Que peut-on faire avec un modèle génératif ?
Les modèles génératifs sont de plus en plus utilisés. Les dernières avancées ont fait en sorte que les données générées soient d’une qualité irréprochable et parfois, impossibles à distinguer des données réelles.
La création de contenus synthétiques
Les nouvelles approches de modélisation générative permettent la génération de contenu de qualité. Qu’il s’agisse de textes, d’images, de sons ou même de vidéos, les modèles génératifs peuvent apprendre à générer du nouveau contenu hyperréaliste. Par exemple, ils permettent de concevoir une narration vocale ayant une voix spécifique (p. ex. la voix d’une célébrité). Une fois le modèle entraîné, il sera possible de générer un contenu vocal synthétique qui ne se limitera pas à la prononciation des mots, mais qui inclura l’intonation de la voix, le timbre vocal, les tendances de respirations, etc.
De même, pour le contenu visuel, il est possible de créer une infinité d’images ultraréalistes d’un objet en entraînant un modèle génératif à partir d’une collection d’images similaires.
L’augmentation des bases de données d’entraînement
Les modèles génératifs sont très utiles pour générer des données d’entraînement servant à améliorer la performance des algorithmes d’apprentissage machine. Un algorithme de classification, de segmentation ou autre, requiert généralement une importante quantité de données. Dans plusieurs cas, il manque réellement de données d’entraînement et, parfois, d’une collection de données équilibrée (p. ex. 98 % des images représentent des chats et seulement 2 %, des chiens). La génération des données synthétiques pourrait alors être une solution efficace, car les modèles génératifs, pouvant générer des données similaires à chaque classe d’images, servent de base de données d’entraînement importante et équilibrée pour les algorithmes de classification en apprentissage machine.
L’augmentation du contenu (content augmentation)
Les modèles génératifs sont de plus en plus utilisés pour générer une version « augmentée » d’un contenu spécifique. Un nombre croissant d’algorithmes sont en mesure de produire du contenu augmenté tel qu’une résolution d’image de haute qualité, un contenu sonore de meilleure qualité, etc. Ces techniques sont très utiles pour des cas d’usage concernant la sécurité visuelle ou l’imagerie astronomique.
L’analyse de la robustesse des applications d’apprentissage machine
Certains modèles génératifs peuvent être utilisés dans le domaine de la sécurité informatique ; certaines techniques servent à évaluer la robustesse des modèles discriminatifs en imagerie, comme One-pixel Attack dont l’approche permet aux modèles génératifs de générer des images hyperréalistes ayant une altération visuelle invisible à l’œil nu, pouvant fausser les résultats des algorithmes de reconnaissance visuelle. Ces techniques servent donc à identifier les faiblesses des algorithmes d’intelligence artificielle et à évaluer leur robustesse.
La génération d’un contenu à partir d’un autre type de contenu
Une fois entraînés de façon appropriée, les modèles génératifs sont susceptibles, par exemple, de créer une image à partir d’une description textuelle. Certains modèles expérimentaux sont en mesure d’approximer la forme et la taille d’un visage à partir d’une voix sonore.