Category: Big Data e Inteligencia Artificial

La Redes Neuronales Generativas Adversarias conocidas a nivel mundial como GAN -del inglés, Generative Adversarial Networks- se tratan de modelos de deep learning para generar y/o manipular imágenes, fotos, videos y edición de audios. Gracias a la maravillosa mente de Ian Goodfellow, quién junto a otros siete compañeros de la Universidad de Montreal en 2014, escribieron el primer paper sobre Generative Adversal Networks, hoy en día conocemos estas redes neuronales basadas en deep lerning.

Las GANs funcionan con dos redes neuronales: una “generadora” y otra “discriminadora”. Ambas compiten en un constante juego de suma cero donde lo que una red gana, la otra pierde. En otras palabras,  la ganancia o pérdida de una de las redes se compensa con la ganancia o pérdida de la opuesta. Desarrollamos un poco más esta idea.

La red neuronal «generadora» produce muestras de aquello que queremos crear (ej. imágenes, textos, sonidos…) con el objetivo de engañar a la red «discriminadora» para que crea que son reales. A su vez, el objetivo de la red «discriminadora» es detectar las falsificaciones analizando el material producido por la red «generadora» y determinando si se ajusta a lo que está buscando.  Es decir, identifica si cada instancia de datos que revisa pertenece o no al conjunto de datos de entrenamiento. En palabras de Ian Goodfellow, «es un proceso donde cada una de las redes va mejorando y aprende de su oponente».

Las GAN han logrado grandes avances y ahora pueden producir imágenes falsas muy convincentes de animales, paisajes, rostros humanos, etc. hasta tal punto que han surgido apps que permiten, a cualquier persona con un smartphone, experimentar con esta tecnología. Un ejemplo de esto son las apps que generan imágenes «deep fakes».

Generación de imágenes «deep fakes»

Deep Fake es un concepto relativamente nuevo y que está compuesto por los términos: deep learning y fake. Esto es «aprendizaje profundo», una de las ramas de la Inteligencia Artificial, y la palabra, «falso». Este concepto es bastante acertado ya que la tecnología que genera estos rostros hiperrealistas (o casi hiperrealistas) que no se corresponden con una persona real ya que falsifica (fake) su voz y sus gestos, son modelos de deep learning basados en Redes Neuronales Generativas Adversarias (GAN).

Actualmente existen apps centradas en el «Deep fake» que permiten jugar con imágenes y/o audiovisuales de tal forma que cualquier persona, con tan solo descargarla, pueda tener a su disposición esta manipulación de imágenes. Uno de los primeros ejemplos más famosos de «deep fake» es un vídeo de con imágenes que «falseaba» ser Obama:

Un algoritmo empezó a jugar con imágenes de Obama, y ahí nació la propaganda del futuro: los vídeos manipulados que intentarán alterar (aún más) la realidad.

Deep fake: así será la evolución más temible de las fake news. pic.twitter.com/ltlYbu7Ont

— PAPEL (@Papel_EM) May 8, 2019

Otro ejemplo más reciente ocurrió el verano pasado (2019), con el auge de #FaceAppChallenge: una app que permitía simular qué aspecto podría tener una persona en el futuro en la vejez. Esta app se hizo viral pese a muchas advertencias en diferentes medios off/online sobre el posible «peligro» existente en la privacidad del usuario al aceptar las condiciones en la descarga de la aplicación. Sin embargo, pese a ello, hemos podido ver como se ha hecho de nuevo viral este verano. En esta ocasión, con simulaciones de cómo sería un persona cambiando de sexo, es decir, ver cómo se vería una mujer si fuese hombre o un hombre si fuese mujer.

HILO de políticos españoles cambiados de género👇

Pedro Sánchez pic.twitter.com/mPEwcjwee6

— Dromus (@psammodromus) June 12, 2020

.