Que no te den gato por liebre¡­ ?o s¨ª?

El escritor de ciencia ficci¨®n Philip K. Dick no iba desencaminado cuando planteaba que los androides pudieran so?ar con ovejas el¨¦ctricas. Hoy en d¨ªa, las m¨¢quinas ya son capaces de imaginar y crear caras de personas nuevas, indistinguibles de personas reales. Esta aplicaci¨®n de la inteligencia artificial (IA) ha originado desarrollos sin precedentes en ciertos campos de la modelizaci¨®n matem¨¢tica, llegando a interaccionar incluso con un rama aparentemente lejana de las exactas, la teor¨ªa de juegos. Repasemos c¨®mo se ha llegado a este punto.

En los albores de la IA, los padres de esta disciplina se devanaban los sesos en dilucidar de qu¨¦ manera una m¨¢quina pod¨ªa aprender a distinguir, en un sentido amplio: diferenciar una transacci¨®n fraudulenta de una leg¨ªtima, un correo basura de uno ordinario, o un gato de una liebre, entre muchos ejemplos.

Los modelos matem¨¢ticos subyacentes a esta apasionante tarea se han dado en llamar, en un alarde de originalidad, modelos discriminativos. Tras a?os de esfuerzo hemos visto c¨®mo, en efecto, las m¨¢quinas aprenden a distinguir, siendo capaces incluso de diferenciar el rostro de un usuario del de cualquier intruso para desbloquear o no su tel¨¦fono m¨®vil. Pero los investigadores en IA no parecen satisfechos con el logro¡­ ?realmente entienden las m¨¢quinas lo que est¨¢n haciendo? En la l¨ªnea de lo que proclamaba el f¨ªsico Richard Feynmann ¡°aquello que no puedo crear, no lo entiendo¡±, la investigaci¨®n se ha centrado en lograr que las m¨¢quinas aprendan a crear. Crear correos spam, correos leg¨ªtimos, fotos de liebres, de gatos e incluso de personas. Y como habr¨¢ adivinado el lector despierto, los modelos matem¨¢ticos que se utilizan en este ¨¢mbito se denominan modelos generativos.

Pero una cosa est¨¢ clara, si la m¨¢quina es capaz de aprender a generar una foto de un gato o de una liebre, es decir, ha ¡°entendido¡± la anatom¨ªa de estos mam¨ªferos, tambi¨¦n ser¨¢ capaz de distinguir un gato de un liebre. Por tanto, no nos equivocamos al pensar que la tarea de generar es intr¨ªnsecamente m¨¢s compleja que la de discriminar. Uno de los grandes retos de los modelos generativos se encuentra en la dificultad de cuantificar el error: es dif¨ªcil medir c¨®mo de bien est¨¢ generando la m¨¢quina. En la tarea de discriminar, cuantificar el error cometido por una m¨¢quina al distinguir gatos de liebres ser¨ªa tan sencillo como ordenarle etiquetar millones de fotos como gato o liebre y contar cu¨¢ntas veces se ha equivocado. Pero, ?qu¨¦ sucede si la m¨¢quina genera im¨¢genes de gatos?, ?c¨®mo se mide la calidad de un gato generado?, ?un gato bonito es m¨¢s gato que uno feo?, ?en qu¨¦ momento un gato generado deja de serlo? Cuantificar el error en esta situaci¨®n es, adem¨¢s de subjetivo, bastante complejo.

Ian Goodfellow, investigador de la Universidad de Montreal, resolvi¨® este entuerto de una manera singular: visto que no existe criterio claro para medir c¨®mo de buenas son las liebres generadas respecto de las reales, dejemos que esta tarea la haga otro. ?Y qui¨¦n puede cuantificar mejor la calidad de las im¨¢genes generadas que un modelo discriminativo que haya aprendido, precisamente, a distinguir im¨¢genes reales de im¨¢genes generadas? La idea es la siguiente: enfrentaremos a dos m¨¢quinas, una generativa, que produce im¨¢genes y otra discriminativa que aprende a distinguir im¨¢genes reales de im¨¢genes generadas. Esperamos que, cuando las generadas sean suficientemente ¡°buenas¡± (suele ocurrir tras unas cuantas horas de c¨¢lculo en las cuales el generador va aprendiendo con el feedback del discriminador), la m¨¢quina generativa pueda enga?ar al discriminador. De esta manera, la capacidad de enga?ar al discriminador es una medida de lo buenas que son las im¨¢genes generadas. Matem¨¢ticamente, el conflicto entre generador y discriminador se aborda desde la teor¨ªa de juegos: cada uno de los dos actores tiene su propio objetivo que debe ser alcanzado simult¨¢neamente, hasta llegar a un punto donde ninguno de los dos pueda mejorar unilateralmente. Una vez m¨¢s, se aprecia la sinergia entre ¨¢reas (aparentemente) diferentes de las exactas.

Si la m¨¢quina es capaz de aprender a generar una foto de un gato o de una liebre, es decir, ha ¡°entendido¡± la anatom¨ªa de estos mam¨ªferos, tambi¨¦n ser¨¢ capaz de distinguir un gato de un liebre

La idea de Goodfellow se conoce como red generativa antag¨®nica (del ingl¨¦s, GAN). Tras su aparici¨®n en 2014, las GANs han calado hondo entre los investigadores en IA. Gran parte del inter¨¦s que han suscitado se debe a la capacidad de las GANs de generar im¨¢genes realistas. No obstante, no hay nada que impida aplicar la misma idea a otro tipo de datos. La estructura matem¨¢tica subyacente es lo suficientemente general para poder utilizarse en campos realmente diversos como la simulaci¨®n de eventos en colisionadores de part¨ªculas, la creaci¨®n de piezas musicales o la generaci¨®n de texto. Un ejemplo del realismo alcanzado es el algoritmo de la compa?¨ªa NVIDIA, que permite generar fotos de caras especificando atributos, como el color de ojos o pelo.

Por supuesto, los grandes avances que est¨¢n surgiendo en el campo acarrean consigo una fuerte pol¨¦mica sobre sus posibles aplicaciones maliciosas. En una ¨¦poca en la que las tristemente famosas fake news han cobrado gran importancia pol¨ªtica, la automatizaci¨®n de la creaci¨®n de noticias falsas est¨¢ a la vuelta de la esquina. El monopolio de este desarrollo se concentra en manos de grandes empresas que compiten por liderar esta revoluci¨®n. ?Quiz¨¢s en aras de una sociedad mejor informada??

Victor Gallego y Roi Naveiro son investigadores predoctorales en el ICMAT.?David Gordo G¨®mez es investigador postdoctora en el ICMAT,

Caf¨¦ y Teoremas es una secci¨®n dedicada a las matem¨¢ticas y al entorno en el que se crean, coordinado por el Instituto de Ciencias Matem¨¢ticas (ICMAT), en la que los investigadores y miembros del centro describen los ¨²ltimos avances de esta disciplina, comparten puntos de encuentro entre las matem¨¢ticas y otras expresiones sociales y culturales y recuerdan a quienes marcaron su desarrollo y supieron transformar caf¨¦ en teoremas. El nombre evoca la definici¨®n del matem¨¢tico h¨²ngaro Alfred R¨¦nyi: "Un matem¨¢tico es una m¨¢quina que transforma caf¨¦ en teoremas".

Edici¨®n y coordinaci¨®n:?gata Tim¨®n (ICMAT).