{"id":1074,"date":"2019-12-12T12:00:44","date_gmt":"2019-12-12T15:00:44","guid":{"rendered":"https:\/\/www.blogs.unicamp.br\/musicologia\/?p=1074"},"modified":"2019-12-12T14:26:45","modified_gmt":"2019-12-12T17:26:45","slug":"40","status":"publish","type":"post","link":"https:\/\/www.blogs.unicamp.br\/musicologia\/2019\/12\/12\/40\/","title":{"rendered":"Intelig\u00eancia artificial e criatividade musical"},"content":{"rendered":"<p><strong>Parte 1<\/strong><\/p>\n<p style=\"text-align: right\">Jos\u00e9 Fornari (Tuti) \u2013 12 de dezembro de 2019<\/p>\n<p style=\"text-align: right\"><em>fornari @ unicamp . br<\/em><\/p>\n<hr \/>\n<p>Recentemente foi divulgado que pesquisadores conseguiram desenvolver um modelo computacional de AI (sigla de <i>Artificial\u00a0<\/i><span lang=\"en-US\"><i>Intelligence<\/i><\/span><span lang=\"pt-BR\">,\u00a0<\/span><span lang=\"pt-BR\">ou seja, <\/span><span lang=\"pt-BR\">intelig\u00eancia artificial<\/span>) capaz de finalizar o que viria a ser a d\u00e9cima sinfonia de Ludwig van Beethoven. O coordenador do projeto, Mattias R\u00f6der, \u00e9 diretor do <a href=\"https:\/\/karajan-institut.org\" target=\"_blank\" rel=\"noopener noreferrer\">Instituto Karajan<\/a>\u00a0, em Salzburgo, Alemanha. O projeto pretende estrear a obra realizada pelo AI na cidade alem\u00e3 Bonn, em 17 de dezembro de 2020, quando se completar\u00e1 250 anos do nascimento de Beethoven. Esta obra foi deixada por Beethoven menos do que inacabada, bem diferente do caso da oitava sinfonia de Franz Schubert, popularmente conhecida como a \u201csinfonia inacabada\u201d. Nesta, Schubert havia composto integralmente os primeiros 2 movimentos da sinfonia. Beethoven, por outro lado, deixou apenas rascunhos e trechos desconexos desta sua suposta d\u00e9cima sinfonia, ao morrer em 1827. No caso de Schubert, este viveu ainda apor 6 anos ap\u00f3s supostamente abandonar a composi\u00e7\u00e3o de sua oitava sinfonia em seus 2 primeiros movimentos (quando morreu, em 1828), a qual, alguns music\u00f3logos acreditam que pode n\u00e3o ter sido abandonada, mas transformada em outra composi\u00e7\u00e3o. Em fevereiro de 2019, foi anunciado que a empresa de celulares Huawei desenvolveu um AI que comp\u00f4s um poss\u00edvel terceiro e quarto movimento para a sinfonia inacabada de Schubert, apresentando uma vers\u00e3o computacional de finaliza\u00e7\u00e3o desta obra, feita pelo AI no estilo de Schubert. O programa rodou inteiramente num celular da empresa (Huawei Mate 20) e a obra foi supervisionada e regida pelo maestro e produtor musical <a href=\"https:\/\/www.lucascantormusic.com\" target=\"_blank\" rel=\"noopener noreferrer\">Lucas Cantor<\/a>, onde foi estreada em Londres.<\/p>\n<p><iframe title=\"Huawei&#039;s Unfinished Symphony - Cadogan Hall, London (Mon 4 Feb 2019)\" width=\"700\" height=\"394\" src=\"https:\/\/www.youtube.com\/embed\/9FV75jDzse0?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; encrypted-media; gyroscope; picture-in-picture\" allowfullscreen><\/iframe><\/p>\n<p>No caso da suposta d\u00e9cima sinfonia de Beethoven, o problema \u00e9 bem mais complicado. R\u00f6der, em entrevista, poeticamente comparou o AI que est\u00e3o utilizando para analisar e processar os trechos desta nova sinfonia a uma crian\u00e7a explorando o universo musical de Beethoven (&#8220;<i>It&#8217;s like a small child exploring Beethoven&#8217;s world<\/i>&#8220;), acrescentando que o grupo de pesquisadores ainda tem muito ch\u00e3o pela frente at\u00e9 que consigam algum material musical que considerem estruturalmente v\u00e1lido e esteticamente interessante para ser divulgado (o que provavelmente apenas ocorrer\u00e1 na estreia da pe\u00e7a, em 2020).