Quelques explications de base sur les notions comme intelligence artificielle (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 les moyens dont il dispose actuellement.
Pas comme dans l’histoire de Golem avec de la glaise, mais évidemment avec l’aide de l’informatique et des modèles mathématiques.
Pour cela le chercheur entraîne des machines à analyser et à apprendre à partir des sets de données.
Ce processus d’entraînement s’appelle ML, machine Learning.
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 déterminé).
A contrario, il s’agit de l’apprendre à analyser les données pour identifier par exemple des groupes de données similaires (patterns).
Ces patterns permettent de créer et d’utiliser ensuite des modèles prédictifs.
Partout où les données changent tout le temps et le codage rigide d’une solution prédéterminée n’est pas possible, cette méthode est intéressante.
La machine s’améliore avec la pratique comme un humain.
Ceci différencie l’apprentissage machine des modèles prédictifs 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 justement aux réseaux neuronaux.
Le ML différencie généralement trois techniques d’apprentissage :
Apprentissage supervisé, non supervisé et par renforcement avec boucle de rétroaction.
Pour en savoir plus : Présentation de Machine Learning | Microsoft Azure
Et pour finir, les experts en machine learning font 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 du GANart.
Certains artistes se sont intéressés à l’informatique pour générer les images dès le début de la généralisation de l’ordinateur.
On parlait alors de 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 ligne par ligne dans son programme.
La génération d’image a progressé ensuite en intégrant de nouveaux algorithmes et la technologie d’apprentissage automatique ML. La nouvelle vague d’outils inclut ainsi les algorithmes qui en analysant de nombreuses images, générèrent d’autres images selon l’esthétique apprise.
Il s’agit notamment des algorithmes Gan et de CAN 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 un peu coder.
Dans le cas du GAN, l’artiste joue toutefois un rôle important dans le 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 ou du GAN 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 portraits du passé et a proposé une image sur la base de cet enseignement généré par un algorithme spécifique, le GAN.
Nota du février 2023 : La technologie évolue si vite que depuis mon article, la génération d’image a pris une telle envolée que ce texte est déjà de la pré-histoire ! Il faudra lire la suite des articles du 2022-23!