Yakın zamanlara kadar, sanat alanlarında çalışanların çoğu, otomasyonun başka birçok işi yapabilmesine rağmen, sanatın tanımlanma biçimlerine bağlı olarak, sanat yapamayacağına, düş kuramayacağına inanıyordu. Ancak, insan zekasına özgü olan, anlama, mantık, diyalog, uyarlama, öğrenme vb. gibi akıl yürütme ve bilgiyi kullanma özelliklerini bir makineye kazandırmayı amaçlayan bilimsel bir disiplin olarak tanımlanan yapay zeka, artık yaratıcı düşünceyi de kapsıyor.

Google Brain ekibinin, “Makine öğrenmesini hayran olunacak sanat eserleri ve müzik besteleri yaratmak amacıyla kullanabilir miyiz?” sorusuna yanıt aramaları “Magenta” projesinin temelini oluşturdu. Makine Sanatı’nın insanlar ve makineler arasında kurduğu yeni ilişkiler nereye varacak? İnsan yaşamında ne gibi değişiklikler yapacak? Sanat her zaman, bir kültürün teknolojik yetenekleri ile karmaşık, sembiyotik ve sürekli gelişen bir ilişki içinde var olmuştur. Bu teknolojik yetenekler, üretilen sanatı sınırlar ve sanatın izleyicileri tarafından algılanış ve anlaşılma biçimi ile ilgili bilgi verir.

Pigmentlerin, baskı makinelerinin, fotoğrafçılığın ve bilgisayarların keşfi gibi, yapay zeka da sanatın derinden etkileneceği bir inovasyon. Önceki keşiflerde olduğu gibi, toplumları günümüzün bakış açısıyla hayal edilmesi güç yapılanmalara dönüştürecek, hem dış gerçeklik hem de algılama ve bilişsel süreçler konularındaki anlayışımızı genişletecektir.

Magenta Projesi’nin Amaçları:

Magenta’nın iki amacı var. Öncelikle, yapay zekayı müzik ve sanat eseri yaratmak için geliştirmek. Makine öğrenmesi, konuşmayı tanıma veya tercüme etme gibi, içeriği kavrama konusunda zaten yoğun olarak kullanılmaktaydı. Magenta projesi ise, sanat ve müzik üretmeyi öğrenebilen, kendine özgü sanatsal içerik oluşturabilen algoritmalar geliştirmeyi hedefliyor.

İkinci amacı ise, geniş bir sanatçılar, kodlayıcılar ve makine öğrenmesi araştırmacıları topluluğu ağını kurmak. Magenta’nın çekirdek ekibi, Tensor Flow açık kaynak kitaplığını kullanarak, sanat ve müzik üretmek için gerekli altyapıyı inşa ediyor. Bu altyapı, ses ve video desteği, MIDI gibi formatlarla çalışmak için araçlar ve sanatçıların makine öğrenmesi modellerine ulaşmasına yardımcı olan platformlar içeriyor.

Derin Öğrenme’nin Müzik, Resim ve Edebiyatta Kullanılması:

Yapay zekanın en hızlı büyüyen alanı olan derin öğrenme, bilgisayarların görüntü, ses ve metin biçimindeki sonsuz miktarda veriyi anlamlandırmasını sağlıyor. Ve bilgisayarlar, çok katmanlı ağları kullanarak karmaşık durumları insanlardan daha iyi görme, öğrenme ve doğru tepki verme kapasitesine sahipler. Aslında, bu tamamen yeni bir çaba değil. Araştırmacılar ve besteci Nick Collins gibi sanatçılar uzun yıllardır teknolojiyi kullanarak müzik ve resim ürettiler.

Sürecin en önemli kısmı yapay zekanın belli bir medya türünden öğreneceği ve özümseyeceği öğrenme olmakta. Bir kez eğitildikten sonra, notalarla “tohumlanmış” ağ bu notaları anlamlı bir müzik parçası haline getirebilmekte. Bu işlemin çıktısı, hesaplamaların ne ölçüde karmaşık olması gerektiğini ve sonuçtaki müziğin ne derecede “yaratıcı” olacağını tanımlayan değişkenlerle ayarlanabiliyor.