<\/p>\n<p><iframe title=\"Is AI stealing our jobs? - Matthias R\u00f6der (2019)\" width=\"700\" height=\"394\" src=\"https:\/\/www.youtube.com\/embed\/50CUJB8tPGc?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; encrypted-media; gyroscope; picture-in-picture\" allowfullscreen><\/iframe><\/p>\n<p>AI \u00e9 um modelo computacional de uma \u00e1rea conhecida como ML (<i>Machine Learning<\/i>, ou aprendizado de m\u00e1quina). ML s\u00e3o normalmente inspirados nas 2 estruturas naturais mais complexas que conhecemos; o c\u00e9rebro humano (e suas redes neurais) e a evolu\u00e7\u00e3o das esp\u00e9cies (composto pelos processos de reprodu\u00e7\u00e3o e sele\u00e7\u00e3o, brevemente descritos no <a href=\"https:\/\/www.blogs.unicamp.br\/musicologia\/2019\/12\/09\/39\/\" target=\"_blank\" rel=\"noopener noreferrer\">artigo anterior<\/a>). No caso da AI, estes s\u00e3o normalmente compostos pelo que se chama de ANN (<i>Artificial Neural Networks<\/i>) que s\u00e3o algoritmos que simulam a atua\u00e7\u00e3o de neur\u00f4nios biol\u00f3gicos, seu potencial de a\u00e7\u00e3o e suas conex\u00f5es din\u00e2micas (sinapses) com outros neur\u00f4nios, compondo assim o que se chama de \u201credes neurais\u201d. Esta pesquisa \u00e9 quase t\u00e3o antiga quanto a computa\u00e7\u00e3o. Os primeiros modelos de neur\u00f4nios artificiais foram desenvolvidos na d\u00e9cada de 1940, por Warren McCulloch e Walter Pitts. Na d\u00e9cada de 1960, surgiu o \u201c<i>perceptron<\/i>\u201d, desenvolvido por Frank Rosenblatt, o primeiro modelo computacional \u00a0inspirado no neur\u00f4nio a ser utilizado para classifica\u00e7\u00e3o supervisionada (detec\u00e7\u00e3o de padr\u00f5es em dados, feita com aux\u00edlio ou supervis\u00e3o humana). Na d\u00e9cada de 1980 surgiram os primeiros algoritmos BP (<i>Back Propagation<\/i>) introduzido por Paul Werbos. BP permite o aprendizado da ANN atrav\u00e9s da modifica\u00e7\u00e3o autom\u00e1tica dos par\u00e2metros dos seus neur\u00f4nios artificiais (que s\u00e3o pequenos modelos computacionais com par\u00e2metros de entrada, vari\u00e1veis internas e dados de sa\u00edda) de acordo com a medida entre o resultado obtido e o esperado, dado por uma fun\u00e7\u00e3o chamada &#8220;<i>loss function<\/i>&#8220;. Atualmente, ANN possuem diversas camadas (<i>layers<\/i>) de neur\u00f4nios artificiais. As camadas intermedi\u00e1rias entre a camada de entrada e a de sa\u00edda s\u00e3o chamadas de \u201c<i>hidden layers<\/i>\u201d (camadas escondidas) pois o programador n\u00e3o tem acesso aos entendimento dos par\u00e2metros de todos os neur\u00f4nios artificiais, os quais s\u00e3o automaticamente gerados via BP. Na medida em que as redes neurais foram se tornando maiores, uma maior quantidade de dados passou a ser processada dentro das camadas escondidas das ANN, enquanto a rede \u00e9 treinada para resolver um problema. As ANN tem que passar inicialmente pela fase de treinamento, onde enormes grandes de dados s\u00e3o utilizados para treinar a rede a resolver um certo problema. Isto \u00e9 feito atrav\u00e9s da parametriza\u00e7\u00e3o das camadas escondidas da ANN. Uma vez encerrada a fase de treinamento, a ANN pode ser utilizada para o prop\u00f3sito que foi treinada, ou seja, identificar o mesmo padr\u00e3o para identificar durante o treinamento, agora em dados novos, que n\u00e3o foram ainda apresentados \u00e0 rede. As tarefas que as ANN costumam ser utilizadas normalmente pertencem a 2 categorias: classifica\u00e7\u00e3o (identificar um padr\u00e3o em dados novos) ou predi\u00e7\u00e3o (prever um padr\u00e3o futuro baseado nos dados anteriormente apresentados), o que \u00e9 o caso do aux\u00edlio \u00e0 composi\u00e7\u00e3o musical exemplificado acima, onde o ANN utilizado sugere trechos ou movimentos musicais no estilo dos dados anteriormente apresentados. Ambos s\u00e3o chamados de problemas de aprendizado \u201csupervisionado\u201d pois exigem a intera\u00e7\u00e3o com um humano para treinar a rede neural (atrav\u00e9s do fornecimento de uma grande quantidade de exemplos) at\u00e9 que a rede neural do AI esteja treinada e pronta para resolver o problema automaticamente, ou mesmo julgar quais padr\u00f5es s\u00e3o de fatos v\u00e1lidos, sob o crivo da cogni\u00e7\u00e3o ou est\u00e9tica humana.