





07.00.00 Digitální materiály a nástroje
Digitální prostředí stále více (nikoliv vždy) vstupuje do tradičně analogových procesů tvůrčích činností. Fyzická umělecká díla bývají většinou v nějaké své fázi renderována v digitálními nástroji, ať už se jedná o focení námětů, navrhování, automatizovanou produkci díla, či jeho výslednou prezentaci.
V tomto příspěvku se zaměřuji na to jak digitální prostředí formuje produkci uměleckých děl. Vztahuji se zde především k diskursu malířství, který vnímám jako praxi opakovaně tematizující hranici virtuálního a fyzického rozhraní a i proto mi poslouží jako modelový příklad pro toto téma.
Teoretické nástroje
Abychom využili potenciálu digitálních prostředí, hledáme ruku v ruce s technologickou specializací nové teoretické modely, nový jazyk.
Například Opensource kultura a Creative commons licence jsou nástroji jenž nám pomáhají přesáhnout individuální kapacity pro nabývání zkušeností. Představují právní a etický konsenzus pro produktivitu spočívající ve sdílení obsahu a know-how. Jejich nevýhodou je však riziko banalizace odborných znalostí a absence „skills“ nabytými postupným zdokonalováním vlastní chybou. Jejich efektivita totiž spočívá v možnosti neopakovat chyby které již za vás udělal někdo jiný.
Obdobným teoretickým nástrojem je cirkulární ekonomika jenž z předchozích dvou vychází a využívá jejich možnosti sdílení. Jelikož je cirkulární ekonomika nástrojem nezávislým na digitální prostředí zmiňuji ji zde pouze, abych naznačil východiska vyplývající ze současných právních a komunikačních standardů.
Méně rigidní jsou teoretické nástroje vycházející ze společenských věd. Ty nejsou sice fixované pouze na digitální prostředí avšak právě díky online komunikaci se stávají potenciálně hodnotnějšími.
Prvním nástrojem, který zde zmíním je koncept SF (Science fiction, Speculative fabulation, String figure, So Far…) jehož autorkou je Donna Harraway. “ It matters what matters we use to think other matters with; it matters what stories we tell to tell other stories with; it matters what knots knot knots, what thoughts think thoughts, what ties tie ties. It matters what stories make worlds, what worlds make stories.“02. Tento koncept používá k mezidruhovému vyprávění ve feministickém módu. Ve svém spekulativním vyprávění se snaží uskutečňovat multioborovou fabulaci, která zároveň představuje pole pro další napojení, uskutečnění kontextu.
Dalším populárním koncept jsou hyperobjekty definované Timothy Mortonem v knize Hyperobjects (2013)03.
Hyperobjekty jsou entity masivně distribuované v čase a prostoru se vztahem k člověku. Za hyperobjekt můžeme považovat například: Mokřad na Floridě, Souhrn veškerých radioaktivních prvků na planetě, celek biosféry nebo i černou díru. Tyto entity postrádají jednoznačné prostorové vymezení, a mají specifickou časovost, takže mohou být pro člověka po dlouhou dobu neviditelné. K popisu entit si Morton vypůjčuje Sartrovu metaforu dítěte, které poznává svůj vztah k prožívanému světu když noří ruku do soudku s medem, dotýká se vazké hmoty a pociťuje prožitek na pomezí pevnosti a tekutosti. Hyperobjekty jsou pomyslné soudky plné vazké hmoty, uvnitř kterých jsme chycení bez možnosti úniku. Jedná se o entity, jež svou existencí předchází existenci subjektu, který je v nich uvězněný jako v síti vztahů, od nichž se odvozuje jeho vznik i zánik. Hyperobjekty jsou k nám přilepené, utváří naši subjektivitu a naše percepce je proto nikdy nemůže úplně nahlédnout. Nejlepším příkladem vazkosti vlastní hyperobjektům jsou podle Mortona radioaktivní materiály: „Čím víc se jich snažíš zbavit, tím více zjišťuješ že se jich zbavit nemůžeš. Ony vážně podkopávají význam slova „pryč“.“
PRAKTICKÉ NÁSTROJE
Creative commons
Všechny licence Creative Commons mají mnoho společných prvků. Každá licence pomáhá autorům — kterým říkáme poskytovatelé licence, když používají naše právní nástroje; zachovat autorská práva, zatímco umožňují ostatním dílo kopírovat, šířit a určeným způsobem užívat toto dílo; přinejmenším nekomerčně. Každá CC licence také zajišťuje autorům, že za svou práci dostanou uznání, které si zaslouží. Každá CC licence funguje po celém světě a platí tak dlouho, dokud trvají aplikovatelná autorská práva (neboť jsou založeny na autorském právu). Tyto společné rysy slouží jako základní linie, nad níž mohou autoři, když se rozhodují, jak chtějí, aby jejich dílo bylo využíváno, udělit další povolení.
