miércoles, 8 de julio de 2015

Redes neuronales de Google son capaces de crear arte


Después de haber competido en contra de los grandes maestros del ajedrez, las computadoras están explorando aún más su lado artístico con científicos informáticos demostrando cómo las redes neuronales artificiales pueden crear obras de arte que recuerdan a William Blake. Las imágenes surrealistas producidas por una técnica llamada "Inceptionism" son parte de un proceso para entender mejor cómo estas redes operan y cómo mejorarlas.

Las redes neuronales artificiales son una forma de inteligencia artificial basada en redes neuronales biológicas, tales como el sistema nervioso central. A diferencia del software más convencional que funciona de acuerdo con reglas definidas rígidamente, las redes neuronales artificiales son entrenadas mostrandoles millones de ejemplos de entrenamiento y haciendo que sus parámetros de red se ajusten lentamente hasta que produzcan los resultados deseados.

La red está formada por nodos que actúan como neuronas interconectadas. Estos nodos permiten a los ordenadores manejar un gran número de entradas de datos, la naturaleza de los cuales es desconocida o aproximada. La idea es que estos nodos se encuentran en capas apiladas con cada capa manipulando datos de complejidad creciente, que son manejados de acuerdo a sus instrucciones. Estas capas tienen la capacidad de aprender y volverse mejores para detectar patrones deseados, conforme son alimentados con más datos en el tiempo.

Esta capacidad ha hecho que las redes neuronales artificiales sean de gran valor en áreas como la clasificación de imágenes y reconocimiento de voz. Por ejemplo, los sistemas de reconocimiento de imágenes utilizando redes neuronales artificiales pueden manejar imágenes en el caos del mundo real en donde hay iluminación impredecible, ángulos, colores y fondos. En lugar de seguir reglas estrictas para la clasificación de lo que hay en una imagen, una red neuronal puede operar mediante el uso de millones de ejemplos para aprender a encontrar las cosas simples, como bordes, combinar estas cosas en formas más complejas, y luego combinar estas formas para identificar diferentes objetos - uno de los cuales podría ser el objeto buscado.

Desafortunadamente, según Google Research, la misma propiedad que hace que las redes neuronales artificiales sean tan eficaces también las hace muy difíciles de entender. Los modelos matemáticos que utilizan pueden ser muy bien conocidos, pero después de que los datos han pasado a través de hasta 30 capas de la red, lo que está pasando exactamente no es del todo claro. Los datos entran en la primera capa y el resultado final sale desde la última capa, pero lo que sucede en el medio no siempre es conocido.

Para entender mejor este proceso, el equipo de Google Research está revirtiendo el proceso como parte de Inceptionism. En vez de mirar una imagen y buscar un objeto en particular, a la red se le indicó que usara sus conocimientos y reglas para buscar las cosas que podrían ser un objeto, como un plátano, y se fue mejorando esto hasta que los objetos encontrados se asemejaran a lo que la red considera como un plátano.

Lo que los investigadores descubrieron fue que las redes no sólo tienen la capacidad de reconocer objetos, sino que una vez que han sido enseñadas correctamente, tienen suficiente información para generar imágenes estadísticamente con un alto grado de precisión - por no hablar de lo que parece una imaginación daliniana.

Las redes pueden tomar una imagen aparentemente sencilla, como un paisaje, y convertirla en un horizonte de torres, pagodas y palacios cúpula de rosca. Los paisajes de nubes se convierten en una fantasmagoría de animales y aves, los árboles se convierten en castillos extraños, y la Aguja Espacial de Seattle se convierte en un chapitel gótico cubierto de formas de vida extrañas como algo salido de una novela de Lovecraft.

Según los investigadores, el punto de todo esto es que al seleccionar varias capas, dejando que la red elija qué características va a mejorar y cambiando las órdenes dadas para ponderar los resultados, las imágenes generadas pueden darle al equipo una mejor comprensión de lo que está pasando.

Por ejemplo, cada capa representa una capa diferente de complejidad, por lo que la imagen final refleja esto. Los niveles más bajos manejan las cosas simples, como bordes y crean trazos y patrones de ornamento similares, mientras que las capas superiores producen resultados de mayor complejidad, y si lo solicitan a la red, los investigadores pueden crear un bucle de retroalimentación, lo que podría convertir un una imagen de nubes suaves en un animal completo difuminado.

El equipo dice que Inceptionism proporciona pistas importantes sobre cómo las redes neuronales aprenden y llegan a sus conclusiones mediante el estudio de las imágenes que las redes crean y las soluciones de los problemas que se les plantean. En la identificación de imágenes, se espera que las redes sean capaces de determinar las características clave, como las púas de un tenedor. Sin embargo, la lógica de las computadoras puede producir peculiaridades. Un ejemplo es el intento de la red para identificar una mancuerna. Un ser humano considera como esta como una simple pieza de equipo de ejercicio, pero las imágenes que se utilizan para entrenar la red tienden a mostrar pesas en las manos, así que cuando se genera una imagen de una mancuerna en Inceptionism, el sistema invariablemente representa una mancuerna con un brazo unido.

Además de esto, los investigadores pueden estudiar cómo las redes transforman ciertos objetos en nuevas imágenes. El entrenamiento de la red introduce sesgos, por lo que las rocas y los árboles se convierten en los edificios, los horizontes se convierten en horizontes exóticos, y las hojas se convierten en aves e insectos.

El equipo de investigación de Google ve Inceptionism como una aplicación que tendrá un número de aplicaciones más allá de la psicodelia. Además de una mejor comprensión de las redes neuronales artificiales, la técnica puede ayudar a mejorar la arquitectura de red y como un control de aprendizaje de red. Incluso puede un día convertirse en una nueva herramienta para los artistas e incluso proporcionar nuevos conocimientos sobre el proceso creativo.





SHARE THIS

Author:

0 comentarios: