Menarik

Generative Adversarial Networks: The Tech Behind DeepFake dan FaceApp

Generative Adversarial Networks: The Tech Behind DeepFake dan FaceApp

Generative Adversarial Networks atau GANs semakin banyak dibicarakan dalam beberapa tahun terakhir. Jika Anda kembali 10 tahun yang lalu, Anda tidak akan menemukan jejak subjek seperti itu. Jadi, apa yang membuat Generative Adversarial Networks menjadi yang terdepan dan mengapa Anda harus peduli? Mari kita bahas.

Setiap kali ada diskusi tentang Generative Adversarial Networks atau GANs, itu selalu dalam konteks AI, pembelajaran mesin, atau pembelajaran mendalam. Meskipun topik ini sangat luas, artikel ini dimaksudkan untuk membantu Anda memahaminya dalam istilah yang disederhanakan.

Mari kita mulai dengan istilah itu sendiri - Generative Adversarial Networks.

TERKAIT: SISTEM AI BARU INI DAPAT MELIHAT APA YANG ANDA PIKIRKAN

GAN pada dasarnya adalah pendekatan pemodelan generatif menggunakan metode pembelajaran yang mendalam. Kata "Generatif" dalam istilah tersebut menunjuk ke properti GAN untuk menciptakan sesuatu miliknya sendiri.

Bagaimana sebuah program memiliki kreativitas untuk membuat sesuatu menjadi miliknya sendiri? Kami memberinya kekuatan pembelajaran mesin di mana ia dapat belajar dari data masa lalu.

Jadi, jika Anda memberi makan GAN dengan banyak gambar, itu dapat membuat gambar uniknya sendiri. Hal yang sama berlaku untuk kumpulan data apa pun.

Dengan definisi ini, kami mengalami masalah di mana tidak ada filter untuk memeriksa keaslian keluaran Generator. Generator dapat membuat apa pun yang terkait dengan kumpulan data referensinya tanpa mengetahui di mana ia dapat diterima atau tidak.

Untuk mengatasi masalah ini, GAN dilengkapi dengan jaringan diskriminatif yang memeriksa data yang dihasilkan dengan data yang sebenarnya. Ini adalah bagian Adversarial dari Generative Adversarial Network. Kami pada dasarnya mengadu domba jaringan generatif dan jaringan diskriminatif satu sama lain, menciptakan musuh satu sama lain.

Jaringan diskriminatif atau Diskriminator digunakan untuk menjaga nilai-nilai yang dihasilkan dari Generator tetap terkendali. Dan tugas generator adalah mengelabui pembeda agar berpikir bahwa nilai yang dihasilkan sebenarnya nyata dan bukan dihasilkan oleh komputer.

Ini adalah konsep dasar GAN.

GAN dijelaskan lebih rinci dalam makalah oleh Ian Goodfellow dan peneliti lain di University of Montreal yang berjudul Generative Adversarial Networks.

Dalam makalah tersebut, mereka telah dengan jelas menyebutkan bahwa seluruh tujuan dari jaringan generatif adalah untuk mendorong jaringan diskriminatif tersebut agar melakukan kesalahan. Dan jaringan diskriminatif hanya akan membuat kesalahan jika tidak dapat membedakan antara data yang dihasilkan mesin dan data pelatihan.

Cara terbaik untuk melatih GAN adalah dengan menggunakan database MNIST (database Institut Standar dan Teknologi Nasional yang Dimodifikasi).

Basis data terdiri dari satu set pelatihan yang terdiri dari 60.000 contoh dan satu set pengujian yang terdiri dari 10.000 contoh. Pelatihan MNIST menggunakan nilai numerik tulisan tangan.

Mereka adalah awal yang baik bagi siapa pun yang mencari sumber daya untuk melatih jaringan. Ini adalah sekumpulan data yang digunakan untuk melatih model oleh Ian dan timnya.

Dari data ini, analogi terbaik yang dapat kita gunakan untuk GAN adalah bahwa ini adalah permainan dua pemain di mana setiap pemain berusaha sekuat tenaga untuk mengalahkan satu sama lain.