<\/p>\n<div id=\"attachment_1090\" style=\"width: 964px\" class=\"wp-caption aligncenter\"><img fetchpriority=\"high\" decoding=\"async\" aria-describedby=\"caption-attachment-1090\" class=\"wp-image-1090 \" src=\"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/sl-07lHSm-TrWkbxckI9.png\" alt=\"\" width=\"954\" height=\"530\" srcset=\"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/sl-07lHSm-TrWkbxckI9.png 954w, https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/sl-07lHSm-TrWkbxckI9-300x167.png 300w, https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/sl-07lHSm-TrWkbxckI9-768x427.png 768w, https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/sl-07lHSm-TrWkbxckI9-700x389.png 700w\" sizes=\"(max-width: 954px) 100vw, 954px\" \/><p id=\"caption-attachment-1090\" class=\"wp-caption-text\">Diagrama explicativo do aprendizado supervisionado (<em>supervised learning<\/em>) em ML. Fonte: https:\/\/medium.com\/@chisoftware\/supervised-vs-unsupervised-machine-learning-7f26118d5ee6<\/p><\/div>\n<p>Apesar das ANN resolverem muitos problemas de classifica\u00e7\u00e3o e predi\u00e7\u00e3o, suas solu\u00e7\u00f5es normalmente n\u00e3o agregam conhecimento ao usu\u00e1rio que as treinou ou construiu. N\u00e3o temos como saber como o problema foi de fato resolvido pelo modelo uma vez que a sua solu\u00e7\u00e3o est\u00e1 confinada na imensa quantidade de par\u00e2metros profundamente registrados nas camadas escondidas da ANN, organizados na forma de uma imensa matriz num\u00e9rica, cujos dados, mesmo que observados ou estudados, para nossa cogni\u00e7\u00e3o simplesmente n\u00e3o faria sentido, ou seja, seria uma inc\u00f3gnita. Recentemente ANN passaram a operar tamb\u00e9m de modo n\u00e3o supervisionado, onde a fase de treinamento \u00e9 feita automaticamente, sem o aux\u00edlio humano, Assim o modelo recebe dados reais, que n\u00e3o foram preparados e classificados por um humano (o que costuma ser chamado de <em>ground truth<\/em>). O modelo aprende sozinho, atrav\u00e9s de dados muitas vezes incompletos ou at\u00e9 errados, do mesmo modo que n\u00f3s aprendemos com a vida. Esta categoria de modelo \u00e9 o que se chama de DL (<i>Deep Learning<\/i>).<\/p>\n<div id=\"attachment_1091\" style=\"width: 956px\" class=\"wp-caption aligncenter\"><img decoding=\"async\" aria-describedby=\"caption-attachment-1091\" class=\"wp-image-1091 size-full\" src=\"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/ul-0dMW760AWCDbdQW-z.png\" alt=\"\" width=\"946\" height=\"528\" srcset=\"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/ul-0dMW760AWCDbdQW-z.png 946w, https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/ul-0dMW760AWCDbdQW-z-300x167.png 300w, https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/ul-0dMW760AWCDbdQW-z-768x429.png 768w, https:\/\/www.blogs.unicamp.br\/musicologia\/wp-content\/uploads\/sites\/182\/2019\/12\/ul-0dMW760AWCDbdQW-z-700x391.png 700w\" sizes=\"(max-width: 946px) 100vw, 946px\" \/><p id=\"caption-attachment-1091\" class=\"wp-caption-text\">Diagrama explicativo do aprendizado n\u00e3o supervisionado (<em>unsupervised learning<\/em>) em ML, onde n\u00e3o h\u00e1 a participa\u00e7\u00e3o de um humano no processo de aprendizado do modelo. Fonte: https:\/\/medium.com\/@chisoftware\/supervised-vs-unsupervised-machine-learning-7f26118d5ee6<\/p><\/div>\n<p>Pesquisas