Art attack para robôs: ensinando arte à máquina

Machine learning vem revolucionando o mercado tecnológico com soluções cada vez mais arrojadas: algoritmos de recomendações que sabem exatamente do que gostamos, fones de ouvido capazes de traduzir conversas inteiras em tempo real e até poder preditivo para nos ajudar a adivinhar o futuro. Mas e quanto à arte? Podemos ter máquinas criativas e inteligentes o suficiente capaz de produzir arte? O que acontece quando juntamos poder computacional e as obras dos maiores artistas que a história já viu? É o que você vai descobrir nessa incrível jornada rumo ao desconhecido e o inusitado mundo do aprendizado de máquina.

Transcript

1. Art Attack
   para robôs
   Ensinando arte à máquina
   

   View Slide

2. X
   

   View Slide

3. X
   

   View Slide

4. X
   

   View Slide

5. X
   

   View Slide

6. Mini Isa
   

   View Slide

7. X
   

   View Slide

8. View Slide

9. X
   

   View Slide

10. E ensinar o computador a fazer arte :)
    

    View Slide

11. “Como assim, Isa? Tá louca?”
    

    View Slide

12. Isa Silveira
    @silveira_bells
    Desenvolvedora @Work&Co
    Beer lover, cover da Anitta, mãe de cachorro, maths
    freak, senso de humor peculiar @vida
    

    View Slide

13. “Desde quando máquina faz arte?”
    

    View Slide

14. Arte
    01
    

    View Slide

15. O que é arte?
    

    View Slide

16. View Slide

17. 1. A expressão de habilidades criativas e
    imaginação, tipicamente em forma visual, como
    pintura ou escultura, produzindo obras
    apreciadas primariamente por sua beleza ou
    apelo emocional. [Dicionário]
    2. "Arte é plágio ou revolução.”
    [Paul Gauguin]
    3. "Arte é harmonia." [Georges Seurat]
    4. “Provocar em alguém um sentimento que o
    mesmo já tenha sentido, essa é a atividade da
    arte”. [Leo Tolstoy]
    

    View Slide

18. Tem que ser bonita ou original?
    

    View Slide

19. Tem que ser complexa ou
    ter valor monetário?
    

    View Slide

20. Tem que ter sido feita
    por um artista?
    

    View Slide

21. E se o artista cria uma ideia e
    a arte é feita por outra pessoa?
    

    View Slide

22. View Slide

23. One and Three Chairs - Joseph Kosuth
    1965
    

    View Slide

24. Kosuth não fez a cadeira, não tirou a fotografia,
    nem escreveu a definição
    

    View Slide

25. Então onde está a arte?
    

    View Slide

26. View Slide

27. Machine
    Learning
    02
    

    View Slide

28. O que é machine
    learning?
    

    View Slide

29. O aprendizado automático ou aprendizado de máquina (em inglês:
    "machine learning") é um subcampo da o que evoluiu do estudo
    de reconhecimento de padrões e da teoria do aprendizado
    computacional em inteligência artificial . Em 1959, Arthur Samuel definiu
    aprendizado de máquina como o "campo de estudo que dá aos
    computadores a habilidade de aprender sem serem explicitamente
    programados". O aprendizado automático explora o estudo e construção
    de algoritmos que podem aprender de seus erros e fazer previsões
    sobre dados. Tais algoritmos operam construindo um modelo a partir de
    inputs amostrais a fim de fazer previsões ou decisões guiadas pelos
    dados ao invés de simplesmente seguindo inflexíveis e
    estáticas instruções programadas.
    

    View Slide

30. Permite que a
    máquina aprenda.
    Com algoritmos de ML é possível parsear dados, aprender com eles e fazer
    classificações ou predições em massa. Ao invés de criarmos algoritmos cheios de
    regras específicas para executar uma tarefa, treinamos a máquina com datasets
    enormes para que ela aprenda como executar a tarefa por si só.
    

    View Slide

31. Com machine learning,
    podemos aprender sobre
    dados de forma automatizada
    

    View Slide

32. Na área de ML, existem vários
    algoritmos; cada um mais
    adequado para resolver um tipo
    de problema
    

    View Slide

33. Missão do dia
    

    View Slide

34. Gerar imagens de artes novas, com base em
    todas as artes analisadas durante
    o treinamento
    

    View Slide

35. E pra fazer isso nós vamos precisar de:
    

    View Slide

36. 1. Um algoritmo poderoso;
    2. Alguns milhares de pinturas;
    3. Um processador potente;
    4. 5 baldes de paciência;
    5. Duas xícaras de persistência;
    6. Amor a gosto ❤
    

    View Slide

37. 1. Um algoritmo poderoso;
    2. Alguns milhares de pinturas;
    3. Um processador potente;
    4. 5 baldes de paciência;
    5. Duas xícaras de persistência;
    6. Amor a gosto ❤
    

    View Slide

38. Deep Convolutional Generative
    Adversarial Networks
    

    View Slide

39. View Slide

40. Capaz de criar coisas novas a
    partir de amostras de images
    

    View Slide

41. Ele faz isso a partir de duas
    redes neurais que ficam
    lutando uma contra a outra
    

    View Slide

42. “Eita, como assim?"
    

