• 4 de agosto de 2020
• Blog

O que são GANs?

A Inteligência Artificial (IA) é, atualmente, um dos tópicos mais relevantes da tecnologia, com um enorme potencial na área empresarial. Ela deve ser tratada com urgência dentro das empresas, não importando tamanho ou ramo econômico, pois pode ser considerada como parte de estratégias de inovação, aperfeiçoamento de processos e, por fim, entrega e criação de valor para o cliente. Por si só, IA é uma área de estudo imensa, que procura desenvolver a inteligência a partir de softwares e outros mecanismos. Além disso, ela possui várias maneiras de ser aplicada. Neste artigo, vou explorar uma das maneiras em que IA é aplicada à área de negócios: Redes Generativas Adversarias (Generative Adversarial Networks ou GANs). Discutirei o poder das GANs no desenvolvimento de criatividade e inovação, assim formas como outras empresas já vêm trabalhando com elas para crescer seus negócios.

O que são GANs?

GAN é uma classe da Inteligência Artificial que trabalha com geração de conteúdo que, ao ser analisado, pode facilmente enganar, deixando incerto se é real (produzido por humanos) ou falso (produzido pela rede). Esta técnica foi inventada por Ian Goodfellow, junto de seus colegas, em 2014, e, em síntese, é constituída de 2 componentes principais: o discriminador e o gerador. Ambos, discriminador e gerador, são redes que possuem responsabilidades diferentes. O discriminador é uma rede responsável por avaliar se um determinado conteúdo é real ou desenvolvido. O gerador possui a responsabilidade de produzir o conteúdo em si.

A ligação entre esses dois componentes é realizada de forma adversária, ou seja, enquanto o discriminador é treinado de maneira a diferenciar o real do falsificado, o gerador é treinado de maneira a enganar o discriminador através do conteúdo que está produzindo. Consequentemente, através do processo de treinamento de ambos, as redes se desenvolvem conjuntamente, de maneira a aperfeiçoar as suas responsabilidades cada vez mais [4].

Aprofundando mais esta classe da IA, pode-se observar que existem diversas GANs, que são, por sua vez, propostas para serem aplicadas com diferentes finalidades:

Deep Convolutional GANs (DCGANs, Redes Generativas Adversárias Convolucionais): São arquiteturas de redes geradoras e discriminadoras específicas para se trabalhar com imagens. Em geral, são usadas no contexto de geração de novas imagens, modelos 3D, remoção de ruídos, identificação de fraudes, entre outras coisas.

Conditional GANs (cGANs, Redes Generativas Adversárias Condicionais): São uma extensão das GANs tradicionais, com o adicional de que a geração deve levar em consideração certas condições ou atributos definidos. Ou seja, elas possuem a capacidade de conduzir resultados a partir de condições pré-estabelecidas passadas pela rede. Assim, no exemplo de geração de modelos 3D, o resultado pode ser conduzido à geração de modelos que possuem condições determinadas pelo próprio usuário;

InfoGANs: Assim como as cGANs, o InfoGAN tem por objetivo produzir conteúdo semelhante aos avaliados pelo discriminador, porém, com o adicional de que, além desta avaliação, é fornecido também um vetor de informação sobre o dado avaliado, que, por sua vez, é utilizado na rede geradora de modo a produzir conteúdo mais consistente e significativo. Esta técnica é usada comumente na tarefa de geração de conteúdo mais conciso e produz um vetor de informação, que condensa as características mais relevantes desse aprendizado;

Super Resolution GANs (SRGANs, Redes Generativas Adversárias de Super Resolução): São redes que combinam a ideia de geração das GANs para produzir imagens que antes estavam em baixa qualidade para uma alta resolução. Em síntese, DCGANs recebem imagens de baixa resolução como entrada da rede e, ao final, produzem a mesma imagem com aprimoramento da resolução a cada iteração.

Estas são apenas uma amostra do que as GANs, entre muitas outras abordagens, podem fazer. Agora que já conhecemos um pouco mais sobre as GANs e o escopo no qual elas podem atuar, vamos seguir em frente e verificar como as empresas vêm utilizando essa tecnologia.

