Según Gartner, una de las técnicas de Inteligencia Artificial que más impacto está causando en el mercado es la Inteligencia Artificial Generativa. Se trata de un conjunto de métodos de deep learning que aprenden sobre contenido u objetos a partir de sus datos. Además, se usan para generar artefactos completamente nuevos, originales y realistas. En este sentido, las redes generativas antagónicas o GANs sirven para crear imágenes, obras de arte o música desde cero. ¿Quieres saber qué son exactamente y para qué sirven? ¡Sigue leyendo!
Te puede interesar: Master en Industria 4.0
Índice de contenidos
¿Qué son las redes generativas antagónicas?
En los últimos años hemos oído hablar mucho sobre un tipo concreto de red neuronal, una inteligencia artificial cuyos resultados pueden ser sorprendentes. Las redes generativas antagónicas son dos redes neuronales opuestas que compiten entre sí para generar los datos que deseemos. Incluyen la creación de imágenes, vídeos de animación, texto etc. Son capaces de engañarnos mostrándonos personas como nosotros pero que, en realidad, no han existido nunca.
Sabemos que la inteligencia artificial ya es capaz de catalogar imágenes, reconocer objetos o incluso de diferenciar imágenes. Pero, hemos llegado a un punto en el que podemos coger el smartphone, hacer una foto a un árbol y que Google nos diga al instante a qué especie pertenece y toda su información gracias a Google Lens.
Sin embargo, una cosa es diferenciar personas, objetos o animales y otra cosa es crearlos desde cero. Es decir, inventárselos. Esta es la principal función de las redes generativas antagónicas.
También llamadas GANs, fueron creadas por Ian Gooffellow en 2014 con el objetivo de conseguir algo que hasta entonces la inteligencia artificial no había sido capaz de desarrollar: crear imágenes, obras de arte o música desde cero.
¿Cómo funcionan las redes generativas antagónicas?
Las redes generativas antagónicas funcionan gracias a dos redes neuronales. Estas dos redes son antagónicas porque compiten continuamente en un juego de suma cero. Para que se entienda mejor, podríamos decir que la ganancia o pérdida de una de las redes se compensa con la ganancia o pérdida de la otra.
Como hemos dicho, existen dos redes que se cubren las limitaciones mutuamente. Estas dos redes son:
1# Red generativa
Se encarga de crear las imágenes con IA. Es la que se encarga del trabajo creativo. Se ve obligada a mejorar para conseguir engañar a la segunda red neuronal o que le apruebe la tarea.
2# Red discriminadora
Su trabajo es ser revisar las creaciones de la primera red y moderarla. Esta red es mucho más precisa que la primera ya que podríamos decir que a la inteligencia artificial se le da mejor retocar y reconocer imágenes que crearlas. Cada vez es más eficiente a la hora de reconocer todo tipo de imágenes.
En este sentido, la red discriminadora pasa por un proceso de entrenamiento para saber reconocer y analizar imágenes u objetos y definir si cada instancia de datos generados por la primera red pertenecen o no a ese conjunto de datos para el que ha sido entrenada. La red generativa puede realizar millones de pruebas hasta que la discriminadora acepta el resultado.
¿Para qué sirven las redes generativas antagónicas?
Como hemos comentado, las redes generativas antagónicas son redes neuronales no supervisadas que se entrenan analizando la información de un conjunto de datos determinado para crear nuevas muestras de imágenes. Por lo tanto, suelen ser utilizadas en industrias que dependen de la tecnología de visión por ordenador. Por ejemplo:
Mejorar la asistencia sanitaria y salvar vidas
La industria de la salud y la farmacéutica es una de las mayores beneficiarias de la implantación de la inteligencia artificial y las redes generativas antagónicas.
Por ejemplo, se pueden utilizar en la detección de tumores comparando imágenes con un conjunto de imágenes de órganos sanos. La red neuronal puede detectar anomalías en los escaneos e imágenes del paciente al identificar diferencias. Esto da como resultado una detección más rápida y precisa de tumores cancerosos. Además, ayuda a ahorrar costes tanto para los pacientes como para los médicos.
Por otro lado, también se pueden utilizar para generar estructuras moleculares para medicamentos destinados a detectar y curar enfermedades. Se puede entrenar al generador con la base de datos existente para encontrar nuevos compuestos que puedan usarse en tratamientos. Les evita tenerlo que hacer a mano. El algoritmo identifica automáticamente estos compuestos y ayuda a reducir el tiempo necesario para la investigación y el desarrollo de los fármacos.
