Comment la modélisation basée sur les données peut créer de la valeur pour les entreprises dans le monde des NFT et au-delà

Dans cet article, nous aborderons les thèmes suivants :

• Que sont les NFT et les GAN ?
• Le rôle des données dans la création d’un GAN
• Un tutoriel sur la manière dont les entreprises peuvent collecter des données de manière pratique pour un projet GAN
• Comment les GAN peuvent générer de la valeur pour les entreprises

Que sont les NFT et les GAN ?

Lorsque la plupart des gens pensent aux jetons non fongibles (NFT), ils pensent généralement à l’art, qui est devenu une application populaire de la technologie NFT. Pour simplifier, le NFT est un système basé sur la blockchain qui permet aux particuliers ou aux entreprises d’enregistrer la propriété d’un élément numérique unique, tel que de la musique, du code ou de l’art.
Si nous nous concentrons un instant sur l’« art », certaines personnes connaissent peut-être le Bored Ape Yacht Club, un projet qui a créé 10 000 œuvres d’art numériques uniques.

Ces singes peuvent sembler être une plaisanterie pour certains, mais en termes économiques réels, l’ensemble de la collection Bored Apes vaut plus d’un milliard de dollars, certains singes individuels se vendant au détail à 2 ou même 3 millions de dollars.

Toute cette série d’événements est en soi fascinante, mais l’histoire ne s’arrête pas là. Un groupe de personnes qui ont vu le projet Bored Ape a décidé d’utiliser la technologie des réseaux antagonistes génératifs (GAN) afin de créer leur propre version de ce projet « en édition limitée ».

En termes simples, les GAN sont essentiellement des algorithmes d’apprentissage automatique (ML) qui peuvent être entraînés à partir de données afin que le modèle puisse ensuite créer/générer des résultats sans supervision humaine. C’est ainsi qu’est née la série GAN Bored Ape :

Au début, cela a créé un marché secondaire pour ceux qui voulaient participer à l’action mais qui n’avaient pas 2 millions de dollars à dépenser pour un Bored Ape original. Avec le temps, ce marché secondaire s’est développé pour devenir un marché à part entière.

Le rôle des données dans la création d’un GAN

Les GAN sont construits à l’aide d’une architecture à deux composants qui comprend un « générateur » et un « discriminateur ». Le générateur crée de nouvelles données, telles que des images ou du texte, à partir des « données d’entraînement » fournies à l’algorithme. Le discriminateur a pour tâche de différencier les nouveaux Jeux de données générés artificiellement des données originales. Le Discriminateur n’« approuve » que les jeux de données qui correspondent suffisamment aux données du monde réel. Cela signifie que la collecte de données précises et de haute qualité est de la plus haute importance lorsqu’on tente de créer/former un GAN capable de générer des résultats de grande valeur.

Tutoriel sur la manière dont les entreprises peuvent collecter des données de manière pratique pour un projet GAN

Le directeur technique d’Amazon, Werner Vogels, a tweeté: «Au fait, cet excellent travail a été réalisé par @ykilcher. Regardez sa vidéo si vous voulez obtenir des détails sur la collecte de données et la génération du GAN. »

Comment les GAN peuvent créer de la valeur pour les entreprises

À première vue, cela peut sembler être un développement très isolé qui ne concerne que ceux qui sont profondément impliqués dans les marchés de la blockchain, de la cryptographie et du commerce d’œuvres d’art NFT. Mais c’est une idée fausse.

La technologie GAN d’apprentissage automatique a le potentiel de révolutionner le processus de création des entreprises, depuis les concepts commerciaux dans leur ensemble jusqu’aux produits et lignes de code.

Le spectre des domaines GAN actuellement existants est assez large. Certaines personnes exploitent cette technologie pour entraîner des algorithmes, avec des résultats parfois absurdes, comme sur le site thiscatdoesnotexist.com.

À l’autre extrémité du spectre, on commence à voir apparaître des exemples qui laissent entrevoir des capacités commerciales qui, lorsqu’elles sont correctement appliquées, pourraient réellement transformer tout un secteur.

Cela pourrait changer la manière dont les nouvelles idées, les chansons, les contenus, les graphiques, les œuvres d’art et les avancées scientifiques sont créés et réalisés.

Voici quelques exemples pour vous aider à mieux comprendre les opportunités qui s’offrent à vous :

1. Thisstartupdoesnotexist.com -> Peut aider les entrepreneurs à trouver de nouvelles idées en croisant des millions de Points de données. L’algorithme peut prendre en compte les startups qui existent déjà tout en identifiant simultanément les nouveaux marchés et les points faibles qui nécessitent une nouvelle solution/un nouvel outil.
2. Thissneakerdoesnotexist.com -> Peut aider les marques de mode à créer des designs de produits infiniment uniques. Cela permet à leur marque de se démarquer de la concurrence et leur donne les moyens de gagner des parts de marché tout en réduisant le temps entre la conception et la production.
3. Thischemicaldoesnotexist.com -> Peut aider les scientifiques à mettre au point de nouveaux produits chimiques synthétiques susceptibles de changer la façon dont les articles sont fabriqués, emballés, stockés et expédiés. Parmi les exemples précédents de matériaux synthétiques qui ont révolutionné des industries et des cycles de production entiers, on peut citer les « polymères plastiques » et les « mousses de polystyrène » (mieux connues sous le nom de « polystyrène expansé »).

Conclusion

La modélisation par interpolation GAN a beaucoup évolué depuis ses débuts, lorsqu’elle ne pouvait générer que des chiffres et des images à peine reconnaissables à l’œil nu. Comme le démontre l’un des premiers articles universitaires consacrés à ce sujet, publié en 2014, « Generative Adversarial Nets » (Réseaux antagonistes génératifs) de Ian J. Goodfellow:

Depuis lors, la technologie d’apprentissage automatique GAN a fait beaucoup de progrès. Il faut toutefois reconnaître qu’elle n’est pas encore parfaite. Les entreprises qui choisissent d’être les premières à l’adopter peuvent charger leurs équipes DevOps d’ingérer des données web open source et de créer des modèles GAN indépendants dans leurs secteurs respectifs. Ces acteurs sont en passe de devenir les leaders du marché dans leurs domaines, tant en termes de génération d’idées que l’esprit humain n’avait jamais imaginées auparavant, qu’en termes de distinction grâce à l’utilisation de technologies tournées vers l’avenir.