Ģeneratīvais sacīkšu tīkls (GAN) sastāv no diviem neironu tīkliem, kas tiek apmācīti pretī viens otram: ģenerators rada mākslīgus datus, piemēram, attēlus, bet diskriminators mēģina tos atšķirt no īstajiem. Šādā sacensībā rezultāti kļūst arvien reālistiskāki. GAN ieviesa 2014. gadā, un tie noteica attēlu ģenerēšanu, pirms plašāk izplatījās difūzijas modeļi; tos izmanto, piemēram, sintētiskiem apmācības datiem vai attēlu uzlabošanai.
Frešē iegulšanas attālums (Fréchet inception distance, FID) ir metrika MI ģenerētu attēlu kvalitātes novērtēšanai. Īstie un ģenerētie attēli tiek laisti caur iepriekš apmācītu attēlu atpazīšanas tīklu (Inception v3), un tiek salīdzināti to pazīmju statistiskie sadalījumi. Jo zemāka vērtība, jo tuvāk ģenerētie attēli ir īstām fotogrāfijām reālisma un daudzveidības ziņā. FID ieviests 2017. gadā un ir standarts attēlu ģeneratoru salīdzināšanai.
Dziļviltojums (deepfake) ir ar MI izveidots vai pārveidots attēls, video vai audioieraksts, kas pārliecinoši rāda reālus cilvēkus sakām vai darām to, kas nekad nav noticis. Līdzās likumīgam lietojumam filmās vai dublēšanā dziļviltojumus izmanto dezinformācijai, reputācijas graušanai un krāpšanai — piemēram, viltotiem zvaniem it kā no vadītāja ar lūgumu veikt pārskaitījumu. Aizsardzība ietver atzvanu pa zināmiem kanāliem, skaidrus apstiprināšanas procesus un MI radīta satura marķēšanu.
Sintētiski dati tiek ģenerēti mākslīgi, nevis vākti reālajā pasaulē, bet atdarina reālu datu likumsakarības un īpašības. Tie palīdz, ja īstu datu ir maz, tie ir dārgi vai datu aizsardzības ziņā sensitīvi — piemēram, programmatūras testēšanai, modeļu apmācībai vai tērzēšanas robota pārbaudei ar reālistiskiem paraugvaicājumiem. Svarīgi, lai tie pietiekami precīzi atspoguļotu realitāti un neļautu izdarīt secinājumus par reālām personām.
Ģeneratīvais MI apzīmē MI sistēmas, kas rada jaunu saturu — tekstu, attēlus, audio, video vai programmas kodu —, nevis tikai šķiro vai vērtē esošus datus. Tās balstās uz modeļiem, kas no liela datu apjoma apgūst likumsakarības un izmanto tās, lai radītu ticamus jaunus rezultātus. Uzņēmējdarbībā to izmanto, piemēram, e-pastu, kopsavilkumu, produktu aprakstu vai attēlu ideju melnrakstiem. Rezultāti var saturēt kļūdas, un pirms lietošanas tie jāpārbauda.
