Rozpoznání obrázků a objektů není pro umělou inteligenci žádná novinka. Nový systém ale dokáže analyzovat uměleckou malbu dle mnoha vlastnostní, která nevidí ani ten nejlepší historik.
Pokrok v umělé inteligence se v posledních letech dostal do velmi rychlého tempa, ve velkých systémech společností jako Google, Facebook, Baidu a dalších už běží platformy pro rozpoznávání tváří nebo automatická analýza objektů na fotografiích a jejich správné roztřídění.
Rozpoznávání jednotlivých objektů je ale z dnešního pohledu už poměrně jednoduchá a „vyřešená“ záležitost. To že je na obrázku auto, vám totiž řekne třeba i 18měsíční dítě. Pokud jde ale o pokročilé rozpoznávání vlastností uměleckých maleb, to je forma zcela jiné ligy.
Umělecká malba – náročná disciplína i pro člověka
Pokud jde o rozpoznávání uměleckých děl dle jejich vlastností, jde o disciplínu, která zahrnuje specializované experty, kteří se v této oblasti pohybují desítky let. Mají detailní zkušenosti s různými uměleckými styly jednotlivých století, umělců, malířských technik, použitých druhů barev a spoustou dalších vlastností.
Mona Lisa - nejznámější obraz, Leonardo da Vinci
Zkušený expert tak dokáže rozpoznat, že daný obraz maloval Rembrandt, v jakém období jeho života a jakou technikou, aniž by konkrétní obraz znal. Přesná analýza v rámci obrovského množství děl vychází z dlouze nasbíraných zkušeností, které se jeho mozek v průběhu života naučil.
Na první pohled to vypadá jako extrémně náročná věc pro automatizaci, avšak to neplatí pro pokročilou umělou inteligenci.
Hluboké neuronové sítě pro rozpoznání vlastností
V rámci výzkumu vědců Babaka Saleha a Ahmeda Elgammala se nový systém zaměřoval na podrobnou analýzu historických uměleckých maleb. Díky tomu, že je dnes většina těchto děl digitalizována a tedy volně dostupná, nebyl problém využít všechny zdrojové fotografie obrazů ve vysokém rozlišení.
Databáze obsahovala celkem 80 000 uměleckých maleb od více než tisícovky umělců, kteří je namalovali v průběhu patnácti různých století. I s takovým časovým rozpětím a množstvím umělců se ale jednalo pouze o přibližně 27 rozdílných hlavních stylů.
Vytvořený systém umělé inteligence skládající se z několika různých část (odlišné podskupiny strojového učení) nakonec analyzoval a rozpoznával kolem 400 různých vlastností, mezi kterými byly i žánry, barevné spektrum, nebo i zmíněné konkrétní objekty v obraze.
Ukázka nalezených podobných obrazů, které se liší stylem
I když byly první testy algoritmů na vybraném malém vzorku poměrně dobré, docházelo k nepřesnému určení některých umělců či stylů. Po dalším zkoumání byl nalezen důvod – daní umělci žili ve stejném období a na stejném místě a sdíleli mezi sebou své dovednosti. Podobně nalezli blízké spojení mezi jednotlivými styly, které se vyvíjeli v průběhu času – Impresionismus a Postimpresionismus, Kubismus a Syntetický kubismus a podobně. Vše aniž by předtím umělá inteligence znala jakékoli současné rozdělení. Díky nalezeným podobnostech mnoha vlastností bylo nalezeno spojení třeba mezi umělcem Claude Monetem a Childe Hassamem, který se od něho nechal „inspirovat“.
Systém umělé inteligence tak dokázal najít spojitosti, které zná jen expert na historické malby.
K odbornosti stačila „chvilka“
Na tomto příkladu je velmi dobře vidět, jak velká bude revoluce s příchodem stále pokročilejší umělé inteligence. Zatímco člověk potřeboval desítky let pro dosažení odbornosti v této oblasti, rozpoznávání jemných „nuancí“ jednotlivých stylů či umělců a tahů, umělá inteligence i v této stále omezené formě dokázala dosáhnout ještě lepší úrovně za několik dní či týdnů.
Jedním z nejznámějších pokročilých systémů na rozpoznávání vzorů má IBM - jmenuje se Watson
Navíc byla schopná najít i nové spojitosti, které třeba dříve nebyly známé, protože historici nepracovali s tolika porovnatelnými vlastnostmi. Dobrou zprávou je, že lze do budoucna čekat podobnou analýzu i nad dalšími daty. Dozvíme se tak o historii nové věci, které ale mohou být pro někoho dobré či špatné.
Vzhledem k tomu, že se ukládá stále více dat o všem, bude možné analyzovat i věci, které jsou dnes třeba nemyslitelné a najít spojitosti v obrovském balíku netříděných informací.
Jedno je ale jisté – nespoléhejte se na učení čehokoli, co zahrnuje pouhé rozpoznávání vzorů (viz zmíněná dovednost v analýze obrazů). Strojové učení startuje svůj rozmach právě v této oblasti a už dnes dokáže pracovat s nepředstavitelně větším balíkem dat v mnohem menším čase a extrémně levně. A postupně se dostává do stále dalších segmentů.
