Strahinja (Strajo) Janjusevic stammt ursprünglich aus dem kleinen Balkanland Montenegro und sagt, sein Leben habe sich auf unerwartete Weise entwickelt, wofür er zutiefst dankbar sei. Nach seinem Excessive-College-Abschluss wurde er ausgewählt, sein Land in den Vereinigten Staaten zu vertreten und studierte Cyberoperationen und Informatik an der US Naval Academy in Annapolis, Maryland. Seitdem hat er sein Cybersicherheitsstudium fortgesetzt und ist derzeit Masterstudent im zweiten Jahr Technologie- und Politikprogramm (TPP)veranstaltet von der MIT-Institut für Daten, Systeme und Gesellschaft (IDSS). Seine Forschungen mit dem MIT-Labor für Informations- und Entscheidungssysteme (LIDS) und die MIT Maritime Consortium Ziel des Groups ist es, die Cybersicherheit kritischer maritimer Infrastruktur mithilfe künstlicher Intelligenz zu verbessern und dabei sowohl die Technologie als auch die politischen Rahmenbedingungen der Lösungen zu berücksichtigen.

„Meine aktuelle Forschung konzentriert sich auf die Anwendung von KI-Techniken auf Cybersicherheitsprobleme und die Untersuchung der politischen Auswirkungen dieser Fortschritte, insbesondere im Kontext der maritimen Cybersicherheit“, sagt Janjusevic. „Die Vertretung meines Landes auf höchster Bildungs- und Industrieebene hat mir eine einzigartige Perspektive auf die Herausforderungen der Cybersicherheit gegeben.“

Janjusevics Weg von Montenegro nach Maryland wurde durch ein Programm geschaffen, das ausgewählten Studenten aus verbündeten Ländern den Besuch der US Naval Academy ermöglicht. Janjusevic schloss sein Studium mit einem dualen Bachelor-Abschluss in Cyber ​​Operations und Informatik ab. Seine Studienerfahrung bot ihm die Möglichkeit, mit dem US-Militär und der Nationwide Safety Company zusammenzuarbeiten, wodurch er sich mit hochrangigen Cybersicherheitseinsätzen vertraut machte und sein Interesse an der Bewältigung komplexer Cybersicherheitsherausforderungen weckte. Während seines Grundstudiums absolvierte er außerdem ein Praktikum bei Microsoft, wo er Instruments für die Reaktion auf Wolkenvorfälle entwickelte, und bei der NASA, wo er Sonnendaten für Forschungsanwendungen visualisierte.

Nach seinem Abschluss erkannte er, dass er noch mehr Wissen brauchte, insbesondere im Bereich KI und Cybersicherheit. TPP gefiel ihm sofort, da der Schwerpunkt sowohl auf rigorosen technischen Innovationen als auch auf der politischen Analyse liegt, die für deren effektive Umsetzung erforderlich ist. Janjusevics Erfahrungen bei TPP waren eine große Veränderung im Vergleich zu seiner Zeit an der US Naval Academy, mit einem anderen Tempo und einem anderen Umfeld. Er schätzte besonders die Möglichkeit, sein Verständnis über eine Vielzahl von Forschungsbereichen zu erweitern und die Disziplin und das Wissen, das er während seiner Zeit an der Akademie erworben hatte, anzuwenden.

„Meine TPP-Erfahrung battle großartig“, sagt Janjusevic. „Die Kohorte ist wirklich klein, man fühlt sich additionally wie eine Familie, und jeder arbeitet an vielfältigen, wirkungsvollen Problemen.“

Minderung der Risiken neuer Technologien

Janjusevics Dissertation vereint Disziplinen der Cybersicherheit, KI und Deep Studying sowie Kontrolltheorie und -physik und konzentriert sich auf die Sicherung maritimer cyber-physikalischer Systeme – insbesondere großer Altschiffe. Das Hacken der Netzwerke dieser Schiffe kann erhebliche Schäden für die nationale Sicherheit sowie schwerwiegende wirtschaftliche Auswirkungen haben.

