Red generativa antagónica (GANs) | Diccionario Economico

Definición de Red generativa antagónica (GANs) | Diccionario Economico

Las Redes Generativas Antagónicas (GANs) son un tipo de arquitectura de redes neuronales artificiales compuesta por dos subredes, una generadora y una discriminadora, que se enfrentan en un proceso de aprendizaje adversarial para crear datos nuevos y realistas.

Así, uno de ellos crea algo, de manera defectuosa, ya que la IA no es capaz de crear algo nuevo, y el otro lo controla y lo mejora, porque es bueno en eso. De hecho, se trata de dos redes que entran en competencia, de modo que lo que gana uno, lo pierde el otro y viceversa (la suma es cero).

Por ejemplo, se crea una imagen de un perro, pero está lejos de ser real. El otro lo mejora reduciendo el número de errores. El resultado es un perro que un observador puede confundir con uno real. Que mejoría, porque la otra no lo logró.

Historia de la Red Antagonista Generativa (GAN)

Ian Goodfellow, de 29 años, se inspiró en 2014 cuando salía con amigos de la universidad. Se fue a su casa e hizo la programación que condujo a la Red Generativa Antagonista (GAN).

Su propuesta parecía sencilla, pero era fruto de su vasto conocimiento en inteligencia artificial. Era comenzar con lo que la IA hace peor, crear algo nuevo y luego buscar lo que mejor hace corrigiendo los errores.

Su idea fue un gran éxito y terminó trabajando en Google, convirtiéndose en uno de los empleados mejor pagados. Él y otros colegas escribieron un artículo (documento científico) sentando las bases del algoritmo utilizado en este proceso.

Cómo funciona la Red Generativa Antagonista (GAN)

De hecho, la idea es simple, aunque el proceso no lo sea. La IA no es muy buena para inventar algo nuevo, sino para mejorar lo existente. Por tanto, ponemos uno de ellos, el generativo, para crear algo, y el otro, el discriminador, lo va a mejorar.

Esto se llama juego de suma cero porque hay un intercambio entre ambas redes. Uno genera algo con errores, pierde, el otro mejora, gana. Además, ambos ganan y pierden en la misma medida. Por lo tanto, la suma será cero.

Veamos el ejemplo de una fotografía, la primera está generada artificialmente sobre ella. Entonces, en segundo lugar, tome esta foto y discierna lo que puede ser realista y lo que no. Esto logra similitud con el estándar real del que fue tomado.

Tipos de redes generativas antagónicas (GAN)

Hay varios tipos de GAN:

• Vainilla GAN. Son los más sencillos, el generador y el discriminador se encuentran ante un modelo matemático, el cual deben resolver de forma óptima.
• Pirámide de Laplace GAN (LAGAN). En este caso, se utiliza la pirámide de Laplace (una construcción matemática). Lo que hace es utilizar múltiples redes neuronales, chocando con ellas de dos en dos a diferentes niveles.
• GAN condicional (CGAN). En este tipo de redes se introducen parámetros condicionales, es decir, condiciones para que algo suceda o no suceda. Esto permitirá al discriminador distinguir entre lo real y lo falso.
• GAN de ultra alta resolución (SRGAN). Utiliza redes antagónicas generativas (GAN) para mejorar las imágenes y aumentar su calidad.

Aplicaciones de red antagónica generativa (GAN)

La red generativa antagónica (GAN) tiene varias aplicaciones debido a su eficiencia y eficacia en la entrega de resultados. Algunos:

• Foto. Aquí hay varios ejemplos, como imágenes de diseño industrial, ropa e incluso imágenes de personas o animales. Con la ayuda de GAN, puede lograr efectos muy cercanos a la realidad.
• Video. Además de los videojuegos en sí, que trataremos a continuación, las imágenes en movimiento siempre han sido un problema. El problema estaba en los pasos intermedios de un gesto a otro. Con esta técnica, se suprimieron, permitiendo un movimiento natural cercano a lo que sucedería en la realidad.
• Vision nocturna. Las herramientas que permiten este tipo de visión han evolucionado rápidamente, especialmente en el ámbito militar. A menudo, la diferencia entre una imagen clara y una borrosa puede significar la diferencia entre el éxito o el fracaso.
• De 2D a 3D. Algo similar sucede con las imágenes que, estando en 2D, se quiere convertir a 3D. En este caso, las redes neuronales «rellenarán» la información que falta para lograr la transformación.

Red generativa antagónica (GAN) en videojuegos

El sector de los videojuegos ha evolucionado desde los primeros basados ​​en aspectos de diseño muy sencillos a los juegos realistas de años posteriores. Detrás de muchas de estas mejoras hay redes neuronales que funcionan de maravilla cuando se combinan.

Así, una de las aplicaciones es precisamente hacer realistas los movimientos de personas o animales, algo impensable hace muchos años. De hecho, estas GAN permitieron al jugador acercarse cada vez más a lo que tendría en el mundo real.

Básicamente, se toman imágenes reales tomadas por personas con la ayuda de ciertos sensores. Tras procesarlos, la red generativa antagónica (GAN) se encarga de ejecutar el resto de movimientos y expresiones necesarias para el contexto del juego, simulando datos reales.

¿Problemas o dudas? Te ayudamos

Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org