Les collections

Cette personne n'existe pas Le site Web est un regard effrayant vers l'avenir

Cette personne n'existe pas Le site Web est un regard effrayant vers l'avenir

Ouvrez le site Web thispersondoesnotexist, et vous trouverez un portrait d'un inconnu. À première vue, il semble que quelqu'un ait obtenu les enregistrements RH du travail et les ait collés sur un site Web, l'actualisation du site régénère un autre visage d'une personne que vous connaissez peut-être.

VOIR AUSSI: LES CHERCHEURS DÉVELOPPENT UN RÉSEAU NEURAL QUI PEUT RESTAURER DES IMAGES ENDOMMAGÉES OU DE FAIBLE QUALITÉ

Sauf que vous ne le faites pas, et personne ne le fait. Parce que chacun des visages sur ce site est totalement faux, créé en utilisant un type spécial d'algorithme d'intelligence artificielle appelé réseaux antagonistes génératifs (GAN).

Actualisez la page et l'algorithme génère une image hyper-réaliste mais absolument fausse d'une personne. La page a été créée par l'ingénieur en logiciel Uber Philip Wang pour démontrer ce dont les GAN sont capables. Wang a partagé la page sur le groupe Facebook «Artificial Intelligence & Deep Learning».

Le code qui a rendu possible ce site Web effrayant a été écrit par Nvidia et présenté dans un article disponible avant l'examen par les pairs sur arXiv. Appelé StyleGAN, le réseau de neurones a une applicabilité infinie pour tout, du jeu à la création de faux documents.

Wang a décrit sa motivation à partager le site dans son message Facebook: «J'ai décidé de fouiller dans mes propres poches et de sensibiliser le public à cette technologie», a-t-il écrit dans son message.

«Les visages sont les plus importants pour notre cognition, j'ai donc décidé de mettre en place ce modèle pré-entraîné spécifique. Chaque fois que vous actualisez le site, le réseau génère une nouvelle image faciale à partir de zéro à partir d'un vecteur de 512 dimensions. »

Comment ça fonctionne

Tous les GAN ont deux réseaux: le générateur et le discriminateur. Le générateur synthétise de nouveaux échantillons à partir de zéro, et le discriminateur prend des échantillons à la fois des données d'apprentissage et de la sortie du générateur et prédit s'ils sont «réels» ou «faux».

Le générateur reçoit un vecteur aléatoire (bruit) et donc sa sortie initiale est également du bruit.

Après avoir reçu le feedback du discriminateur, il apprend à synthétiser des images plus «réalistes». Simultanément, le discriminateur apprend également en comparant des échantillons générés avec des échantillons réels, ce qui rend plus difficile pour le générateur de le tromper.

Le GAN a été introduit en 2014, mais ce n'est qu'en 2017 que les chercheurs ont pu créer des images de haute qualité de 1 024 x 1 024 détaillées dans le désormais célèbre article ProGAN. StyleGAN s'appuie sur ces travaux antérieurs, mais permet désormais aux chercheurs de mieux contrôler des fonctionnalités spécifiques.

Les GAN façonneront l'avenir virtuel

On espère à terme que ces GAN pourront être utilisés pour développer des mondes virtuels complets en utilisant des méthodes automatisées au lieu du codage en dur. Ils ont également la possibilité d'être utilisés pour créer des modèles 3D réalistes à utiliser dans la publicité et d'autres opportunités de marque, similaires à Imma mais avec un peu plus de profondeur.

Bien que cela soit passionnant, d'autres peuvent craindre les utilisations plus sinistres de la technologie, telles que la contribution à DeepFakes, des images générées par ordinateur superposées à des images ou des vidéos existantes, qui peuvent être utilisées pour diffuser de fausses nouvelles. Certaines pensées sur lesquelles réfléchir pendant que vous rafraîchissez constamment cette personne n'existent pas.


Voir la vidéo: Votre lien nest pas un hasard les guides veulent vous faire passer un message. Tirage sentimental (Octobre 2021).