{"id":1101,"date":"2019-12-18T18:00:47","date_gmt":"2019-12-18T21:00:47","guid":{"rendered":"https:\/\/www.blogs.unicamp.br\/musicologia\/?p=1101"},"modified":"2019-12-17T23:01:46","modified_gmt":"2019-12-18T02:01:46","slug":"41","status":"publish","type":"post","link":"https:\/\/www.blogs.unicamp.br\/musicologia\/2019\/12\/18\/41\/","title":{"rendered":"Intelig\u00eancia artificial e criatividade musical"},"content":{"rendered":"

Parte 2<\/strong><\/p>\n

Jos\u00e9 Fornari (Tuti) \u2013 18 de dezembro de 2019<\/p>\n

fornari @ unicamp . br<\/em><\/p>\n

\n

No artigo anterior falei rapidamente sobre as bases da pesquisa atal em intelig\u00eancia artificial e como as recentes t\u00e9cnicas de aprendizado profundo (Deep Learning<\/i>, ou simplesmente DL) trouxeram recentemente (na \u00faltima d\u00e9cada) um novo alento no processo de cria\u00e7\u00e3o art\u00edstica artificial. Desses t\u00e9cnicas, uma que se destaca \u00e9 chamada de GAN, sigla que significa Generative Adversarial Network<\/i>. A ideia por traz desta t\u00e9cnica \u00e9 utilizar 2 redes neurais artificiais de aprendizagem profunda, uma para gerar e outra pra selecionar. GAN s\u00e3o normalmente traduzidas para o Portugues como \u201credes advers\u00e1rias generativas\u201d, ou \u201credes advers\u00e1rias geradoras\u201d. Muitas refer\u00eancias sobre GAN dizem que as duas redes (ANN) componentes de uma GAN s\u00e3o colocadas como advers\u00e1rias, de modo a competirem na produ\u00e7\u00e3o de imita\u00e7\u00e3o de um padr\u00e3o de dados gen\u00e9ricos. Para mim, a arquitetura da GAN parece muito mais uma forma de coopera\u00e7\u00e3o do que competi\u00e7\u00e3o artificial. Como disse no artigo anterior, as 2 categorias de problemas onde mais se utilizam ANN \u00e9: 1) classifica\u00e7\u00e3o (identificar um padr\u00e3o nos dado apresentados) e predi\u00e7\u00e3o (criar um padr\u00e3o baseado nos dados apresentados). Na GAN uma rede \u00e9 treinada pra detectar um certo padr\u00e3o (por exemplo, a imagem de um rosto humano). A outra rede \u00e9 treinada pra gerar novos padr\u00f5es, baseado em dados apresentados (por exemplo, gerar um rosto humano artificial original, diferente de todos os outros apresentados durante a fase de treinamento). Chamando a solu\u00e7\u00e3o de cada rede de \u201ccandidato\u201d (no caso, rosto humano), enquanto uma rede reproduz candidatos, a outra seleciona apenas os melhores (no caso, os rostos artificiais mais realistas). Este processo se parece muito com o modelo evolutivo de criatividade, que mencionei no artigo anterior<\/a>\u00a0onde uma rede age como o processo de reprodu\u00e7\u00e3o e a outra como o processo de sele\u00e7\u00e3o. O resultado \u00e9 impressionante. No final de 2018 pesquisadores da empresa Nvidia<\/a> apresentaram o StyleGAN, um modelo de gera\u00e7\u00e3o de fotografias de rostos humanos artificiais hiperrealistas (imposs\u00edvel de ser distinguidos da fotografia de um rosto verdadeiro). Em fevereiro de 2019 este modelo foi publicamente disponibilizado como c\u00f3digo livre onde Phillip Wang lan\u00e7\u00f8u um site que gera constantemente rostos de pessoas que nunca existiram. O site se chama https:\/\/thispersondoesnotexist.com<\/a><\/p>\n

\"\"

Nenhuma destas pessoas existem. Elas foram geradas por um modelo GAN. Fonte: https:\/\/9gag.com\/gag\/amBWoVv\/those-people-doesnt-exist-they-are-generated-by-ai-artificial-intelligence<\/p><\/div>\n

Estes modelos de DL avan\u00e7aram para a produ\u00e7\u00e3o de videos e j\u00e1 permitem criar montagens t\u00e3o realistas que s\u00e3o imposs\u00edveis de serem desmascaradas como sendo falsas. Isto criou o termo Deepfake<\/em> (profundamente falso) que \u00e9 um tema bastante pol\u00eamico e potencialmente destrutivo, onde n\u00e3o se pode mais confiar em nossos sentidos para se saber se uma imagem ou video \u00e9 verdadeiro ou falso. Segue abaixo um video de deepfake<\/em> intencional, onde os 2 maiores oponentes no parlamento brit\u00e2nico s\u00e3o colocados como \u00a0que pedindo para que o p\u00fablico vote em seu oponente e ao final confessam ser apenas montagens computacionais de deepfake<\/em>.<\/p>\n