„Strajo arbeitet daran, maritimes GPS-Spoofing zu überlisten“, sagt Saurabh Amin, Edmund Okay. Turner-Professor für Bauingenieurwesen. „Solche Angriffe haben bereits Schiffe in umkämpften Gewässern vom Kurs abgebracht. Sein Ansatz kombiniert physikbasierte Flugbahnmodelle mit Deep Studying und erkennt Bedrohungen, die keine einzelne Methode allein erkennen kann. Sein Fachwissen battle sehr hilfreich bei der Weiterentwicklung unserer Arbeit zur Bedrohungsmodellierung und Angriffserkennung.“

Die Forschung nutzt fortschrittliche Bedrohungsmodellierung und Schiffsdynamik, um KI-Systeme darauf zu trainieren, zwischen legitimen Manövern und gefälschten Signalen zu unterscheiden. Dazu gehört der Aufbau eines Frameworks, das einen internen LSTM-Autoencoder (Lengthy Brief-Time period Reminiscence) zur Analyse der Signalintegrität verwendet und gleichzeitig einen physikbasierten Prognostiker nutzt, um die Schiffsbewegung auf der Grundlage von Umweltfaktoren wie Wind und Seegang vorherzusagen. Durch den Vergleich dieser Vorhersagen mit gemeldeten GPS-Positionen kann das System effektiv zwischen natürlichem Sensorrauschen und böswilligen Spoofing-Angriffen unterscheiden. Dieses Hybrid-Framework soll menschliche Bediener stärken und nicht ersetzen und verifizierte Navigationsdaten bereitstellen, die es den Wachleuten ermöglichen, technische Störungen von strategischen Cyberangriffen zu unterscheiden.

Janjusevic konnte seine akademische Forschung durch Branchenerfahrung ergänzen. Im Sommer 2025 absolvierte er ein Praktikum im Community Detection-Crew des KI-Cybersicherheitsunternehmens Vectra AI. Dort untersuchte er potenzielle Bedrohungen, die neue Technologien mit sich bringen können, insbesondere KI-Agenten und das Mannequin Context Protocol (MCP) – den neuen Normal für die Kommunikation von KI-Agenten. Seine Forschung zeigte, wie diese Technologie für autonome Hacking-Operationen und erweiterte Befehls- und Kontrollfunktionen genutzt werden kann. Diese Arbeit zu den Sicherheitsrisiken der Agenten-KI wurde kürzlich im Preprint vorgestellt, „Verstecken im KI-Verkehr: Missbrauch von MCP für LLM-gestütztes Agentic Purple Teaming.“

„Ich konnte praktische Einblicke und praktische Erfahrungen darüber gewinnen, wie ein Information-Science-Crew KI-Modelle nutzt, um Anomalien in einem Netzwerk zu erkennen“, sagt Janjusevic. „Diese Arbeit in der Industrie hat die Modelle zur Anomalieerkennung in meiner Forschung direkt beeinflusst.“

Internationale politische Perspektive

„Strajo bringt nicht nur ein hohes Maß an Intelligenz und Energie in seine Arbeit zur cyber-physischen Sicherheit von Handelsschiffen ein, sondern auch einen starken Instinkt aus seiner Ausbildung bei der Marine, der sich tief in die Forschungsbemühungen einfügt und sie in umsetzbare Richtlinien begründet“, sagt Fotini Christia, Ford Worldwide Professor of the Social Sciences, Direktor des IDSS und Leiter des MIT Maritime Consortium.

Janjusevic beteiligt sich an den Cybersicherheitsbemühungen des Maritime Consortium, einer Zusammenarbeit zwischen Wissenschaft, Industrie und Regulierungsbehörden, die sich auf die Entwicklung technologischer Lösungen, Industriestandards und Richtlinien konzentriert. Das Konsortium umfasst Kooperationen mit einigen internationalen Mitgliedern, unter anderem aus Singapur und Südkorea.