Oportunidade no Mercado

As GANs vêm se tornando uma ferramenta cada vez mais utilizada dentro das empresas para a exploração de criatividade, inovação e novas tendências e isso tudo se dá a partir dos resultados relevantes obtidos por elas dentro de diferentes áreas. Como a ideia é relativamente simples, as empresas vêm explorando-a em diversos contextos, como geração de imagens, texto e áudio. Além disso, há um grande esforço por parte das empresas no desenvolvido de técnicas que ajudam na avaliação de conteúdo que pode ser classificado como fraudulento. Alguns exemplos são destacados abaixo, com o intuito de ilustrar um pouco mais o trabalho destas redes em diferentes setores econômicos:

Finanças: Um caso de uso muito interessante, apresentado pelo artigo da ODSC, foi a utilização das GANs com o objetivo de simular a distribuição real do preço de bolsa de ações, ao invés do método de Monte Carlo. O método de Monte Carlo é comumente utilizado para geração destas curvas de distribuição, porém, ao se utilizar as GANs como fonte geradora, a aproximação conseguiu ser mais precisa e obteve uma melhor estimativa da série temporal da bolsa. Consequentemente, o retorno financeiro a partir destes dados foi maximizado. Em síntese, foi utilizada uma configuração de rede bem simples e seguida a mesma ideia apresentada no aprendizado das GANs. Ou seja, a partir da apresentação das distribuições reais ao discriminador, o gerador tenta se aproximar mais e mais delas, para que consiga enganar o discriminador e produz uma distribuição cada vez mais precisa.

Marketing: Ao se falar de marketing, existe um enorme leque de possibilidades de aplicação de IA para aprimorar e melhorar ainda mais a relação com o cliente. Fazendo relação às GANs, elas podem ser utilizadas como estratégias de predição e melhoramento de como os usuários reagem a novos produtos e serviços. Além disso, empresas do ramo vêm explorando o perfil de compra dos usuários, simulando-os através das GANs, de modo a melhorar ainda mais as recomendações de produtos em webservices. A estratégia usada é a de apresentar vários perfis de compras para o discriminador e, em seguida, comparar os perfis produzidos pelo gerador, de modo a classifica-los como sendo plausíveis ou não. Assim, com o desenvolvimento do aprendizado, a rede geradora começa a produzir perfis de compras parecidos com os apresentados ao discriminador, permitindo, dessa forma, uma análise mais estratégica a partir do olhar dos dados sintetizados, para prever dados reais futuros.

Saúde: Na área da biomedicina, algumas empresas farmacêuticas estão explorando os benefícios oferecidos pelas GANs na tarefa de identificar moléculas que possuem maior probabilidade de ter propriedades desejadas, objetivando o desenvolvimento de novos fármacos e medicamentos. Existem milhões de componentes que podem ser escolhidos durante a etapa da descoberta de novos medicamentos. Além disso, a sintetização e o teste de uma nova molécula custam milhões de dólares. Assim, quando há um aprimoramento na forma de encontrar um componente que é um potencial candidato a se fazer parte de um medicamento, este custo é reduzido e o processo de descoberta e de testes pré-clínicos são agilizados. O processo de geração destes componentes é realizado a partir de condições e propriedades que são desejadas para o mesmo. Assim, a partir do discriminador, a rede geradora é guiada a produzir os elementos obedecendo as condições estabelecidas pelo usuário.

Conclusão

A partir do conteúdo apresentado neste documento, várias ideias começam a surgir a respeito de como aplicar IA em alguns setores econômicos e, de uma maneira bem criativa, pode-se imaginar a utilização das GANs no auxílio ao desenvolvimento de inovação e otimização de processos. Como foi observado, cada uma delas possui uma característica e finalidade especifica, porém, todas seguem um mesmo objetivo, ou seja, melhorar cada vez mais a informação a partir de uma disputa entre o discriminador e a rede geradora. Assim, ao reformular o problema, tendo como base este objetivo fundamental, podem surgir várias aplicações interessantes, como as que foram apresentadas nas áreas da Saúde, Marketing e Financeiro, além de outros que não foram abordadas aqui.