na utiliza\u00e7\u00e3o de DL em composi\u00e7\u00e3o musical vem ocorrendo desde a segunda d\u00e9cada do s\u00e9culo 21 que ainda estamos. Trabalhos como o artigo \u201c<i>Deep Learning for Music<\/i>\u201d (link nas refer\u00eancias) tratam da pesquisa sendo realizada desde ent\u00e3o em construir um modelo computacional capaz de gerar de modo n\u00e3o supervisionado (sem qualquer intera\u00e7\u00e3o humana, ou seja, diferente dos exemplos acima, da reconstru\u00e7\u00e3o supervisionada das pe\u00e7as de Schubert e Beethoven) pe\u00e7as completas de m\u00fasica, ou seja, com melodia e harmonia encadeada com padr\u00f5es r\u00edtmicos, que o ouvinte humano n\u00e3o consiga de fato distinguir se esta pe\u00e7a foi criada por um compositor humano ou por um modelo computacional sozinho.<\/p>\n<p><iframe title=\"Music Generation using Deep Learning\" width=\"700\" height=\"394\" src=\"https:\/\/www.youtube.com\/embed\/lUZ2YBOLGsc?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; encrypted-media; gyroscope; picture-in-picture\" allowfullscreen><\/iframe><\/p>\n<p>No primeiro semestre de 2019, a empresa <a href=\"https:\/\/openai.com\" target=\"_blank\" rel=\"noopener noreferrer\">OpenIA<\/a>, que realiza pesquisas em DL, lan\u00e7ou em seu site o <a href=\"https:\/\/openai.com\/blog\/musenet\/\" target=\"_blank\" rel=\"noopener noreferrer\">MuseNet<\/a>, um modelo capaz de gerar at\u00e9 4 minutos de m\u00fasica em diversos g\u00eaneros musicais. O site apresenta v\u00e1rios exemplos das composi\u00e7\u00f5es feitas por este DL, segundo eles, sem a supervis\u00e3o humana. MuseNet n\u00e3o foi treinado por music\u00f3logos ou outro tipo de te\u00f3ricos musicais, para executar regras que descrevessem os estilos musicais que aprendeu a compor. Ao inv\u00e9s disso, este DL foi treinado com uma enorme quantidade de dados simb\u00f3licos (arquivos MIDI) de pe\u00e7as dos compositores e estilos que posteriormente veio a simular, compondo sozinho pe\u00e7as musicais. O resultado \u00e9, ao menos para mim, impressionante.<\/p>\n<p>No pr\u00f3ximo artigo continuarei esta discuss\u00e3o, onde tratarei dos conceitos de intelig\u00eancia e criatividade musical na perspectiva deste momento t\u00e3o interessante, onde algoritmos j\u00e1 se tornaram capazes de compor m\u00fasica que, de certa forma passaram no que seria, a meu ver, a vers\u00e3o musical de um\u00a0<u>teste de Turing<\/u>, nome dado em homenagem ao famoso matem\u00e1tico e um dos criadores da computa\u00e7\u00e3o, Alan Turing. Este postulou que um AI s\u00f3 poderia ser considerado de fato inteligente, se viesse a conseguir enganar um ser humano em um di\u00e1logo, no sentido de que o humano n\u00e3o conseguisse decidir se estava se comunicando com outro humano ou com uma m\u00e1quina. O di\u00e1logo que Turing se referiu era o da linguagem, que ocorre em m\u00faltiplos sentidos (perguntas, respostas, declara\u00e7\u00f5es) e tem informa\u00e7\u00e3o sem\u00e2ntica multidimensional (sentido direto, met\u00e1fora, ironia, etc.). Aqui, tratamos de um caso que considero bem mais simples; o monologo da comunica\u00e7\u00e3o emotiva, n\u00e3o sem\u00e2ntica, da m\u00fasica, do interprete para o ouvinte, barreira esta no entanto muito significativa, e que quase silenciosamente acaba de ser superada.<\/p>\n<p>&nbsp;<\/p>\n<p><strong>Refer\u00eancias<\/strong>:<\/p>\n<p>\u201cIntelig\u00eancia artificial completa 10\u00aa Sinfonia de Beethoven\u201d Deutsche Welle. <a href=\"https:\/\/p.dw.com\/p\/3UQdb\">https:\/\/p.dw.com\/p\/3UQdb<\/a><\/p>\n<p>Experts to use AI to finish Beethoven&#8217;s unfinished 10th symphony. <a href=\"http:\/\/sabahdai.ly\/0eh8dg\">http:\/\/sabahdai.ly\/0eh8dg<\/a><\/p>\n<p>John Kennedy. How AI completed Schubert\u2019s Unfinished Symphony No 8.