Por ejemplo, Adobe está trabajando fuertemente en el desarrollo de una red neuronal capaz de reconocer una imagen manipulada. También existe una IA que es capaz de crear una canción de metal y otra que puede detectar el cáncer. La inteligencia artificial sirve, además, para mejorar los carros autónomos o, incluso, para limpiar el planeta, como planea el actor Robert Downey Jr.

Pero ahora resulta que la IA también puede tener aptitudes para la cocina. Un equipo de investigadores del Instituto Tecnológico de Massachusets (MIT, por sus siglas en inglés) creó una red neuronal capaz de aprender instrucciones de cocina para preparar, paso a paso, un alimento, específicamente pizza, como explican en la página del proyecto, llamado PizzaGAN (GAN significa Generative Adversarial Network, que traduce Red Generativa Antagónica).

¿Cómo quieres tu pizza?

De momento, esta IA no cocina, solo genera imágenes de cómo luce una pizza en cada una de sus etapas, porque cada ingrediente o paso adicional cambia la apariencia del plato. De esta forma, la inteligencia artificial aprende la manera en la que se prepara el alimento capa por capa, en un orden correcto, y cómo luciría al final, luego de ser cocinado, según un PDF que publicó el equipo del Laboratorio de ciencia e inteligencia artificial (SCAIL, por sus siglas en inglés), del MIT.

La red neuronal desarrollada por los expertos del MIT es capaz de tomar la imagen de una pizza y establecer de qué tipo es, cómo se distribuyen los ingredientes y así sabe cómo prepararla, entendiendo el orden adecuado que debe tener cada capa de esa pizza antes de ser cocinada. También se pueden añadir o quitar ingredientes, según algunas instrucciones.

Lee más sobre inteligencia artificial en este enlace.

En los primeros pasos del experimento, la red neuronal creó un conjunto de más de 5.000 imágenes sintéticas de cada capa de diferentes tipos de pizza. O sea, imágenes clip art. Más adelante buscaron, mediante hashtags, fotos reales de pizza en Instagram y descargaron medio millón de imágenes, que pasaron por la red neuronal para que reconociera los ingredientes en cada una de sus capas y pudiera quitar algunos o añadir nuevos en la foto.

Bajo esta misma premisa, esta red neuronal podrá ser desarrollada en el futuro para entender la preparación de otros alimentos sencillos de preparar, como hamburguesas, ensaladas o sándwiches. Una inteligencia artificial de este tipo podría automatizar en el futuro la industria de las comidas rápidas, aunque el sabor y la sazón no están garantizados.

Imágenes: MIT y xxllxx (vía: iStock).

Una de las herramientas más reconocidas y usadas para editar fotos, tanto a nivel profesional como amateur, es Photoshop. El software de Adobe lleva 29 años ayudando a componer, editar y arreglar imágenes. Muchas de esas ediciones tiene un fin engañoso, por lo que siempre se ha hecho un esfuerzo por tratar de identificar cuando una imagen ha sufrido algún tipo de manipulación.

Adobe lo saben y, para garantizar la veracidad de una imagen, sobre todo cuando se usa con fines poco benévolos, han estado trabajando desde hace años en distintas herramientas que ayuden a identificar fotos manipuladas.

Hay un poco de imagen en tu edición

En su blog, en una entrada de 2018, explicaron que Vlad Morariu, investigador científico de Adobe, viene trabajando desde 2016 en tecnologías para detectar la manipulación de imágenes de manera fácil, confiable y rápida, como parte del programa Darpa Media Forensics, por medio de inteligencia artificial (IA) y aprendizaje automático.

Para ello, se enfocaron en tres técnicas de manipulación, que son las más comunes: “empalmes, con el que se combinan partes de dos imágenes diferentes; copiar y mover, con el que los objetos en una fotografía se clonan o mueven de un lugar a otro, y la eliminación, que se usa para eliminar un objeto en la foto y rellenarla”, explica Morariu en la entrada del blog.

New work by an @AdobeResearch scientist and collaborators shows a promising approach to detect tampered regions of manipulated images using a two-stream #NeuralNetwork. #AI @Adobe https://t.co/j2MJQnkzqr pic.twitter.com/JnJFRLJqr7

— Adobe Research (@AdobeResearch) July 31, 2018

Lee más sobre Adobe en este enlace.

