Potrivit Gartner, una dintre tehnicile de inteligenta artificiala care provoaca cel mai mare impact pe piata este inteligenta artificiala generativa. Este un set de metode de invatare profunda care invata despre continut sau obiecte din datele lor. In plus, sunt folosite pentru a genera artefacte complet noi, originale si realiste. In acest sens, retelele generative adverse sau GAN-urile servesc pentru a crea imagini, opere de arta sau muzica de la zero. Vrei sa stii exact ce sunt si pentru ce sunt? Continua sa citesti!
Ce sunt retelele generative adverse?
In ultimii ani am auzit multe despre un anumit tip de retea neuronala, o inteligenta artificiala ale carei rezultate pot fi surprinzatoare. Retelele antagoniste generative sunt doua retele neuronale opuse care concureaza una cu cealalta pentru a genera datele pe care le dorim. Acestea includ crearea de imagini, videoclipuri de animatie, text etc. Sunt capabili sa ne insele aratandu-ne oameni ca noi, dar care, in realitate, nu au existat niciodata.
Stim ca inteligenta artificiala este deja capabila sa catalogheze imagini, sa recunoasca obiecte sau chiar sa diferentieze imagini. Dar, am ajuns intr-un punct in care putem lua smartphone-ul, facem o poza unui copac si Google ne va spune instantaneu ce specie apartine si toate informatiile sale datorita Google Lens.
Cu toate acestea, un lucru este sa diferentiezi oamenii, obiectele sau animalele si un alt lucru este sa le creezi de la zero. Adica, inventeaza-le. Aceasta este functia principala a retelelor generative antagoniste.
Numiti si GAN-uri, acestea au fost create de Ian Gooffellow in 2014 cu scopul de a realiza ceva ce inteligenta artificiala nu reusise sa-l dezvolte pana atunci: sa creeze imagini, opere de arta sau muzica de la zero.
Cum functioneaza retelele generative adverse?
Retelele generative antagoniste functioneaza datorita a doua retele neuronale. Aceste doua retele sunt antagonice, deoarece concureaza continuu intr-un joc cu suma zero. Pentru o mai buna intelegere, am putea spune ca castigul sau pierderea uneia dintre retele este compensat de castigul sau pierderea celeilalte.
Dupa cum am spus, exista doua retele care acopera limitarile reciproce. Aceste doua retele sunt:
1 # Retea generativa
Este responsabil pentru crearea imaginilor. Ea este cea care se ocupa de munca de creatie. Este fortat sa se imbunatateasca pentru a pacali a doua retea neuronala sau pentru a o face sa treaca sarcina.
2# Retea de discriminare
Treaba ta este sa revizuiesti creatiile primei retele si sa o moderezi. Aceasta retea este mult mai precisa decat prima, deoarece am putea spune ca inteligenta artificiala este mai buna la retusarea si recunoasterea imaginilor decat la crearea acestora. Devine din ce in ce mai eficient cand vine vorba de recunoasterea a tot felul de imagini.
In acest sens, reteaua discriminatoare trece printr-un proces de instruire pentru a sti sa recunoasca si sa analizeze imagini sau obiecte si sa defineasca daca fiecare instanta de date generata de prima retea apartine sau nu acelui set de date pentru care a fost antrenat. Reteaua generativa poate efectua milioane de teste pana cand discriminatorul accepta rezultatul.
Pentru ce sunt retelele generative antagoniste?
Dupa cum am mentionat, retelele generative adverse sunt retele neuronale nesupravegheate care sunt antrenate prin analizarea informatiilor dintr-un set de date dat pentru a crea noi mostre de imagini. Prin urmare, ele sunt adesea folosite in industriile care se bazeaza pe tehnologia de viziune computerizata. De exemplu:
Imbunatatirea asistentei medicale si salvarea de vieti
Industria sanatatii si industria farmaceutica este unul dintre cei mai mari beneficiari ai implementarii inteligentei artificiale si a retelelor generative adverse.
De exemplu, ele pot fi utilizate in detectarea tumorilor prin compararea imaginilor cu un set de imagini de organe sanatoase. Reteaua neuronala poate detecta anomalii in scanarile si imaginile pacientului prin identificarea diferentelor. Acest lucru are ca rezultat detectarea mai rapida si mai precisa a tumorilor canceroase. In plus, ajuta la economisirea costurilor atat pentru pacienti, cat si pentru medici.
