En 2014 se propuso una nueva arquitectura de red neuronal enfocada en generar nuevos datos (como imágenes o sonidos) a partir de un conjunto de entrenamiento. Estas redes están conformadas de 2 tipos reden que compiten en conjunto, por un lado, tienen una red se encarga de generar información y por otro lado una segunda red se encarga de discriminar si la información generada es real o no, en función de la información en una base de datos reales. Este proceso de generar-discriminar se repite por varias iteraciones, logrando que tanto la red generadora como la red discriminante vayan mejorando, lo que en consecuencia hace que la información generada parezca cada vez más cercana a la real.

Por esta razón, este tipo de redes pareciera que son capaces de crear información inédita, sin embargo, más bien se enfocan en generar información a partir de estadísticas y patrones encontrados originalmente en otro conjunto de datos. Esto en síntesis implica, que no pueden crear información que no este compuesta de alguna forma por algo observado antes en su base de entrenamiento, lo que no necesariamente implica que una máquina posea creatividad. Sin embargo, esto nos lleva a la cuestión, ¿no hacemos los mismo nosotros como humanos, al inspirarnos en lo que vivimos u observamos para pintar obras de arte o para escribir una obra literaria? Aunque este tipo de redes no sean realmente capaces de dotar de creatividad a una máquina, tienen aplicaciones interesantes:

· Diseño asistido: Es posible utilizar redes generativas antagónicas (RGA) para ayudarnos en tareas de diseño, donde uno puede simplemente hacer bosquejos muy simples y son completados automáticamente por una RGA para que tengan cierto estilo o sean de cierto tipo de imagen. Un ejemplo lo podemos encontrar en Pix2Pix.

· Aumento de bases de entrenamiento: Las RGA son utilizadas para aumentar el tamaño de bases de entrenamiento en aplicaciones donde necesitamos mucha información para entrenar algún algoritmo, pero no tenemos suficiente. Entonces, este tipo de redes nos permiten generar información artificial, muy cercada a la real pero que puede servir para entrenar otros algoritmos.

· Generación de imágenes a partir de texto: Esta aplicación consiste en generar imágenes a partir de una breve descripción en texto de lo que debería de contener la imagen.

· Reconstrucción de imágenes: Es posible utilizar estos nuevos métodos para reconstruir partes faltantes en imágenes.

· Transferencia/Combinación de estilos: Este tipo de redes pueden utilizarse para transferir el estilo o características de una imagen hacia otra. Por ejemplo, tomar una escena y “pintarla” con el estilo de algún artista.

En conclusión, a pesar de que este tipo de redes tienen menos de 10 años en uso, han encontrado aplicaciones muy interesantes para asistir diferentes tipos de tareas que antes se consideraban puramente humanas, como pintar una escena.

PhD. Alejandro Maldonado.

Redes Generativas Antagónicas: ¿La clave de para dotar a las máquinas de creatividad?