La inteligencia artificial (IA) ha experimentado un gran avance en los últimos años, permitiendo a las máquinas aprender y generar información por sí mismas. Uno de los conceptos clave en la IA es el de los modelos generativos, que son capaces de generar nuevas instancias de datos. En este artículo, exploraremos qué significa generativo en el contexto de la IA y analizaremos diferentes modelos generativos.
¿Qué significa generativo en los modelos de IA?
En el nombre generative adversarial network (GAN), generativo describe una clase de modelos estadísticos que contrasta con los modelos discriminativos.
Informalmente:
- Los modelos generativos pueden generar nuevas instancias de datos.
- Los modelos discriminativos discriminan entre diferentes tipos de instancias de datos.
Por ejemplo, un modelo generativo podría generar nuevas fotos de animales que parecen reales, mientras que un modelo discriminativo podría distinguir entre un perro y un gato. Las GAN son solo un tipo de modelo generativo.
Formalmente, dado un conjunto de instancias de datos X y un conjunto de etiquetas Y:
- Los modelos generativos capturan la probabilidad conjunta p(X, Y), o simplemente p(X) si no hay etiquetas.
- Los modelos discriminativos capturan la probabilidad condicional p(Y | X).
Un modelo generativo incluye la distribución de los propios datos y te dice qué tan probable es un ejemplo dado. Por ejemplo, los modelos que predicen la siguiente palabra en una secuencia suelen ser modelos generativos (generalmente mucho más simples que las GAN) porque pueden asignar una probabilidad a una secuencia de palabras.
Un modelo discriminativo ignora la pregunta de si una instancia dada es probable y simplemente te dice qué tan probable es que una etiqueta se aplique a la instancia.
Tener en cuenta que esta es una definición muy general y que existen muchos tipos de modelos generativos. Las GAN son solo un tipo de modelo generativo.
Modelado de probabilidades
Ningún tipo de modelo tiene que devolver un número que represente una probabilidad. Puedes modelar la distribución de datos imitando esa distribución.
Por ejemplo, un clasificador discriminativo como un árbol de decisiones puede etiquetar una instancia sin asignar una probabilidad a esa etiqueta. Sin embargo, seguiría siendo un modelo porque la distribución de todas las etiquetas predichas modelaría la distribución real de etiquetas en los datos.
De manera similar, un modelo generativo puede modelar una distribución produciendo datos falsos convincentes que parezcan haber sido extraídos de esa distribución.
Los desafíos de los modelos generativos
Los modelos generativos abordan una tarea más difícil que los modelos discriminativos análogos. Los modelos generativos tienen que modelar más información.
Un modelo generativo de imágenes podría capturar correlaciones como las cosas que se parecen a barcos probablemente aparecerán cerca de cosas que parecen agua y los ojos no suelen aparecer en las frentes. Estas son distribuciones muy complicadas.
En contraste, un modelo discriminativo podría aprender la diferencia entre velero y no velero simplemente buscando algunos patrones reveladores. Podría ignorar muchas de las correlaciones que el modelo generativo debe capturar correctamente.
Los modelos discriminativos intentan trazar límites en el espacio de datos, mientras que los modelos generativos intentan modelar cómo se distribuyen los datos en todo el espacio. Por ejemplo, el siguiente diagrama muestra modelos discriminativos y generativos de dígitos escritos a mano:
- Figura 1: Modelos discriminativos y generativos de dígitos escritos a mano.
El modelo discriminativo intenta diferenciar entre 0 y 1 escritos a mano trazando una línea en el espacio de datos. Si acierta con la línea, puede distinguir entre 0 y 1 sin tener que modelar exactamente dónde se ubican las instancias en el espacio de datos a cada lado de la línea.
En cambio, el modelo generativo intenta producir 1 y 0 convincentes generando dígitos que se encuentren cerca de sus contrapartes reales en el espacio de datos. Tiene que modelar la distribución en todo el espacio de datos.
Las GAN ofrecen una forma efectiva de entrenar modelos tan ricos para que se parezcan a una distribución real. Para entender cómo funcionan, necesitaremos comprender la estructura básica de una GAN.
Consultas habituales
¿Cuál es la diferencia entre un modelo generativo y un modelo discriminativo?
La diferencia principal entre un modelo generativo y un modelo discriminativo radica en qué información intentan capturar. Un modelo generativo modela la distribución conjunta de los datos y las etiquetas, mientras que un modelo discriminativo se enfoca en la probabilidad condicional de las etiquetas dada una instancia de datos.
¿Cuál es la ventaja de utilizar modelos generativos?
Los modelos generativos tienen la capacidad de generar nuevas instancias de datos, lo que puede ser útil en diversas aplicaciones, como la creación de contenido generado por IA o la generación de muestras de datos para tareas de entrenamiento.
¿Qué otros tipos de modelos generativos existen además de las GAN?
Existen varios tipos de modelos generativos además de las GAN, como los modelos de Markov ocultos (HMM), los modelos generativos adversarios variacionales (VAE-GAN), los modelos generativos estocásticos profundos (DSGM) y muchos más.
Los modelos de inteligencia artificial generativa son capaces de generar nuevas instancias de datos y capturar la distribución conjunta de los datos y las etiquetas. Estos modelos enfrentan desafíos adicionales en comparación con los modelos discriminativos, ya que deben modelar correlaciones y distribuciones más complejas. Las GAN son solo un ejemplo de modelo generativo, y existen muchos otros tipos de modelos generativos en el campo de la IA.
Si quieres conocer otras notas parecidas a Modelos de ia generativa: conceptos y desafíos puedes visitar la categoría Inteligencia.