Egy tájban sétálunk, ahol a valós és virtuális rétegek fúziója egy festmény közvetítő rétegén keresztül láthatóvá válik, a festmény érzékeny felületén bekövetkező stimulusokat mélytanuló algoritmusok irányítják. A Kaméleon munkavévre keresztelt projekt két művész Köves Éva festőművész, Sztojánovits Andrea fényművész és Varga Domonkos matematikus közös munkája.

A deep learning (mély tanulás) kifejezés olyan algoritmusokat takar, amelyek az egyre nagyobb adattömeg (big data) hatékony és gyors feldolgozását teszik lehetővé. Mesterséges intelligenciát úgy is létre lehet hozni, hogy a lehetséges események millióira előre beprogramozzák a lehetséges válaszokat. Izgalmasabb módszer, ha csak az alapvető képességekkel látják el a gépet, amely egy csecsemőhöz hasonlóan, az alapoktól kezdi megszerezni az ismereteit.  Ezek a gépek megfigyeléseikből és tapasztalataikból saját maguk vonnak le következtetéseket, így tulajdonképpen már nem programozni, hanem tanítani kell őket egy-egy specifikus terület kiismeréséhez.

A  lexikonok szerint a deep learning abban tér el a hagyományos gépi tanulástól, hogy több rétegben, vagyis több lépcsőben dolgozza fel a bejövő információt. Mindegyik réteg csak a maga feladatát végzi el, képfelismerés során például az egyik réteg csak a pixelek elhelyezkedését vizsgálja, egy másik pedig mondjuk az éleket keresi, és így tovább. Ebből a működési elvből adódóan a mély tanulással megvalósított mesterséges intelligenciák modelljének optimalizálása nagyon bonyolult, ami csak sok adattal lehetséges, és elég számításigényes.

Különböző képszerkesztő programokban lehet találkozni olyan funkcióval, ami a fotók olajfestmény vagy éppen képregényszerűvé változnak.  Az új deep learning algoritmusok még ennél egy kicsivel többet is tudnak. Gyakorlatilag bármilyen nagy festő stílusát leutánozzák, és egy előre megadott képet “átfestenek” abba a dizájnba.

A németországi Tübingen Egyetem kutatói fejlesztették ki az új, különleges “mély tanulásos” algoritmust, ami képes arra, hogy leutánozza a legnagyobb festőzsenik stílusát is, és átültesse azt egy tetszőleges képre.

A mély tanulás képes arra, hogy szétválassza és újrakombinálja a képek tartalmát illetve stílusát, ezzel pedig bámulatos képeket, túlzással mondhatni művészeti alkotásokat hoz létre. Az úgynevezett “mély tanulásos” algoritmust korábban már használták többek közt a Google képfelismerő alkalmazásoknál is. A működési elvből adódóan a mély tanulással megvalósított mesterséges intelligenciák modelljének optimalizálása nagyon bonyolult, ami csak sok adattal lehetséges, és elég számításigényes.

Az MTA SZTAKI-nál (Magyar Tudományos Akadémia, Számítástechnikai és Automatizálási Kutatóintézetében) két látványos mély tanuláson alapuló algoritmust fejlesztettek ki. Az egyik képes megjósolni, prediktálni egy szürkeárnyalatos kép színes változatát. A másik képes egy kép színinformációtartalmát felhasználva átfesteni egy másik képet realisztikus hatást nyújtva, tehát maga a rendszer generál előre nem várt esztétikai momentumokat.

Színezési kísérleteink mélytanuló algoritmussal:

Az előadás a Kitchen Budapest 10 jubileumán debütált, majd meghívást kapott az ICT Proposer’s Day-re.