Remodeler les pratiques artistiques numériques en temps réel avec l’apprentissage par renforcement : Une étude réflexive et ethnographique de recherche-création

L’avènement de nouvelles technologies d’IA basées sur des algorithmes d’apprentissage machine (ML) tels que l’apprentissage par renforcement (RL) a créé un changement de paradigme dans les arts numériques. Grâce à ces technologies, les auteurs humains ne sont plus obligés de concevoir directement des programmes informatiques, mais peuvent indirectement façonner des programmes par des moyens alternatifs tels que l’assemblage de bases de données. Alors que la programmation informatique classique offre une forme d’universalité (qui a soutenu le développement des arts numériques en raison de sa capacité à traiter différents types de sources médiatiques à l’aide d’une approche commune, à savoir l’informatique), la ML offre une forme alternative d’universalité qui est pilotée par des données plutôt que par des algorithmes.

Notre objectif principal est de comprendre comment l’apprentissage par renforcement transforme le processus créatif dans les arts numériques. Pour ce faire, nous examinons et cartographions les relations entre l’artiste, le système d’apprentissage par renforcement et les matériaux artistiques au cours du processus créatif dans trois domaines artistiques : l’installation robotique, la performance audiovisuelle et la réalité virtuelle. Notre hypothèse est que le RL permet aux artistes numériques de choisir finement quelle partie des décisions ils veulent prendre et quelle partie ils veulent confier au système RL, ce qui leur permet d’itérer plus rapidement à travers les variations de leur travail en utilisant pleinement le potentiel génératif du RL. Nous émettons également l’hypothèse que le degré de numérisation du média a un impact supplémentaire sur ce processus : la nature numérique de la RV offrirait ainsi un niveau différent de contrôle humain et d’autonomie du système RL que la performance AV ou la robotique, où la présence de médias non numériques aurait un impact sur la capacité de l’algorithme RL à apprendre à partir de relations complexes et précises entre les données.

Notre objectif secondaire est d’évaluer la transférabilité des utilisations de la RL entre les domaines artistiques et son impact sur la collaboration. Par exemple, si un artiste qui a utilisé la NR dans le domaine de l’installation de robots peut ensuite appliquer son savoir-faire dans le domaine de la RV ou de la performance AV ; et comment deux artistes experts dans des domaines distincts peuvent profiter des propriétés génériques de le RL pour améliorer leur collaboration. Notre hypothèse est que le RL est transférable, c’est-à-dire que le savoir-faire d’un domaine créatif donné peut être appliqué à un autre domaine avec un minimum d’effort. Cette transférabilité doit toutefois être facilitée par la collaboration, car la connaissance de le RL ne fait pas instantanément de quelqu’un un expert dans une autre discipline artistique. Nous émettons également l’hypothèse que le RL fournit la base d’un langage commun, ancré dans la pratique artistique, qui facilite la collaboration interdisciplinaire.