente para eludir los filtros.

Todos estos factores, combinados con el volumen y la velocidad a la que se crea el contenido de IA, hacen que sea cada vez más complejo detectar tales casos. De ahí el creciente número de recursos diseñados para enseñarnos a distinguir qué es real y qué no.

Sobre-aplicación y sub-aplicación de normas

La sobre-aplicación ocurre cuando un sistema tiene umbrales demasiado estrictos o malinterpreta el sarcasmo y las menciones inofensivas como dañinas. Los miembros sancionados injustamente se sienten frustrados con su experiencia y pueden optar por dar un paso atrás (baja participación) o incluso alejarse de la comunidad (alta rotación).

La sub-aplicación ocurre cuando un sistema falla frecuentemente al detectar contenido dañino de alta calidad generado por IA, palabras codificadas y amenazas sutiles, y no bloquea las violaciones.

Los miembros están expuestos a este contenido, la plataforma sufre daños a su reputación y, en casos más graves, incluso riesgos legales.

Ninguno de estos es deseable, y los sistemas deben equilibrar cuidadosamente sus puntuaciones y umbrales para evitar errores del modelo.

Falta de contexto

Imagínese ser expulsado de una comunidad de juegos por escribir en el chat: "Te voy a destruir esta noche". Eso es una broma amistosa que la IA puede no interpretar como tal, dependiendo del contexto que tenga. A menudo, factores como la ironía, el sarcasmo, las referencias culturales o los chistes internos pueden dificultar la evaluación del contenido en su contexto más amplio. Sin señales contextuales más profundas, los sistemas de moderación por IA pueden malinterpretar fácilmente la intención y perder violaciones o marcar las que no existen.

Brechas lingüísticas

Cuanto menos familiar sea un idioma, menos datos de entrenamiento tendrá el modelo y menos fiable será su resultado. Cuando el contenido incluye términos de idiomas como el maorí, el galés, el islandés o el euskera, la IA puede marcar erróneamente como peligrosos incluso los modismos más inofensivos o expresiones comunes de esos idiomas. Todo porque el modelo no entiende el matiz, ya que no ha sido entrenado con datos que lo incluyeran.

Beneficios de la moderación de contenido por IA

Paradójicamente, la IA es tanto parte del problema como parte de la solución a los desafíos de la moderación. Los beneficios de automatizar procesos con inteligencia artificial son vastos y poderosos.

Para empezar, la IA aporta velocidad y escalabilidad a cualquier sistema de moderación. Dado que el sistema opera con reglas claras, es más probable que devuelva resultados más precisos (a diferencia de los moderadores humanos, que podrían interpretar la misma regla de manera diferente según quién esté revisando).

Además, con la IA haciendo el trabajo pesado y manejando la mayor parte de la moderación, los humanos están bajo menos presión. Tienen más ancho de banda y claridad mental para interpretar las pocas pero más desafiantes situaciones que la IA envía para su revisión.

Una vez que se implementa un sistema, los costes se vuelven más predecibles y el proceso encuentra su ritmo. Con una moderación más rápida y fiable, los usuarios tienen una experiencia mejorada, lo que afectará directamente al compromiso de la comunidad.

Los usuarios activos diarios (DAU) y la retención aumentan naturalmente porque los miembros se sienten seguros compartiendo y consumiendo contenido dentro de la comunidad.

El UGC es un ecosistema que se expande a la velocidad del rayo. En este ecosistema, la moderación por IA sirve como base que permite a las comunidades escalar de las formas más seguras posibles.

Mejores prácticas para la moderación por IA

El éxito depende de si utiliza un sistema de moderación híbrido, con qué minuciosidad registra las decisiones y con qué frecuencia audita y perfecciona su sistema.

Las siguientes mejores prácticas le ayudarán a lograrlo.

Medición y ajuste de la calidad de la moderación por IA

El "configurar y olvidar" no se aplica a la moderación con herramientas de IA. No puede dejar que un sistema marque contenido sin observar con qué frecuencia tiene razón (precisión) y cuánto contenido tóxico marca correctamente (recuperación). O si registra falsos positivos/negativos (sobre- o sub-aplicación).

El análisis de errores y el ajuste de umbrales son pasos críticos para mejorar el proceso.

