Es posible obtener créditos de posgrado para escribir memes. Al menos si usa el aprendizaje profundo para hacerlo.
Solo pregúntale a Lawrence Peirson.
El joven de 23 años está siguiendo un doctorado en astrofísica teórica. en Stanford, pero decidió inscribirse en un par de cursos de IA este año. Él y su compañero de clase E. Meltem Tolunay idearon una red neuronal que subtitula memes para un proyecto de clase, ahora publicado en un libro blanco acertadamente titulado «Dank Learning».
Hay muchos ejemplos de modelos de aprendizaje profundo para producir subtítulos literales para una imagen, por ejemplo, subtitular con precisión una imagen como «hombre montando una tabla de surf» o «niño con cono de helado». Con los memes, el desafío de Peirson era ver si una red neuronal podría ir más allá de la interpretación literal y crear subtítulos humorísticos.
Aunque al principio era escéptico de que los memes fueran divertidos, Peirson descubrió que el modelo de aprendizaje profundo producía «un humor bastante interesante y original».
Alcanzar Meme Profundo
La red de aprendizaje profundo subtitulaba este meme, una variación de la popular plantilla de animales asesores. Para recopilar datos de capacitación para el modelo de aprendizaje profundo, Peirson recopiló alrededor de 400,000 memes generados por los usuarios del sitio memegenerator.net. El sitio proporciona plantillas de memes y permite a los usuarios crear sus propios subtítulos.
El conjunto de datos incluía alrededor de 3.000 imágenes base, cada una con muchos subtítulos diferentes. Como los datos de entrada se obtuvieron de forma colectiva, la calidad de la leyenda de los memes era muy variada, y el modelo de aprendizaje profundo se procesó.
«Con 400k de memes, la mayoría no serán tan divertidos, pero al menos le enseñan al sistema qué es un meme, qué chiste es relevante», dijo.
Los memes a menudo hacen referencia a la cultura pop, eventos actuales o fragmentos esotéricos de una determinada subcultura de Internet.
Como resultado, absorben lo bueno y lo malo de la cultura digital: el documento señala un sesgo en los datos de capacitación hacia memes exagerados, racistas y sexistas. Peirson ve la necesidad de filtrar estos en futuros trabajos, pero señala que «es un gran problema en el procesamiento del lenguaje natural en general», no es específico de los memes.
El modelo de aprendizaje profundo se programó en CUDA y se utilizó una GPU NVIDIA TITAN Xp. Peirson y Tolunay trataron de usar datos sin etiquetar y datos etiquetados con el título del meme (por ejemplo, éxito niño o trollface), pero no vieron una diferencia significativa en la calidad del meme.
«Son muy divertidos en una ‘manera que tiene sentido, pero no realmente'», dijo Peirson. «Los memes se prestan a ese tipo de humor».
La red de aprendizaje profundo subtitulaba este meme, una variación de la popular plantilla de consejos de animales.
Uno no simplemente declara un Meme Dank
Para evaluar el éxito del modelo de aprendizaje profundo, los colaboradores calcularon una puntuación de perplejidad, que verifica si la red neuronal puede identificar patrones claros en los datos. Calcularon esta métrica para algunos cientos de memes con formatos preestablecidos, como el meme Boromir, que siempre comienza con la frase «uno no simplemente».
Pero la verdadera prueba de un meme es si es divertido.
En una encuesta cualitativa, Peirson y su coautor presentaron a las personas un meme generado por el hombre y un aprendizaje profundo, uno al lado del otro. Hicieron dos preguntas: si el sujeto pensaba que el meme había sido creado por un humano o una computadora, y cómo el sujeto calificaría el humor del meme.
Los datos muestran que los memes de aprendizaje profundo «eran bastante indistinguibles de los memes reales», dice Peirson.
También investigaron cómo la red neuronal captaría imágenes que no estaban entre las plantillas en el conjunto de datos de capacitación. En estos casos, el algoritmo infiere patrones de la imagen desconocida en función de lo que ha visto en los datos de entrenamiento. Peirson incluso mostró el sistema de aprendizaje profundo una foto de su propia cara para probar esto, con resultados entretenidos.
Cuando Peirson ejecutó el modelo de aprendizaje profundo en una foto de su propia cara, este es uno de los subtítulos que se le ocurrió.
Los memes a menudo se vuelven virales, y parece que los whitepapers de memes no son la excepción. Peirson dice que estaba «extremadamente sorprendido» por la cobertura de los medios y su gran interés en el proyecto. Una aplicación móvil complementaria, también titulada Dank Learning, pronto estará disponible en la App Store.
Este proyecto, dice, le ha dado una nueva perspectiva sobre cuán poderosos pueden ser los memes. Millones de usuarios en todo el mundo consumen memes diariamente en los sitios de redes sociales.
Peirson ve el potencial de una inteligencia artificial fuerte para producir memes «por capricho» sobre eventos actuales para influenciar a la opinión pública, o para que los anunciantes usen memes para conocer la marca: «Hacer que esto se vuelva viral es una forma increíble de comercializar».
