Una Generative Adversarial Network (GAN) o Red Generativa Antagónica es una arquitectura de aprendizaje profundo, basada en dos redes neuronales en competencia, capaz de generar datos nuevos sintéticos que son similares a datos originales reales.

El concepto Generative Adversarial Network (GAN) surge en 2014 de la mano del ingeniero Ian Goodfellow y actualmente es una de las técnicas más innovadoras en Inteligencia Artificial para la generación y edición de diferentes tipos de contenidos.

¿Cómo funciona una GAN?

La estructura de una GAN se basa en dos redes neuronales artificiales que compiten entre sí en un proceso de entrenamiento llamado adversativo u opuesto:

  • Red Generadora: Su objetivo es crear datos falsos que sean lo más parecidos posible a los datos reales del conjunto de entrenamiento. Comienza generando datos a partir de ruido aleatorio y, mediante entrenamiento, aprende a producir resultados cada vez más ajustados.
  • Red Discriminadora: Recibe tanto los datos reales como los generados artificialmente y aprende a distinguir entre ambos. Su principal función es identificar si una muestra pertenece a uno u otro tipo de datos.

Ambas redes se entrenan simultáneamente, de tal manera que el generador intenta "engañar" al discriminador produciendo datos sintéticos realistas, mientras que el discriminador mejora su capacidad para detectar falsificaciones.

El proceso se repite y continúa hasta que el generador logra crear datos tan precisos que el discriminador ya no puede diferenciarlos de los reales.

Aplicaciones prácticas de una Generative Adversarial Network (GAN)

¿Para qué sirven estas Redes Generativas Antagónicas? Sus aplicaciones prácticas son numerosas y crecientes ya que abren nuevas posibilidades en el campo de la IA:

  • Generación de imágenes y vídeos
  • Mejora y restauración de imágenes y vídeos antiguos, históricos o de baja calidad
  • Desarrollo de contenidos, personajes o entornos para videojuegos
  • Creación de música
  • Creación de arte digital original
  • Simulación de entornos virtuales y generación de escenarios realistas aplicables en entornos publicitarios o industriales (por ejemplo, Gemelo Digital)
  • Personalización de productos
  • Planificación de campañas dinámicas
  • Síntesis de datos para investigaciones
  • Detección de anomalías o fallos en cadenas de producción o conjuntos de datos
  • Investigación médica y farmacéutica, simulando tratamientos o virus
  • Modelado de patrones para fenómenos naturales o meteorológicos