Pascual Parada Torralba Según Gartner, una de las técnicas de Inteligencia Artificial que más impacto está causando es la IA Generativa. En este sentido, las redes generativas antagónicas o GANs as Redes Generativas Antagónicas (GAN) son un gran avance que se utiliza principalmente para la generación de datos sintéticos a través de la competencia entre dos redes neuronales, una generadora y una discriminadora. Las GAN pueden crear imágenes, textos y otros datos que parecen reales ¿Quieres saber más? ¡Sigue leyendo!
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.
Aplicaciones de las GAN
Las aplicaciones de las GAN son diversas y en constante expansión. Se utilizan en la creación de imágenes para videojuegos, en la mejora de la resolución de imágenes y en la generación de contenido artístico. Además, tienen un papel crucial en la investigación médica, permitiendo la simulación de imágenes médicas para mejorar el diagnóstico y tratamiento. En el campo del entretenimiento, las GAN se utilizan para crear efectos visuales y personajes animados más realistas. También se emplean en la creación de música y literatura generativa, abriendo nuevas posibilidades creativas. En el sector de la moda, las GAN ayudan a diseñar ropa y accesorios innovadores. Cada vez más empresas están explorando su potencial para desarrollar productos únicos y personalizados.
Chat GPT: 5 aplicaciones útiles para tu empresa
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.
Por último, si ya tienes conocimientos mínimos y quieres profesionalizarte en ello, te animo a que te informes sobre el Master en Data Science y Big Data ¡Te esperamos!
¿Qué te ha parecido este artículo sobre las redes generativas antagónicas? Deja tus comentarios y ¡comparte!