Generatieve tegenstrijdige netwerken

Generatieve tegenstrijdige netwerken
Je kunt het verschil zien tussen een echt persoon en een computer geprogrammeerd persoon, toch?

Wanneer je videospelletjes speelt, ben je je er nog steeds van bewust dat de wereld waarin je speelt niet de "echte" wereld is waarin je leeft. Je ogen vinden manieren om onderscheid te maken tussen wat computergegenereerde beelden zijn en wat dat niet is. Als we naar een reeks beelden kijken, kunnen we het echte van het onechte onderscheiden. Maar, wat als we dat niet konden? Wat als onze deep learning algoritmes zo geavanceerd zouden worden dat ze de kunst van Van Gogh zouden kunnen nabootsen? Zou je het geloven? Zou je het vertrouwen?

Dit is precies wat sommige programmeurs van machinaal leren proberen te bereiken. Zij willen AI creëren die de echte wereld in wezen zo gedetailleerd kan kopiëren en creëren dat het menselijk oog feit van fictie niet meer kan onderscheiden. Om dit mogelijk te maken, maken zij gebruik van Generative Adversarial Networks, kortweg GAN's.

Hoe werken GAN's?

GAN's zijn twee neurale netten, voor het eerst ontwikkeld door Ian Goodfellow in 2014. In feite strijden ze tegen elkaar voor de beste uitkomst in een spelachtige reeks van heen en weer. Een manier om dit uit te leggen zou zijn om te denken aan veganistische vleesproducenten die proberen het echte vlees na te bootsen. Blijf bij me op dit punt.

Laten we dus zeggen dat de producenten van veganistisch vlees de generatoren zijn en proberen het grote publiek, dat de discriminatoren zijn, ervan te overtuigen dat hun vlees net echt vlees is. Ten eerste zouden de veganistische producenten enkele kenmerken van echt vlees ontdekken en die in hun recept verwerken. Dan zouden ze dat doorgeven aan de discriminators. Nu weet de algemene bevolking (de discriminatoren) al hoe echt vlees eruit zou moeten zien, dus zij zouden vrij gemakkelijk kunnen zeggen dat het vlees nep is. Dus zouden ze het terugsturen, met de mededeling dat dit nep is. Wanneer het terugkomt bij de veganistische producenten, zullen zij erachter komen wat vlees nog meer maakt tot, nou ja, vlees. En de cyclus gaat door, met talloze iteraties, totdat de producenten, de veganistische vleesproducenten, hun product kunnen laten doorgaan voor echt vlees.
Terug naar de technische bewoordingen: een GAN werkt doordat één neuraal netwerk nieuwe gegevens creëert die het andere neurale netwerk als nep of echt classificeert. Dit gebeurt na vele iteraties en duurt vele uren voordat het succesvol is. Beide netwerken leren van elkaar. Terwijl de generator leert hoe hij de kenmerken moet nabootsen, leert de discriminator meer over de nuances die de echte van de nepgegevens onderscheiden. De generator krijgt een label, in ons geval nep-vlees, en probeert iets te maken dat bij dat label past. Dit kan in beelden, geluiden of tekst zijn. De discriminators zijn in feite het tegenovergestelde, zij hebben al de kenmerken van echt vlees, en plakken nu labels op de gegevens die zij ontvangen.
In zekere zin is dit de manier waarop criminelen en de wet met elkaar omgaan. Naarmate de misdadiger de wet beter voor de gek kan houden, wordt de wet beter in het opsporen van de misdadiger. Er is veel potentieel voor GAN's, van chatbots tot video's en spelontwikkelingen, maar er is iets dat mij zorgen baart. Zullen mensen in staat zijn om feit van fictie te onderscheiden?

Wat als generatieve adversaire netwerken zo geavanceerd worden dat ze het menselijk oog kunnen misleiden. Denk aan de innovatie van video-opnames voor verzekeringsclaims, de geldigheid van de video zelf zou gecompromitteerd kunnen worden. Willen we, in een maatschappij die al hyperbole is, echt technologie die de waarheid kan nabootsen, erger nog, willen we dit serieus zo geloofwaardig maken dat we het niet van de werkelijkheid kunnen onderscheiden?

Nieuwe blogposts

Read more

Een gratis subsidie scan!

Weet u niet zeker of u in aanmerking komt voor subsidies? Laat het ons voor u uitzoeken!