Desafíos actuales de la Inteligencia Artificial

Deepfakes y derecho penal 99 aprendizaje profundo ( deep learning ): Las redes generativas antagónicas 4 y autocodificadores variacionales 5 . Desarrollemos un poco más este concepto. 2.1.Concepto de Deepfake El Deepfake es una técnica de Inteligencia Artificial que permite manipular medios digi- tales para crear imágenes, vídeos o audios falsos de una persona, animal, lugar o ambiente 6 . Actualmente, estos sistemas son capaces de generar contenido con tal grado de precisión que se hace muy difícil distinguir la falsificación del contenido auténtico (Yu et. al., 2019). 2.2.Clases de Deepfake Por lo que se refiere al ser humano, que es lo que aquí nos interesa, es posible emular expresiones faciales, movimientos corporales e, incluso, la voz humana de una forma ex- tremadamente realista. Con carácter general, pueden identificarse tres tipos de Deepfakes relacionados con las personas: capas extraen características básicas de los datos, como por ejemplo bordes y colores en imágenes, mientras que las capas posteriores combinan estas características en patrones más complejos y abstractos. 4 Las redes generativas antagónicas (GAN) son la técnica central en la creación de Deepfakes (véase Karpathy et. Al., 2016). Consisten en dos redes neuronales enfrentadas: un generador y un discriminador. El generador produce contenido falso o sintético y el discriminador evalúa la autenticidad de este contenido. Durante el entrenamiento, estas dos redes neuronales compiten entre sí: el generador busca crear contenido que engañe al discriminador, mientras que el discriminador busca detectar cualquier inconsistencia en el contenido generado. Esta competencia iterativa conduce a una mejora continua en la calidad del contenido generado, ya que el ge- nerador aprende a crear imágenes o vídeos cada vez más realistas y, en consecuencia, más difíciles de distinguir de los originales. 5 Los modelos variacionales autoencoder (VAE) tienen potencial para ser utilizados en la creación de Deepfakes, pero no son la técnica principal que se emplea actualmente debido a que la calidad de las imágenes sintetizadas depende en gran medida de la calidad y cantidad de datos de entrenamiento, por lo que, si estos son limitados o de baja calidad, las imágenes generadas pueden verse borrosas y poco realistas. 6 Es necesario diferenciar este concepto del de transferencia de estilo (véase Canham et. al., 2023), una técnica que se utiliza para aplicar el estilo visual de una imagen de origen a otra imagen de destino. Esta técnica se basa en que el estilo de una imagen, como su paleta de colores, texturas y patrones, puede separarse de su contenido, como los objetos y las formas representadas en la imagen. Al separar ambas cosas, este modelo permite tomar el estilo visual de una imagen y aplicarlo a otra, creando así una imagen nueva pero que conserva el contenido y estilo artístico de la imagen de origen. La transferencia de estilo puede ser utilizada en el contexto de la creación de un Deepfake, ya que estos no solo imitan la apariencia física de una persona, sino también su estética personal para crear un estilo visual distintivo. No obstante, una mera modificación estética de una imagen, una mera transferencia de estilo, no puede considerarse un Deepfake en sí mismo.