„Bei der KI-Cybersicherheit ist das politische Aspect wirklich wichtig, da das Feld so schnelllebig ist und die Folgen von Hacking so gefährlich sein können“, sagt Janjusevic. „Ich denke, dass in diesem Bereich noch viel politischer Handlungsbedarf besteht.“

Janjusevic hilft derzeit auch bei der Organisation zweier bevorstehender großer Konferenzen: der Europäische Harvard-Konferenz im Februar, zu dem Beamte und Diplomaten aus der ganzen Welt zusammenkommen werden, und die Konferenz über Technologie und nationale Sicherheit im April, eine Zusammenarbeit von Harvard und MIT, die Spitzenführer aus Regierung, Industrie und Wissenschaft zusammenbringt, um kritische Herausforderungen der nationalen Sicherheit anzugehen.

„Ich strebe danach, eine Place zu finden, in der ich den Bereich Cybersicherheit mit KI beeinflussen und vorantreiben und gleichzeitig die Zusammenarbeit und Innovation zwischen den Vereinigten Staaten und Montenegro leiten kann“, sagt Janjusevic. „Mein Ziel ist es, eine Brücke zwischen Europa und den USA in diesem Bereich der nationalen Sicherheit, KI und Cybersicherheit zu sein und mein Wissen beiden Seiten zur Verfügung zu stellen.“

Während Michael Bailey über Mar über Mar hinaus drängt, konzentrieren sich Andrew und Gustavo auf die Verbesserung der Plausibilität von MAR, indem Sie Z und Z_2 zu dem Satz von Anpassungskovariaten X addieren.

Zunächst einmal brauchen wir Daten.

Ich habe Daten zu allen Gesetzen heruntergeladen, über die abgestimmt wurde, und wie jedes Mitglied des Kongresses von 2023 bis 2024 bis zum 18. Mai abgestimmt hat. Alle Daten sind beim brasilianischen C verfügbarDas offene Datenportal von ongress. Anschließend habe ich zwei verschiedene Pandas-Datenrahmen erstellt, einen mit allen Gesetzen, über die abgestimmt wurde, und einen anderen mit der Artwork und Weise, wie jedes Kongressmitglied bei jeder Abstimmung abgestimmt hat.

votacoes = pd.concat((pd.read_csv('votacoes-2023.csv', header=0, sep=';'),  pd.read_csv('votacoes-2024.csv', header=0, sep=';')))
votacoes_votos_dep = pd.concat((pd.read_csv('votacoesVotos-2023.csv', sep=';', quoting=1) ,  pd.read_csv('votacoesVotos-2024.csv', sep=';', on_bad_lines='warn', quoting=1, encoding='utf-8')))

Zum Votacoes Datenrahmen, ich habe nur die Einträge mit ausgewählt idOrgao von 180, was bedeutet, dass sie in der Hauptkammer des Kongresses gewählt wurden. Wir haben additionally die Daten für die Stimmen der meisten Kongressmitglieder. Dann habe ich die Liste der verwendet votacoes_Ids um die zu filtern votacoes_votos_dep Datenrahmen.

plen = votacoes(votacoes('idOrgao') == 180)
votacoes_ids = plen('id').distinctive()
votacoes_votos_dep = votacoes_votos_dep(votacoes_votos_dep('idVotacao').isin(votacoes_ids))

Nun, im votacoes_votos_dep, Bei jeder Abstimmung handelt es sich um eine Zeile mit dem Namen des Kongressmitglieds und der Abstimmungssitzungs-ID, um zu identifizieren, auf wen und worauf sich die Abstimmung bezieht. Deshalb habe ich eine Pivot-Tabelle erstellt, in der jede Zeile ein Kongressmitglied darstellt und jede Spalte sich auf eine Stimme bezieht. Dabei habe ich „Ja“ als 1 und „Nein“ als 0 kodiert und alle Stimmen gelöscht, bei denen mehr als 280 Abgeordnete nicht abgestimmt haben.

