Les réseaux de neurones convolutifs (CNN) et les réseaux antagonistes génératifs (GAN) sont tous deux des architectures de deep learning, mais ils ont des atouts et des applications distincts. Les CNN sont souvent utilisés pour les tâches de classification d'images et de détection d'objets, tandis que les GAN sont généralement conçus pour générer de nouvelles instances de données.

Bien que tous les GAN partagent la même structure générateur-discriminateur, différentes variantes ont été développées pour résoudre des problèmes spécifiques. Voici quelques-uns des types les plus importants :

• GAN conditionnel (cGAN) : si vous souhaitez contrôler ce que le GAN crée, un cGAN vous permet d'ajouter une condition. Au lieu de simplement générer "un visage aléatoire", vous pouvez lui demander de générer "une femme souriante aux cheveux blonds". C'est essentiel pour les applications texte-vers-image.
• CycleGAN : si vous souhaitez transposer une image dans un autre style mais que vous ne disposez pas de paires d'images parfaitement assorties pour l'entraînement (par exemple, transformer une photo de cheval en zèbre), le CycleGAN est conçu pour la "traduction d'images dissociées", ce qui en fait une référence pour le transfert de style et la transformation d'objets.
• StyleGAN : ce type de GAN se concentre sur la création d'images réalistes de très haute qualité (en particulier des visages), tout en offrant à l'utilisateur un contrôle précis sur le "style" de l'image, comme l'âge, la coiffure ou l'expression.
• GAN de super-résolution (SRGAN) : ce GAN est spécialisé dans la conversion d'une image floue et basse résolution en une version nette et haute résolution en générant des détails réalistes.

Si le concept fondamental d'utilisation de deux réseaux antagonistes reste identique dans les différentes variantes des réseaux antagonistes génératifs, les chercheurs ont exploré de nombreuses modifications dans l'architecture et l'entraînement pour surmonter certaines limites et améliorer les performances selon les applications.

Les GAN ont ouvert de nouvelles possibilités dans de nombreux secteurs. Leurs applications se répartissent généralement dans les domaines clés suivants :

Il s'agit de l'application la plus connue des GAN. Elle permet de générer des images réalistes de personnes, de lieux et d'objets, de créer de l'art numérique et de la musique, et d'utiliser des outils de retouche photo puissants comme le transfert de style (pour donner à une photo l'apparence d'une peinture), la super-résolution (pour rendre les images floues plus nettes) et la synthèse de texte en images.

Les données de haute qualité alimentent le machine learning, mais elles peuvent être rares, coûteuses ou privées. Les GAN permettent de résoudre ce problème en générant des données synthétiques. Dans le secteur de la santé, les GAN peuvent créer des radioscopies réalistes, mais anonymes, pour entraîner des modèles de diagnostic sans porter atteinte à la confidentialité des patients. Dans le secteur de la finance, ils peuvent générer des données de transaction synthétiques pour améliorer l'entraînement des systèmes de détection des fraudes. Cela permet de passer outre la pénurie de données et d'équilibrer les ensembles de données.

Les GAN peuvent apprendre les schémas dans des systèmes complexes pour créer des simulations réalistes. Ils permettent de générer différents scénarios pour l'entraînement des voitures autonomes, de prédire les images suivantes dans une vidéo ou même de découvrir des structures moléculaires potentielles dans le cadre de la découverte de médicaments.

Un GAN entraîné sur des données standards devient très performant pour repérer tout ce qui ne correspond pas au modèle. Il permet de détecter les activités financières frauduleuses, d'identifier les intrusions réseau dans le domaine de la cybersécurité et de repérer des défauts de fabrication.

Le développement et le déploiement de GAN nécessitent une puissance de calcul importante et une plate-forme MLOps robuste. Google Cloud propose des outils pour prendre en charge l'intégralité du workflow :

• Pour créer et gérer des modèles : Vertex AI est une plate-forme de machine learning gérée qui simplifie le processus de création, d'entraînement et de déploiement de modèles complexes comme les GAN. Cette solution fournit un environnement unifié pour gérer vos données et vos tests.
• Pour un entraînement hautes performances : l'entraînement des GAN nécessite beaucoup de ressources de calcul. Les Cloud TPU sont des accélérateurs matériels spécialement conçus par Google pour accélérer considérablement l'entraînement des modèles de deep learning, ce qui vous permet d'itérer beaucoup plus rapidement des architectures de GAN complexes.
• Pour un déploiement évolutif : une fois votre modèle entraîné, Google Kubernetes Engine (GKE) fournit un environnement puissant et évolutif pour déployer des GAN conteneurisés dans le cadre d'une application plus vaste.