En este artículo trataremos:
- ¿Qué son los NFT y las GAN?
- El papel de los datos en la creación de una GAN
- Un tutorial sobre cómo las empresas pueden recopilar datos de forma práctica para un proyecto GAN
- Cómo las GAN pueden generar valor para las empresas
¿Qué son los NFT y las GAN?
Cuando la mayoría de la gente piensa en los tokens no fungibles (NFT), suele pensar en el arte, que se ha convertido en una aplicación popular de la tecnología NFT. Para simplificar, un NFT es un sistema basado en blockchain que permite a particulares o empresas registrar la propiedad de un artículo digital único, como música, código y arte.
Si nos centramos en el «arte» por un momento, algunas personas pueden estar familiarizadas con The Bored Ape Yacht Club, un proyecto que creó 10 000 obras de arte digitales únicas.
Estos simios pueden parecer una broma para algunos, pero en términos económicos reales, toda la colección de Bored Apes tiene un valor superior a los 1000 millones de dólares, y algunos simios individuales se venden por 2 o incluso 3 millones de dólares.
Toda esta serie de acontecimientos, en sí misma, es fascinante, pero la historia no termina ahí. Un grupo de personas que vieron el proyecto Bored Ape decidió utilizar la tecnología de las redes generativas adversarias (GAN) para crear su propia versión de este proyecto de «edición limitada».
Las GAN, en términos sencillos, son básicamente un algoritmo de aprendizaje automático (ML) que puede entrenarse con datos para que el modelo pueda crear/generar resultados sin supervisión humana. En este caso, nació la serie GAN Bored Ape:
Al principio, esto creó un mercado secundario para aquellos que querían participar en la acción pero no tenían 2 millones de dólares para gastar en un Bored Ape original. Con el tiempo, este mercado secundario se convirtió en un mercado por derecho propio.
El papel de los datos en la creación de una GAN
Las GAN se construyen utilizando una arquitectura de dos componentes que consiste en un «generador» y un «discriminador». El generador crea nuevos datos, como imágenes o texto, basándose en los «datos de entrenamiento» que se introducen en el algoritmo. El discriminador se encarga de diferenciar entre los nuevos Conjuntos de datos generados artificialmente y los datos originales. El discriminador solo «aprueba» los Conjuntos de datos que coinciden con los datos del mundo real en un grado suficientemente alto. Esto significa que recopilar datos precisos y de alta calidad es de suma importancia cuando se intenta crear/entrenar una GAN que sea capaz de generar resultados de alto valor.
Tutorial sobre cómo las empresas pueden recopilar datos de forma práctica para un proyecto GAN
El director técnico de Amazon, Werner Vogels, tuiteó:«Por cierto, este excelente trabajo lo ha realizado @ykilcher. Vean su vídeo si quieren conocer los detalles sobre la recopilación de datos y la generación de la GAN».
Cómo las GAN pueden generar valor para las empresas
A primera vista, esto puede parecer un desarrollo muy aislado, relevante solo para aquellos que están profundamente involucrados en los mercados de blockchain, criptomonedas y comercio de arte NFT. Pero esto es un error.
La tecnología GAN de aprendizaje automático tiene el potencial de revolucionar el curso de los flujos de trabajo de ideación corporativa, desde conceptos empresariales completos hasta productos y líneas de código.
El espectro de dominios GAN activos que existen actualmente es bastante amplio. Hay personas que aprovechan esta tecnología para entrenar la salida algorítmica, cosas que rozan lo ridículo, como thiscatdoesnotexist.com.
En el otro extremo del espectro, se pueden empezar a ver ejemplos que apuntan a capacidades empresariales que, si se aplican correctamente, podrían transformar realmente todo un sector.
Cambiar la forma en que se crean y logran nuevas ideas, canciones, contenidos, gráficos, arte y avances científicos.
A continuación se presentan algunos ejemplos que ayudan a comprender las oportunidades que se nos presentan:
- Thisstartupdoesnotexist.com -> Puede ayudar a los emprendedores a encontrar nuevas ideas mediante la referencia cruzada de millones de puntos de datos. El algoritmo puede tener en cuenta qué startups ya existen y, al mismo tiempo, identificar nuevos mercados y puntos débiles que requieren una nueva solución o herramienta.
- Thissneakerdoesnotexist.com -> Puede ayudar a las marcas de moda a crear diseños de productos infinitamente únicos. Situa a su marca un paso por delante de la competencia y les permite ganar cuota de mercado, al tiempo que reduce el tiempo que transcurre desde la ideación hasta la producción.
- Thischemicaldoesnotexist.com -> Puede ayudar a los científicos a diseñar nuevos productos químicos sintéticos que pueden cambiar la forma en que se producen, envasan, almacenan y envían los artículos. Entre los ejemplos anteriores de materiales sintéticos que revolucionaron industrias y ciclos de producción enteros se incluyen los «polímeros plásticos» y las «espumas de poliestireno» (más conocidas como «espuma de poliestireno»).
Conclusión
El modelado de interpolación GAN ha avanzado mucho desde sus inicios, cuando apenas podía generar números e imágenes reconocibles para el ojo humano. Como demuestra uno de los primeros artículos académicos que se escribieron sobre el tema en 2014, «Generative Adversarial Nets», de Ian J. Goodfellow:
Desde entonces, la tecnología de aprendizaje automático GAN ha avanzado mucho. Aunque hay que reconocer que aún no se ha perfeccionado. Las empresas que decidan ser las primeras en adoptarla pueden encargar a sus equipos de DevOps que recopilen datos web de código abierto y creen modelos GAN independientes en sus respectivos sectores. Estos actores se convertirán en líderes del mercado en sus campos, tanto por generar ideas que ninguna mente humana había concebido antes, como por destacar por emplear tecnologías orientadas al futuro.
