L’histoire des modèles génératifs
Le développement des autoencodeurs et les autres approches génératives
L’histoire des modèles génératifs est attribuée aux origines des premiers modèles computationnels utilisés au début de la compression de données comme les premiers autoencodeurs (Autoencoders) introduits par Yann LeCun, le scientifique de données français. Les autoencodeurs sont des modèles apprenants capables de compresser les données en un format plus compact (idéal pour l’analyse de similarités entre enregistrements, pour le groupement d’observations, etc.) pour générer des données reconstituées.
Les autoencodeurs et les autres approches génératives se développent de manière itérative au fil des ans. Certains défis doivent être relevés, notamment au niveau de leur entraînement, freinant ainsi leur adoption et limitant leur utilisation à des cas d’usage plus scientifiques que commerciaux.
Les premiers fondements du modèle GAN (Generative Adversarial Networks)
Le chercheur en informatique Ian Goodfellow, sous la direction du professeur Yoshua Bengio, présente les premiers fondements du modèle GAN dans le cadre de sa recherche doctorale à l’Université de Montréal. L’invention des réseaux de neurones antagonistes et génératifs (Generative Adversarial Networks) marque le début de la popularisation des modèles de neurones génératifs.
Les réseaux de neurones antagonistes et génératifs génèrent des images de très haute résolution.
Les nouveaux modèles basés sur les réseaux de neurones antagonistes et génératifs sont en mesure de générer des images de très haute résolution. Les réseaux de neurones antagonistes, adoptés par la communauté scientifique et des géants technologiques s’améliorent tant au niveau de la performance que de la précision.
Une déclinaison des réseaux de neurones antagonistes et génératifs produit des images d’une qualité inégalée.
Nvidia, l’entreprise de processeurs graphiques, introduit StyleGAN, une déclinaison des réseaux GANs capable de produire des images (p. ex. des portraits humains) d’une qualité inégalée.