Las Redes Generativas Adversarias (GANs, por sus siglas en inglés) son una clase de algoritmos de inteligencia artificial.
Pertenecen al campo del aprendizaje automático no supervisado.
Fueron introducidas en 2014 por Ian Goodfellow.
Se basan en la interacción de dos redes neuronales que compiten entre sí.
Una red generadora y una red discriminadora.
Este enfoque ha sido revolucionario para la generación de datos sintéticos.
Como imágenes, música o incluso texto.
Cómo funcionan las GANs
Red Generadora
Se encarga de crear nuevos datos falsos o simulados (por ejemplo, imágenes) basados en los datos de entrenamiento.
Su objetivo es generar datos tan realistas que logren engañar a la red discriminadora.
Red Discriminadora
Su tarea es diferenciar entre los datos reales del conjunto de entrenamiento y los datos falsos generados por la red generadora.
La discriminadora actúa como un «crítico» que evalúa la autenticidad de los datos.
Proceso de Entrenamiento
El entrenamiento de las GANs es un juego de suma cero entre las dos redes.
La red generadora mejora a medida que aprende a engañar mejor a la red discriminadora.
Creando datos que son cada vez más realistas.
La red discriminadora se entrena para identificar mejor los datos falsos de los reales.
Ambas redes se entrenan juntas de forma iterativa.
El objetivo final es que la red generadora cree datos.
Que sean indistinguibles de los datos reales para la red discriminadora.
Aplicaciones de las GANs
Generación de Imágenes
GANs son ampliamente utilizadas para generar imágenes realistas a partir de ruido.
Como en el caso de la creación de caras humanas que no existen.
Deepfakes
Las GANs se han utilizado para crear videos falsos en los que se altera la apariencia o las acciones de una persona real.
Estilo artístico
Permiten generar nuevas versiones de obras de arte o aplicar estilos artísticos a imágenes.
Como el cambio de una foto para que parezca una pintura).
Mejora de resolución de imágenes
Se utilizan en procesos como la super-resolución para aumentar la calidad de imágenes de baja resolución.
Desafíos y Consideraciones Éticas
El poder de las GANs para generar contenido altamente realista plantea preocupaciones éticas.
Especialmente en la creación de deepfakes y falsificaciones.
Entrenar GANs es difícil, ya que las redes pueden dejar de converger.
A veces los resultados no son tan estables como en otros tipos de modelos.
Este enfoque ha cambiado significativamente el campo de la generación automática de contenido.
Permitiendo avances en áreas como el entretenimiento, la medicina y el arte.