Yann LeCun, vincitore del premio Turing nel 2018, oggi considerato uno dei massimi esperti di Intelligenza Artificiale, ha descritto le Reti GAN come: “l’idea più interessante degli ultimi 10 anni nel campo del Machine Learning”.
Cosa rende queste reti così interessanti?
Che cosa sono le Reti GAN
Introdotte per la prima volta nel 2014 da Ian J. Goodfellow, le Reti GAN possono essere definite come “approccio alla modellazione generativa che utilizza metodi di apprendimento profondo”.
Le Reti GAN rientrano dunque nell’ambito dell’Intelligenza Artificiale Generativa. Si tratta di un’innovazione che ha contribuito e contribuisce significativamente alla possibilità di generare dati, immagini e video sempre più accurati.
“GAN” è la sigla di Reti Avversarie Generative (Generative Adversarial Network). La particolarità delle GAN è rappresentata proprio dal fatto che vengono utilizzate due Reti Neurali che vengono poste in una sorta di competizione. Cerchiamo di capire meglio.
Come funzionano le Reti GAN
La modellazione generativa è un’attività di apprendimento non supervisionato: vengono cioè forniti solo dati/esempi di input con lo scopo di far identificare alla rete una struttura logica al loro interno. Le regolarità individuate vengono poi utilizzate per generare o produrre nuovi esempi che plausibilmente avrebbero potuto essere tratti dal set di dati originale.
Le Reti GAN possono essere considerate un modo “smart” per addestrare un modello generativo poiché vengono utilizzati due sotto-modelli: il generatore, che ha il compito di produrre dati che sembrano reali e il discriminatore che cerca di distinguere tra i dati reali e quelli generati.
L’obiettivo principale delle GAN è far sì che il generatore produca dati così convincenti che il discriminatore non possa distinguere tra il vero e il falso.
La possibilità di generare dati nuovi e molto convincenti senza dipendere da etichette esplicite (vantaggio dell’apprendimento non supervisionato) è ciò che ha reso le GAN un’innovazione rivoluzionaria.
Alice, Bob e Eve
Tra gli esempi più affascinanti di utilizzo di Reti GAN vi è un progetto del 2016 di Google Brain (gruppo di ricerca di Google dedicato al Deep Learning, oggi parte di Google DeepMind).
I ricercatori di Google Brain hanno sfruttato le Reti GAN per comprendere se le Reti Neurali siano in grado di imparare da sole come crittografare le informazioni che elaborano. Nell’esperimento sono state utilizzate 3 reti soprannominate Alice, Bob ed Eve.
Alice aveva il compito di inviare a Bob un messaggio cifrato, Bob aveva il compito di decodificare quel messaggio ed Eve di intercettarlo.
Dopo circa 15.000 tentativi, Alice è riuscita a crittografare con successo un messaggio per Bob che l’ha decifrato senza che Eve intercettasse la comunicazione dimostrando, in questo modo, che le Reti Neurali possono imparare a proteggere la riservatezza dei propri dati da altre reti scoprendo forme di crittografia e decrittografia, senza che gli vengano insegnati algoritmi specifici per questi scopi. A nessuna delle 3 reti coinvolte erano stati infatti insegnati algoritmi crittografici.
Vantaggi e applicazioni delle Reti GAN
I principali vantaggi delle Reti GAN sono:
1. Generazione di output di buona qualità senza la necessità di supervisione
come anticipato sopra, uno dei principali vantaggi delle Reti GAN è la capacità di generare output di alta qualità attraverso un processo di apprendimento non supervisionato. L’interazione tra il generatore e il discriminatore permette al modello di migliorarsi iterativamente senza la necessità di etichette fornite dall’uomo. Questo aspetto è particolarmente prezioso in situazioni in cui l’ottenimento di dati etichettati è costoso o difficile. Invece di dipendere da etichette fornite dall’uomo, le Reti GAN utilizzano il feedback del discriminatore per guidare il generatore a produrre risultati sempre più realistici.
2. Generazione di dati sintetici
Le Reti GAN possono essere utilizzate per generare dati sintetici, ovvero dati generati artificialmente che replicano caratteristiche e relazioni dei dati reali. In situazioni in cui il set di dati originale è limitato, le Reti GAN possono essere utilizzate per generare ulteriori dati sintetici. Questo può aiutare a migliorare le prestazioni di altri modelli di IA.
Inoltre, si tratta di una possibilità molto vantaggiosa anche per il settore sanitario e della ricerca, in cui spesso i dati reali non sono facilmente disponibili o, essendo dati sensibili, sono soggetti alle normative sulla privacy. In questo caso, i dati sintetici generati dalle Reti GAN non possono essere ricondotti a singoli pazienti pur conservando le caratteristiche statistiche dei dati originali.
3. Generazione di contenuti creativi
La capacità delle Reti GAN di produrre contenuti che vanno oltre i dati di addestramento le rende strumenti potenti per la generazione di contenuti creativi come immagini, video e suoni. Proprio per questo motivo, tra le applicazioni maggiormente diffuse delle Reti GAN troviamo MidJourney e Dall-E.
È importante comunque ricordare che la “creatività” di una Rete GAN dipende sempre dalla sua struttura e dai dati inizialmente forniti.
Punti di attenzione
Anche se è evidente come siano molti i vantaggi derivanti dall’uso delle Reti GAN, non bisogna però dimenticare o sottovalutare le implicazioni etiche che ne seguono lo sviluppo e la diffusione. La possibilità di generare contenuti creativi solleva importanti questioni legate all’utilizzo delle opere d’arte e al diritto d’autore. Inoltre, i dati sintetici generati dalle GAN pur apparendo molto realistici potrebbero non riflettere perfettamente la distribuzione reale dei dati. Pertanto, è essenziale fare attenzione, assicurandosi che i dati siano adatti allo scopo desiderato e che non introducano bias o inesattezze nei modelli o nelle analisi.
Continua ad approfondire, leggi altri articoli del blog Skilla!