به گزارش سیناپرس، GAN ها (شبکه های رقابتی مولد) الگوریتم های یادگیری ماشینی هوشمند هستند که از شبکه های عصبی مشابه مدل های کامپیوتری ساده شده مغز، به روشی خاص استفاده می کنند.
کارشناسان این نوع هوش مصنوعی را مولد یا همان تولید کننده می نامند زیرا هنگامی که آنها بر روی یک مجموعه داده آموزش دیدند، می توانند بر اساس مشاهدات و تجربیاتشان نمونه های جدیدی تولید کنند. شما می توانید یک الگوریتم یادگیری ماشینی مولد را بر روی مجموعه داده ای متشکل از میلیون ها عکس از چهره ها آموزش داده و به کمک آن چهره های فوتورئالیستی جدیدی تولید کند.
باید توجه داشت که بسیاری از الگوریتم های یادگیری ماشینی مانند دانش آموزان نیاز به نظارت دارند. در ابتدا ما باید به آنها بگوییم که داده ها چه چیزی را نشان می دهند و به آنها بگوییم که آیا پاسخ را درست می‌دهند یا نه اما شبکه های رقابتی مولد بر خلاف نسخه های قدیمی هوش مصنوعی، نیازی به نظارت نداشته و خودشان اقدام به کسب تجربه، یادگیری و آموزش می کنند.
به گزارش سیناپرس، دلیل این توانمندی منحصر به فرد شبکه های رقابتی مولد این است که یک GAN دارای شخصیت دوگانه است. این نسل از هوش مصنوعی از دو شبکه عصبی برای رقابت با یکدیگر استفاده می کند و به همین دلیل عبارت رقابتی در توصیف آن به کار می رود. در حالی که یک شبکه عصبی به داده های آموزشی توجه کرده و سپس سعی می کند چیزی جدید تولید کند، شبکه عصبی دیگر سعی می کند بین این خروجی و مجموعه داده آموزشی تمایز قائل شود.
این دو شبکه دائما با یکدیگر در حال رقابت هستند و سیستم آن ها به گونه ای طراحی شده که هر بار شبکه اول بتواند شبکه دوم را فریب دهد پاداش گرفته و شبکه دوم هر بار که گول نخورد پاداش می گیرد. هر دو شبکه با تکرار این چرخه و با هدف به حداکثر رساندن این پاداش ها بهبود می یابند. این رقابت داخلی حاصل باعث می شود که شبکه فوق در تولید خروجی مجموعه های آموزشی بسیار خوب عمل کنند.
وقتی به یک شبکه های رقابتی مولد اطلاعات اضافی می دهیم (مانند این تصویر یک نقاشی از فلان هنرمند است یا این عکس در شب گرفته شده است، اینجا تصویر ۷۵ درجه چرخیده است، تصویر بزرگنمایی شده و …) می تواند کارهای قابل توجهی انجام دهد. به گزارش سیناپرس، برای نمونه با کسب تجربه و اطلاعات بیشتر، شبکه های رقابتی مولد می توانند نسخه هایی با وضوح بالاتر از تصاویر تولید کنند یا یکی را به سبک دیگری تبدیل کرده و یا حتی روز را به شب یا تابستان را به زمستان در یک تصویر تبدیل کنند.
مترجم: جاوید خیرخواه
منبع: sciencefocus