به گزارش خبرنگار گروه فرهنگی ایرنا از مجله فوربس، دسته‌بندی آثار هنری، توصیف و نقد هنر به خودی خود کار سختی است چه برسد برای هوش مصنوعی. چند گروه تحقیقاتی به تازگی سعی کردند با پیاده‌سازی فناوری یادگیری ماشینی روی بانک‌های بزرگ آثار هنری، آنها را دسته‌بندی و به روشی معنادار توصیف کنند.
محققان دانشگاه صنعتی ژجیانگ در هانگژوی چین برای این کار ابتدا شبکه‌های عصبی مختلف را با هم مقایسه کردند تا عملکرد هر کدام را در دسته‌بندی آثار هنری ارزیابی و تعیین کنند. این محققان از تصاویر موجود در تارنمای ویکی آرت (WikiArt) و دیگر مجموعه‌های دیجیتال استفاده کردند تا ویژگی ظاهری آثار سبک‌های خاص هنری را به شبکه‌های عصبی آموزش دهند و سپس از مدلهای مختلف این شبکه‌ها خواستند سبک نقاشی‌های متفاوت را شناسایی کنند.
چنین کاری حتی برای انسان‌ها هم دشوار است. برخی سبک‌های هنری را تنها با توجه به شیوه رسم نقاشی به راحتی می‌توان تشخیص داد. مثلا یادگیری اینکه کدام آثار در دسته سبک کوبیسم قرار می‌گیرند، برای شبکه‌های عصبی کاری نداشت. اما برخی از سبک‌ها خیلی به هم شبیه هستند و تقریبا در دوره زمانی یکسانی ظاهر شدند. تشخیص این سبک‌ها از هم بود که کار را برای هوش مصنوعی سخت کرد.
منتقدان هوشمند، آینده دنیای هنر
برای انسان‌های هنردوست، یادگیری اینکه هر قطعه هنری در کدام سبک یا دسته قرار می‌گیرد یک کار نسبتاً ساده و عینی است. درست مثل شبکه‌های عصبی، ما هم با نگاه کردن به نمونه‌های متعدد و پیدا کردن الگوها می‌توانیم این مهارت را فرابگیریم. اما مهارتی وجود دارد که مختص انسان است و رایانه‌ها از آن محروم هستند یا لااقل ما اینطور فکر می‌کنیم! ما انسان‌ها می‌توانیم در مورد هنر نظر دهیم و احساسمان از نگاه کردن به یک اثر را در قالب کلمات به اشتراک بگذاریم. بیشتر مردم فکر می‌کنند رایانه‌ها هنوز نمی‌توانند این کار را انجام دهند، اما با پیشرفت سرسام‌آور علم و فناوری زیاد در این باره مطمئن نباشید.
هوش مصنوعی در عمل همان داده‌هایی است که به آن آموزش داده می‌شود، بنابراین برای این که به یک هوش مصنوعی بیاموزید در مورد آثار هنر نظر بدهد و جملات احساسی بگوید، به مجموعه‌ای بزرگ از نظرات و توصیفات ارائه شده از سوی انسان‌ها درباره آثار هنری مختلف نیاز دارید. این دقیقاً همان کاری است که محققان دانشگاه استنفورد آمریکا، اِکول پلی‌تکنیک پاریس و دانشگاه علم و فناوری ملک عبدالله انجام دادند. این محققان با همکاری یکدیگر پایگاه داده آرتمیس ArtEmis را ساختند، شامل بیش از ۴۰۰ هزار توصیف احساسی درباره بیش از ۸۰ هزار تصویر نمایه شده در تارنمای ویکی‌آرت.
برای درست کردن پایگاه آرتمیس، محققان از داوطلبان خواستند احساس اصلی خود درباره یک اثر هنری را به اشتراک بگذارند و آن را در یک جمله توضیح دهند. همانطور که پیش‌بینی می‌شد، واکنشها خیلی متنوع بود؛ یک داوطلب نقاشی یک مزرعه را آرام‌بخش توصیف کرد و همین تصویر به داوطلب دیگر حس شوم و بدیمن بودن القا می‌کرد. خیلی پیش آمد که در مورد یک تصویر هم بازخورد مثبت ثبت شود هم منفی. این اتفاقی بود که برای ۶۱٪ تصاویر موجود در بانک داده آرتمیس رخ داد.
سیستم‌های هوشمند در حین آموختن بانک داده آرتمیس، شروع کردند به ارائه توضیحات مستقل درباره آثار هنری مشخص. بعضی از این شرح و توضیحات خیلی قانع کننده و باقی به اصطلاح از مرحله پرت بودند. به عنوان مثال در توصیفاتی که هوش مصنوعی از نقاشی گردن زدن جان باپتیست (The Beheading of John the Baptist) از رامبرانت فان راین ارائه داد بدین شرح بود: به زنی که در نقاشی وجود دارد خوش می‌گذرد و مرد وسطی درد می‌کشد. هر انسانی با نگاه کردن به این تابلو، می‌فهمد که این توضیحات تا چه اندازه مهمل و بی‌معنی هستند.
با این حال تقریبا نیمی از توصیفات ارائه شده توسط رایانه در این پژوهش از آزمون تورینگ سربلند بیرون آمدند؛ آزمایش تورینگ آزمایشی است که آلن تورینگ در سال ۱۹۵۰ آن را پیشنهاد کرد تا ثابت کند ماشین‌ها به درجه هوشمندی انسان مانند رسیده‌اند یا نه. بر اساس آزمایش تورینگ، ماشینی هوشمند است که در شرایط مشخص، تشخیص اینکه انسان است یا ماشین غیرممکن باشد .این نتایج نشان داد هوش مصنوعی ظرفیت آن را دارد که یاد بگیرد درباره آثار هنری توصیفات جدید و باورپذیر بسازد. البته هنوز جای کار فراوان دارد.
دسته‌بندی آثار هنری کار سختی است و دیدگاه‌های مردم درباره نقاشی‌ها تا حد زیادی درونی و ذهنی هستند همین امر کار هوش مصنوعی را برای درک الگوهایی که در دسته بندی هنر و توصیف به کار می‌بریم سخت می‌کند. اما آزمایشات که در این دو مطالعه جدید انجام شد، نشان داد رایانه‌ها روزبه‌روز بیشتر در این حوزه پیشرفت می‌کنند. انسان‌ها هنوز در حوزه دست‌بندی و توصیف هنر بهترند اما برنامه‌های مبتنی بر هوش مصنوعی دانش‌آموزان زرنگی هستند که سریع یاد می‌گیرند.