votacoes_votos_dep('voto_numerico') = votacoes_votos_dep('voto').map({'Sim': 1, 'Não':0})
votes_pivot = votacoes_votos_dep.pivot_table(index='deputado_nome', columns='idVotacao', values='voto_numerico').dropna(axis=1, thresh=280)

Bevor ich die Ähnlichkeitsmatrix berechnete, habe ich alle verbleibenden NAs mit 0,5 gefüllt, um die Positionierung des Kongressmitglieds nicht zu beeinträchtigen. Schließlich berechnen wir die Ähnlichkeit zwischen den Vektoren jedes Stellvertreters mithilfe der Kosinusähnlichkeit und speichern sie in einem Datenrahmen.

from sklearn.metrics.pairwise import cosine_similarity
similarity_matrix = cosine_similarity(votes_pivot)
similarity_df = pd.DataFrame(similarity_matrix, index=votes_pivot.index, columns=votes_pivot.index)

Nutzen Sie nun die Informationen über die Abstimmungsähnlichkeiten zwischen Kongressabgeordneten, um mithilfe von N ein Netzwerk aufzubauenetworkx. Ein Knoten repräsentiert jedes Mitglied.

import networkx as nx
names = similarity_df.columns
# Create the graph as earlier than
G = nx.Graph()
for i, title in enumerate(names):
G.add_node(title)

Dann stellen die Kanten, die zwei Knoten verbinden, eine Ähnlichkeit von mindestens 75 % des Abstimmungsverhaltens der beiden Kongressabgeordneten dar. Um der Tatsache Rechnung zu tragen, dass einige Kongressabgeordnete Dutzende von Kollegen mit einem hohen Grad an Ähnlichkeit haben, habe ich nur die ersten 25 Kongressabgeordneten mit der höchsten Ähnlichkeit ausgewählt, um ihnen einen Vorteil zu verschaffen.

threshold = 0.75
for i in vary(len(similarity_matrix)):
for j in vary(i + 1, len(similarity_matrix)):
if similarity_matrix(i)(j) > threshold:
# G.add_edge(names(i), names(j), weight=similarity_matrix(i)(j))
counter(names(i)).append((names(j), similarity_matrix(i)(j)))
for supply, goal in counter.gadgets():
selected_targets = sorted(goal, key=lambda x: x(1), reverse=True)(:26)
for goal, weight in selected_targets:
G.add_edge(supply, goal, weight=weight)

Um das Netzwerk zu visualisieren, müssen Sie die Place jedes Knotens in der Ebene bestimmen. Ich habe mich für das Federlayout entschieden, bei dem die Kanten als Federn verwendet werden, die Knoten zusammenhalten und gleichzeitig versuchen, sie zu trennen. Das Hinzufügen eines Startwerts ermöglicht die Reproduzierbarkeit, da es sich um einen zufälligen Prozess handelt.

pos = nx.spring_layout(G, ok=0.1,  iterations=50, seed=29)

Abschließend zeichnen wir das Netzwerk mithilfe einer Go-Figur auf und fügen die Kanten und Knoten basierend auf ihrer Place einzeln hinzu.

