- n
- n
La mayoría de avances y aplicaciones de la IA se basan en un tipo de algoritmo conocido como aprendizaje automático que busca patrones y los aplica en los datos.
n n - n
El aprendizaje profundo, un poderoso tipo de aprendizaje automático, utiliza redes neuronales para encontrar y amplificar incluso los patrones más pequeños.
n n - n
Las redes neuronales son capas de nodos computacionales simples que colaboran para analizar datos, como neuronas del cerebro humano.
n n
Ahora llegamos a la parte divertida. Usar una red neuronal resulta genial para descubrir patrones. Usar dos de ellas fantástico para crearlos. Bienvenidos al mundo mágico y aterrador mundo de las redes generativas antagónicas, o GAN (ver El señor de las GAN: el hombre que dio imaginación a las máquinas).
nLas GAN están generando un momento de importancia cultural. Son responsables de la primera obra de arte creada por IA y vendida en la casa de subastas Christie's, y también son autoras de las imágenes digitales falsas ultrarrealistas conocida como "deepfakes".
nSu secreto está en la forma en la que dos redes neuronales trabajan juntas, o mejor dicho, una contra la otra (ver TR10: Redes generativas antagónicas). Primero hay que alimentar ambas redes neuronales con una gran cantidad de datos de entrenamiento, aunque a cada una se le asigna una tarea distinta. La primera red, conocida como generadora, debe producir muestras artificiales, como la escritura a mano, vídeos o voces, a partir de su análisis de los ejemplos de entrenamiento para intentar imitarlos. La segunda, conocida como discriminadora, determina si las muestras son reales comparándolas con los mismos ejemplos de entrenamiento.
nCada vez que la discriminadora rechaza una creación de la red generadora, esta vuelve a intentarlo de nuevo. Como lo expresó mi colega Martin Giles, el proceso "imita el ir y venir entre un falsificador de obras de arte y un detective que intentan repetidamente burlarse uno del otro". Al final, la red discriminadora es incapaz de distinguir entre las muestras de la generadora y los ejemplos de entrenamiento. En otras palabras, la imitación es indistinguible de la realidad.
nEs fácil intuir por qué el mundo de las GAN es igualmente considerado bello y horrible al mismo tiempo. Por un lado, la capacidad de sintetizar medios e imitar otros patrones de datos puede ser útil en la edición de fotos, en la animación y en la medicina (pueden mejorar la calidad de las imágenes médicas y superar la escasez de datos sobre el paciente). También produce creaciones divertidas como esta:
nnn#BigGAN is so much fun. I stumbled upon a (circular) direction in latent space that makes party parrots, as well as other party animals: pic.twitter.com/zU1mCh9UBe
n— Phillip Isola (@phillip_isola) 25 de noviembre de 2018
Y este:
n nPero las GAN también se pueden usar de maneras éticamente cuestionables y peligrosas: superponer las caras de las celebridades en los cuerpos de las estrellas po ográficas, hacer que Barack Obama diga lo que queramos, o falsificar las huellas dactilares y otros datos biométricos, una capacidad que los investigadores en la Universidad de Nueva York y del Estado de Michigan (ambos en EE.UU.) demostraron recientemente en una investigación.
nAfortunadamente, las GAN todavía tienen limitaciones que nos protegen parcialmente de ellas. Necesitan muchísima potencia informática y conjuntos de datos muy concretos para producir algo realmente creíble. Para crear una imagen realista de una rana, por ejemplo, una GAN necesita cientos de imágenes de ranas de una especie en particular, preferiblemente con la mirada puesta en una dirección similar. Sin estas características, los resultados son realmente extraños, como esta criatura de pesadillas:
nnnok these #BIGGAN results are incredible. #nature should take a hint. eyes distributed around the head is a winner #BIGGAN pic.twitter.com/hJBb3fUQ78
n— Memo Akten (@memotv) 30 de septiembre de 2018
(Denme las gracias por no poner los ejemplos de arañas).
nPero a los expertos les preocupa que solo estemos viendo la punta del iceberg. A medida que los algoritmos se vuelven más refinados, los vídeos con errores y los animales picassianos se convertirán en algo del pasado. Como me dijo el experto en imágenes forenses digitales Hany Farid, no estamos preparados para resolver este problema (ver La tecnología para manipular contenidos amenaza con devolve os a las noticias del siglo XX).
n