L'algoritmo di visione artificiale sceglie i dipinti più creativi della storia

La creatività è una delle qualità uniche che definiscono l'umanità. Numerosi pensatori hanno esplorato le qualità che la creatività deve avere e la maggior parte ha individuato due fattori importanti: qualunque cosa produca il processo creativo, deve essere nuovo e influente.

La storia dell'arte è piena di buoni esempi sotto forma di dipinti che sono diversi da quelli apparsi prima e che hanno enormemente influenzato quelli che seguono. 1469 di Leonardo Madonna col bambino con melograno , Goya 1780 Cristo crocifisso o Monet 1865 Haystacks a Chailly all'alba e così via. Altri dipinti sono più derivati, mostrano molte somiglianze con quelli precedenti e quindi sono considerati meno creativi.

Il compito di distinguere i più creativi dagli altri spetta agli storici dell'arte. E non è un compito facile. Richiede, come minimo, una conoscenza enciclopedica della storia dell'arte. Lo storico deve quindi individuare nuove caratteristiche ed essere in grado di riconoscere caratteristiche simili nei dipinti futuri per determinarne l'influenza.

Questi sono compiti difficili per un essere umano e fino a poco tempo fa sarebbe stato inimmaginabile che un computer potesse affrontarli. Ma oggi le cose cambiano grazie al lavoro di Ahmed Elgammal e Babak Saleh della Rutgers University nel New Jersey, che affermano di avere una macchina in grado di fare proprio questo.

Lo hanno messo in funzione su un database di circa 62.000 immagini di dipinti d'arte per determinare quelle che sono le più creative della storia. I risultati offrono un nuovo modo di esplorare la storia dell'arte e il ruolo che la creatività ha avuto in essa.

Diversi progressi si sono uniti per rendere possibile questo progresso. Il primo sono le rapide scoperte che sono state fatte negli ultimi anni nella visione artificiale, basata su un modo per classificare le immagini in base ai concetti visivi che contengono.

Questi concetti visivi sono chiamati classimi. Possono essere caratteristiche di basso livello come colore, consistenza e così via, oggetti semplici come una casa, una chiesa o un pagliaio e caratteristiche di livello molto superiore come camminare, un cadavere e così via.

Questo approccio consente a un algoritmo di visione artificiale di analizzare un'immagine e produrre un elenco di classimi che la descrivono (fino a 2.559 classimi diversi, in questo caso). Questo elenco è come un vettore che definisce l'immagine e può essere utilizzato per confrontarlo con altri analizzati allo stesso modo.

Il secondo progresso che rende possibile questo lavoro è l'avvento di enormi banche dati online di arte. Questo è importante perché gli algoritmi di visione artificiale hanno bisogno di grandi database per imparare il loro mestiere. Elgammal e Saleh lo fanno su due grandi database, uno dei quali, dal sito Wikiart, contiene immagini e annotazioni su circa 62.000 opere d'arte nel corso della storia.

La componente finale del loro lavoro è teorica. Il problema è capire quali dipinti sono i più nuovi rispetto ad altri precedenti e quindi determinare quanti dipinti in futuro utilizzeranno caratteristiche simili per calcolare la loro influenza.

Elgammal e Saleh affrontano questo come un problema di scienza delle reti. La loro idea è quella di trattare la storia dell'arte come una rete in cui ogni dipinto si collega a dipinti simili in futuro ed è collegato a dipinti simili del passato.

Il problema di determinare il più creativo è quindi quello di capire quando compaiono per la prima volta determinati modelli di classemi e come questi modelli verranno adottati in futuro. Mostriamo che il problema può ridursi a una variante dei problemi di centralità della rete, che possono essere risolti in modo efficiente, dicono.

In altre parole, il problema di trovare i dipinti più creativi è simile al problema di trovare la persona più influente su un social network, o la stazione più importante nel sistema metropolitano di una città o super-diffusori di malattie. Questi sono diventati problemi standard nella teoria delle reti negli ultimi anni, e ora Elgammal e Saleh lo applicano per la prima volta alle reti di creatività.

I risultati dell'analisi dell'algoritmo di visione artificiale sono interessanti. La figura sopra mostra le opere d'arte tracciate per data lungo l'asse inferiore e per punteggio di creatività dell'algoritmo sull'asse verticale.

Diversi film famosi si distinguono per essere particolarmente nuovi e influenti, come quello di Goya Cristo crocifisso, di Monet Haystacks a Chailly all'alba e quello di Munch Il Grido. Altre opere d'arte si distinguono perché non sono ritenute creative, come la scultura di Rodin del 1889 Nonna e il disegno a carboncino di Durer Barbara Dürer risalente al 1514 .

Molti storici dell'arte sarebbero d'accordo. Nella maggior parte dei casi, i risultati dell'algoritmo sono opere d'arte che gli storici dell'arte evidenziano come innovative e influenti, affermano Elgammal e Saleh.

Un punto importante qui è che questi risultati sono completamente automatizzati. Nascono a causa della rete di collegamenti tra i dipinti che l'algoritmo scopre. Non esiste un seeding iniziale che distorce la ricerca in un modo o nell'altro.

Naturalmente, gli storici dell'arte discuteranno sempre su come definire esattamente la creatività e su come questo cambia la loro visione di ciò che lo rende nell'elenco dei più creativi. La bellezza delle tecniche di Elgammal e Saleh è che piccole modifiche al loro algoritmo consentono di esplorare automaticamente diverse definizioni di creatività.

Questo tipo di data mining potrebbe avere un impatto importante sul modo in cui gli storici dell'arte valutano i dipinti. La capacità di rappresentare in questo modo l'intera storia dell'arte cambia il modo in cui è possibile pensare l'arte e discuterla. In un certo senso, questo tipo di data mining, e le figure che lo rappresentano, sono nuovi strumenti di ragionamento per gli storici dell'arte.

E questo approccio non si limita solo all'art. Elgammal e Saleh sottolineano che può essere utilizzato anche per esplorare la creatività nella letteratura, nella scultura e persino nella scienza.

Non vediamo l'ora di vedere come questi ragazzi lo applicheranno altrove.

Rif: arxiv.org/abs/1506.00711 : Quantificare la creatività nelle reti d'arte

nascondere