La Inteligencia Artificial mediante Redes Generativas Antagónicas (GAN's)

Hace unos años estaba trabajando con Inteligencia Artificial especialmente orientada al tratamiento de imágenes y di con estas redes por casualidad. En un inicio no solo despertaron mi curiosidad por ser muy efectivas, sino que su forma de funcionamiento lleva a que el algoritmo final se encuentre en constante perfeccionamiento si quiere sobrevivir, brindando un potencial abismal con un sinnúmero de aplicaciones hoy en día.

¿Pero... de qué estamos hablando?

Tal vez, una de las cosas que más sorprende sobre las Redes Generativas Antagónicas (GANs de aquí en adelante) es la extensa aplicación que tienen en nuestro día a día sin que, en muchos casos, sepamos que juegan un papel primordial en muchas aplicaciones. En realidad, hay mucho software incorporando Inteligencia Artificial en el día de hoy que se basan en GAN o en las diferentes variantes que han surgido desde su concepción en 2014.

La GAN es en realidad el resultado de una competencia entre dos redes neuronales, las cuales compiten entre sí para lograr un objetivo.

Definición: dos redes a sopapo limpio

Si, no solo es título. El motivo por el cual las GAN's son tan efectivas es que ambas redes neuronales compiten para ver cuál es la mejor en pro de lograr determinado objetivo. En realidad, la red Generativa o Generador intenta generar nuevos datos partiendo de un conjunto de datos predeterminados, pero teniendo en cuenta las mismas características y propiedades. La segunda red, la red Discriminativa o Discriminador, intenta encontrar si determinado dato es real, o por el contrario es falso y ha sido generado por el generador.

La mejor forma de entender su funcionamiento es mediante un ejemplo. Piensa en imágenes de caras de personas, y partamos imaginando un conjunto de fotos totalmente reales. Lo primero que haremos será darle al Discriminador ese conjunto de fotos reales y haremos un entrenamiento de reconocimiento, para que sea su punto de partida y de esa forma "aprenda" a reconocer la cara de una persona. En paralelo le diremos a nuestro Generador que coja determinados datos de partida, por ejemplo, fotos de ojos, de labios, de cejas, de narices, a los que llamaremos "ruido", y que genere una cara de persona basada en ese ruido. Ahora el Generador enviará esta nueva cara, generada de forma totalmente sintética, al Discriminador y esperemos por el resultado.

Seguramente en las primeras ejecuciones del proceso anterior, el Discriminador se dará cuenta de que la imagen que le ha pasado Generador es falsa, y marcará justamente ese resultado, "el Generador pierde" dirá... (lo que exactamente conocemos como Generator Loss). Pero aquí no termina la cosa, porque como parte del funcionamiento de la GAN devolveremos al Generador el veredicto emitido, de forma que pueda considerarlo para futuras interacciones. Pasada la primera ejecución, todo vuelve a empezar y se vuelve a ejecutar, pero esta vez el Generador ya cuenta con feedback por parte del Discriminador y lo tendrá en cuenta.

De esa forma, a medida que el Generador sea ejecutado una y otra vez, encontrará mejores formas de "engañar" al Discriminador, detectando qué cosas son buenas para engañarlo y que cosas no son tan buenas. Cuando hayan pasado miles de ejecuciones llegará un punto en que el Generador se ha vuelto muy bueno en su afán por engañar al Discriminador, y es en ese punto cuando empezamos a obtener buenos resultados, cuando el Discriminador interpreta una imagen totalmente sintética (generada por el Generador) como si fuese real. En este momento y para el caso de nuestro ejemplo, podremos decir que tenemos un generador de caras totalmente artificial, que genera caras falsas que no se pueden diferenciar de las caras reales.

¡No termino de ver la aplicación de esto en el mundo real!

Yo mismo tuve ese pensamiento cuando entendí el funcionamiento de una GAN, pero vayamos por partes que veremos que estaba equivocado, muy equivocado.