Při volbě licence odpovídá poskytovatel licence na několik otázek — za prvé, chci povolit komerční užití? A za druhé, chci povolit vytváření odvozených děl? Pokud se poskytovatel licence rozhodne povolit vytváření odvozených děl, může dále vyžadovat, aby kdokoliv, kdo dílo užije, &mdash, takové osoby nazýváme nabyvatelé licence — vystavil vzniklé dílo za stejných licenčních podmínek. Tento prvek se nazývá „Zachovejte licenci“ a je to jeden z mechanismů (pokud je zvolen), který pomáhá rozrůstání množství děl vystavených pod CC licencí. „Zachovejte licenci“ je inspirováno GNU General Public License, která je užívána velkým množstvím free a open source software projektů.
( z webu Creative Commons)
Open source
Předchůdcem licencí Creative commons byl jsou od 90. let Open source licence, používané pro ochranu softwarových děl.
Open-source licence umožňuje koncovým uživatelům a obchodním společnostem přezkoumávat a upravovat zdrojový kód, návrh nebo design pro vlastní potřebu. Software licencovaný jako open-source je většinou k dispozici zdarma, i když tomu tak nemusí být vždy. Licence, které dovolují pouze nekomerční šíření nebo úpravy zdrojového kódu pouze pro osobní použití nejsou obecně považovány za open-source licenci. Ale i open-source licence může mít některá omezení, zejména pokud jde o vyjádření respektu k původu softwaru, jako je například požadavek zachovat jméno autora a prohlášení o autorských právech ve zdrojovém kódu nebo požadavek na redistribuci licencovaného softwaru pouze pod stejnou licencí (jako v copyleft licenci). Jedna sada populárních licencí pro open-source software je schválena Open Source Initiative (OSI) na základě jejich Open Source Definition (OSD).
GAN
GAN řeší nedostatek fantazie pronásledující hluboké neurální sítě (DNN), populární strukturu AI, která zhruba napodobuje fungování lidského mozku. DNN se při výkonu svých funkcí spoléhají na velké sady označených dat. To znamená, že člověk musí explicitně definovat, co každý vzorek dat představuje, aby jej DNN mohly používat.
Skutečné limity neuronových sítí se projeví, když je použijete ke generování nových dat. Hluboké učení je velmi účinné při klasifikaci věcí, ale ne tak dobré při jejich vytváření. Důvodem je, že porozumění DNN z dat, která přijímají, se přesně neprojevuje ve schopnosti generovat podobná data. Proto například když k vykreslení obrázku použijete hluboké učení, výsledky obvykle vypadají velmi zvláštně (i když jsou fascinující).
Ian Goodfellow, autor techniky Generative Adversarial Network navrhl použítím dvou neuronových sítí vytvořit a zdokonalit nová data. První síť, generátor, generuje nová data. Tento proces je, jednoduše řečeno, obrácenou funkcí klasifikace neuronových sítí. Namísto sběru surových dat a jejich mapování na určené výstupy, generátor v modelu trasuje zpět výstup a pokusí se vygenerovat vstupní data, která by se mapovala na tento výstup. Například síť generátoru GAN může začít s maticí šumových pixelů a pokusit se je upravit tak, aby jej klasifikátor obrazu označil jako kočku.
Druhá síť, diskriminátor, je klasifikátor DNN. Hodnotí kvalitu výsledků generátoru na stupnici od 0 do 1. Je-li skóre příliš nízké, generátor opraví data a znovu je odešle diskriminátoru. GAN opakuje cyklus v superrychlých posloupnostech, dokud nemůže vytvářet data, která se mapují na požadovaný výstup s vysokým skóre.
GAN nemohou vymýšlet úplně nové věci. Můžete jen očekávat, že budou kombinovat to, co již vědí, novými způsoby. Například bez dostatku obrázků lidských tváří nebude GAN generátor celebrit schopen přijít s novými tvářemi. S tímto principem ztráty paměti pracoval na své výstavě UUmwelt v Serpentine Gallery Pierre Huyghe.
V této fázi je zpracování GAN stále komplikované. Pokud není rovnováha mezi generátorem a diskriminátorem, výsledky se mohou rychle stát divnými. Například pokud je diskriminátor příliš slabý, přijme vše, co generátor vyprodukuje, i když je to pes se dvěma hlavami nebo třemi očima. Na druhou stranu, pokud je diskriminátor mnohem silnější než generátor, bude neustále odmítat výsledky, což povede k nekonečné smyčce neuspokojivých dat. A pokud síť není správně vyladěna, skončí s výsledky, které jsou si navzájem příliš podobné. Inženýři musí neustále optimalizovat sítě generátoru a diskriminátoru postupně, aby se těmto účinkům vyhnuli.
Uživatelsky dostupným nástrojem pro práci s GAN je Runway ML. Nabízí celou řadu hotových nástrojů strojového učení, možnost trénování vlastních modelů a databázi hotových modelů.