مدل‌های یادگیری عمیق برای تجزیه و تحلیل داده‌های آثار هنرمندان بزرگ و بازار نقاشی
تیم تحریریه- ۴ فروردین ۱۴۰۰
چه چیزی باعث موفقیت هنرمندان و نقاشی آن‌ها می‌شود؟ این همان موضوعی است که آناستازیوس افتیمیو، دانشجوی دکترای دانشکده بازرگانی آمستردام می‌خواهد با تحقیقات خود پرده از راز آن بردارد. او این کار را از الگوهای یادگیری عمیق برای تجزیه و تحلیل داده ها و یافتن همبستگی در یک مجموعه دیتا کمک گرفته است. این مجموعه دیتا حاوی بیش از ۲ میلیون تصویر از ۷۶۰۰۰ نقاشی است.
افتیمیو در رساله دکتری خود در پی آن است که پی ببرد چرا برخی از نقاشان به شدت محبوب شده‌اند در حالی که دیگران محبوبیتی ندارند. او این کار را با استفاده از داده‌های بزرگ (دیتاست بزرگی از نقاشی) برای طبقه‌بندی مجموعه‌های هنری انجام داده است. او در این مسیر از شبکه های عصبی شرطی و همچنین یادگیری عمیق برای تجزیه و تحلیل داده ها استفاده می‌کند.
همکاران پروژه
پروژه افتمیو از سال گذشته آغاز شده و انتظار می‌رود که حدود ۳ سال دیگر به طول انجامد. این پروژه با همکاری بخش‌های کارآفرینی و نوآوری و مدیریت عملیات ABS در حال انجام است. همچنین از دیگر شرکای پروژه می‌توان به خانه حراج Sotheby، موزه Rijksmuseum، موزه Stedelijk آمستردام و موسسه صدا و تصویر هلند نام برد.
استادان افتیمیو دکتر مونیکا کاکوویچ، دکتر استوان رودیناک، پروفسور ناچوم واینبرگ و پروفسور مارسل وورینگ هستند. افتیمیو می‌گوید ما به طور خاص موفقیت‌های هنری و اقتصادی در بازار هنر را از نظر کمی و فراتاریخی مورد بررسی قرار می‌دهیم. ما از طبقه‌بندی به عنوان چارچوب نظری خود به همراه تکنیک‌های پیشرفته یادگیری ماشین استفاده می‌کنیم تا برای اولین بار به بررسی تأثیرات مقوله‌های هنری از نظر مکانیسم‌های گوناگون پویا بپردازیم.
شباهت‌های بین پیکاسو و ژرژ براک
مدل یادگیری عمیق برای تجزیه و تحلیل داده‌ها که توسط افثمیو استفاده شده در حال حاضر می‌تواند هنرمند، سبک و قدمت هر نقاشی را ارزیابی کند. او می‌گوید: یکی از کارهایی که ما انجام داده‌ایم ایجاد گروه‌هایی از کارهای هنری مشابه است؛ از هنر قرون وسطی گرفته تا هنر مدرن و هر جنبش هنری که در این بین سر بر آورده است. با این کار، در تلاش بوده‌ایم تا بتوانیم شباهت‌های معنایی را بر اساس ویژگی‌هایی همچون رنگ، فرم و شی کشف کنیم. تمامی اینها بر روی نمودارها نشان داده شده است و به وسیله آن ما می‌توانیم متوجه شویم که به طور مثال نزدیکترین آثار به نقاشی‌های پیکاسو، کارهای بوراک نقاش فرانسوی است و یا شباهت بسیار زیادی بین مونه و سیسلی وجود دارد.
افتیمیو لیسانس علوم کامپیوتر دارد و کارشناسی ارشد خود در زمینه هوش مصنوعی گذرانده است. او در نهایت قصد دارد تصویر بهتری از بازار هنر بدست آورد. افتیمیو می‌گوید ما این کار را با طبقه‌بندی کارهای هنری انجام می‌دهیم و سعی داریم ارتباط بین هنرمندان و موفقیت آن‌ها را پیش بینی کنیم. در اینجا لازم است تعریفی از موفقیت نیز ارائه دهیم.
به عنوان مثال، ون گوگ را در نظر بگیرید. ون گوک تأثیر مهمی در دنیای هنر به جای گذاشته است، اما در طول زندگی خود نتوانسته از نظر تجاری هنرمند موفقی باشد. البته که هنرمندان اهداف متفاوتی دارند. از سوی دیگر، پیکاسو تاکنون یکی از موفق‌ترین هنرمندان از نظر تجاری بوده است، اما انگیزه او همیشه پول نبود. به عنوان مثال، او در نقاشی معروف خود Guernica احساسات خود را در مورد جنگ داخلی اسپانیا نشان داده است.
حوزه‌ای حساس و دشوار اما جالب
افتیمیو اذعان می‌کند که انجام تحقیق در مورد بازار هنر کار آسانی نیست و این یک چالش واقعی است. پیش بینی موفقیت کاملاً دشوار است، نیازی به ذکر نیست که آن را تعریف کنید. دانشمندان داده در حال بهره‌برداری از هوش مصنوعی در طیف گسترده‌ای از بخش‌های مختلف هستند. بازار هنر نیز این قاعده مستثنی نیست. در واقع بسیار هیجان‌انگیز است که روشهای یادگیری عمیق را در این حوزه به کار گرفت؛ خصوصاً وقتی آن همه داستان و زمینه‌های جذاب در پشت این آثار هنری وجود دارد. گام بعدی ممکن است پیش بینی قیمت اثر هنری فروخته شده در حراجی باشد. افتیمیو می‌گوید یکی از اهداف ما شفاف‌سازی بازار هنر است. در حال حاضر، این بازار بسیار انتزاعی است. از وقتی که در قرن نوزدهم امپرسیونیسم ظهور کرد، روابط بین هنرمندان و منتقدان از نقش مهمی برخوردار بوده است.
شیوه کار حتی در قرن‌های گذشته به این ترتیب بود که هر هنرمندی که با یک منتقد هنری تاثیرگذار رابطه دوستانه‌ای داشته به احتمال بیشتر اثر وی ارزش بالاتری می‌توانست داشته باشد. در عین حال، این موضوع اهمیت عنصر انسانی را نشان می‌دهد چیزی که در یک مدل هوش مصنوعی وجود ندارد. بنابراین، چالش بزرگ ما این است که این کار را به درستی انجام دهیم.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید.
