Обзор
Генеративно-состязательные сети (GAN) создают реалистичные новые данные, сталкивая две нейронные сети друг с другом в соревновании. Они создали первую волну убедительных лиц, созданных ИИ, и остаются знаковой идеей в области генеративного ИИ.
Генеративно-состязательные сети входят в основной набор инструментов искусственного интеллекта. Когда вы это поймете, другие темы ИИ станет легче оценивать и сравнивать.
Глубокое погружение
GAN, представленный Яном Гудфеллоу в 2014 году, обучает две сети одновременно. Генератор создает поддельные образцы, например изображения, на основе случайного шума. Дискриминатор определяет, является ли каждый образец реальным (по обучающим данным) или поддельным (по данным генератора). Они конкурируют: генератор пытается обмануть дискриминатор, а дискриминатор старается не обмануться. По мере совершенствования обоих подделки становятся поразительно реалистичными. GAN позволили создать фотореалистичные лица в фильме «Этот человек не существует», а StyleGAN установил стандарт для портретов с высоким разрешением. Их, как известно, сложно обучать, они склонны к нестабильности и «коллапсу режима», когда генератор выдает лишь несколько повторяющихся выходных сигналов. Диффузионные модели с тех пор обогнали их во многих задачах обработки изображений, но GAN остаются быстрыми в создании и влиятельными.
Техническая информация
Обучение — это минимаксная игра между двумя сетями с противоположными целями. Дискриминатор обучен выдавать высокие оценки для реальных данных и низкие оценки для сгенерированных данных; генератор обучен так, чтобы дискриминатор выдавал высокие оценки за свои подделки. Важно отметить, что генератор никогда не видит реальные изображения напрямую, он учится только на градиентном сигнале, проходящем обратно через дискриминатор. В теоретическом равновесии распределение выходных данных генератора соответствует реальным данным, и дискриминатору остается только гадать.
Освоение генеративно-состязательных сетей
Генеративно-состязательные сети (GAN) создают реалистичные новые данные, сталкивая две нейронные сети друг с другом в соревновании. Они создали первую волну убедительных лиц, созданных ИИ, и остаются знаковой идеей в области генеративного ИИ. Генеративно-состязательные сети входят в основной набор инструментов искусственного интеллекта. Когда вы это поймете, другие темы ИИ станет легче оценивать и сравнивать. Чтобы достичь глубокого понимания, рассматривайте генеративно-состязательные сети как операционную модель, а не как отдельную функцию: определите желаемые результаты, проясните предположения и отделите то, что система может делать надежно, от того, что все еще требует экспертной оценки.
На практике сильные команды, использующие генеративно-состязательные сети, сначала создают сильные концептуальные модели, а затем сопоставляют эти модели с реальными производственными ограничениями. Они документируют явные критерии успеха, проводят тестирование на основе реалистичных данных и рабочих процессов, а также выполняют итерации на основе наблюдаемых моделей неудач, а не разовых побед в тестах. Именно здесь теоретическое понимание превращается в прочные возможности в отношении продукта, политики и операций.
Это поможет вам отделить четкие технические заявления от маркетингового языка. В то же время разные команды могут использовать один и тот же термин по-разному, поэтому заранее определите масштаб. Самый устойчивый подход — сочетать скорость экспериментирования с дисциплиной управления: запускать пилотные проекты, собирать доказательства, публиковать журналы решений и постоянно обновлять меры безопасности по мере развития поведения модели, ожиданий пользователей и нормативных требований.
Стратегическое воздействие
Это поможет вам отделить четкие технические заявления от маркетингового языка.
Это поможет вам отделить четкие технические заявления от маркетингового языка. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Вы можете задать более эффективные вопросы по реализации, прежде чем тратить деньги или время.
Вы можете задать более эффективные вопросы по реализации, прежде чем тратить деньги или время. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Команды с общим пониманием принимают более эффективные решения по продуктам, политике и обучению.
Команды с общим пониманием принимают более эффективные решения по продуктам, политике и обучению. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Реальная реализация
Генерация фотореалистичных лиц несуществующих людей, как на ThisPersonDoesNotExist.com.
Масштабирование и повышение резкости изображений с низким разрешением и старого видео (суперразрешение)
Создание синтетических обучающих данных для областей, где реальных данных недостаточно или они являются конфиденциальными.
Перенос стилей и редактирование фотографий, например превращение эскизов в реалистичные изображения или состаривание лица.
Шаблоны реализации
Генеративно-состязательные сети на практике
Генерация фотореалистичных лиц несуществующих людей, как на ThisPersonDoesNotExist.com.
Создание фотореалистичных лиц несуществующих людей, как на ThisPersonDoesNotExist.com. Команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют путь человеческой эскалации для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Генеративно-состязательные сети на практике
Масштабирование и повышение резкости изображений с низким разрешением и старого видео (суперразрешение).
Масштабирование и повышение резкости изображений с низким разрешением и старого видео (сверхвысокое разрешение). Команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют возможность человеческой эскалации для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Генеративно-состязательные сети на практике
Создание синтетических обучающих данных для областей, где реальных данных недостаточно или они являются конфиденциальными.
Создание синтетических данных обучения для областей, где реальных данных недостаточно или они являются конфиденциальными. Команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Генеративно-состязательные сети на практике
Перенос стилей и редактирование фотографий, например превращение эскизов в реалистичные изображения или состаривание лица.
Перенос стилей и редактирование фотографий, например превращение эскизов в реалистичные изображения или состаривание лица. Команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют путь человеческой эскалации для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Риски и ограничения
Разные команды могут использовать один и тот же термин по-разному, поэтому заранее определите масштаб.
Тесты могут выглядеть сильными, в то время как реальная производительность неравномерна.
Игнорирование качества данных и планов оценки часто приводит к нестабильным результатам.
Дорожная карта реализации
Начните с простого определения желаемого результата.
Начните с простого определения желаемого результата. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Перед тестированием выберите один показатель успеха и одно условие отказа.
Перед тестированием выберите один показатель успеха и одно условие отказа. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Запустите небольшой пилотный проект с репрезентативными данными, а не отточенный демонстрационный набор.
Запустите небольшой пилотный проект с репрезентативными данными, а не отточенный демонстрационный набор. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Документируйте, где помогают генеративно-состязательные сети и где более простые методы лучше.
Документируйте, где помогают генеративно-состязательные сети и где более простые методы лучше. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.