    View Slide

43. Vamos por partes. Lembra dos
    algoritmos?
    

    View Slide

44. Cada algoritmo funciona com
    base em um modelo
    

    View Slide

45. Um modelo é uma espécie de
    “fórmula” para resolver um
    determinado tipo de problema
    

    View Slide

46. Tipos de modelos.
    

    View Slide

47. No modelo discriminativo nós
    buscamos descrever cada resultado
    com base nos dados e parâmetros
    que já temos, ou seja, achar padrões
    para classificá-los ou prever
    resultados futuros.
    Já no modelo gerador, queremos gerar
    novas amostras de dados com base no
    que já aprendemos dos dados que foram
    alimentados ao algoritmo para
    treinamento.
    Modelo gerador
    Modelo discriminativo
    Tipos de modelos
    

    View Slide

48. E aí? Qual dos dois modelos?
    

    View Slide

49. Os dois
    

    View Slide

50. Nesse algoritmo uma rede neural
    reconhece elementos em uma imagem e
    uma gera imagens novas
    

    View Slide

51. Ex: gerar imagens de carteiras
    de identidade
    

    View Slide

52. Rede Neural 1 - O descriminador
    Seu trabalho é reconhecer se a
    imagem se trata de uma carteira
    de identidade legítima
    

    View Slide

53. Rede Neural 2 - O gerador
    Seu trabalho é criar imagens de
    carteiras de identidade
    Photoshop
    mad skillz
    

    View Slide

54. View Slide

55. No início elas são muito ruins
    

    View Slide

56. Deep Conv
    Neural Network
    Verdadeira!
    Parece legítimo
    

    View Slide

57. View Slide

58. Deep Conv
    Neural Network
    Falsa!
    Super caô
    

    View Slide

59. Round 2
    

    View Slide

60. Reversed
    Deep Conv
    Neural Network
    500 números
    

    View Slide

61. O loop se repete até que as duas
    sejam experts nas suas áreas de ação
    

    View Slide

62. View Slide

63. View Slide

64. https://github.com/carpedm20/DCGAN-tensorflow
    

    View Slide

65. 1. Um algoritmo poderoso;
    2. Alguns milhares de pinturas;
    3. Um processador potente;
    4. 5 baldes de paciência;
    5. Duas xícaras de persistência;
    6. Amor a gosto ❤
    

    View Slide

66. View Slide

67. A primeira tentativa foi pegar por autor,
    no caso Picasso
    

    View Slide

68. Mas ao todo só tinham 1130 obras
    

    View Slide

69. Então o jeito foi pegar por gênero.
    Peguei pinturas de paisagens
    

    View Slide

70. Ao todo, foram 53.380 imagens
    reduzidas para 64x64
    

    View Slide

71. 1. Um algoritmo poderoso;
    2. Alguns milhares de pinturas;
    3. Um processador potente;
    4. 5 baldes de paciência;
    5. Duas xícaras de persistência;
    6. Amor a gosto ❤
    

    View Slide

72. View Slide

73. GPU de 2GB de RAM
    

    View Slide

74. View Slide

75. 1. Um algoritmo poderoso;
    2. Alguns milhares de pinturas;
    3. Um processador potente;
    4. 5 baldes de paciência;
    5. Duas xícaras de persistência;
    6. Amor a gosto ❤
    

    View Slide

76. Ao todo, o treinamento levou 8 horas
    

    View Slide

77. View Slide

78. Alguns ajustes no caminho, repeat
    

    View Slide

79. Conclusões do
    experimento
    

    View Slide

80. View Slide

81. Foram geradas 184 amostras de 64x64
    

    View Slide

82. Alta variância da qualidade de cada arte,
    algumas são melhores que as outras
    

    View Slide

83. Alguns estilos são muito mais difíceis de
    reproduzir do que outros
    

    View Slide

84. Computadores
    Criativos
    03
    

    View Slide

85. Temos que nos acostumar cada vez
    mais com um futuro onde máquinas
    também fazem trabalho criativo
    

    View Slide

86. View Slide

87. View Slide

88. https://youtu.be/LSHZ_b05W7o
    

    View Slide

89. Em todos esses trabalhos existe o
    treinamento em recursos já existentes

    e uma certa “imprevisibilidade criativa”
    

    View Slide

90. View Slide

91. Pra mim, arte é criar significado
    

    View Slide

92. E pra vocês, o que é arte?
    

    View Slide

93. Obrigada!
    

    View Slide

94. Get in touch.
    /in/isabellasilveira
    isabella.silveira.souza@gmail.com
    @silveira_bells
    /bella-silveira
    

    View Slide