Generación de animaciones para videojuegos
La industria de los videojuegos también puede verse enormemente beneficiado con las redes antagónicas generativas. Esto se debe a que pueden usarse para generar automáticamente modelos 3D necesarios en videojuegos, películas animadas o dibujos animados.
Estas redes pueden crear nuevos modelos 3D basados en el conjunto de datos existente de imágenes 2D que se les proporcionen. Por ejemplo, se pueden generar objetos 3D como mesas, sillas, automóviles y armas proporcionando imágenes 2D de estos objetos a la red neuronal. Esto ayudará significativamente a los animadores a ahorrar tiempo y a utilizarlo en otros lugares para tareas más importantes.
Otra aplicación de la red antagónica generativa es crear emojis a partir de fotografías humanas. La red neuronal analiza los rasgos faciales para crear una versión caricaturesca de cada individuo. Las principales empresas de tecnología como Apple han aprovechado la tecnología para generar emojis personalizados similares a los rasgos faciales de una persona.
Mejorar la ciberseguridad y evitar ataques
Las actividades delictivas como chantajear a los usuarios para mantener su información privada, publicar datos para humillar a las personas o imágenes y vídeos modificados están en aumento. Cada día compartimos voluntariamente en la red cientos de datos en forma de imágenes y vídeos por lo que es una fuente fácil de usar de forma indebida.
Los ciberdelincuentes manipulan las imágenes añadiéndoles datos maliciosos. Esto engaña a la propia red neuronal y compromete el funcionamiento del algoritmo. A su vez, puede obtener como resultado la divulgación de información no deseada.
En este sentido, las redes generativas antagónicas pueden ser entrenadas para identificar estas instancias de fraude. Se pueden usar para hacer que los modelos de deep learning sean más sólidos.
La red neuronal se puede entrenar para identificar cualquier información maliciosa que se pueda añadir a las imágenes. Los analistas crean ejemplos falsos a propósito y los usan para entrenar la red neuronal. Todo con el objetivo de detectar codificaciones maliciosas que no deberían formar parte de las imágenes.
Chat GPT: 5 aplicaciones útiles para tu empresa
Editar fotografías y identificar a delincuentes
No solo se pueden editar fotografías normales con las redes generativas antagónicas. Hay que pensar más allá. La policía, por ejemplo, puede usarlas para reconstruir imágenes de rostros para identificar cambios en características como el color del pelo, las expresiones faciales o incluso el género. Esto les puede ayudar a identificar a los delincuentes que pueden haberse sometido a cirugías para cambiar su apariencia.
De la mismo forma, también puede detectarse el envejecimiento de la cara utilizando imágenes de personas de distintas edades. Esto nos puede ayudar a encontrar a personas desaparecidas desde hace años o a delincuentes fugados.
La suplantación de identidad, uno de los grandes peligros de las GANs
Como hemos comentado en el punto anterior, esta tecnología se puede utilizar para muchas cosas buenas. Puede revolucionar la medicina y el proceso de descubrimiento de fármacos. Sin embargo, también hay que tener en cuenta los diversos peligros que recoge.
Solo hace falta echar un vistazo en el tiempo. En las elecciones de EEUU de 2016 y muchas otras posteriores, la red se inundó de artículos con noticias falsas que se hicieron eco en la mayoría de redes sociales.
Imagina el impacto que habrían tenido estos artículos si hubieran contenido imágenes falsas y retocadas y audios falsos. O si, por ejemplo, el día antes de unas elecciones sale publicado un vídeo donde uno de los candidatos está comentando en la intimidad que utilizará las cuentas del Estado para fines malévolos. Todo el mundo verá su cara, sus gestos y su voz y creerá que es él, pero podría tratarse de una muy buena falsificación creada digitalmente.
En el mundo actual este tipo de información se propagaría mucho más fácilmente, ya que se puede conseguir material muy convincente. Esta capacidad de la tecnología es enormemente preocupante aunque, a su vez, las grandes tecnológicas están desarrollando programas para detectar cuanto antes estas malas prácticas.
¿Qué te ha parecido este artículo sobre las redes generativas antagónicas? Deja tus comentarios y ¡comparte!
Por último, si ya tienes conocimientos mínimos y quieres profesionalizarte en ello, te animo a que te informes sobre el Master en Industria 4.0. Descubre cómo mejorar los procesos con IA, Blockchain, Robótica, RPA y Metodologías Lean. ¡Te esperamos!