محققان MIT الگوريتمي با توانايي تشخيص شباهت بين آثار هنري توسعه دادند
سيستم جديد هوشمند دانشمندان MIT موسوم به MosAIc توانايي شناسايي شباهت‌هاي دشوار بين آثار هنري را دارد. اين الگوريتم در فاز ابتدايي براي پيدا كردن شباهت بين آثار هنري موزه ملي آمستردام و موزه متروپوليتن نيويورك استفاده شد. الگوريتم MosAIc ابتدا يك تصوير را اسكن مي‌كند و سپس از شبكه‌هاي عميق براي پيدا كردن شباهت بين آثار بهره مي‌برد. اين شباهت‌ها شايد در نگاه عادي قابل شناسايي نباشند و نقاط مشتركي را از لحاظ فرهنگي و ديگر جزئيات اثر هنري نشان دهند.
براي استفاده از الگوريتم MosAIc ابتدا بايد تصوير يك اثر هنري را به سيستم بدهيد تا آثار هنري مشابه را پيدا كند. الگوريتم در يكي از مطالعه‌هاي نمونه توانست شباهتي بين تابلوي The Martyrdom of Saint Serapion از فرانسيسكو دي زورباران و تابلوي The Threatened Swan از يان آسلين پيدا كند. مارك هميلتون، دانشجوي دكتراي دانشكده‌ي علوم كامپيوتر و هوش مصنوعي MIT كه به‌عنوان محقق ارشد مقاله معرفي مي‌شود، درباره‌ي شباهت بين دو اثر هنري مي‌گويد: «اين دو هنرمند هيچ ارتباطي با هم نداشته‌اند و هيچ‌گاه هم در طول عمر، با يكديگر ديدار نكرده‌اند. ازطرفي نقاشي‌هاي آن‌ها شباهت ريشه‌هاي با هم دارد كه در جزئيات متعدد اثر ديده مي‌شود».
يكي از مهم‌ترين مراحل و چالش‌هاي توسعه‌ي MosAIc اين بود كه بايد الگوريتمي هوشمند با قابليت پيدا كردن شباهت در تمامي بخش‌هاي اثر هنري ساخته مي‌شد. درواقع الگوريتم نه‌تنهابايد شباهت در رنگ و سبك را شناسايي مي‌كرد، بلكه بايد معنا و تم اثر هنري را نيز مورد مطالعه قرار مي‌داد. طبق گفته‌هاي هميلتون، محققان يك شبكه‌ي عميق از خصوصيات ويژه يا به بيان بهتر «فعال‌سازها» را در تصاوير متعدد از مجموعه‌هاي در دسترس دو موزه‌ي بالا مورد مطالعه قرار دادند. فاصله‌ي بين فعال‌سازهاي شبكه‌ي عميق، همان المان مهمي بود كه پيدا كردن شباهت بين اثار هنري را آسان مي‌كرد.
محققان براي توسعه‌ي الگوريتم خود از يك ساختار داده‌ي جست‌وجوي تصوير به‌نام KNN Tree استفاده كردند كه تصاوير را به‌صورت ساختاري شبيه به درخت، گروه‌بندي مي‌كند. الگوريتم براي پيدا كردن تصوير مشابه، ابتدا از تنه‌ي گروه درختي شروع مي‌كند و به‌مرور، نزديك‌ترين شاخه براي ادامه‌ي مطالعه انتخاب مي‌شود. ساختار داده‌اي با ايجاد امكان هرس كردن خودكار شاخه‌ها در درخت، به‌مرور خود را بهبود مي‌بخشد. هرس كردن يعني درخت داده‌اي بسته به مشخصات تصاوير، شاخه‌هاي خود را تغيير مي‌دهد.
هميلتون اميدوار است تحقيقات انجام شده با MosAIc به‌مرور در حوزه‌هاي ديگر هم استفاده شود. به‌عنوان مثال شايد بتوان از اين الگوريتم در حوزه‌هاي مطالعه‌ي بشري، علوم اجتماعي و حتي پزشكي نيز استفاده كرد. او دراين‌باره مي‌گويد: «اين حوزه‌ها پر از اطلاعاتي هستند كه هيچ‌گاه با چنين روش‌هايي پردازش نشده‌اند و مي‌توتنند منبعي عالي براي الهام دانشمندان كامپيوتر و متخصصان ديگر باشند».
هم انديشي ها