CC BY
28
УДК 004.8
Раков Н.С. студент 3 курса
факультет «Информационные системы и технологии»
Пальмов С.В., к.т.н.
доцент
кафедра «Информационные системы и технологии»
ФГБОУ ВО ПГУТИ Россия, г. Самара
МАШИННОЕ ТВОРЧЕСТВО
Аннотация: Данная статья посвящена теме машинного творчества. В ней описаны технологии, применяемые при обучении машины процессу создания произведений искусства. Представлены примеры применения искусственного интеллекта в сферах творчества.
Ключевые слова: машинное творчество, искусственный интеллект.
Rakov N.S. 3rd year student
Faculty of "Information systems and technologies" Volga State University of Telecommunications and Informatics
Russia, Samara Palmov S. V.
Ph.D. of Engineering Sciences associate professor of the department "Information systems and technologies" Volga State University of Telecommunications and Informatics
Russia, Samara
MACHINE ART
Abstract: The article is devoted to machine art. It describes the technologies used for learning the machine works of art creation process. Examples of the artificial intelligence application for works of art creation are presented.
Keywords: machine art, artificial intelligence.
Создание машиной произведения искусства одна из сложнейших задач, поставленных перед искусственным интеллектом (ИИ). Развитие индустрии не стоит на месте, что постепенно открывает врата машинного творчества перед ИИ.
Одним из самых распространенных видов машинного творчества можно считать обработку и воспроизведение визуальных образов с помощью нейронных сетей. Подобные технологии позволяют машине учиться, а затем генерировать различные изображения, основываясь на полученных в результате обучения данных.
Для распознавания изображений в нейронных сетях глубокого обучения используют так называемые свёрточные нейронные сети. Они
состоят из слоев небольших вычислительных единиц, которые обрабатывают визуальную информацию. Каждый слой можно понимать, как набор фильтров, каждый из которых извлекает определенные детали входного изображения. Когда свёрточные нейронные сети обучаются распознаванию объектов, они создают представление изображения, определяющую иерархию обработки визуальной информации. Мы можем визуализировать информацию, представленную на каждом уровне иерархии, восстанавливая изображения из данных, полученных со слоев нейронов на данном уровне. [5] Так, благодаря сверточным нейронным сетям, искусственный интеллект способен генерировать случайные изображения, повторяя стиль оригинала, объединять стили двух изображений и даже превращать одни объекты в другие с довольно высокой точностью.
Ярким примером нейронной сети, способной повторить стиль одного изображения и воспроизвести в нем другое можно считать «A Neural Algorithm of Artistic Style». Алгоритм способен воспроизвести любую фотографию в стиле картин Ван Гога или Пикассо. [1]
Другим примером является нейронная сеть от CycleGAN, превращающая одни объекты в другие. Она способна менять визуальные признаки объектов и, например, превратить лошадь в зебру, а яблоки - в апельсины. Но разработчики не остановились на достигнутом, обучив свою нейронную сеть реалистично разукрашивать нарисованные наброски объектов, тем самым завершая начатый рисунок.
Многие компании заинтересованы в подобных технологиях. Adobe уже несколько лет использует машинное обучение для своих продуктов и развивает свою технологию Adobe Sensei, в рамках которой 2017 году представили продукт Adobe Cloak для редактирования видеоряда. Инструмент способен удалить лишний объект из видео, что являлось достаточно тяжелой задачей для человека монтажера. А другой проект Project Puppetron, применяет определенный художественный стиль к изображению, подобно нейронным сетям, описанным выше, но делает это в режиме реального времени и к видео. Продукт позволяет превратить человека перед камерой в живую статую или мультипликационного героя. [2]
Другим направлением развития машинного творчества является написание текстов. Чтобы читающий человек не смог отличить текст, написанный людьми, от написанного машиной, искусственный интеллект должен научиться выстраивать речь практически безупречно. Однако если с генерацией небольших связных предложений у машины зачастую нет проблем, при написании большого объема текста, с последовательным повествованием и цельной историей, у ИИ возникают большие проблемы.
Если мы хотим научить машину создавать тексты подобные тем, что написаны людьми, нужно обучить её понимать написанное. Для решения задач обучения машины используются нейронные сети, в частности для работы с текстовой информацией используют рекуррентные нейронные сети
(РНС). Работа подобных нейронных сетей заключается в выполнении одних и тех же операций для каждого элемента последовательности. В случае с текстовой информацией РНС высчитывает вероятность появления одной буквы в зависимости от предыдущих, также высчитываются вероятности со словами и с предложениями. [4]
Нейронная сеть способна выучить слова, как их произносить, обучиться грамматике и самое главное, генерировать более или менее связные предложения соблюдая пунктуацию. Однако, чтобы генерировать длинные предложения, наполненные смыслом или, например, написать историю, ей нужно научиться сохранять и понимать смысл от начала и до конца, с чем нейронные сети зачастую не способны справиться.
Годы исследования работы нейронных сетей не прошли даром и крупные компании вроде Google вовсю используют данную технологию в своих проектах. Одним из таких проектов является Smart Replies встроенное в почтовое приложение, назначение которого в том, чтобы автоматически проанализировать письмо, пришедшее на электронную почту, и сгенерировать подходящий ответ. Система Smart Replies основана на двух рекуррентных нейронных сетях, одна из которых отвечает за расшифровку сообщения, а другая за вычисление возможных ответов. Расшифровывающая сеть принимает сообщение и создает так называемый «вектор мысли», в котором содержится основной смысл сообщения. Вторая сеть, отталкиваясь от вектора мысли, начинает слово за словом генерировать грамматически верный ответ. [3]
Botnik studios, открытое сообщество писателей, разработчиков и художников провела небольшой эксперимент. Они обучили нейронную сеть текстами книг Джоан Роулинг и предоставили возможность машине написать собственную главу книги о Гарри Поттере. Текст, написанный сетью, получился несвязным и далеким от творчества реального человека, однако в некоторой степени алгоритму удалось повторить стиль автора.
Исходя из изложенного выше можно сделать вывод, что связные тексты большого объема нейронным все еще недоступны в полной мере, однако справиться с написанием небольших сообщений искусственный интеллект уже способен.
В заключении стоит сказать, что машинное творчество делает большие шаги в своем развитии, благодаря нейронным сетям системы искусственного интеллекта учатся понимать информацию, будь то изображение, текст или звуки. Однако, пока что машины хоть и способны довольно точно воспроизвести художественный стиль человека, они все еще испытывают проблемы с проявлением творчества и даже если в некоторых случаях довольно трудно отличить работу машины от человеческой, развитие технологий еще не достигнет той точки, когда машинное творчество будет стоять наравне с человеческим.
Использованные источники: 1. A Neural Algorithm of Artistic Style [Электронный ресурс] - Режим доступа:
https://arxiv.org/pdf/1508.06576.pdf (дата обращения 23.04.2018).
2. Adobe Sensei | Сочетание искусственного интеллекта и функции самообучения [Электронный ресурс] - Режим доступа: https://www.adobe.com/ru/sensei.html (дата обращения 23.04.2018).
3. Smart Reply: Automated Response Suggestion for Email [Электронный ресурс] - Режим доступа: https://research.google.com/pubs/pub45189.html (дата обращения 23.04.2018).
4. The Unreasonable Effectiveness of Recurrent Neural Networks [Электронный ресурс] - Режим доступа: http://karpathy.github.io/2015/05/21/rnn-effectiveness/ (дата обращения 23.04.2018).
5. Yann LeCuns Publications [Электронный ресурс] Режим доступа: http://yann.lecun.com/exdb/publis/index.html (дата обращения 23.04.2018).
