Эта запись в блоге была опубликована в контексте модуля «Исследования и теория на основе компьютерного искусства», который является частью программы магистратуры по вычислительному искусству, которую я сейчас учусь в Goldsmiths.

Использование субъективных данных как способ показать наше видение мира как художников

Этот пост является отражением выступления Ханны Дэвис о субъективных данных, которое я посетил на Transmediale 2019.

Суть ее выступления заключалась в том, что большинство наборов данных субъективны. Первоначальный выбор данных уже субъективен. Но то, как осуществляется идентификация и маркировка, также субъективно. В качестве примера она привела использование услуг Mechanical Turk в качестве метода создания и обучения машины, что предполагает субъективность людей, занимающихся классификацией.

Самым интересным в ее выступлении было то, что она призывала художников использовать эту субъективность в своих работах и ​​использовать ее, чтобы показать свое видение мира. Она предлагала использовать кустарный набор данных и творческие таксономии, потому что нет необходимости в исчерпывающей информации, разнообразии или нейтральности, когда речь идет об художественном произведении, чаще всего наоборот. Эта субъективность на самом деле является возможностью высказать свое мнение и натолкнуть на размышления.

Красота в аутсайдерах

Это нашло отклик во мне и заставило меня задуматься о том, как мы можем творчески использовать машинное обучение, чтобы уравновесить эту категоризацию и системное видение мира.

При использовании алгоритмов категоризации способ работы машинного обучения заключается в вычислении расстояния между каждой точкой данных и категориями, чтобы отсортировать их в ближайшую.

Но красота, как правило, заключается в выбросах. Итак, что, если вместо того, чтобы смотреть на то, что похоже, мы могли бы определить, что отличается от среднего?

Машина, раскрывающая красоту в различиях

Основываясь на этом принципе, я думал о том, как создать программу для выявления выбросов и либо выявить их красоту, либо использовать их творчески.

Если мы возьмем в качестве примера идею использования фотографий цветов, это будет работать так:

1- Создайте набор данных из фотографий цветов и других объектов. Затем научите машину сортировать эти изображения по 2 категориям: «цветы» и «не цветы».

2- Накормите машину изображениями, которые, как мы знаем, являются цветами. И попросите вернуть самые дальние из категории «цветы».

Использование выбросов для вдохновения на новую хореографию

Идя немного дальше, мне было интересно, можем ли мы использовать тот же подход с движением. В танцевальном мире сложно придумать новый материал, который не просто перетасовывает существующие движения. И я всегда очарован хореографическими исследованиями, которые включают в себя изучение новых форм выражения тела.

Идея заключалась в том, чтобы накормить машину видео существующих балетов как часть обучающего набора данных. Затем мы создадим новый набор данных, смешав различные источники движений, включая танцевальные движения и более естественные повседневные движения. Это может быть, например, смесь импровизационных сессий, людей, играющих в парке, людей, танцующих в клубе и т. д.

Результат был бы действительно хорошим источником вдохновения для создания новых произведений.

Можно даже пойти дальше, сделав второй набор данных более конкретным, чтобы сделать его более соответствующим теме статьи. Например, если статья посвящена самооценке, набор данных может состоять из людей, которые смотрят на себя в зеркало в лифте, играют с деформирующимся зеркалом на ярмарке, делают селфи и т. д.