Diseño de políticas, apelaciones, cumplimiento y gobernanza

La política de moderación, junto con las categorías de violación, es la piedra angular. Debe definir claramente:

• Qué cuenta como una violación
• Qué niveles de gravedad utilizará el sistema para categorizar las violaciones
• Cuáles son las reglas de umbral (cuándo permitir, escalar o bloquear)
• Cómo debe proceder el sistema al encontrar un umbral

Cualquier decisión de contenido debe manejarse dentro de un proceso de apelación transparente. La moderación de contenido implica operar con datos de usuario, lo que conlleva muchas responsabilidades legales. El propietario de la plataforma tiene que lidiar no solo con generar confianza y transparencia, sino también con seguir las regulaciones:

• Leyes de privacidad GDPR (privacidad de datos y consentimiento del usuario)
• Regulaciones de plataformas en línea, como la Ley de Servicios Digitales de la UE (responsabilidad de la plataforma y mitigación de riesgos)
• Requisitos de seguridad bajo la Ley de Seguridad en Línea del Reino Unido (detección y eliminación proactiva de contenido ilegal)

El futuro de la moderación por IA

Con la IA generativa extendiéndose en línea, la moderación debe centrarse en desarrollar modelos cada vez más complejos y performativos que sean:

• Multimodales: pueden evaluar varios tipos de contenido simultáneamente.
• Conscientes del contexto: pueden entender la imagen completa, no simplemente elementos aislados, examinando un historial de intenciones, considerando matices culturales y pistas situacionales.
• Basados en agentes: utilizan agentes de IA que pueden detectar violaciones y actuar en tiempo real.
• Intercontextuales: notan las señales de seguridad y las comparten entre plataformas digitales, evitando violaciones repetidas.

Construya comunidades en la aplicación más seguras con Watchers

Si planea construir comunidades en la aplicación, necesita proteger a sus usuarios. Ofrecemos chats comunitarios que no solo son atractivos, sino seguros y confiables. Construimos un sistema de moderación por IA de 4 capas y lo desarrollamos y mejoramos constantemente. Obtenga más información y conozca cómo construir un espacio seguro para los usuarios, reserve una llamada con nuestro equipo.

Preguntas frecuentes sobre la moderación por IA

¿Qué es la moderación por IA?

Es un proceso automatizado de revisión y gestión de UGC aprovechando el ML, el NLP y la visión artificial. La moderación por IA detecta en tiempo real el contenido que es dañino o viola las políticas y puede bloquearlo directamente o enviarlo para moderación humana.

¿Qué tan precisa es la moderación por IA?

La moderación con IA es altamente precisa, aunque los resultados varían según el caso de uso y todavía ocurren falsos positivos/negativos (especialmente con contenido matizado). Los sistemas modernos mantienen a los humanos en el proceso para contextos ambiguos o decisiones de alto riesgo.

¿Cuáles son los problemas con la moderación por IA?

• Desafíos en la comprensión de matices que conducen a decisiones de falsos positivos o falsos negativos
• Adaptabilidad limitada a la jerga, memes y otros elementos lingüísticos de las conversaciones
• Desempeño más débil con idiomas y dialectos más raros
• Dificultades para detectar tácticas de evasión, como errores ortográficos intencionales
• Capacidad limitada para identificar deepfakes
• Las razones pueden no estar claras

¿Es la moderación por IA mejor que la moderación humana?

Más que "mejor", el filtrado por IA es más rápido y escalable. Si bien la IA puede cubrir un volumen significativamente mayor de contenido en tiempo real, no puede hacerlo todo y todavía depende de la revisión humana para los contextos menos claros. En la práctica, los mejores resultados provienen de combinar la IA con la moderación humana.

Referencias

• Social media content moderation and removal - statistics & facts | Statista
• Data Never Sleeps 12.0 | Domo
• Inside Facebook’s African Sweatshop | TIME
• Five machine learning types to know | IBM
• What is natural language processing (NLP)? | Tech Target
• What is computer vision? | Azure Microsoft
• Perspective API | Perspectiveapi.com
• Open AI Platform - Moderation | OpenAI
• Use of Natural Language Processing in Social Media Text Analysis | Research Gate
• Natural Language Processing for Messenger Platform | Facebook
• Build Natural Language Experiences | Wit.ai
• Vision AI | Google Cloud
• Amazon Rekognition | Amazon
• Our Approach To Responsible AI Innovation | Inside YouTube
• Synthesia’s Content Moderation Systems Withstand Rigorous NIST, Humane Intelligence Red Team Test | Synthesia Blog
• Fact check: How to spot AI-generated newscast | DCNews