Yapay zeka ve müzik

Yapay zeka ile birbirinden cazip piyano nağmeleri ve sonsuz kedi çizimleri şablonları yaratmak Google’ın pek de önem vermediği bir projeymiş gibi görünebilir, ancak Douglas Eck için bunun çok büyük bir anlamı var. Eck yaklaşık 15 yılını yapay zeka ve müziği araştırmaya harcadı ve bugün Google’ın öğrenen makinelerle sanat ve müzik yapmayı hedefleyen açık kaynak araştırma projesi Magenta’nın lideri olarak Google Brain ekibinde bir bilim insanı olarak çalışıyor. Eck’le Google’ın nöral ağlarla nasıl yeni sesler ürettiğini, Magenta’nın yapay zeka müziği nereye götürdüğünü ve bilgisayarların neden fıkra anlatmakta çuvalladığını konuştuk.. 

Sanatta yapay zekadan faydalanmak yeni bir şey değil. Peki Google’ın yaklaşımını eşsiz kılan ne?

Biz bu özel yönelimi, derin ve yineleyici nöral ağlar ve diğer öğrenen makine türleriyle ilişkilendirerek keşfediyoruz. Ayrıca heΣm sanat camiasını hem de yaratıcı yazılımcıları aynı anda açık kaynak geliştiricileriyle bir araya getirmekte gerçekten çok zorlandığımızdan bunu bir açık kaynak projesi haline getirdik. 

Magenta müziğe odaklanıyor. Müzik yapımında ve çoğaltımında yapay zeka neden iyi? 

Dürüst olmak gerekirse bu benim için sadece bir eğilim. Benim araştırma kariyerimin tamamı müzik ve ses üzerine geçti. Magenta’nın kapsamının genel olarak sanat, fıkra anlatma, müzik, öyküleme, imgeleme ve yapay zekadan yaratıcı bir araç olarak nasıl faydalanılabileceğini anlamaya çalışma olduğunu düşünüyorum. Ancak işe bir yerlerden başlamak zorundasınız. Ben müzik kadar karmaşık ve önemli bir şeylerde ciddi ilerlemeler kaydedebilirseniz bunun bir kısmının başka alanları da etkileyeceğini ümit ediyorum. 

Magenta ile yaratılan müzik özünde bir doğaçlama. Peki yapay zekadan belirli bir yapıya sahip ahenkli bir müzik parçası yapımında faydalanılabilir mi? 

Bunun üzerinde çalışıyoruz. Bu yüzden biz hatta üretici modeller alanının tamamı öğrenen yapılar üzerine odaklanmış durumda. Burada yeni bir şeyler üretmeye çalışan öğrenen makine modellerini de kastediyorum. Biz şu anda akor değişikliklerini ve akor değişikliklerinin sembollerini vermek ve içeriksel olarak bu akor değişikliklerinden nasıl faydalanacağımızı öğrenmek istesek bunu yapabilirdik. Hatta akor değişiklikleri üreten ayrı bir model bile yaratabilirdik. Hedefimiz, bu yapı düzeylerini kendi başına belirleyen uçtan uca bir model oluşturmak. 

Bir ananas resmi çizmeye başlamanız ve ardından çizme işini Sketch-RNN’in devraldığı ve defalarca faklı stillerde ananas resmi yaptığı son Magenta deneyiniz olan Sketch-RNN’den bahseder misiniz?

Biz burada bir öğrenen makine algoritması olan Quick Draw’a karşı Pictionary oynayan insanların yaptıkları çizimler grubundan (Google Creative Lab tarafından yapılmış bir başka Google AI çizim deneyinin verilerinden) faydalandık. Bu verilerde belirli sınırlamalar vardır. Bu 20 saniyelik çizimlerden çıkarabileceğiniz çok fazla şey yoktur. Ancak ben ana Sketch-RNN araştırmacısı David Ha tarafından yapılan işin gerçekten çok güzel olduğunu düşünüyorum. Bir yineleyici nöral ağa bu çizimleri nasıl yeniden üretebileceğini öğrenme eğitimini o vermişti. Bu modeli nelerin önemli olacağını öğrenmeye zorlamıştı. Bu model çizimin tamamını ezberleyebilecek kadar güçlü değildi. Çünkü gördüğü her kalem darbesini ezberleyemez, modelin işi yapabildiği kadar çok kedi resmini yeniden üretmektir, çünkü o kediler hakkında önemli olan şeyleri öğrenmeye zorlanmıştır, yani milyonlarca kedi çizimi arasındaki ortak kedi resmi özelliklerini. Ve siz bu model ile oynadığınızda ondan hiç yoktan yeni kediler üretmesini isteyebilirsiniz.