Pe de alta parte, ele pot fi, de asemenea, utilizate pentru a genera structuri moleculare pentru medicamente destinate sa detecteze si sa vindece boli. Generatorul poate fi instruit pe baza de date existenta pentru a gasi noi compusi care pot fi utilizati in tratamente. Ii scuteste de a fi nevoiti sa o faca manual. Algoritmul identifica automat acesti compusi si ajuta la reducerea timpului necesar pentru cercetarea si dezvoltarea medicamentelor.
Generare de animatii pentru jocuri video
Industria jocurilor video poate beneficia, de asemenea, foarte mult de pe urma retelelor adverse generative. Acest lucru se datoreaza faptului ca pot fi folosite pentru a genera automat modele 3D necesare in jocuri video, filme animate sau desene animate.
Aceste retele pot crea noi modele 3D pe baza setului de date existent de imagini 2D furnizate lor. De exemplu, obiecte 3D precum mese, scaune, masini si arme pot fi generate prin furnizarea de imagini 2D ale acestor obiecte retelei neuronale. Acest lucru va ajuta in mod semnificativ animatorii sa economiseasca timp si sa-l foloseasca in alta parte pentru sarcini mai importante.
O alta aplicatie a retelei adversare generative este crearea de emoji-uri din fotografii umane. Reteaua neuronala analizeaza trasaturile fetei pentru a crea o versiune caricatura a fiecarui individ. Companii tehnologice majore precum Apple au folosit tehnologia pentru a genera emoji-uri personalizate similare cu trasaturile faciale ale unei persoane.
Imbunatatiti securitatea cibernetica si preveniti atacurile
Activitatile criminale, cum ar fi santajarea utilizatorilor pentru a-si pastra informatiile private, postarea de date pentru a umili oamenii sau imagini si videoclipuri falsificate sunt in crestere. In fiecare zi, impartasim in mod voluntar sute de date sub forma de imagini si videoclipuri online, facandu-le o sursa usor de utilizat gresit.
Infractorii cibernetici manipuleaza imaginile adaugandu -le date rau intentionate. Acest lucru pacaleste reteaua neuronala in sine si compromite functionarea algoritmului. La randul sau, poate duce la dezvaluirea de informatii nedorite.
In acest sens, retelele generative contradictorii pot fi antrenate pentru a identifica aceste cazuri de frauda. Ele pot fi folosite pentru a face modelele de invatare profunda mai robuste.
Reteaua neuronala poate fi antrenata pentru a identifica orice informatie rau intentionata care poate fi adaugata imaginilor. Analistii creeaza exemple false in mod intentionat si le folosesc pentru a antrena reteaua neuronala. Toate cu scopul de a detecta codificarea rau intentionata care nu ar trebui sa faca parte din imagini.
Editeaza fotografii si identifica criminalii
Nu numai fotografiile normale pot fi editate cu retele generative antagonice. Trebuie sa te gandesti mai departe. Politia, de exemplu, le poate folosi pentru a reconstrui imagini ale fetelor pentru a identifica modificari ale trasaturilor, cum ar fi culoarea parului, expresiile faciale sau chiar sexul. Acest lucru ii poate ajuta sa identifice infractorii care ar fi suferit interventii chirurgicale pentru a-si schimba aspectul.
In acelasi mod, imbatranirea fetei poate fi detectata si folosind imagini cu persoane de diferite varste. Acest lucru ne poate ajuta sa gasim oameni care au fost disparuti de ani de zile sau au scapat de criminali.
Furtul de identitate, unul dintre marile pericole ale GAN-urilor
Dupa cum am discutat in punctul anterior, aceasta tehnologie poate fi folosita pentru multe lucruri bune. Poate revolutiona medicina si procesul de descoperire a medicamentelor. Totusi, trebuie sa tii cont si de diferitele pericole pe care le aduna.
Tot ce trebuie sa faci este sa arunci o privire inapoi in timp. La alegerile din SUA din 2016 si multe altele dupa, reteaua a fost inundata de articole de stiri false care au avut ecou in majoritatea retelelor de socializare.
Imagineaza-ti impactul pe care l-ar fi avut aceste articole daca ar fi continut imagini false, falsificate si sunet fals. Sau daca, de exemplu, cu o zi inainte de alegeri este publicat un videoclip in care unul dintre candidati comenteaza in privat ca va folosi conturile statului in scopuri rau intentionate. Toata lumea ii va vedea fata, gesturile si vocea si va crede ca este el, dar ar putea fi un fals foarte bun creat digital.
In lumea de astazi, acest tip de informatii s-ar raspandi mult mai usor, deoarece se poate obtine material foarte convingator. Aceasta capacitate a tehnologiei este enorm de ingrijoratoare, desi, la randul lor, marile companii de tehnologie dezvolta programe pentru a detecta cat mai curand aceste practici proaste.
