Los algoritmos son los responsables de las denominadas GANs o Generative Adversary Networks que, en español, quiere decir redes generativas antagónicas.
A finales del año pasado se hablaba de una red neuronal que generaba caras de personas que no existen con resultados extraordinarios, por lo que se puede decir que el avance en inteligencia artificial es imparable, impresionante y, también, perturbador.
Como muchas de las grandes ideas de este siglo, el origen de las GANs tiene lugar en un bar. Corría el año 2014 cuando un grupo de estudiantes debatía acerca de cómo solventar que una AI no pudiese crear algo nuevo. Es cierto que puede simular la inteligencia humana, pero no así la imaginación.
Uno de los jóvenes, Ian Goodfellow, del grupo de debate, decidió probar que tenía razón y escribió un código de madrugada. Posteriormente lo envió a sus compañeros y luego trazaron un plan.
Se basó en investigaciones previas de la década de los 90 publicados por Jürgen Schmidhuber acerca de la curiosidad artificial y la previsibilidad de minimización, así como el concepto teorizado por Li, Gauci y Bruto en 2013 sobre el concepto de aprendizaje Turing.
A finales del año pasado se hablaba de una red neuronal que generaba caras de personas que no existen con resultados extraordinarios
En aquel entonces, el joven estudiante tenía 29 años y poco después se le conocería por trabajar para Google Brain como uno de los 35 innovadores de menos de 35 años del MITbTechnology Review en 2017. Hoy en día, es uno de los investigadores del sector mejor pagados.
El documento que elaboró lo firmó junto a sus compañeros de la Universidad de Montreal y se denomina Generative Adversarial Nets.
Entre las aplicaciones de esta tecnología no puede pasar inadvertida la posibilidad de poner cara al avance que representa este hallazgo. Pueden generar y desarrollar rostros humanos falsos, como por ejemplo, el que desarrolló Nvidia: DCGAN. Gracias a este se pueden desarrollar rostros casi hiperrealistas que no se corresponden con ninguna persona real.
Por otro lado, también hay que mencionar que existen otros generadores web que no solo fabrican caras, sino que pueden desarrollar personajes manga, habitaciones o gatos. En cuanto a los gatos, hay que destacar que es el experimento con más fallos, dada su pose corporal.
Goodfellow tiene la convicción de que su creación puede ofrecer mucho más a los seres humanos
Pero la utilidad de los GANs no se acota solo al campo multimedia de la imagen, sino que también se pueden utilizar en los vídeos. De hecho, esta es la tecnología responsable de los polémicos deepfakes.
Además de estas utilidades, Goodfellow tiene la convicción de que su creación puede ofrecer mucho más a los seres humanos, ya que estos modelos pueden crear objetos que se pueden utilizar en el mundo real.
En un futuro no muy lejano, las GANs se pueden utilizar en distintas disciplinas como el diseño de medicamentos, chips más rápidos, edificios resistentes a los terremotos, vehículos más eficientes o edificios con construcciones económicas.
Hay que tener en cuenta que la tecnología GAN todavía está en pleno proceso de desarrollo.
Las GANs o las redes generativas antagónicas son, según el responsable de AI en Facebook, la idea de machine learning más atractiva e interesante de los últimos diez años.
Las redes generativas antagónicas se sustentan en el enfrentamiento de dos redes neuronales que compiten en un juego continuo de suma cero. Es decir, la pérdida o ganancia de una de esas redes se compensa con la pérdida o ganancia de la opuesta.
De este modo, una de las redes, la generativa, produce muestras de aquello que se pretende crear tal como textos, imágenes, sonidos, etcétera. Este primer intento será fallido, ya que a la AI se le da bastante mal crear cosas nuevas, tal y como se ha apuntado al inicio del artículo y el propio Goodfellow afirma.
Si se comienza con un dataset de imágenes de animales, como por ejemplo, los perros, en un principio, el generador mostrará imágenes al azar que se asemejarán al ruido estático que se produce en una vieja televisión analógica.
En este momento entra en liza la segunda red, la denominada discriminadora. Está entrenada en la identificación, algo que a la Inteligencia Artificial se le da mejor. Por lo tanto, analiza el material generado por la red generativa y establece si se ajusta o no a lo que se está buscando.
En una terminología algo más técnica, se puede decir que toma la decisión de si los datos que revisa pertenecen o no al conjunto de los datos de los entrenamientos.
Con el ejemplo del investigador Goodfellow, cuando se entrenan las redes, el generador puede ofrecer imágenes que engañen al discriminador. Es decir, desde un principio el generador establecerá bien los colores, se distinguirán imágenes marrones y verdes, ya que la inmensa mayoría de imágenes son de perros marrones en un pasto verde y el generador permanecerá completamente engañado durante un breve espacio de tiempo.
La red discriminadora ayuda a la generadora a ofrecer resultados más certeros y tan similares a una imagen real que no se pueden diferenciar
Posteriormente, el discriminador aprenderá a buscar las formas de perros y el generador tendrá que desarrollar bien las formas para así engañar al discriminador. Durante todo este proceso, las redes mejoran y aprenden de su oponente.
En caso contrario, si la red generativa no puede hacer pasar ese material como auténtico, será descartado y se notificará a la red en qué medida se ha acercado a esa referencia deseada utilizada como su modelo de entrenamiento. Lo cual fuerza a la red a intentarlo de nuevo.
Se pueden realizar cientos de miles o, incluso, millones de intentos, antes de que la red discriminadora acepte el resultado que le ofrezca su rival. Durante todos los rechazos que se producen, la red generativa aprende, y esa es la finalidad de la red discriminadora. Por otro lado, esta red guía a la red generativa con la información que le da sobre sus porcentajes de acierto.
Dicho de otra forma, es algo como cuando una persona se deja guiar en la búsqueda de un objeto mediante el juego de ‘frío y caliente’. El papel de la red discriminadora es decir a la generadora cuánto se aproxima en cada uno de los intentos realizados.
En resumen, las GANs son una nueva forma para combinar dos redes neuronales profundas. En ella, la discriminadora ayuda a la generadora a ofrecer resultados más certeros y tan similares a una imagen real que no se pueden diferenciar.
