Tanto las redes neuronales convolucionales (CNN) como las redes generativas adversarias (GAN) son arquitecturas de aprendizaje profundo, pero tienen fortalezas y aplicaciones distintas. Las CNN se usan a menudo para tareas de clasificación de imágenes y detección de objetos, mientras que las GAN se diseñan generalmente para generar nuevas instancias de datos.

Si bien todas las GAN comparten la estructura de generador-discriminador, se desarrollaron diferentes variaciones para resolver problemas específicos. Estos son algunos de los tipos más importantes:

• GAN condicional (cGAN): ¿Qué sucede si quieres controlar lo que crea la GAN? Una cGAN te permite agregar una condición. En lugar de generar "un rostro aleatorio", puedes pedirle que genere "una mujer sonriente con cabello rubio". Esto es fundamental para las aplicaciones de texto a imagen.
• CycleGAN: ¿Qué sucede si quieres traducir una imagen de un estilo a otro sin tener pares de imágenes perfectamente coincidentes para el entrenamiento (por ejemplo, convertir una foto de un caballo en una cebra)? CycleGAN está diseñado para esta “traducción de imagen a imagen no emparejada”, lo que lo hace famoso por la transferencia de estilo y la transfiguración de objetos.
• StyleGAN: Este tipo de GAN se enfoca en crear imágenes realistas de muy alta calidad (especialmente rostros) y le da al usuario un control detallado sobre el "estilo" de la imagen, como la edad, el cabello o la expresión.
• GAN de superresolución (SRGAN): Esta GAN se especializa en tomar una imagen borrosa de baja resolución y mejorarla a una versión nítida de alta resolución alucinando detalles realistas.

Si bien el concepto fundamental de usar dos redes adversarias sigue siendo coherente en las variaciones de las redes generativas adversarias, los investigadores exploraron una variedad de modificaciones arquitectónicas y de entrenamiento para abordar las limitaciones y mejorar el rendimiento de aplicaciones específicas.

Las GAN han abierto nuevas posibilidades en muchas industrias. Sus aplicaciones generalmente se dividen en estas áreas clave:

Esta es la aplicación más famosa de las GAN. Esto incluye generar imágenes realistas de personas, lugares y objetos; crear arte digital y música; y habilitar potentes herramientas de edición de imágenes como la transferencia de estilo (hacer que una foto parezca una pintura), la superresolución (definir imágenes borrosas) y la síntesis de texto a imagen.

Los datos de alta calidad son el combustible del aprendizaje automático, pero pueden ser escasos, costosos o privados. Las GAN ayudan a resolver este problema; para ello, generan datos sintéticos. En el sector de la atención médica, las GAN pueden crear exámenes médicos realistas, pero anónimos, para entrenar modelos de diagnóstico sin violar la privacidad de los pacientes. En finanzas, pueden generar datos de transacciones sintéticos para entrenar mejores sistemas de detección de fraude. Esto ayuda a superar la escasez de datos y equilibrar los conjuntos de datos.

Las GAN pueden aprender los patrones en sistemas complejos para crear simulaciones realistas. Esto se usa para generar diversos situaciones para entrenar vehículos autónomos, predecir los próximos fotogramas en un video o incluso descubrir posibles estructuras moleculares en el descubrimiento de fármacos.

Cuando se entrena una GAN con datos "normales", se vuelve muy buena para detectar cualquier cosa que no se ajuste al patrón. Esto se usa para detectar actividad financiera fraudulenta, identificar intrusiones de red en la ciberseguridad y encontrar defectos en la fabricación.

El desarrollo y la implementación de GAN requieren una potencia de procesamiento significativa y una plataforma de MLOps sólida. Google Cloud ofrece las herramientas para respaldar todo el flujo de trabajo:

• Para crear y administrar modelos: Vertex AI es una plataforma de aprendizaje automático administrada que simplifica el proceso de crear, entrenar y, también, implementar modelos complejos como las GAN. Proporciona un entorno unificado para administrar tus datos y experimentos.
• Para el entrenamiento de alto rendimiento: Entrenar las GAN requiere mucha capacidad de procesamiento. Las Cloud TPU son aceleradores de hardware personalizados de Google diseñados para acelerar drásticamente el entrenamiento de aprendizaje profundo, lo que te permite iterar en arquitecturas GAN complejas mucho más rápido.
• Para una implementación escalable: Una vez que se entrena tu modelo, Google Kubernetes Engine (GKE) proporciona un entorno potente y escalable para implementar las GAN alojadas en contenedores como parte de una aplicación más grande.