Comprendre les notions de Machine Learning et du GAN ART. (3)

Quelques explications simples sur les notions de base comme IA et Machine Learning (ML).

L’intelligence artificielle (IA) est en réalité un concept très large.

Comme le mot indique, le but de l’homme dans cette affaire est de créer une intelligence avec n’importe quel moyen dont il dispose actuellement.

Pas comme du temps de Golem avec de la glaise, mais évidemment avec l’aide de l’informatique et des modèles mathématiques. Pour cela on entraîne des machines pour analyser et apprendre.

Ce processus d’entraînement s’appelle ML, machine Learning.

algorithme GAN

 

Machine learning est donc un processus et/ou un sous-ensemble de l’IA.

Ce processus a pour but d’éviter de donner à l’ordinateur des instructions directes (des lignes de codes où tout est décrit). A contrario, il s’agit de l’apprendre à analyser les données pour identifier des groupes de données (patterns). Ces patterns permettent de créer et utiliser des modèles prédictifs.
cluster
Partout où les données changent tout le temps et le codage rigide de solution n’est pas possible, cette méthode est intéressante. La machine s’améliore avec la pratique comme un humain.

Ceci différencie le ML des modèles prédictifs, mais basés sur un jeu de données statiques.

Quel est le rapport avec les réseaux neuronaux (NN) ?

Une des méthodes d’entraînement de la machine imite les réseaux neuronaux humains. Ce sont des séries d’algorithmes inspirées par le fonctionnement du cerveau humain. Le Deep Learning est une forme pointue de machine learning qui fait appel à NN.

Le ML utilise les trois techniques :

Apprentissage supervisé, non supervisé et par renforcement avec boucle de rétroaction.

Pour en savoir plus : Présentation de Machine Learning | Microsoft Azure

Et pour finir, tout ceci fait appel à de nombreux algorithmes de calcul de classification, de détection d’anomalies, de régression, de clustering qui s’appuient sur les outils mathématiques (régression linéaire, logistique, de classification naïve, d’arbre de décision ou encore de forêt aléatoire).

Vous avez compris, il vaut mieux confier l’affaire à un expert!

Une image générée avec GAN à partir d’un set de données  (dessins et structures).

Avantages du ML pour la pratique de GAN art.

Par le passé les artistes se sont intéressés à l’informatique pour générer les images. Citons par exemple l’art algorithmique ou art génératif. Le précurseur comme Harold Cohen créa le programme AARON, codé ‘dans le dur’ pour commencer. C’est Cohen qui devait écrire les règles esthétiques souhaitées.
L’IA a progressé ensuite en intégrant la technologie d’apprentissage automatique ML. La nouvelle vague d’outils inclut les algorithmes qui en regardant de nombreuses images générèrent d’autres images selon l’esthétique apprise.

Il s’agit de Gan et de CAN, des technologies qui furent hors de portée de la majorité des artistes il y a encore’ quelques années.

Le GAN (Generative Adversial network) a été conçu par Goodfellow en 2014.

En 2014, un artiste voulant utiliser le processus devait savoir coder.  L’artiste joue toutefois un rôle important dans ce processus. Il sélectionne le jeu d’images d’apprentissage. Ensuite, il choisit également l’un des résultats finaux. Il peut également modifier l’algorithme.

Can (creative adversarial network)

Un autre type d’algorithme dont on parle parfois est le CAN. Il a pour but d’apprendre un style existant puis créer ce qui n’est pas encore réalisé et numérisé de manière autonome. C’est un peu comme si on disait, fais-moi un tableau de Kandinsky, celui qui n’avait pas le temps de faire.

La prime va au premier : la vente du portrait d’Edmond Belamy :

Nous avons généralement entendu parler pour la première fois du ML dans l’art après la vente du premier portrait ‘fait par l’IA’. Ce fut surtout un excellent coup de publicité!
Christie’s a vendu la première œuvre d’art créée par un ordinateur entraîné pour 432 500$ . Un bon coup médiatique du collectif Obvious. En réalité, la machine à ingurgité des milliers de tableaux de portrait du passé et a proposé une image sur la base de cet enseignement généré par un algorithme spécifique le GAN.

Pour savoir comment j’ai approché le ML dans ma pratique, lire aussi :