L’evoluzione degli algoritmi di intelligenza artificiale rende continuamente più flebile la linea di demarcazione tra reale e artificiale. I recenti sviluppi nell’ambito del machine learning hanno permesso la creazione di algoritmi capaci di creare rappresentazioni artificiali delle realtà con un’accuratezza straordinaria.
In questo articolo, nato dalla collaborazione tra la Heriot-Watt University e Google DeepMind, gli autori presentano l’evoluzione di una particolare famiglia di reti neurali nota come Generative Adversarial Neural Networks (GANN).
Nello specifico, tale architettura permette di addestrare reti neurali capaci di generare immagini artificiali nuove, mai viste.
I risultati sono entusiasmanti: la qualità delle immagini ottenute è tale, da risultare quasi impossibile, anche per gli operatori più esperti, identificare immagini reali ed immagini generate da GANN.
L’utilizzo di questa tecnica permette di ottenere diversi benefici specialmente in Humanativa, dove cerchiamo costantemente di spingere il limite degli algoritmi di machine learning. Uno tra tutti, è la possibilità di aumentare artificialmente la taglia di alcuni dataset. Tale processo è infatti necessario per poter migliorare le performance degli algoritmi di machine learning in task di image recognition.
Info su: https://arxiv.org/pdf/1809.11096.pdf