Anda mungkin masih ingat gelombang berita yang datang pada akhir Desember 2018 tentang gambar yang tampak realistis yang dihasilkan oleh AI. Nah, itu GAN!

Jika Anda meninjau foto-foto itu, mudah untuk melihat mengapa ini menjadi cerita yang besar. Gambar tersebut tidak dapat dibedakan dari gambar wajah manusia di kehidupan nyata.

Orang-orang di balik proyek ini adalah NVidia, pengembang perangkat keras dan perangkat lunak grafis komputer yang populer. Para peneliti di balik proyek tersebut menyiapkan makalah tentang perkembangannya dan hasilnya yang berjudul A Style-Based Generator Architecture for Generative Adversarial Networks.

Para peneliti di NVidia menghabiskan 8 minggu melatih jaringan, dan ini menggunakan delapan dari rangkaian kartu grafis Tesla mereka.

Hal ini tentunya menimbulkan beberapa pertanyaan tentang bagaimana kita bisa mempercayai data bergambar lagi. Selain itu, jika kami dapat membuat wajah manusia dari gambar referensi, tidak lama lagi kami dapat membuat wajah yang sempurna, yang menyebabkan model tidak berfungsi!

Banyak yang mengkhawatirkan penggunaan data bergambar dalam sistem peradilan jika perangkat lunak tersebut dapat mengubah gambar secara efektif. Ini tentu sesuatu untuk dipikirkan!

Kembali ke pokok bahasan sejauh mana perkembangan GAN, tidak ada yang bisa menggambarkan gambaran yang lebih jelas dari teknologinya selain percobaan dari NVidia. Kami dapat membuat wajah yang tampak realistis yang tidak hanya dapat dipercaya, tetapi juga sangat dapat disesuaikan oleh komputer.

Penelitian masih dilakukan untuk membuat GAN lebih kuat dalam membuat data yang realistis dan dengan persyaratan yang tidak terlalu boros daya.

GAN dapat digunakan dalam berbagai aplikasi, sebagian besar terkait dengan gambar, tetapi itu pasti akan berubah. Saat ini, GAN digunakan di:

Menghasilkan konten baru (citra): GAN dapat digunakan untuk membuat gambar seperti aslinya dari serangkaian gambar sumber. Penggunaan sistem semacam itu murni untuk memahami kapabilitas GAN.

Ada yang berpendapat bahwa teknologi ini bisa digunakan untuk mengetahui rupa bayi dari foto orang tuanya.

Penuaan atau de-aging: Dengan sekumpulan gambar sampel yang kuat, GAN dapat berhasil menua atau mengurangi usia wajah manusia. Popularitas baru-baru ini dari aplikasi bernama FaceApp menunjukkan betapa teknologi semacam itu sangat populer di kalangan massa.

Jika Anda bertanya-tanya tentang teknologi di balik FaceApp, GAN-nya.

Mewarnai foto hitam putih: Jika GAN dilatih dengan cukup baik, GAN dapat mewarnai foto dan melakukannya dengan sangat baik. Teknologi ini memang dapat menghidupkan foto-foto lama dan memberi kita gambaran sekilas tentang waktu dalam warna.

Peningkatan resolusi: Jika Anda telah mencoba meningkatkan resolusi untuk hasil yang rendah pada sebuah gambar, hasilnya selalu berantakan dengan piksel yang pecah. Namun, GAN mengganti setiap gambar tambahan dan membuat gambar penyempurnaan kualitas tinggi meskipun resolusinya rendah.

Dunia telah melihat banyak contoh GAN di tempat kerja, dan penelitian yang sedang berlangsung ke arah ini menunjukkan lebih banyak aplikasi GAN yang tidak terduga di masa depan.

TERKAIT: AI TERUS BERTINDAK DENGAN CARA TAK TERDUGA, APAKAH KITA HARUS PANIK?

Teknologi ini revolusioner dan kami dapat mengharapkan GAN muncul di perangkat kami dengan lebih dari satu cara. Namun, sebelum teknologi ini matang, ada diskusi serius yang diperlukan tentang penggunaan etis dari metode pembelajaran mendalam yang kuat tersebut.


Tonton videonya: We Made The Best Deepfake on The Internet (November 2021).