# Create Edges
edge_x = ()
edge_y = ()
for edge in G.edges():
x0, y0 = pos(edge(0))
x1, y1 = pos(edge(1))
edge_x.lengthen((x0, x1, None))
edge_y.lengthen((y0, y1, None))
# Add edges as a scatter plot
edge_trace = go.Scatter(x=edge_x, y=edge_y, line=dict(width=0.5, shade='#888'), hoverinfo='none', mode='traces')
# Create Nodes
node_x = ()
node_y = ()
for node in G.nodes():
x, y = pos(node)
node_x.append(x)
node_y.append(y)
# Add nodes as a scatter plot
node_trace = go.Scatter(x=node_x, y=node_y, mode='markers+textual content', hoverinfo='textual content', marker=dict(showscale=True, colorscale='YlGnBu', dimension=10, shade=(), line_width=2))
# Add textual content to the nodes
node_trace.textual content = listing(G.nodes())
# Create a determine
fig = go.Determine(knowledge=(edge_trace, node_trace),
structure=go.Format(showlegend=False, hovermode='closest', margin=dict(b=0,l=0,r=0,t=0), xaxis=dict(showgrid=False, zeroline=False, showticklabels=False), yaxis=dict(showgrid=False, zeroline=False, showticklabels=False)))
fig.present()

Ergebnis:

Nun, es ist ein guter Anfang. Es sind verschiedene Cluster von Kongressabgeordneten zu sehen, was darauf hindeutet, dass die politische Ausrichtung und die Bündnisse im Kongress genau erfasst werden. Aber es ist ein Chaos, und es ist unmöglich, wirklich zu erkennen, was vor sich geht.

Um die Visualisierung zu verbessern, habe ich dafür gesorgt, dass der Title nur dann angezeigt wird, wenn Sie mit der Maus über den Knoten fahren. Außerdem habe ich die Knoten entsprechend den auf der Web site des Kongresses verfügbaren politischen Parteien und Koalitionen eingefärbt und ihre Größe danach bestimmt, mit wie vielen Kanten sie verbunden sind.

Es ist viel besser. Wir haben drei Cluster mit einigen Knoten dazwischen und jeweils einigen größeren. Außerdem gibt es in jedem Cluster einen Großteil einer bestimmten Farbe. Nun, lassen Sie es uns genauer analysieren.

Im Mittelpunkt der KI-Kontroverse um Steven Miles steht ein Deepfake-Video der Liberal Nationwide Occasion (LNP), das eine bedeutende Diskussion über die ethischen Auswirkungen von KI in der Politik ausgelöst hat.

Veröffentlicht am TikTok-Konto der ParteiDas Video zeigt Queenslands Premierminister Steven Miles in satirischem Licht, wie er unter einer Bildunterschrift über steigende Lebenshaltungskosten und einer humorvollen Anspielung darauf, dass der Premierminister auf TikTok ein Sandwich macht, tanzt. Obwohl das Video als „KI-generiert“ gekennzeichnet ist, hat es eine Debatte über die Rolle von Deepfakes in politischen Botschaften ausgelöst.

@liberalnationalparty

Falsche Prioritäten. #stevenmeilen #Arbeit #lnp #queensland

♬ 오리지널 사운드 – 김모이 (Kim Moi) – 김모이 (Kim Moi)

Wie haben sie das AI Steven Miles-Video erstellt?

Das AI Steven Miles-Video wurde wahrscheinlich mit dem viralen Software erstellt, Viggle-KI. Hier ist eine Aufschlüsselung, wie ein solches Video erstellt werden könnte:

1. Enter und KI-Coaching

Viggle AI verwendet ein vorab trainiertes Modell, um Deepfake-Inhalte zu generieren. Benutzer geben vorhandene Movies oder Bilder von Steven Miles in das System ein, das dann seine Deep-Studying-Algorithmen anwendet, um sein Aussehen und seine Verhaltensweisen zu replizieren.

2. Videogenerierung

Mithilfe seines trainierten Modells erstellt Viggle AI ein neues Video, in dem Steven Miles verschiedene Aktionen auszuführen oder auf eine vorgegebene Artwork und Weise zu sprechen scheint. Diese Technologie kann Gesichtsausdrücke und Bewegungen manipulieren, um eine überzeugende Darstellung zu erzeugen.

