Das Startup NeutralNewsCH analysiert Nachrichtentexte bereits automatisiert und bewertet diese hinsichtlich ihrer Tonalität. Die bisherige Plattform beschränkt sich jedoch ausschliesslich auf die Analyse von Textinhalten. Ziel dieser Arbeit ist daher die Konzeption und Entwicklung einer flexiblen, modular aufgebauten Pipeline zur Erkennung von Deepfakes. Die Pipeline soll als Erweiterung der bestehenden Plattform eine transparente und vertrauenswürdige Ersteinschätzung liefern, ohne dabei den Anspruch eines endgültigen Urteils zu erheben.

Die Arbeit orientiert sich an der Design Science Research Methodology (DSRM). Auf Basis einer Analyse der Problemstellung wurden Anforderungen an die Deepfake-Erkennungspipeline abgeleitet. Da NeutralNewsCH derzeit über keine eigenen Trainingsdaten verfügt, wurde auf das Training eines eigenen Erkennungsmodells verzichtet. Stattdessen wurden bereits publizierte, vortrainierte Deepfake-Detektionsmodelle auf einem einheitlichen Testdatensatz miteinander verglichen. Auf Grundlage dieser Ergebnisse wurde ein lauffähiger Prototyp entwickelt, der iterativ erweitert und anschliessend überprüft wurde.

Der entwickelte Prototyp verbindet Bildeingabe, Metadatenprüfung, Modell-Inferenz mit visueller Attribution, eine kalibrierte Aggregation samt Unsicherheitszone und eine sprachliche Erklärungsgenerierung. Das Ergebnis ist eine eigenständige und transparente Bildprüfung, die ohne die Einbindung externer, kostenpflichtiger Dienste auskommt. Dank ihres modularen Aufbaus lässt sich die Pipeline künftig unkompliziert um leistungsfähigere Erkennungsmodelle erweitern oder mit diesen aktualisieren.Die Arbeit zeigt, dass sich eine modulare, Deepfake-Erkennungspipeline mit vertretbarem Aufwand realisieren lässt und für NeutralNewsCH eine sinnvolle, nachvollziehbare Erweiterung der bestehenden Plattform darstellt. Als Proof of Concept schafft sie eine technische Grundlage für zukünftige Weiterentwicklungen.