Art attack para robôs: ensinando arte à máquina

Slide 1

Slide 1 text

Art Attack para robôs Ensinando arte à máquina

Slide 2

Slide 2 text

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Mini Isa

Slide 7

Slide 7 text

Slide 8

Slide 8 text

No content

Slide 9

Slide 9 text

Slide 10

Slide 10 text

E ensinar o computador a fazer arte :)

Slide 11

Slide 11 text

“Como assim, Isa? Tá louca?”

Slide 12

Slide 12 text

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

Slide 13

Slide 13 text

“Desde quando máquina faz arte?”

Slide 14

Slide 14 text

Arte 01

Slide 15

Slide 15 text

O que é arte?

Slide 16

Slide 16 text

No content

Slide 17

Slide 17 text

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]

Slide 18

Slide 18 text

Tem que ser bonita ou original?

Slide 19

Slide 19 text

Tem que ser complexa ou ter valor monetário?

Slide 20

Slide 20 text

Tem que ter sido feita por um artista?

Slide 21

Slide 21 text

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

Slide 22

Slide 22 text

No content

Slide 23

Slide 23 text

One and Three Chairs - Joseph Kosuth 1965

Slide 24

Slide 24 text

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

Slide 25

Slide 25 text

Então onde está a arte?

Slide 26

Slide 26 text

No content

Slide 27

Slide 27 text

Machine Learning 02

Slide 28

Slide 28 text

O que é machine learning?

Slide 29

Slide 29 text

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.

Slide 30

Slide 30 text

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.

Slide 31

Slide 31 text

Com machine learning, podemos aprender sobre dados de forma automatizada

Slide 32

Slide 32 text

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

Slide 33

Slide 33 text

Missão do dia

Slide 34

Slide 34 text

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

Slide 35

Slide 35 text

E pra fazer isso nós vamos precisar de:

Slide 36

Slide 36 text

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 ❤

Slide 37

Slide 37 text

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 ❤

Slide 38

Slide 38 text

Deep Convolutional Generative Adversarial Networks

Slide 39

Slide 39 text

No content

Slide 40

Slide 40 text

Capaz de criar coisas novas a partir de amostras de images

Slide 41

Slide 41 text

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

Slide 42

Slide 42 text

“Eita, como assim?"

Slide 43

Slide 43 text

Vamos por partes. Lembra dos algoritmos?

Slide 44

Slide 44 text

Cada algoritmo funciona com base em um modelo

Slide 45

Slide 45 text

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

Slide 46

Slide 46 text

Tipos de modelos.

Slide 47

Slide 47 text

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

Slide 48

Slide 48 text

E aí? Qual dos dois modelos?

Slide 49

Slide 49 text

Os dois

Slide 50

Slide 50 text

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

Slide 51

Slide 51 text

Ex: gerar imagens de carteiras de identidade

Slide 52

Slide 52 text

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

Slide 53

Slide 53 text

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

Slide 54

Slide 54 text

No content

Slide 55

Slide 55 text

No início elas são muito ruins

Slide 56

Slide 56 text

Deep Conv Neural Network Verdadeira! Parece legítimo

Slide 57

Slide 57 text

No content

Slide 58

Slide 58 text

Deep Conv Neural Network Falsa! Super caô

Slide 59

Slide 59 text

Round 2

Slide 60

Slide 60 text

Reversed Deep Conv Neural Network 500 números

Slide 61

Slide 61 text

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

Slide 62

Slide 62 text

No content

Slide 63

Slide 63 text

No content

Slide 64

Slide 64 text

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

Slide 65

Slide 65 text

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 ❤

Slide 66

Slide 66 text

No content

Slide 67

Slide 67 text

A primeira tentativa foi pegar por autor, no caso Picasso

Slide 68

Slide 68 text

Mas ao todo só tinham 1130 obras

Slide 69

Slide 69 text

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

Slide 70

Slide 70 text

Ao todo, foram 53.380 imagens reduzidas para 64x64

Slide 71

Slide 71 text

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 ❤

Slide 72

Slide 72 text

No content

Slide 73

Slide 73 text

GPU de 2GB de RAM

Slide 74

Slide 74 text

No content

Slide 75

Slide 75 text

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 ❤

Slide 76

Slide 76 text

Ao todo, o treinamento levou 8 horas

Slide 77

Slide 77 text

No content

Slide 78

Slide 78 text

Alguns ajustes no caminho, repeat

Slide 79

Slide 79 text

Conclusões do experimento

Slide 80

Slide 80 text

No content

Slide 81

Slide 81 text

Foram geradas 184 amostras de 64x64

Slide 82

Slide 82 text

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

Slide 83

Slide 83 text

Alguns estilos são muito mais difíceis de reproduzir do que outros

Slide 84

Slide 84 text

Computadores Criativos 03

Slide 85

Slide 85 text

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

Slide 86

Slide 86 text

No content

Slide 87

Slide 87 text

No content

Slide 88

Slide 88 text

https://youtu.be/LSHZ_b05W7o

Slide 89

Slide 89 text

Em todos esses trabalhos existe o treinamento em recursos já existentes  e uma certa “imprevisibilidade criativa”

Slide 90

Slide 90 text

No content

Slide 91

Slide 91 text

Pra mim, arte é criar signiﬁcado

Slide 92

Slide 92 text

E pra vocês, o que é arte?

Slide 93

Slide 93 text

Obrigada!

Slide 94

Slide 94 text

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