Aún no somos plenamente conscientes de hasta qué punto hemos conseguido desarrollar la inteligencia artificial. A día de hoy, puede identificar objetos dentro de las imágenes. ¿Cómo es esto posible? Entran en juego las redes generativas antagónicas o GANs. Veamos en qué consisten, cómo se están utilizando y cuáles son sus límites, pues una IA puede simular nuestra inteligencia, pero aún no tiene capacidad imaginativa.
Qué son las redes generativas antagónicas o GANs
Las GANs son redes neuronales capaces de crear contenidos desde cero. En realidad, son un algoritmo de IA que se utilizan para el aprendizaje sin supervisión. Son redes antagónicas puesto que son dos conjuntos de redes neuronales compitiendo entre sí.
Así funcionan las redes generativas antagónicas
La idea sobre la que se basan las GANs es tremendanmente sencilla y, a la vez, igual de ingeniosa: dos redes neuronales juegan en una competición entre ellas en un constante juego de suma cero. O lo que es lo mismo: la ganancia o la pérdida de cada una de estas redes se compensa con la ganancia o la pérdida de la opuesta.
Una de ellas se la conoce como red generativa, y es la responsable de generar muestras de lo que queremos crear. Dado que la inteligencia artificial no tiene la capacidad imaginativa, el resultado no será bueno. O no hasta que no entre en juego la opuesta.
La red discriminatoria analiza lo que genera la generativa y tiene la capacidad para determinar si es algo que se ajusta a lo buscado.
Así, si, por ejemplo, mostramos imágenes a estas redes, las primeras proveen de una masa crítica de tonos similares a lo buscado, mientras que las discriminatorias, en última instancia, son las responsables de buscar las formas adecuadas. Cuando la discriminatoria no puede hacer esa identificación, lo notifica a la generativa, que se pone en marcha para un nuevo intento.
Puede darse el caso de que solo después de millones de intentos, la red discriminatoria acepte como bueno el material generado por las redes generativas antagónicas.
Ese rechazo supone para las redes generativas un importante foco de aprendizaje y entrenamiento. O lo que es lo mismo, es la base sobre la que se sustenta la mejora en la precisión de la inteligencia artificial para todos sus usos.
Qué utilidad tienen las GANs
En estos años, se ha hecho muy famosa una de sus últimas aplicaciones: los generadores de rostros humanos fake. A día de hoy, el desarrollo de estos sistemas de redes neuronales generativas, y su propia capacidad de aprendizaje, les ha permitido crear rostros de gran realismo, que parecen de personas reales pero que en realidad no existen.
Asimismo, se ha probado la tecnologías para generar habitaciones, personajes y gatos. ¿Te suenan los deepfakes? Son vídeos manipulados por estas redes generativas antagónicas.
Entre los objetivos de los promotores de las GANs, destaca la visión del potencial para generar objetos utilizables en el mundo real, ya sea como microchips más rápidos o edificios con mayor resistencia a los efectos de los sismos.
Pero sus usos potenciales van más allá:
- Los videojuegos pueden generar espacios más realistas y más inmersivos, especialmente en los juegos para realidad virtual.
- Se pueden crear modelados 3D de cualquier materia, incluida la farmaceútica.
- En la optimización en ciencia e ingeniería, por ejemplo, para predecir comportamientos de partículas.
De hecho, se ha generado la primera obra de arte que se ha creado mediante IA.
El lado oscuro de las GANs
Del mismo modo que pueden utilizarse para avanzar en otros muchos campos, también es un foco de falsedades. Esta tecnología de IA aplicada a la imagen nos ha mostrado cuán vulnerable es nuestro sentido de la vista, y cómo es posible confundir al cerebro.
Asimismo, se puede producir un colapso modal. Esto es, la red generativa intenta engañar al discriminador evaluando únicamente un modo, que es desde donde produce muestras nuevas.
Por otra parte, hay que valorar cuándo será el momento en el que el hombre tenga que dejar de enseñarla y llegar a un punto de convergencia e independencia. Al mismo tiempo, este momento nos asusta, pues desconocemos cómo se comportarán.
En tercer lugar, hay que valorar hasta qué punto podemos confiar en la calidad de las generaciones de estas redes neuronales aplicadas a la inteligencia artificial.
¿Cómo mejorar su rendimiento?
En esta tesitura, los investigadores e ingenieros están a la búsqueda de funciones alternativas capaces de conseguir que las creaciones de las GANs sean más estables y potentes. Para ello confían en su programación para el aprendizaje automático, y el profundo.
Ahora que ya conoces en qué consisten las redes generativas antagónicas, cómo funcionan y algunos de sus usos, puedes tomar este último consejo: sigue su evolución con frecuencia, pues ya hemos visto como las deepfakes han conseguido mayor alcance e impacto. En el futuro, los hombres tendremos la necesidad de saber distinguir lo que es real de lo que no lo es.