Google’ın, “Inceptionism” akımı olarak adlandırdığı, fotoğrafları gerçeküstü psikodelik sanat haline dönüştüren görsel yapay zekası Deep Dream, yazı botu geliştirmek için, tarihsel analiz, doğal dil işleme, konuşma tanıma gibi farklı biçimlerde kullanılan Stanford Üniversitesi’nden Andrej Karpathy’nin tasarladığı Char-RNN gibi ağlar benzer ilkelerle çalışıyor. Araştırmacı Douglas Eck, şimdilik amacın, bilgisayarların yarı bağımsız olarak yeni sanat eseri yaratma yeteneğini geliştirmek olduğunu söylüyor.

Yapay sinir ağı, milyonlarca örnek gösterilerek ve ağ parametrelerini aşamalı olarak yeniden ayarlayarak, istenilen nitelikleri kazanana kadar eğitilmekte. Ağ genellikle yapay nöronların 10 ila 30 adet katmanından oluşuyor. Her resim giriş katmanına ekleniyor ve her katman, “çıktı” katmanına ulaşana kadar, bir sonraki katmanla iletişime geçiyor. Ağın “cevabı” bu son çıktı katmanından geliyor. Her tabaka görselin bir üst düzey özelliklerini kademeli olarak çıkarıyor ve son tabaka resmin nasıl görüneceği hakkında bir karar veriyor.

Örneğin, ilk katman görseldeki kenarları veya köşeleri dikkate alıyor. Ara katmanlar, bir düğme veya ağaç gibi şekilleri veya bileşenleri temel olarak değerlendiriyor. Sondaki birkaç katmanı oluşturan nöronlar, binaların bütünü veya orman gibi çok karmaşık şeylere yanıt olarak harekete geçerek, bu görüntülerin temel özelliklerini tamamlanmış yorumlara dönüştürüyor.

Resim stillerinin çeşitliliği, imaj oluşturmak için zengin bir görsel hazine sağlamakta. Bu dağarcığın öğrenilme ve izlenilme derecesi de resimlerin özelliklerini kavrayışımızı ölçmekte. Çeşitli resimlerin sanatsal üslubunu abartarak yakalayabilen, ölçeklendirilebilir bir derin ağ, bir tabloyu bir noktaya indirgeyerek çeşitlilik gösteren sanatsal stilleri genelleştirmekte. Bu model, kullanıcının, farklı tablolardan öğrendiği stilleri dilediği biçimde birleştirerek yeni bir resim tarzı keşfetmesine izin vermekte.

Kısacası, Magenta’nın odak noktası müzik olmakla birlikte, görsel sanatları ve edebiyatı da kapsıyor. Örneğin, Botnik stüdyolarından Jamie Brew ve ekibinin hazırladığı yazı algoritmasını kullanan bilgisayar da J.K.Rowling’in yedi ciltlik Harry Potter serisine yeni bir bölüm yazdı. Gene, Massachusetts Teknoloji Enstitüsü’nün adını ünlü korku karakteri Frankenstein’ın yaratıcısı İngiliz yazar Mary Wollstonecraft Godwin Shelley’den alan yapay zekası Shelley de çarpıcı korku öyküleri üretmeyi sürdürüyor.

Magenta ile ilgili diğer bir çalışma olan Sanatçılar ve Makine Zekası (AMI) projesi sanatçılarla bağlantı kurarak, sanatın ve teknolojinin birbirleriyle ilişkisiyle ilgili soru ve sorunlar hakkındaki görüşlerini paylaşma olanağı yaratıyor.Google Kültür Enstitüsü dünyadaki tüm müzelerin, arşivlerin, koleksiyon ve sergilerin incelenmesini teşvik etmekte. Enstitüdeki laboratuvarlarda, sanatçıların da katkılarıyla, sanat ve müzik üretimi için dünyadaki en iyi yapay zeka platformunu geliştirme çalışmaları devam ediyor.

Kaynakça:
-Alexander Mordvintsev, Christopher Olah, Mike Tyka, “Inceptionism: Going Deeper into Neural Networks”, https://research.googleblog.com, 2015.
-Stuart J.Russell, Peter Norvig, “Artificial Intelligence:A Modern Approach”, Pearson, 2015.
-Tom M.Mitchell, “Machine Learning”, Mc Graw Hill Education, 2017.
-Leon A. Gatys, Alexander S. Ecker, Matthias Bethge, “A Neural Algorithm of Artistic Style”, Computer Vision & Pattern Recognition arXiv:1508.06576v2, Cornell University Library, 2015.
-Douglas Eck, “Welcome to Magenta”, https://magenta.tensorflow.org, 2016.

Yazar:Oben Güney Saraçoğlu

CEVAP VER

Please enter your comment!
Please enter your name here