3. Kennzeichnung und Vertrieb

Das fertige Video wird als „KI-generiert“ gekennzeichnet, um die Zuschauer über seinen synthetischen Charakter zu informieren. Anschließend wird es auf Plattformen wie TikTok geteilt, wo es die öffentliche Wahrnehmung beeinflussen und Diskussionen anregen kann.

Dieser optimierte Prozess zeigt, wie Viggle AI schnell und effektiv realistische Deepfake-Movies erstellen kann.

Das Deepfake-Dilemma im politischen Diskurs

Steven Miles bezeichnete das KI-generierte Video als einen entscheidenden „Wendepunkt für unsere Demokratie“ und betonte die mit Deepfakes verbundenen Risiken.

Er argumentiert, dass manipulierte Fotos zwar ein Drawback darstellen, KI-generierte Movies jedoch eine neue Ebene potenzieller Fehlinformationen darstellen. Miles hat klargestellt, dass die Labor Occasion des Staates bei den bevorstehenden Wahlen auf die Verwendung solcher Technologien verzichten wird, die bei der Generierung von KI-Movies von Steven Miles für politische Inhalte verwendet wurden, was die Ernsthaftigkeit des Issues unterstreicht.

Trotz Miles‘ Haltung verteidigte die LNP ihre Verwendung des KI-Movies von Steven Miles und betonte, dass das Video eindeutig als KI-generiert gekennzeichnet sei und reale Probleme wie die gestiegenen Lebenshaltungskosten unter der Labour-Regierung widerspiegeln solle.

Kritiker argumentieren, dass KI-Instruments weit verbreitet seien und die Verwendung solcher Inhalte im gesetzlichen Rahmen liege. Allerdings würden dadurch ethische Fragen hinsichtlich der Genauigkeit und Absicht politischer Botschaften aufgeworfen.

Regulierung von KI in der Politik

Die Wahlkommission von Queensland stellte fest, dass das Wahlgesetz des Bundesstaates zwar falsche Angaben zu Kandidaten regelt, sich jedoch nicht speziell mit KI-generierten Inhalten wie dem KI-Video von Steven Miles befasst.

Dies führt zu einer Lücke in der Überwachung und Regulierung solcher Materialien, insbesondere außerhalb des Wahlzeitraums.

Susan Grantham, Dozentin für Kommunikation, weist darauf hin, dass KI seit mindestens 2022 weltweit und in Australien in politischen Kampagnen eingesetzt wird.

Sie weist darauf hin, dass die von KI generierten Inhalte überzeugend, aber möglicherweise auch irreführend sein können, insbesondere wenn sie zur Nachahmung oder Parodie bekannter Figuren verwendet werden, was zu einer Täuschung der Öffentlichkeit führen könnte.

Der umfassende Einfluss der KI auf die Politik

Patrik Wikstrom vom QUT Digital Media Analysis Centre hebt die weitreichenden Auswirkungen von KI auf die politische Kommunikation hervor. Er erklärt, dass KI an sich zwar nicht problematisch sei, ihre Verwendung zur Erstellung irreführender Inhalte jedoch erhebliche Risiken birgt. Die Herausforderung liege in der Regulierung solcher Inhalte, da das Web world sei und es schwierig sei, lokale Gesetze grenzüberschreitend durchzusetzen.

Wikstrom und Grantham sind sich einig, dass das Hauptproblem nicht die Technologie, sondern die Absicht hinter ihrem Einsatz ist. Angesichts der immer ausgefeilteren KI bleibt die Gewährleistung einer transparenten und ehrlichen Kommunikation ein zentrales Anliegen demokratischer Prozesse weltweit.

Wer ist Steven Miles?

Für diejenigen, die mit der australischen Politik überhaupt nicht vertraut sind: Steven Miles ist der Premierminister von Queensland in Australien und vertritt die Australian Labor Occasion.

Er engagierte sich in der Landespolitik und ist für seine Rolle bei der Verwaltung verschiedener Aspekte der Staatsführung bekannt.

---

Bildnachweis für vorgestelltes Bild: Freepik