Jaringan neural konvolusional (CNN) dan jaringan saraf generatif berlawanan (GAN) adalah arsitektur deep learning, tetapi keduanya memiliki keunggulan dan aplikasi yang berbeda. CNN sering digunakan untuk tugas klasifikasi gambar dan deteksi objek, sedangkan GAN umumnya dirancang untuk menghasilkan instance data baru.

Meskipun semua GAN memiliki struktur generator-diskriminator yang sama, berbagai variasi telah dikembangkan untuk memecahkan masalah tertentu. Berikut beberapa jenis yang paling penting:

• Conditional GAN (cGAN): Bagaimana jika Anda ingin mengontrol apa yang dibuat oleh GAN? cGAN memungkinkan Anda menambahkan kondisi. Daripada hanya membuat "wajah acak", Anda dapat memerintahkannya untuk membuat "perempuan berambut pirang yang tersenyum". Hal ini penting untuk aplikasi text-to-image.
• CycleGAN: Bagaimana jika Anda ingin menerjemahkan gambar dari satu gaya ke gaya lain tanpa memiliki pasangan gambar yang cocok untuk pelatihan (misalnya, mengubah foto kuda menjadi zebra)? CycleGAN dirancang untuk "terjemahan gambar ke gambar yang tidak berpasangan" ini, sehingga membuatnya terkenal untuk transfer gaya dan transfigurasi objek.
• StyleGAN: Jenis GAN ini berfokus pada pembuatan gambar realistis berkualitas sangat tinggi (terutama wajah) dan memberi pengguna kontrol terperinci atas "gaya" gambar, seperti usia, rambut, atau ekspresi.
• Super-resolution GAN (SRGAN): GAN ini mengkhususkan diri dalam mengambil gambar buram beresolusi rendah dan meningkatkan resolusinya menjadi versi yang tajam dan beresolusi tinggi dengan menghadirkan detail realistis.

Meskipun konsep dasar penggunaan dua jaringan berlawanan tetap konsisten di seluruh variasi jaringan saraf generatif berlawanan, para peneliti telah mengeksplorasi berbagai modifikasi arsitektur dan pelatihan untuk mengatasi keterbatasan dan meningkatkan performa untuk aplikasi tertentu.

GAN telah membuka berbagai kemungkinan baru di banyak industri. Penerapannya umumnya termasuk dalam area utama berikut:

Ini adalah penerapan GAN yang paling terkenal. Fitur ini mencakup pembuatan gambar realistis tentang orang, tempat, dan objek; pembuatan seni digital dan musik; serta pengaktifan alat pengeditan gambar yang canggih seperti transfer gaya (membuat foto terlihat seperti lukisan), resolusi super (mempertajam gambar buram), dan sintesis text-to-image.

Data berkualitas tinggi adalah bahan bakar machine learning, tetapi data tersebut bisa langka, mahal, atau bersifat pribadi. GAN membantu menyelesaikan masalah ini dengan membuat data sintetis. Dalam layanan kesehatan, GAN dapat membuat pemindaian medis yang realistis tetapi anonim untuk melatih model diagnostik tanpa melanggar privasi pasien. Di bidang keuangan, LLM dapat menghasilkan data transaksi sintetis untuk melatih sistem deteksi penipuan yang lebih baik. Hal ini membantu mengatasi kelangkaan data dan menyeimbangkan set data.

GAN dapat mempelajari pola dalam sistem yang kompleks untuk membuat simulasi yang realistis. Hal ini digunakan untuk menghasilkan beragam skenario untuk melatih mobil otonom, memprediksi frame berikutnya dalam video, atau bahkan menemukan struktur molekuler potensial dalam penemuan obat.

Dengan melatih GAN pada data "normal", GAN menjadi sangat baik dalam menemukan apa pun yang tidak sesuai dengan pola. Teknik ini digunakan untuk mendeteksi aktivitas keuangan yang menipu, mengidentifikasi penyusupan jaringan dalam pengamanan cyber, dan menemukan cacat dalam manufaktur.

Pengembangan dan deployment GAN memerlukan daya komputasi yang signifikan dan platform MLOps yang tangguh. Google Cloud menawarkan alat untuk mendukung seluruh alur kerja:

• Untuk membangun dan mengelola model: Vertex AI adalah platform machine learning terkelola yang menyederhanakan proses membangun, melatih, dan men-deploy model kompleks seperti GAN. Vertex AI menyediakan lingkungan terpadu untuk mengelola data dan eksperimen Anda.
• Untuk pelatihan berperforma tinggi: Pelatihan GAN memerlukan komputasi intensif. Cloud TPU adalah akselerator hardware kustom Google yang dirancang untuk mempercepat pelatihan deep learning secara signifikan, sehingga Anda dapat melakukan iterasi pada arsitektur GAN yang kompleks dengan jauh lebih cepat.
• Untuk deployment yang skalabel: Setelah model Anda dilatih, Google Kubernetes Engine (GKE) menyediakan lingkungan yang canggih dan skalabel untuk men-deploy GAN dalam container sebagai bagian dari aplikasi yang lebih besar.