Wat is een Generative Adversarial Network?
Wat is een Generative Adversarial Network? Verbeeldingskracht onderscheidt mensen van computers. Maar hoe lang houdt dit nog stand? Machines met verbeeldingskracht waren jarenlang onderwerp van sciencefictionboeken en Hollywood-films. Nu is de deksel van de doos. De geest is uit de fles. Wereldwijd groeit de aandacht voor generatieve AI-software en generative adversarial networks (GAN-systemen). Wat zijn deze generative adversarial networks? En hoe werken ze?
Kunstmatige intelligentie, machine learning, generatieve software en GAN-technologie hebben de afgelopen jaren een kwalitatieve groeispurt gemaakt. GAN-technologie is een veelbelovende ontwikkeling binnen deze generatieve AI-software. GAN-systemen benaderen in hoog tempo menselijke verbeeldingskracht. Hoe ver zijn GAN-systemen in het scheppen van eigen creaties en ideeën?
Het ontstaan van generative adversarial networks
Laten we beginnen bij het ontstaan van generative adversarial networks (GAN’s). De techniek is een paar jaar geleden ontwikkeld onder leiding van Ian Goodfellow. Ian Goodfellow is tegenwoordig onderzoeker bij Apple. Het woord generative in GAN, staat voor het genereren van content door kunstmatig intelligente systemen. Adversarial beschrijft de strijd tussen twee verschillende neurale netwerken. Dit heeft een wat vijandige klank, maar in geval van generative adversarial networks verbeterd deze samenwerking de kwaliteit van de output. Hoe gaat dit in zijn werk?
De strijd in Generative Adversarial Network
Een GAN-systeem bestaat uit twee concurrerende neurale netwerken die samen nieuwe realistische output genereert. Het eerste neurale netwerk is het discriminative network. Ofwel de discriminator. Om tot nieuwe output te komen, geef je dit netwerk een grote dataset met trainingsgegevens. In onderstaand voorbeeld foto’s van hamburgers. Het netwerk leert uit deze verzameling wat een foto van een hamburger is.
Het andere netwerk heet generative network. Deze generator werkt tegelijkertijd met de discriminator. De generator probeert output te creëren waarvan de discriminator dénkt dat die thuishoort in de oorspronkelijke dataset. Het generatieve systeem ‘liegt’ dus tegen de discriminator door nieuwe input te maken die niet in de dataset hoort, maar die wel aan de criteria voldoet. De discriminator probeert dat bedrog te ontdekken.
Trial and Error
Het generatieve systeem heeft geen idee waar het moet beginnen en begint met een wirwar van pixels: random noise. De discriminator heeft vervolgens de rol van beoordelaar van de output, als een soort scheidsrechter. Dat netwerk bepaalt of de output van het generatieve netwerk, realistisch genoeg is in vergelijking met de oorspronkelijke dataset van trainingsvoorbeelden. De discriminator bepaalt dus of de hamburger kan doorgaan voor ‘echte output’ of ‘nep output’. Het discriminator systeem wijst in het begin heel veel output af, omdat de generator immers begint met random noise.
De kunstdetective en kunstvervalser
Deze beide neurale netwerken zijn in constante wisselwerking. Er vindt voortdurende terugkoppeling plaats. Feedback die als rivaliteit kan worden beschouwd. De discriminator dwingt de generator tot het leveren van een nóg hogere kwaliteit output. De generator doet daarom zijn uiterste best om het nóg beter te doen. De wisselwerking tussen de twee netwerken, de generator en de discriminator, is als de tweestrijd tussen een kunstdetective en kunstvervalser. De kunstvervalser probeert de detective voortdurend te slim af te zijn. Door de continue feedback creëert de generator uiteindelijk een foto die door de discriminator wordt beoordeeld als bestaand, terwijl deze gegenereerd is. De generator maakt dus nieuwe variaties op een bestaande dataset. Deze zijn soms zo goed dat ze voor origineel door kunnen gaan. Maar dat zijn ze niet!
Een menselijke ideeënmachine
Door de wisselwerking van de discriminator en de generator, ontstaat er een ingenieus systeem dat realistische voorbeelden maakt. Voorbeelden waarbij het resultaat net zo goed is als originelen uit de database. Nieuwe voorbeelden van volkomen nieuwe variaties. Foto’s gecreëerd uit ‘de verbeeldingskracht’ van de generator. Het Generative Adversarial Network is een ideeënmachine geworden.
Als je het begrip “generative adversarial network” ontleedt, dan wordt de uitleg nog een stuk beter:
Generative: dit laat zien dat het kunstmatig intelligent systeem nieuwe (synthetische) data genereert (creëert) op basis van een bestaande set aan trainingsdata. Er wordt geprobeerd om de trainingsset na te bootsen. Er wordt geprobeerd om een synthetische variant van de dataset te creëren. De synthetische data is een representatie van de werkelijkheid. Maar dus niet de echte werkelijkheid. Het is synthetisch. Het is nep.
Adversarial: Letterlijk vertaald betekent dit vijandig. Maar dan wel in samenwerking. Een overleg van hoor en wederhoor. Adversarial doelt op de competitie tussen de twee algoritmische modellen: de maker en de scheidsrechter. De kunstvervalser en de kunstdetective.
Network: Dit zegt iets over de neurale netwerken die gebruikt worden.
Machines met verbeeldingskracht
Bekende voorbeelden van Generative Adversarial Network variaties zijn de gezichten van mensen die nooit hebben bestaan. Fotomodellen die nooit hebben bestaan, slaapkamers die nooit hebben bestaan, auto’s die nooit hebben bestaan, enzovoort. Je zou ze kunnen beschouwen als nieuwe ideeën. Een generator creëert op basis van bestaande data gemakkelijk nieuwe afgeleiden, variaties en invalshoeken. Dat is ook wat wij als mensen doen wanneer wij onze verbeeldingskracht aanspreken. Wij bedenken nieuwe beelden op basis van beelden die we kennen. Met GAN-technologie krijgen machines ook een vonk van onze menselijke verbeeldingskracht.
Meer weten? lees dan het rapport “Machines met verbeeldingskracht” of boek een lezing van Jarno Duursma over GAN-technologie, machines met verbeeldingskracht, kunstmatige intelligentie en deepfakes.
