Que se passe-t-il quand le destinataire d’une composition graphique est une machine ? La reconnaissance de formes par les machines n’est pas nouvelle – on peut penser aux typographies OCR ou aux QR codes – mais nous arrivons à un point où sont reconnues non plus seulement des formes, mais aussi les relations qui peuvent exister entre elles. La machine commence à comprendre la composition, elle peut décrire ce qu’elle voit par des phrases intelligibles : “A group of giraffes standing next to each other on a field”, “A man riding a bike down a street next to a traffic light”, etc. Dès lors, la machine sera-t-elle capable de commenter le design graphique ? Et à quelles fins ?
En février dernier, Vadim Bernard (Dépli/incident) et le développeur Martial Geoffre Rouland (Screenclub) ont partagé ces interrogations avec une vingtaine d’étudiants de quatrième et cinquième années du département Design graphique de l’ENSAD. Il s’agissait d’investir les dernières librairies qui font appel à des réseaux de neurones artificiels (NeuralTalk par Karpathy, OfxTSNE par Gene Kogan, et ofxCCV par Kyle McDonald).
Quel protocole suivre ? D’une part, observer et comprendre comment des réseaux de neurones vierges pouvaient spacialiser des images et se constituer, en suivant une logique de ressemblance, une sorte de culture visuelle. Pour ce faire, en moins d’une demi-heure, les étudiants livrèrent un lot de dessins bricolés, bouts de typos, photos. D’autre part, tester la culture visuelle d’un réseau ayant déjà préalablement appris (notamment sur des banques d’images légendées par des humains) en lui soumettant l’une de ces images fraîchement réalisées. Quelle légende le réseau allait-il inventer en sachant qu’il reconnait parfaitement ce qu’il a déjà vu et pas du tout ce qu’il n’a jamais vu ? Entre ces deux extrémités, tout un monde d’indétermination et d’improvisation.
La conception et l’optimisation de différents systèmes graphiques a ainsi permis aux étudiants de mettre en lumière cette nouvelle capacité de la machine – voir le monde – et d’avancer des hypothèses quant aux potentielles applications de ces instruments de reconnaissance (déclenchement de scripts, réactions en chaîne, etc.).
Retour en images.
La Psychologie des machines
Jules Tirilly
Elise Rigollet
Maxime Marois
Pia Philippe
Manuel Marsoudet
Alors que les réseaux de neurones vont prendre de plus en plus de place dans nos vies, nous avons cru bon d’évaluer la santé mentale de ceux qui bientôt décideront pour nous. Au travers de tests psychologiques classiques (Rorschach, TAT, analyse graphologique, etc.) nous avons déterminé certains traits caractéristiques de leur personnalité. Ils se révèlent particulièrement limités intellectuellement et centrés sur des thématiques enfantines. Néanmoins, l’interprétation du TAT révèle : la conscience qu’ils ont de leur pouvoir en devenir, une volonté de domination et une tension potentiellement destructrice liée à l’absence de parents.
Boucle Instagram
Rhea Bachoffner
Marine Depery
Camille Dillard
À partir des images les plus populaires d’Instagram, nous avons créé une boucle entre les logiciels NeuralTalk et Instagram pour obtenir une banque d’images liées par leurs légendes.
Programme administratif personnalisé d’accueil (PAPA)
Étienne Macquet
Yoann Le-Goff
Donald Choque
By TNSET
Jean-francois Boulan
Jessica Pichet
Orlando Marshall
Charles Prieur
Antoine Thibaudeau
Le logiciel TNSET permet de cartographier un panel d’images qu’un utilisateur lui soumet. La présente édition met en lumière des détails de regroupements obtenus grâce à ce logiciel.
By Neuraltalk
Jean-francois Boulan
Jessica Pichet
Orlando Marshall
Charles Prieur
Antoine Thibaudeau
Neuraltalk est un logiciel capable d’identifier les différents éléments présents sur une image et de décrire son contenu en une phrase synthétique via un lexique intégré. Dans les faits, on observe que la description faite par le logiciel ne correspond généralement pas avec les éléments de l’image. À partir de ce constat, nous avons voulu confronter les images issues de nos ordinateurs personnels avec celles que l’on trouve sur les bibliothèques en ligne, en entrant dans la barre de recherche la phrase descriptive de Neuraltalk. Outre le décalage prévisible dû à la description hasardeuse du logiciel, les couples d’images qui résultent de cette enquête mettent en avant la différence culturelle qui existe entre nos images personnelles (d’une grande diversité), et celles trouvées sur les bibliothèques en ligne, beaucoup plus standardisées, voire américanisées. Nos recherches s’appuient essentiellement sur les banques d’images des sites internet suivants : GettyImages.fr, Shutterstock.com, Google Images, Alamy.com, 123RF.com...
Barbe bleue
Claire Mucchielli
Laura Williams
Karolina Howorko
Notre idée était de produire des images pour la machine afin que cette dernière puisse raconter un conte : celui de Barbe Bleue .
L’Odeur des images
Nabil Idhammou
Adrien Ledoux
Maxime Matias
Pouvons-nous faire un pont entre l’image et l’odeur ? Est-il possible de réaliser des images qui rendent compte de l’expérience olfactive ? Durant ce workshop, nous avons tenté d’utiliser la capacité d’apprentissage de la machine afin de lui apprendre à reconnaître des formes et les associer à des odeurs. En complexifiant le processus et la variété des formes, on peut imaginer établir un dispositif permettant d’identifier des compositions olfactives à partir d’images abstraites, offrant la seule possibilité de lecture à une machine entraînée.
La Gestalt
Étienne Murphy
Sabrine Sidki-Mangin
À partir de quel moment la machine peut-elle reconnaître une forme ? Est-ce que la machine saisit les lois de l’organisation perceptive ? Sous la forme d’un jeu inspiré des 5 lois de la Gestalt, nous avons proposé aux utilisateurs de reproduire différentes constructions cubiques. Des pourcentages s’affichent simultanément en fonction des constructions indiquant le degré de ressemblance avec la forme souhaitée. C’est dans une volonté de rappeler les prémisses des expérimentations constructivistes, dans le contexte de la machine, que nous avons entamé ce projet.
