Approaching destination (2020)

Los espacios latentes son los mundos internos de las redes neuronales. En una red generativa antagónica, o “GAN” corta, cada coordenada multidimensional en tal espacio se traduce en una imagen única. Al viajar entre estos lugares, uno puede explorar estos espacios y descubrir vistas reales e irreales.

En este trabajo, un algoritmo intenta encontrar el cuadro “Wanderer above the Sea of Fog” de Caspar David Friedrich en el espacio latente de BigGAN, un modelo lanzado por investigadores de Google, que ha sido entrenado en millones de fotos del mundo real en 1000 diferentes categorías. A este modelo el Klingemann lo llama un “espacio público latente” ya que está abierto a todo el que tenga los medios técnicos para ejecutarlo. Este modelo nunca ha sido entrenado en esta u otra pintura. Sin embargo, mediante el uso de un método llamado “descenso de gradiente”, el algoritmo intenta acercarse a este objetivo lo más posible dentro de sus capacidades, comenzando desde diferentes ubicaciones en el espacio latente.

En cada paso de este proceso, la máquina debe determinar si una imagen generada le ha acercado o alejado de su destino. Con la ayuda de “funciones de pérdida” matemáticas tiene que calcular la similitudes de las dos imágenes y para tratar de moverse hacia la dirección que permita aumentar esta similitud. Sin embargo, los paisajes en los espacios latentes están sembrados de un mar interminable de altas montañas y profundos valles que hacen imposible ver todo el panorama a la vez, por lo que cada búsqueda se convierte en un paulatino tanteo a través de la niebla, tratando de orientarse con solo la percepción de su entorno inmediato. Klingemann ve su trabajo con la IA como un viaje que se emprende con un objetivo determinado en la mente, pero en el que no siempre se llega al destino esperado. Sin embargo, en ocasiones, los lugares en los que termina el viaje son incluso más interesantes que los que en principio se había imaginado.

No es tarea fácil entrenar una red neuronal artificial para que sea buena creando imágenes.
Una técnica exitosa en este campo consiste en entrenar simultáneamente dos redes, una red llamada generador aprende
cómo hacer nuevas imágenes que se parecen a las del conjunto de datos y la otra llamada
discriminador, aprende cómo distinguir las imágenes nuevas de las originales. Las dos
compiten entre sí y consiguen mejorar durante el proceso. Al final, la red generativa
puede por sí sola producir nuevas imágenes
de enorme calidad.

Redes Neuronales Antagónicas(EN) Generative Adversarial Network GANs

Artista que utiliza algoritmos e IA para crear e investigar sistemas. Se interesa de forma especial por la percepción humana del arte y la creatividad, investigando distintos métodos con los que las máquinas pueden aumentar o emular estos procesos. Así, su investigación artística abarca una amplia gama de áreas como el arte generativo, la estética cibernética, la teoría de la información, los circuitos de retroalimentación, el reconocimiento de patrones, los comportamientos emergentes, las redes neuronales, los datos culturales o la narración de historias.

Mario Klingemann ha ganado el Lumen Prize de oro en 2018, también ha recibido una mención honorífica en el Prix Ars Electronica 2020 y ganó el British Library Labs Creative Award en 2015. Ha realizado una residencia en Google Arts & Culture Lab y ha sido reconocido como pionero en el campo del arte de la IA. Su trabajo ha aparecido en publicaciones de arte, así como en investigaciones académicas y se ha mostrado en museos internacionales y festivales de arte como Ars Electronica (Linz), Centre Pompidou (París), ZKM, Barbican, Ermitage (Londres), The Photographers Gallery (Londres), Colección Solo (Madrid), Nature Morte Gallery (Nueva Delhi), Residenzschloss (Dresden), Gray Area Foundation (California), Mediacity Biennale (Seoul), British Library (Londres) y MoMA (Nueva York). Está representado por la galeria Onkaos de Madrid y la DAM Gallery de Berlin.

Más para aprender…

Sobre este programa