Zo worden kostbare kunstwerken gemaakt met kunstmatige intelligentie

Yoeri Nijs  | Deel:  
Artikel-plaatje

Beeld: Obvious.

Een met een software gegenereerd kunstwerk heeft in New York deze week 432.500 dollar opgebracht, omgerekend zo’n 380.000 euro. Het immense bedrag bleek veertig keer meer dan verwacht. Iedereen wil nu natuurlijk weten: hoe is een algoritme in staat zo’n kostbaar kunstwerk maken?

Maandenlang werkte het Franse collectief Obvious aan het kunstwerk dat deze week in de Verenigde Staten werd gepresenteerd. Hiervoor trainden de kunstenaars hun modellen, pasten ze parameters aan en selecteerden ze de juiste inputdata. Hun geheim: generative adversarial networks. Maar wat zijn dat precies?

Neuraal netwerk
Generative adversarial networks zijn in de basis, zoals veel vormen van kunstmatige intelligentie, neurale netwerken. Dat zijn netwerken van neuronen die met elkaar samenwerken om bijvoorbeeld een probleem op te lossen. De generative adversarial networks werken echter iets anders dan andere neurale netwerken.

LEES OOK: Neuraal netwerk: de basis van kunstmatige intelligentie

Yin en yang
Belangrijk om het onderscheid te begrijpen, is dat generative adversarial networks ‘generatief’ zijn. Dit is een ingewikkelde term voor het feit dat de netwerken met verschillende generaties werken. Na een eerste versie, komt er een tweede, dan een derde, enzovoort. Het idee is dat nieuwere generaties altijd beter zijn dan vorige, omdat ze de output van hun voorgangers gebruiken.

Het andere kernbegrip is ‘adversarial’. Dit betekent dat er een verschil is. In spreektaal ook wel bekend als yin en yang. Het tegenstrijdige aspect is het belangrijkste om te onthouden als er over ‘generative adversarial networks’ wordt gesproken. Later meer hierover.

Herkennen van plaatjes
De neurale netwerken werken als volgt. Het eerste netwerk bestaat uit een klassiek neuraal netwerk, dat is gemaakt om bijvoorbeeld plaatjes van baby’s te herkennen. Hiervoor heeft de maker talloze foto’s van baby’s aan het algoritme laten zien.

In het begin kan de programmatuur de beelden nog niet onderscheiden. Daarom perfectioneert de maker telkens het algoritme. Dit doet hij door steeds een beetje aan de software aan te passen en te kijken of de computer hiervan leert. Vaak past hij hiervoor de waarden van de ‘gewichten’ aan. Na een poos is het neurale netwerk in staat om baby’s te herkennen door te letten op variabelen zoals de lichaamsgrootte. Dit noemen computerwetenschappers ook wel ‘classificeren’.

Maken van plaatjes
Generative adversarial networks bestaan zoals eerder gezegd uit tegenstrijdige neurale netwerken. Dit betekent dat het klassieke neurale netwerk - voor het herkennen van baby’s - een opponent heeft. Die doet precies het tegenovergestelde. In plaats van plaatjes van baby’s te herkennen, maakt dit netwerk juist beelden waar geen baby’s op staan. Het netwerk doet dit bewust, omdat hij de opdracht heeft gekregen zoveel mogelijk fout te doen.

Doordat het ene netwerk baby’s moet leren herkennen en het andere juist leert om dit niet te doen, kunnen de twee neurale netwerken samenwerken. Computerwetenschappers zeggen dan: 'De netwerken spelen een game.'

Spelletje
Om het spel te winnen, strijden de netwerken om een specifiek getal: de foutmarge. Het eerste netwerk - de babyherkenner - wil een zo laag mogelijk getal, het andere netwerk - de ‘mensenmaker’ - juist zo hoog mogelijk. Telkens wint er maar een algoritme. Door verschillende keren - met verschillende versies dus - tegen elkaar op te boksen, worden ze steeds beter.

Doordat het netwerk dat mensen maakt fouten maakt, maar hier dankzij het eerste netwerk ook van leert, ontstaat er een algoritme dat vanuit oude beelden compleet nieuwe beelden kan maken. En zo kunnen generative adversarial networks dus ook helpen bij het maken van kunst. Behalve het Franse Obvious is ook het Duitse Quasimondo bekend om zijn 'neurale kunstwerken'

Voor de diehards: diepgaande uitleg over generative adversarial networks.

Een andere toepassing van generative adversarial networks: het genereren van 'nieuwe' gezichten (bron: Nvidia).




Wil je deelnemen aan dit gesprek? Log in of meld je aan.