Imagina que estamos ante una aplicación que, con el mismo tipo de trabajo que el generador de caras del ejemplo anterior, debe "aprender" a crear cuadros siguiendo el estilo de Van Gogh. Ahora que ya conocemos como funciona GAN parece que esta sería una aplicación posible: partimos entrenando a nuestro Discriminador con todas las imágenes de cuadros de Van Gogh que podamos conseguir. Al mismo tiempo podríamos partir de una foto cualquiera, del paisaje que más te guste, y dársela a nuestro Generador para que la utilice de base para incorporarle ruido y generar imágenes que simulen una pintura, especialmente siguiendo el estilo de pintura de Van Gogh. Como sabemos que es una cuestión de tiempo y número de ejecuciones hasta que nuestro Generador logre engañar al Discriminador podemos dar por sentado que llegará un momento en que le haremos creer que hay un nuevo cuadro de Van Gogh basado en la nueva foto que habíamos seleccionado. Pero no me quiero quedar ahí: ahora incorporemos otra foto de otro paisaje al mismo modelo, y volvamos con el proceso de entrenamiento hasta lograr confundir al Discriminador. Y cuando hayamos terminado incorporemos otra foto. Y así una y otra vez hasta que hayamos convertido nuestro modelo inicial que convertía una foto en un cuadro de Van Gogh, hasta un modelo que convierte cualquier foto en un cuadro de Van Gogh. Esto ya parece hilar fino ¿no?, pues la respuesta es que no te preocupes por hacerlo: ¡ya existe!, y se basa en algo que llamamos StyleGAN, que lo que persigue es justamente eso, la generación de "estilos" sintéticos.

Si todavía no ves la aplicación real aquí van más ejemplos. Como sabes (y si no lo sabías te lo cuento ahora) la efectividad de algunos modelos de Inteligencia Artificial que reconocen "cosas" en un conjunto está estrechamente relacionado con la cantidad de ejemplos de partida con los que se ha entrenado. Por ponerle nombres: un modelo que reconoce gatos funcionará mejor cuanto mayor sea el número de gatos distintos con el que lo entrenas; otro modelo que reconoce matrículas de coches funcionará mejor cuantos más ejemplos de matrículas le des para entrenar; y así podría seguir durante páginas con cada cosa que se nos ocurra, pero no es el objetivo.

Ahora simplemente extrapola lo anterior a cosas más mundanas como por ejemplo la escritura a mano ("handwriting"), el lenguaje, la voz, el reconocimiento facial, y en realidad cualquier elemento que se nos ocurra reconocer o trabajar a través de Inteligencia Artificial. En todos los casos la redes GAN podrán ayudar en el reconocimiento, dotando a otros modelos con más ejemplos de partida (por ejemplo, generando caracteres manuscritos tan perfectos y vastos que parecen escritos realmente por muchas personas) con un coste muchísimo menor que buscar miles y miles de ejemplos reales.

Imagina entrenar un modelo de diagnóstico de manchas en la piel solo con imágenes reales o con imágenes reales + GANs de generación de manchas en la piel. Sin temor a equivocarnos podríamos decir que el segundo es muchísimo más extenso que el primero, lo que hará que nuestro modelo de diagnóstico tenga mayor base y por ende haga mejor reconocimiento. Y ahora imagina algo similar para reconocer tonos de voz. Dejo el resto a tu imaginación.

Próximamente: ejemplos reales

Continuaré con esta temática en futuros números de la revista, especialmente trayendo ejemplos concretos de aplicación y ver cómo funcionan sus tripas. Veremos aplicaciones diversas, desde los DeepFakes que nacieron con no muy buenos ojos, hasta los Smart Mirrors. Por último, me gustaría dejarte con una perla que aún está operativa en la red: https://thispersondoesnotexist.com/, donde te aseguro que cada foto de persona que veas en esa página NO existe y cualquier parecido con la realidad es pura coincidencia. Juega con la página refrescándola para generar una nueva foto, o haciendo zoom, y me cuentas.

Javier Menéndez Pallo
Azure MVP