La série Light Bosons a été réalisée pour illustrer à quel point l'IA et l'apprentissage automatique sont proches de la psyché humaine. En fait, je crois fermement que ce que nous appelons aujourd'hui intelligence artificielle (IA) est, en réalité, une couche de l'intelligence animale/humaine.

Pour cela, j'ai essayé de donner une illustration de la vision de l'IA en me basant sur les recherches que j'ai faites sur l'apprentissage automatique, les réseaux neuronaux (CNN(1) et RNN(2)), les modèles de Turing et les fonctions sigmoïdes.

Ainsi, cette série est divisée en 3 parties distinctes :

• Fonction d'erreur : Elle fait référence au type de fonction que les machines utilisent pour identifier les objets/sujets dans une image ou une vidéo. La pénalité pour ne pas avoir atteint le résultat attendu (c'est-à-dire reconnaître le bon objet/individu dans une image) est appelée " erreur ". Si la perte est calculée pour un seul exemple d'apprentissage, elle est appelée fonction de perte ou d'erreur.
• Activation*** : Lorsqu'une image ou une vidéo (input) est présentée à une IA pour l'entraînement, elle peut être traduite en une liste de codes (chiffres) ou subdivisée en petites unités (comparables à ce qu'est un pixel pour une image). Ces unités se voient alors attribuer des valeurs d'"activation" comprises entre 0 et 1. 0 décrirait une absence totale de données tandis que 1 serait le contraire.
• Champs vectoriels : Où j'essaie d'utiliser des motifs de Turing comme représentatifs des données. La mémoire d'une IA peut rarement imiter celle d'un être humain. C'est pourquoi la quantité d'entraînement que reçoit une IA a un impact sur sa rapidité et son efficacité. Sans le traitement de nombreuses données, une IA ne serait pas en mesure de se comporter comme nous le souhaitons.

Dans cette partie de la série, deux images sont traitées de la même manière. Mais en raison de la variété de la densité des motifs, plus ou moins de détails des photographies originales sont perceptibles.

Pour les photographies, j'ai décidé d'utiliser un objectif fisheye en raison de la manière dont il courbe l'espace-temps. Comme les machines d'IA ne peuvent pas interagir avec le monde et ne traitent pas l'information de manière identique à nous, j'ai pensé que la notion d'espaces non-euclidiens(3) était pertinente dans ce contexte.

L'utilisation du noir, du blanc et du gris est là pour créer l'impression de volumes aplatis. Ici, la profondeur de la perspective est visible grâce à ses " bords " et non à cause des ombres (comment on discerne normalement les profondeurs et les volumes avec son œil humain).

Les couleurs représentent le spectre de la lumière. Mon intention ici était de représenter à nouveau l'information et les données.

1 Réseau de neurones convolutif : il s'agit d'un type d'apprentissage automatique acyclique qui s'inspire de la vision du cortex animal.

2 Réseau neuronal récurrent : comme son nom l'indique, il s'agit d'un réseau neuronal qui se concentre sur la création de motifs dans le temps.

3 Espace où rien n'est perpendiculaire ou parallèle.