La manipulación de una imagen deja pistas que se pueden estudiar por medio de un análisis detallado de pixeles o aplicando filtros que resalten los cambios, a pesar de que no sean fáciles de detectar para el ojo humano. Ese trabajo lo puede llevar a cabo una IA, que puede identificar el tipo de modificación usada y resaltar el área de la foto que fue editada.

Pero ahí no se detuvo el trabajo de Adobe para crear herramientas que ayuden a identificar una imagen manipulada, para permitirles a las personas confiar en las imágenes que ven. Así que los investigadores Richard Zhang y Oliver Wang, junto con colaboradores de la UC Berkeley, Sheng-Yu Wang, Andrew Owens y Alexei Efros, desarrollaron un método para detectar ediciones en diferentes imágenes.

Para ello usaron la función Face Aware Liquify de Photoshop, una herramienta que se usa para identificar automáticamente las características faciales para cambiarlas y mejorarlas. Por ejemplo, se puede hacer mucho más exagerada una expresión, como se explica en la página web de Adobe.

Gavin Miller, our Head of @AdobeResearch, was featured in @lexfridman's MIT AI Podcast. Gavin and Lex spoke about poetry, robots, and the work our @Adobe research team is doing in AI. Check out the hour-long episode! #AI #Creativity https://t.co/sqTNwJDoB3 pic.twitter.com/F3eDvuH26C

— Adobe Research (@AdobeResearch) June 19, 2019

Lee más sobre Photoshop en este enlace.

Con esa herramienta entrenaron una red neuronal convulcional, con el fin de reconocer imágenes de rostros alteradas. Los investigadores usaron miles de imágenes extraídas de Internet y usaron el Face Aware Liquify –además de la mano de un artista para imprimirle el factor humano– para alterarlas y crear un gran conjunto de imágenes con las que capacitaron la red neuronal.

La red neuronal debe ser capaz de desempeñarse mejor que el ojo humano para que sea útil. Por eso le mostraron una foto original y una manipulada a un grupo de personas. Ellos pudieron identificar una cara alterada el 53% de las veces, mientras que la red neuronal lo logró en el 99% de las oportunidades.

Según el blog de Adobe, su trabajo para ayudar a mejorar la detección de imágenes manipuladas apenas comienza y seguirán desarrollando nuevas herramientas que ayuden a que las personas no sean engañadas con las fotos con las que se encuentra a diario.

Imágenes: Adobe y Dusanpetkovic (vía: iStock)

De acuerdo con un estudio de la Universidad Amherst de Massachussets (Estados Unidos), crear  la red neuronal esencial para una inteligencia artificial genera hasta 284 toneladas de dióxido de carbono. Esto es cinco veces más que lo que genera un automóvil moderno, destacaron los investigadores en su documento de resultados, publicado por la Universidad de Cornell.

La investigación se centró específicamente en modelos neuronales que utilizan procesamiento natural del lenguaje (NLP, por sus siglas en inglés), una tecnología creada para enseñarles a las máquinas a interpretar y analizar el habla humana. Esta es usada en traductores, asistentes de voz, controles y comandos de voz, análisis de textos, etc.

El equipo de científicos tomó cuatro sistemas de inteligencia artificial y midió la energía que consumían durante un día. Este número fue multiplicado por el tiempo que tomó entrenar o educar a la red neuronal, según información que les fue proporcionada por los mismos creadores de cada sistema.

NAS, la tecnología que más contaminación genera

NAS es la sigla en inglés de ‘búsqueda de arquitectura neuronal’, una tecnología usada para el procesamiento natural del lenguaje que se basa en prueba y error. Esta es la tecnología más usada para entrenar redes neuronales y también la que más contaminación genera, explica el portal Popular Mechanics.

Por último, el portal Popular Mechanics asegura que el estudio no tiene en cuenta lo que sucede cuando una inteligencia artificial es entrenada y trabaja desde la nube. Eso supone mayor eficiencia de energía.

Imagen: ipopba y Toltemara (Vía iStock).