Jueves , mayo 24 2018

Suscribete gratis a nuestro boletin semanal

VISIONA . DESARROLLADORES . CONECTADOS .

Suscribete nuestro boletin semanal

PATROCINADORES
.
Home / Software Embebido / Asegura científico de Google haber creado la “imaginación” para IA

Asegura científico de Google haber creado la “imaginación” para IA

Ahora la Inteligencia Artificial podrá hacer uso de un recurso altamente abstracto para una máquina: la imaginación artificial, creada por el Dr. Ian Goodfellew, especialista en Aprendizaje Profundo de Máquinas.

ElectronicosOnline.com Magazine / Oswaldo Barajas

¡Lo que faltaba! La Inteligencia Artificial ahora podrá hacer uso de un atributo que incluso para los seres humanos resulta difícil de interpretar: la imaginación.

La obra de esta abstracta tecnología para robots, es autoría del Dr. Ian Goodfellow, investigador en sistemas de Aprendizaje Profundo de Máquinas y colaborador de Google, quien fue descrito en un artículo de la revista Technology Review del MIT, como “el hombre que dio imaginación a las máquinas” gracias al método que desarrolló conocido como Redes Generativas Antagónicas (RGAs) o GANs en inglés.

Estas redes fueron presentadas por el Dr. Goodfellow en 2014, y se describen como una clase de algoritmos de IA que se utilizan en el aprendizaje no supervisado, implementadas por un sistema de dos redes neuronales que compiten mutuamente en una especie de juego de suma cero.

Esta técnica puede generar fotografías que parecen auténticas a la vista humana. Por ejemplo, una fotografía sintética de un gato creada por GAN puede incluso engañar al discriminador (una de las partes funcionales del algoritmo) y también es probable que lleve a una persona cualquiera a aceptarla como una fotografía real.​

Ian Goodfellow.

   

La red generativa aprende a asignar elementos de un espacio latente a una distribución de datos determinada, mientras la red discriminativa diferencia entre elementos de datos originales y aquellos producidos por el generador. El objetivo del aprendizaje de la red generativa es aumentar el índice de error de la red discriminativa “engañando” a la red discriminativa mediante nuevos elementos sintéticos que parecen provenir de la distribución de datos auténticos.

Desde entonces estas redes se han implementado para producir muestras de imágenes fotorrealistas de diseño industrial, de interiores, de ropa y complementarios, además de elementos para juegos de computadora bajo proyectos piloto.

Una de las compañías que ha visto potencial en las GANs para enriquecer sus productos es Facebook, que​ ha comenzado a utilizarlas para algunos planes. Otra área donde también se implementan es en la producción y contenido de video, donde se aplican para generar patrones de movimiento. Del mismo modo, en la reconstrucción de modelos 3D a partir de imágenes 2D y para mejorar imágenes astronómicas como parte de proyectos de exploración espacial.

- PUBLICIDAD -

Funcionamiento de las Redes Generativas Antagónicas (GANs, por sus siglas en inglés).

   

“En un futuro, el rendimiento de las máquinas mejorará mucho gracias a su capacidad de entrenarse con datos en bruto y deducir por sí solas qué información es la más relevante”, prevé Ian, quien no descarta que este método coloque realmente los cimientos para una revolución robótica donde los sistemas y máquinas alcancen niveles de comprensión que permitan reunir capacidades computacionales para resolver problemas críticos de la sociedad.

La idea que surgió en una noche de copas

El reporte agrega que Ian concibió el concepto de las GANs en una noche del 2014, cuando al calor de unas bebidas y una emotiva charla convivía con uno de sus compañeros de doctorado en un popular bar de Montreal (Canadá).

La plática era objeto de una solicitud de apoyo por parte de amigos que recientemente le habían pedido ayuda para orientarles sobre cómo diseñar una computadora que fuera capaz de producir fotografías de manera autónoma.

A pesar que los amigos de Ian ya habían implementado técnicas de Redes Neuronales para la generar datos plausibles, los resultados no eran los esperados ya que las imágenes creadas por la computadora solían estar llenas de errores, por ejemplo, borrosas o sin algunas partes esenciales como orejas o nariz en el caso de un rostro humano.

Las GANs pueden generar de forma autónoma imágenes sin la ayuda de un esbozo y cumplir con un gran parecido a una fotografía real.

   

Los colegas de Ian se dijeron errados y simplemente expusieron que tenían en mente como último recurso implementar un análisis estadístico complejo de los elementos de la fotografía para ayudar al sistema a generar lo más parecido posible las imágenes. Sin embargo, para alcanzar este diagnóstico estadístico requería un gran procesamiento numérico, por lo que Ian fue tajante al decirles que la ejecución de la escalada de cálculo complicaría el sistema y simplemente no resolvería el problema, por lo que no funcionaría.

Después de repasar varias veces el problema y con una bebida en mano, Goodfellow reparó con la pregunta: “¿Qué pasaría si dos redes neuronales entre sí se enfrentaran?” Los colegas que al escuchar la propuesta de Ian inmediatamente la desecharon, considerándola como inviable.

El informe menciona que cuando se retiraron del lugar, Goodfellow continuaba con su idea y llegando a su casa ya entrada la noche se puso frente a la computadora para intentar materializar las bases de su concepto. De esta forma, codificó su software durante la madrugada y lo probó funcionando a la primera.

“Lo que Goodfellow inventó esa noche se llama red generativa antagónica (GAN por sus siglas en inglés). La técnica ha despertado tanto interés entre los especialistas del aprendizaje automático que Goodfellow se ha convertido en toda una estrella de la inteligencia artificial (IA)”, destacó la nota del MIT.

- PUBLICIDAD -

Revisa también ...

Siemens anuncia proyecto para energizar a la industria de México

La compañía alemana ha creado una plataforma digital con la que se puede calcular los …

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *