Creative Adversarial Networks (CAN) – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Penulis: Daksh Trehan

Visi Komputer, Pembelajaran Mendalam

Pendekatan menarik untuk membuat AI lebih baik dalam seni “berpura-pura”!

Kecerdasan Buatan pasti telah menyerbu umat manusia dalam beberapa tahun terakhir, mesinnya sangat bagus dalam meniru apa yang kami perintahkan. Tetapi AI dan kreativitas adalah padanan, kreativitas adalah konsep abstrak yang masih hilang dari bidang inti AI.

Selama beberapa tahun terakhir, para peneliti telah mencoba untuk memecahkan kode kemampuan mesin untuk meniru kecerdasan tingkat manusia untuk menghasilkan produk kreatif seperti lelucon, puisi, masalah, lukisan, musik, dll. Tujuan integralnya adalah untuk menunjukkan bahwa algoritma AI ada di dalamnya. -fact cukup cerdas untuk menghasilkan seni tanpa melibatkan seniman manusia tetapi memperhitungkan produk kreatif manusia dalam proses pembelajaran.

Beberapa algoritma menarik seperti GAN (Generative Adversarial Networks) telah diperkenalkan untuk mengeksplorasi ruang kreatif. GAN mengambil alih bidang AI dengan badai tahun lalu dengan menghasilkan wajah palsu seperti manusia. Ini mengimplementasikan teknik implisit, yaitu belajar tanpa data yang diteruskan ke jaringan.

GAN merupakan dua jaringan yaitu Discriminator dan Generator. Tujuan dari generator adalah untuk menghasilkan gambar “palsu” dan diskriminator mencoba untuk menangkap gambar “palsu” yang dikembangkan oleh Generator dengan bantuan data pelatihan yang disediakan. Generator menghasilkan gambar acak dan meminta umpan balik dari diskriminator yaitu apakah diskriminator menganggapnya nyata atau palsu. Saat tenang, pembeda tidak akan dapat membedakan antara gambar yang dibuat secara acak dan gambar aktual dalam pelatihan, dan tujuan generator tercapai. Baik Generator dan Diskriminator tidak bergantung satu sama lain, namun proses berulang membantu Diskriminator dan Generator untuk terus belajar dari kekurangan satu sama lain untuk menghasilkan gambar yang lebih baik.

Alur Kerja GAN, Dirancang oleh Penulis

Mari kita simpulkan bahwa kita melatih GAN kita pada gambar lukisan. Motif generator adalah untuk menghasilkan gambar dari distribusi pelatihan sehingga pembeda dapat melabelinya sebagai “nyata”. Pada akhirnya, generator akan mulai mensimulasikan seni yang ada dan diskriminator akan langsung tertipu, model tersebut menghasilkan gambar baru tetapi gambar tersebut jauh dari sebutan baru atau kreatif. Dengan demikian, dapat disimpulkan bahwa kemampuan GAN untuk menghasilkan ide-ide kreatif dalam desain aslinya masih terbatas.

Bahan rahasia untuk mengembangkan algoritma yang dapat berpikir kreatif adalah menghubungkan proses kreatif mereka dengan perkembangan seni manusia sepanjang waktu. Dengan kata sederhana, kami mencoba meniru dengan tepat bagaimana manusia mengembangkan seni. Manusia, sepanjang hidup mereka, dihadapkan pada berbagai bentuk seni dan di situlah mereka mendapatkan kesan untuk seni baru mereka, itulah alur kerja yang tepat yang kita ingin model kita ikuti.

Pengalaman dan Ciptakan.

Prinsip “Upaya Paling Sedikit”

CANs berasal dari GAN dan didasarkan pada prinsip Martindale, di mana ia berpendapat bahwa seni dibuat menarik dengan meningkatkan potensi membangkitkannya yang mendorongnya untuk melawan pembiasaannya. Sederhananya, seni itu dirasakan oleh penonton ketika mereka dihadapkan pada sesuatu yang eksklusif namun terkait dengan karya-karya sejarah. Tapi, tingkat gairah harus dikontrol dan tidak tumbuh secara eksponensial untuk mendapatkan reaksi negatif.

Tujuan dari model ini adalah untuk memuaskan “potensi yang membangkitkan” yang mengacu pada tingkat kegembiraan dalam diri manusia. Tingkat gairah paling rendah saat seseorang tidur atau santai dan paling tinggi saat seseorang menghadapi amukan / bahaya / kekerasan. Dengan demikian, terlalu sedikit potensi membangkitkan bisa membosankan, dan terlalu banyak bisa mengaktifkan situasi yang tidak bersahabat. Situasinya dapat dijelaskan dengan baik oleh kurva Wundt.

Kurva Wundt, Sumber

Selain itu, jika seorang seniman terus menerus menghasilkan karya yang serupa maka secara otomatis akan mengurangi potensi bangkitan dan berujung pada ketidaksukaan penonton. Ini dapat disimpulkan bahwa habituasi membangun tekanan konstan untuk menghasilkan tingkat potensi membangkitkan yang lebih tinggi.

Model tersebut mencoba untuk meningkatkan potensi membangkitkan dengan meningkatkan “ambiguitas gaya” dan tetap menghindari bergerak terlalu jauh dari apa yang kita terima sebagai seni. Arsitektur CAN diwarisi dari GAN dengan alur kerja yang sedikit dihindari. Diskriminator diberikan seperangkat seni besar yang telah berpengalaman atas umat manusia dengan label gaya terkait mereka sebagai Renaisans, Barok, Impresionisme, Ekspresionisme, dll. Generator disediakan tanpa contoh pelatihan yang mirip dengan GAN tetapi dirancang untuk menerima dua sinyal dari diskriminator.

Sinyal pertama menggambarkan apakah diskriminator mengklasifikasikan gambar yang dihasilkan sebagai “seni atau bukan seni”. Dalam GAN tradisional, sinyal ini akan membuat generator mengubah bobot dan mencoba lagi untuk mengelabui pembeda dengan membuatnya percaya bahwa seni tersebut berasal dari distribusi kustom yang sama. Namun dalam CAN, diskriminator dilatih pada kumpulan data seni yang besar, ia dapat secara akurat membedakan gambar yang dihasilkan sebagai “seni atau bukan seni” dan hanya akan meminta generator untuk menyatu menjadi gambar yang telah diterima sebagai “seni”.

Sinyal kedua memberi tahu tingkat akurasi diskriminator untuk mengklasifikasikan seni yang dihasilkan ke dalam kelas yang sudah ditentukan. Jika generator, dapat menghasilkan suatu karya seni yang dapat dianggap sebagai “seni” dan juga dapat dengan mudah dibedakan oleh diskriminator ke dalam kelas yang sudah ditentukan maka ia telah berhasil menipu diskriminator dengan menghasilkan beberapa seni yang dapat dimasukkan ke dalamnya- disebut seni yang diterima manusia. Generator mencoba mengelabui diskriminator dengan membuatnya menganggap bagian hasil sebagai “seni” dan juga membingungkannya tentang gaya kerja yang telah dihasilkan.

CAN Workflow seperti yang dijelaskan di koran resmi.

Kedua sinyal bekerja berlawanan satu sama lain, yang pertama mendorong generator untuk menghasilkan seni yang dapat diterima sebagai “seni” dan jika berhasil memungkinkan diskriminator untuk mengklasifikasikan gambar dengan mudah. Namun, sinyal kedua secara substansial akan menghukum generator untuk melakukannya, karena motifnya adalah untuk menghasilkan seni yang ambigu gaya, yaitu sesuatu yang tidak dapat dengan mudah diklasifikasikan oleh diskriminator tetapi masih dapat dianggap sebagai “seni”. Kedua sinyal tersebut bekerja secara independen namun memainkan peran penting dalam menyempurnakan satu sama lain seperti di GAN.

Karya seni yang dihasilkan oleh CANs, Source

Validasi Kuantitatif

Pada tabel di atas, penonton manusia mencoba menilai empat set karya seni. DCGAN adalah GAN standar yang meniru karya seni yang sudah mapan tetapi kurang kreativitas. Kumpulan data Abstrak Ekspresionis adalah kumpulan seni yang dibuat antara tahun 1945 dan 2007, sedangkan Art Basel 2016 merupakan gambar yang ditampilkan di Art Basel 2016, sebuah pertunjukan seni terdepan.

Tidak mengherankan, gambar yang dihasilkan dari CAN memiliki peringkat tertinggi dalam teknik potensi gairah yaitu Kebaruan, Mengejutkan, Ambiguitas, dan Kompleksitas. Selain itu, mereka membodohi penonton manusia dengan lebih baik untuk membuat mereka percaya bahwa seni itu dihasilkan oleh manusia.

Referensi:

Jangan ragu untuk terhubung:

Portofolio ~ https://www.dakshtrehan.com

LinkedIn ~ https://www.linkedin.com/in/dakshtrehan

Ikuti untuk blog Machine Learning / Deep Learning lebih lanjut.

Sedang ~ https://medium.com/@dakshtrehan

Ingin mempelajari lebih lanjut?

Apakah Anda Siap Menyembah Dewa AI?
Mendeteksi COVID-19 Menggunakan Deep Learning
Algoritma AI yang Tak Terelakkan: TikTok
GPT-3: Pembatalan AI dimulai?
Tinder + AI: Jodoh yang sempurna?
Panduan orang dalam untuk Kartunisasi menggunakan Machine Learning
Memperkuat Ilmu Dibalik Pembelajaran Penguatan
Ilmu decoding di balik Generative Adversarial Networks
Memahami LSTM dan GRU
Jaringan Neural Berulang untuk Dummies
Convolution Neural Network for Dummies

Bersulang

Digital Artist: Creative Adversarial Networks (CAN) awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Towards AI