En la era de la inteligencia artificial, me veo casi obligado a informar de los avances de esta tecnología, que ocupa una parte importante en conferencias científicas actuales, y que definitivamente representa nuestro presente y futuro. Gracias a estas técnicas, cada día se publican a nivel mundial numerosas publicaciones científicas con pequeños (o no tan pequeños) avances. Ya son muchos los gigantes tecnológicos que llevan años apostando por la inteligencia artificial (Google, Amazon, Facebook, ….), así que en Ciencia Carbónica no íbamos a ser menos ;-).
Como comentamos en su día aquí en Ciencia Carbónica (https://cienciacarbonica.es/el-hombre-versus-la-maquina-versus-los-animales/), dentro del amplio campo de la inteligencia artificial nos encontramos las redes convolucionales neuronales que son muy populares como métodos de aprendizaje profundo (también llamado Deep Learning). Estas redes no dejan de ser un conjunto de nodos interconectados que forman diferentes capas y que son entrenados para realizar una determinada tarea.
Existen muchas arquitecturas de redes convolucionales, cada una con un número diferente de capas y nodos, así como estructuras internas. Una de las redes más populares a día de hoy se llaman Redes Generativas Antagónicas (del inglés GAN) que fue presentada por GoodFellow y colegas en 2014 (http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf). Esta red consiste básicamente en dos subredes interconectadas. Una aprende a generar datos sintéticos (falsos) a partir de un conjunto de datos reales. La otra subred, se dedica a aprender a identificar los casos falsos de los reales. En realidad, la idea de las GAN es muy interesante ya que las dos subredes compiten entre sí a ver quién lo hace mejor. Las aplicaciones de las redes GAN son muy diversas. Por ejemplo, ¿reconoces a alguna de estas personas? ¿A lo mejor te suenan de la televisión?
Si es así, ¡háztelo mirar porque no existen! 😮 Corresponden a imágenes sintéticas (no reales) de personas, creadas a partir de características extraídas de personas reales.
En este enlace (https://thispersondoesnotexist.com/) podrás ver múltiples ejemplos de fotos de personas que no existen, creadas a partir de redes GAN. Si os fijáis bien, en algunos casos se pueden ver errores en los bordes del pelo y la piel.
Pues recientemente, investigadores rusos de Samsung han utilizado redes GAN para dar vida a cuadros y fotografías estáticas de la Mona Lisa, Marilyn Monroe o Dalí entre otros., etc. Lo llaman DeepFake: https://twitter.com/emirodmen/status/1131820061918932992.
Por otro lado, podemos pensar que esta tecnología se pueda utilizar para crear noticias falas (o fake news): https://twitter.com/DigitalTrends/status/1130914908953096192. ¿Sabremos diferenciar entre noticias reales y falsas en el futuro?
Antes de acabar, os dejo una muestra de otras aplicaciones que ofrecen las GAN en el campo de la medicina. En este sentido, en uno de mis proyectos de investigación actuales estamos estudiamos la posibilidad de crear lesiones sintéticas de tumores de mama mediante GANs. Estos pueden ser utilizados para entrenar otras redes neuronales o incluso para mejorar la formación de nuevos radiólogos. ¿Sabrías diferenciar el conjunto de lesiones sintéticas de las reales? ¡Tarea difícil, incluso para los radiólogos más experimentados!
