A szakemberek számára nagy kihívást jelent, hogy egy neurális hálózat tanításához rengeteg adatot kell betáplálniuk ahhoz, hogy adott feladatra kiképezzenek egy mesterséges intelligenciát. Ian Goodfellow, a Google Brain divíziójának fejlesztője újfajta megoldással próbál közelebb kerülni ahhoz, hogy az MI-k tanítása függetlenebbé váljon az emberektől. Szerinte az lenne a legkézenfekvőbb megoldás, ha
A szakember egy idézettel szemlélteti projektjének fontosságát: „Amit nem tudok elkészíteni, azt nem is érthetem meg.” Igaz, ez esetben nem magáról, hanem áttételesen a mesterséges intelligenciákról beszél. „Amit egy AI nem tud elkészíteni, azt nem értheti meg.”
Goodfellow-nak még 2014-ben, PhD hallgatóként jutott eszébe a „generatív ellenséges hálózatok” koncepciója (röviden GAN), egy kocsmai vita után. Ennek lényege, hogy két mesterséges intelligencia segíti egymást a tanulásban olyan módon, hogy például míg az egyik valósághű képeket próbál előállítani mondjuk egy kiskutyáról, addig egy másik elemzi az eredményt, és eldönti, hogy a képek valódiak vagy mesterségesek.
Ezáltal folyamatosan keresi a kritikus pontokat, melyek alapján az előbbi még pontosabb képeket állíthat elő. A legszemléletesebb példa erre a művész és a kritikus viszonya.
„A generatív modell célja, hogy becsapja a kritikust, és elhitesse vele, hogy valódi képeket készít”.
A két neurális hálózat gyakorlatilag egymásra támaszkodik a tanulási folyamatban, maguknak állítanak elő újabb inputokat.
Yann LeCun, a Facebook mesterséges intelligenciával kapcsolatos kutatásait vezető szakember is úgy gondolja, hogy ez az elmúlt 20 év legjobb ötlete deep learning (mélytanulás) terén.
A megoldással nemcsak a képgenerátorokat sikerülhet így pontosabbá tenni, de más szoftverekben is segíthet csökkenteni azon adatok mennyiségét, amelyeket az embereknek kell betáplálniuk.