<a href=\"https:\/\/www.siliconrepublic.com\/machines\/unfinished-symphony-no-8-ai-huawei\">https:\/\/www.siliconrepublic.com\/machines\/unfinished-symphony-no-8-ai-huawei<\/a><\/p>\n<p>Is AI stealing our jobs? &#8211; Matthias R\u00f6der (2019). <a href=\"https:\/\/youtu.be\/50CUJB8tPGc\">https:\/\/youtu.be\/50CUJB8tPGc<\/a><\/p>\n<p>Everything You Need to Know About Artificial Neural Networks.<a href=\"https:\/\/medium.com\/technology-invention-and-more\/everything-you-need-to-know-about-artificial-neural-networks-57fac18245a1\">https:\/\/medium.com\/technology-invention-and-more\/everything-you-need-to-know-about-artificial-neural-networks-57fac18245a1<\/a><\/p>\n<p>Allen Huang, Raymond Wu. \u201cDeep Learning for Music\u201d CoRR abs\/1606.04930.<a href=\"https:\/\/cs224d.stanford.edu\/reports\/allenh.pdf\">https:\/\/cs224d.stanford.edu\/reports\/allenh.pdf<\/a><\/p>\n<p>Music Generation using Deep Learning<a href=\"https:\/\/youtu.be\/lUZ2YBOLGsc\">https:\/\/youtu.be\/lUZ2YBOLGsc<\/a><\/p>\n<p>&nbsp;<\/p>\n<p><strong>Como citar este artigo:<\/strong><\/p>\n<p>Jos\u00e9 Fornari. \u201cIntelig\u00eancia artificial e criatividade musical \u201d. Blogs de Ci\u00eancia da Universidade Estadual de Campinas. ISSN 2526-6187. Data da publica\u00e7\u00e3o: 12 de dezembro de 2019. Link: <a href=\"https:\/\/www.blogs.unicamp.br\/musicologia\/2019\/12\/12\/40\/\" target=\"_blank\" rel=\"noopener noreferrer\"><span class=\"edit-post-post-link__link-prefix\">https:\/\/www.blogs.unicamp.br\/musicologia\/2019\/12\/12\/<\/span><span class=\"edit-post-post-link__link-post-name\">40<\/span><span class=\"edit-post-post-link__link-suffix\">\/<\/span><\/a><\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<a href=\"https:\/\/www.blogs.unicamp.br\/musicologia\/2019\/12\/12\/40\/\" rel=\"bookmark\" title=\"Link permanente Intelig\u00eancia artificial e criatividade musical\"><p>Parte 1 Jos\u00e9 Fornari (Tuti) \u2013 12 de dezembro de 2019 fornari @ unicamp . br Recentemente foi divulgado que pesquisadores conseguiram desenvolver um modelo computacional de AI (sigla de Artificial\u00a0Intelligence,\u00a0ou seja, intelig\u00eancia artificial) capaz de finalizar o que viria a ser a d\u00e9cima sinfonia de Ludwig van Beethoven. O coordenador do projeto, Mattias R\u00f6der, [&hellip;]<\/p>\n<\/a>","protected":false},"author":389,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"pgc_sgb_lightbox_settings":"","_vp_format_video_url":"","_vp_image_focal_point":[],"footnotes":""},"categories":[8],"tags":[7,10,62,11,14,3,2,15,18,17,13,5],"class_list":["post-1074","post","type-post","status-publish","format-standard","category-musicologia","tag-blog","tag-blogs","tag-inteligencia-artificial-e-criatividade-musical","tag-jose-fornari","tag-josefornari","tag-musica","tag-musicologia","tag-musicologia-na-midia","tag-nics","tag-tuti","tag-tutifornari","tag-unicamp","h-entry","hentry"],"jetpack_featured_media_url":"","_links":{"self":[{"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/posts\/1074","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/users\/389"}],"replies":[{"embeddable":true,"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/comments?post=1074"}],"version-history":[{"count":7,"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/posts\/1074\/revisions"}],"predecessor-version":[{"id":1093,"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/posts\/1074\/revisions\/1093"}],"wp:attachment":[{"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/media?parent=1074"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/categories?post=1074"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.blogs.unicamp.br\/musicologia\/wp-json\/wp\/v2\/tags?post=1074"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}