Les GAN

Les réseaux antagonistes génératifs, ou GAN (pour Generative Adversarial Network), sont des algorithmes d’apprentissage non supervisé qui permettent de générer des données artificielles avec un fort degré de réalisme.

Voici comment ça marche. L’architecture d’un GAN est composée de deux réseaux de neurones placés en compétition. Au cours de l’apprentissage, le premier réseau, appelé “générateur”, crée un échantillon de données ressemblant au maximum aux données d’entraînement. Le deuxième réseau, appelé “discriminateur”, tente de détecter si cet échantillon est réel ou bien s’il s’agit d’une création de son “adversaire”. Le premier réseau essaie donc de tromper le deuxième.

À l’image de la dynamique entre le faussaire et le détective, ce processus permet aux deux réseaux de s’améliorer chacun dans leur tâche respective, l’objectif étant d’aboutir à la contrefaçon la plus réaliste possible.

L, le fabricant de puces électroniques Nvidia est ainsi parvenu à créer des photos de fausses célébrités particulièrement crédibles ! Mais les GAN peuvent aussi être très utiles dans des domaines très variés : découvrir la meilleure stratégie face à un problème donné (apprendre à jouer aux échecs… ou bien améliorer la performance d’un réseau), créer des partitions musicales ou des peintures inspirées d’un artiste ou d’un style particulier…

Les GAN peuvent ainsi être utilisés dans différents domaines, du jeu vidéo à la physique des particules, en passant par l’art (on parle de “GANisme”) et la recherche pharmaceutique.

Ils constituent un outil puissant pour l’intelligence artificielle. Contrairement à d’autres méthodes de machine learning, qui nécessitent énormément de données d’apprentissage, ces algorithmes peuvent fonctionner avec relativement peu de données, puisqu’ils en produisent eux-mêmes. Cela a permis de faire un grand bond en avant dans l’apprentissage non supervisé.

Depuis leur invention en 2014 par Ian Goodfellow, les GAN suscitent un grand intérêt. Yann Le Cun, patron de la recherche en IA chez Facebook, les a par exemple présentés comme “l’idée la plus intéressante des dix dernières années en machine learning”. Car les GAN repoussent les limites de l’intelligence artificielle, qui ne se contente plus d’apprendre à reconnaître des données, mais devient créative.

Une telle avancée comporte toutefois quelques risques : une machine entraînée pour créer les imitations les plus réalistes possible constitue l’arme idéale pour les colporteurs de “fake news” cherchant, par exemple, à mettre des mots dans la bouche des politiciens.