L'algorithme de vision artificielle choisit les peintures les plus créatives de l'histoire

La créativité est l'une des qualités uniques de l'humanité. De nombreux penseurs ont exploré les qualités que la créativité doit avoir, et la plupart ont identifié deux facteurs importants : quel que soit le processus de créativité produit, il doit être nouveau et il doit être influent.

L'histoire de l'art est remplie de bons exemples sous la forme de peintures qui ne ressemblent à aucune de celles qui sont apparues auparavant et qui ont énormément influencé celles qui suivent. 1469 de Léonard Vierge à l'enfant avec une grenade , Goya 1780 Christ crucifié ou Monet 1865 Meules de foin à Chailly au lever du soleil etc. D'autres peintures sont plus dérivées, montrant de nombreuses similitudes avec celles qui les ont précédées et sont donc considérées comme moins créatives.

La tâche de distinguer les plus créatifs des autres incombe aux historiens de l'art. Et ce n'est pas une tâche facile. Elle requiert, à tout le moins, une connaissance encyclopédique de l'histoire de l'art. L'historien doit alors repérer de nouvelles caractéristiques et être capable de reconnaître des caractéristiques similaires dans les peintures futures pour déterminer leur influence.

Ce sont des tâches délicates pour un humain et jusqu'à récemment, il aurait été inimaginable qu'un ordinateur puisse les prendre en charge. Mais aujourd'hui, cela change grâce au travail d'Ahmed Elgammal et Babak Saleh de l'Université Rutgers dans le New Jersey, qui disent avoir une machine capable de faire exactement cela.

Ils l'ont mis au travail sur une base de données de quelque 62 000 images de peintures d'art pour déterminer celles qui sont les plus créatives de l'histoire. Les résultats offrent une nouvelle façon d'explorer l'histoire de l'art et le rôle que la créativité y a joué.

Plusieurs avancées se sont conjuguées pour rendre cette avancée possible. Le premier concerne les percées rapides qui ont été réalisées ces dernières années dans le domaine de la vision artificielle, basées sur une manière de classer les images en fonction des concepts visuels qu'elles contiennent.

Ces concepts visuels sont appelés classèmes. Il peut s'agir d'éléments de bas niveau tels que la couleur, la texture, etc., d'objets simples tels qu'une maison, une église ou une botte de foin et d'éléments de niveau beaucoup plus élevé tels que la marche, un cadavre, etc.

Cette approche permet à un algorithme de vision artificielle d'analyser une image et de produire une liste de classèmes qui la décrivent (jusqu'à 2 559 classèmes différents, dans ce cas). Cette liste est comme un vecteur qui définit l'image et peut être utilisée pour la comparer à d'autres analysées de la même manière.

La deuxième avancée qui rend ce travail possible est l'avènement d'énormes bases de données en ligne sur l'art. Ceci est important car les algorithmes de vision artificielle ont besoin de grandes bases de données pour apprendre leur métier. Elgammal et Saleh le font sur deux grandes bases de données, dont l'une, issue du site Wikiart, contient des images et des annotations sur quelque 62 000 œuvres d'art de toute l'histoire.

La dernière composante de leur travail est théorique. Le problème est de déterminer quelles peintures sont les plus nouvelles par rapport aux autres précédentes, puis de déterminer combien de peintures à l'avenir utiliseront des caractéristiques similaires pour déterminer leur influence.

Elgammal et Saleh abordent cela comme un problème de science des réseaux. Leur idée est de traiter l'histoire de l'art comme un réseau dans lequel chaque tableau est lié à des tableaux similaires dans le futur et est relié par des tableaux similaires du passé.

Le problème de déterminer les plus créatifs est alors celui de savoir quand certains modèles de classèmes apparaissent pour la première fois et comment ces modèles sont adoptés à l'avenir. Nous montrons que le problème peut se réduire à une variante des problèmes de centralité du réseau, qui peuvent être résolus efficacement, disent-ils.

En d'autres termes, le problème de trouver les peintures les plus créatives est similaire au problème de trouver la personne la plus influente sur un réseau social, ou la station la plus importante du métro d'une ville ou les super propagateurs de maladies. Ceux-ci sont devenus des problèmes standard dans la théorie des réseaux ces dernières années, et maintenant Elgammal et Saleh les appliquent pour la première fois aux réseaux de créativité.

Les résultats de l'analyse de l'algorithme de vision artificielle sont intéressants. La figure ci-dessus montre les œuvres d'art tracées par date le long de l'axe inférieur et par le score de créativité de l'algorithme sur l'axe vertical.

Plusieurs tableaux célèbres se distinguent comme étant particulièrement nouveaux et influents, comme celui de Goya Christ crucifié, de Monet Meules de foin à Chailly au lever du soleil et Munch le Pousser un cri. D'autres œuvres d'art se distinguent parce qu'elles ne sont pas considérées comme créatives, comme la sculpture de Rodin de 1889 Mamie et le dessin au fusain de Durer Barbara Durer datant de 1514 .

De nombreux historiens de l'art seraient d'accord. Dans la plupart des cas, les résultats de l'algorithme sont des œuvres d'art que les historiens de l'art soulignent en effet comme innovantes et influentes, disent Elgammal et Saleh.

Un point important ici est que ces résultats sont entièrement automatisés. Ils surviennent à cause du réseau de liens entre les peintures que l'algorithme découvre. Il n'y a pas d'ensemencement initial qui biaise la recherche d'une manière ou d'une autre.

Bien sûr, les historiens de l'art discuteront toujours de la manière exacte de définir la créativité et de la façon dont cela change leur vision de ce qui figure sur la liste des plus créatifs. La beauté des techniques d'Elgammal et Saleh est que de petits changements à leur algorithme permettent d'explorer automatiquement différentes définitions de la créativité.

Ce type d'exploration de données pourrait avoir des impacts importants sur la façon dont les historiens de l'art évaluent les peintures. La possibilité de représenter ainsi toute l'histoire de l'art change la façon dont il est possible de penser l'art et d'en discuter. D'une certaine manière, ce type de fouille de données, et les chiffres qui la représentent, sont de nouveaux instruments de raison pour les historiens de l'art.

Et cette approche ne se limite pas seulement à l'art. Elgammal et Saleh soulignent qu'il peut également être utilisé pour explorer la créativité en littérature, en sculpture et même en science.

Nous attendons avec impatience de voir comment ces gars-là l'appliqueront ailleurs.

Réf : arxiv.org/abs/1506.00711 : Quantifier la créativité dans les réseaux artistiques

cacher