« Deep learning » et musique artificielle

Une machine qui compose de la musique dans un style donné, vous en connaissez, à part les petits élèves de composition savamment programmés au Conservatoire? Utopie jusqu’à il y a peu, le « deeep learning » est une nouvelle méthode de traitement qui révolutionne le sujet en matière d’intelligence artificielle.

Jusqu’à il y a quelques années, l’intelligence artificielle fonctionnait sur la base d’un moteur d’inférence dont les entrés (des données numériques : son, température, couleurs, pixels, résultat d’exploitation, que sais-je…!) étaient traitées à partir d’une base de « règles logiques » (ou algorithmes)  plus ou moins nombreuses et  entrées « manuellement »; travail considérable, fastidieux et couteux pour un résultat souvent médiocre.

Le « deeep learning » est une nouvelle méthode de traitement qui révolutionne le sujet: elle consiste à  faire fonctionner concomitamment quelques milliers de ces moteurs d’inférence. Ces neurones artificiels, très spécialisés fonctionnent sur quelques règles simples, ils sont donc rapides et indéfiniment réutilisables. Mais surtout ils s’échangent leurs données, les résultats des uns (sorties) servant d’input (entrées) aux autres dans une organisation en couche de  traitement : c’est en cela que réside la révolution, car ces traitements s’enchainent automatiquement en passant d’une couche à l’autre. Les résultats sortent très rapidement avec nos ordinateurs modernes, et ils sont réutilisables sans qu’il faille entrer de nouveau toutes  les règles à chaque itération.

Yann Ollivier, spécialiste du sujet illustre ce mécanisme par un exemple :
Comment reconnaître une image de chat ? Les points saillants sont les yeux et les oreilles. Comment reconnaître une oreille de chat ? L’angle est à peu près de 45°. Pour reconnaître la présence d’une ligne, la première couche de neurones va comparer la différence des pixels au-dessus et en dessous : cela donnera une caractéristique de niveau 1. La deuxième couche va travailler sur ces caractéristiques et les combiner entre elles. S’il y a deux lignes qui se rencontrent à 45°, elle va commencer à reconnaître le triangle de l’oreille de chat. Et ainsi de suite. » (*)

Les premières études ont porté sur le traitement d’images, mais aujourd’hui on peut voir les résultats dans le domaine musical, comme nous le rapporte Morgane Tual dans Le Monde.

David Cope, professeur de musique et d’informatique à l’université de Californie, a travaillé ces dernières décennies sur une machine capable de composer de la musique classique. Son premier programme, baptisé EMI, « s’inspire » de grands compositeurs pour créer ses propres musiques. Concrètement, David Cope « nourrit » EMI de nombreuses musiques de Vivaldi, par exemple, qu’elle va analyser, dans le but d’identifier des motifs et des règles. A partir de ces schémas, elle est capable de confectionner ses propres compositions, dans un style proche de celui du compositeur.

David Cope a décidé d’aller plus loin en inventant un autre programme, baptisé Emily Howell. Il fonctionne de la même manière, mais se nourrit des créations d’EMI pour concevoir sa propre musique, ce qui donne un style plus « personnel », proche de la musique contemporaine. Emily Howell a sorti son premier album en 2010.

Sur un principe similaire, Shimon, conçu par le roboticien Guy Hoffman, est capable d’improviser en direct sur de la musique jazz, à partir d’un modèle statistique fondé sur les improvisations du pianiste Thelonious Monk. Dans cette vidéo, le robot s’adapte en temps réel à la musique, qu’il découvre, jouée par son concepteur.

Bon… pour l’instant, il faut le reconnaitre, les résultats ne sont pas encore mirobolants, (surtout du fait de l’interprétation, d’ailleurs) et je préfère encore ma musique ! 🙂

(* )En savoir plus sur http://www.lemonde.fr/pixels/article/2015/07/24/comment-le-deep-learning-revolutionne-l-intelligence-artificielle_4695929_4408996.html#4puePE4LSlz3hBtA.99

Une réflexion sur « « Deep learning » et musique artificielle »

  1. Passionnant ! Comme vous l’évoquez, le deep learning ne s’arrête pas qu’au domaine de la musique et a déjà été expérimenté en peinture, notamment.
    De plus, La notion de créativité fait l’objet de nombreux débats dans la communauté de recherche, et le deep learning ne fait qu’accentuer les divisions !
    S’agit-il de capacité artistique ? D’imagination ? D’inventivité ?
    Très bon partage ! Merci

C'est avec plaisir que noues accueillons vos commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.