Monet proti Manetu

Uvod

Édouard Manet (1832) in Claude Monet (1840) sta bila francoska slikarja, sodobnika v času modernizma. Laik ju z lahkoto zameša. V aktivnosti spoznamo delo obeh slikarjev in raziščemo, kako ju ločiti.

Priprava

Pred uro na strani https://data.pumice.si/razvrscanje#monet-manet pripravimo obrazec za vnos podatkov: izberemo “Monet in Manet”, kliknemo na gumb “Pripravi stran za aktivnost” in dobimo povezavo, na primer https://data.pumice.si/soba-hamburger.

Opazovanje podatkov

1. Odpremo priloženi delotok za Orange.

2. 

   Z dvoklikom odpremo Tabelo in Pregledovalnik slik v gornjem delu delotoka. Zdaj lahko v tabeli izbiramo posamične slike (ali pare ali skupine), pa jih bomo videli pregledovalniku.

   Če želimo izbrati dve ali več slik, najprej kliknemo prvo, nato pa še drugo, tako da ob kliku držimo tipko Ctrl (oz. Cmd na Macu).

   V gradniku Pregledovalnik lahko povečamo sliki (drsnik Velikost slike) ali določimo, kaj naj bo prikazano pod sliko, tako da Stolpec z naslovom nastavimo na Slikar ali Slika.

3. Ob slikah se pogovorimo o avtorjih, njunem življenju, zanimivem prijateljsko-rivalskem odnosu … Dijake vprašamo, ali poznajo katerega od avtorjev in po čem. Katera so njuna najbolj znana dela? Poskusimo jih uvrstiti v umetniško smer. Manet je namreč pripadnik realizma in kasneje impresionizma, medtem ko je Monet vso kariero tipični impresionist.

   Izpostavimo nekaj bolj znanih, na primer, Manetovo Kosilo na travi ter Monetovo Vodne lilije.

   Pokažemo lahko tudi sliki Veliki kanal v Benetkah in Veliki kanal Benetk. Ali znajo povedati, katera izmed slik je Monetova in katera Manetova?

Razvrščanje slik

1. Dijakom damo povezavo do strani za vnos podatkov. Vsak dijak, dijakinja bo vanjo najprej vpisala svoje ime in priimek. Lahko pa jih razdelimo v pare in skupine, pa si vsaka skupina ali par izbere neko ime.

2. 

   Naslednje strani bodo kazale slike, ki jih morajo razvrščati. Nobene izmed teh slik ni v tabeli slik, ki smo jo gledali prej.

Opazovanje rezultatov dijakinj, dijakov

1. 

   V Orangeu dvokliknemo gradnik Rezultati dijakov in nastavimo URL: če so dijaki za vnos uporabili povezavo https://data.pumice.si/soba-hamburger, bo URL za rezultate https://data.pumice.si/soba-hamburger/data.

   V izmišljenih podatkih v tem besedilu sta sodelovali dve skupini dijakov, “rumeni” in “zeleni”. V razredu jih bo seveda več.

2. 

   Dvokliknemo Izbor skupine dijakov in Zmote dijakov. V prvem izbiramo skupino, v drugem pa vidimo tabelo, katere vrstice predstavljajo dejanskega avtorja, stolpci pa napovedi napovedi dijakov. Številke v celicah povedo, koliko slik določenega avtorja so dijaki pripisali kateremu od avtorjev.

   Posnetek kaže izmišljene rezultate. Rumeni so pripisali tri Monetove slike Manetu in eno Manetovo sliko Monetu. Zeleni so naredili dve napaki več: Manetu so pripisali pet Monetovih slik.

3. 

   Zdaj odpremo še Pregledovalnik slik, ki je priključen na matriko zmot dijakov in poskrbimo, da vidimo obe okni hkrati. Če kliknemo na celico v matriki zmot, se v Pregledovalniku slik prikažejo slike, ki so jih dijaki napačno razvrstili. Tako lahko vidimo, katere značilnosti so spregledali ali napačno razumeli.

   Ogledamo si lahko, katere slike so zmedle koga in se pogovarjamo o tem, zakaj.

Bi to zmogel tudi računalnik?

V nadaljevanju ure lahko pokažemo, kako se z nalogo, ki so jo reševali dijaki, spopade računalnik. Temu je namenjen spodnji del delotoka.

Gradnik Testiraj dobi tri stvari:

• Učne slike - iste, kot smo jih gledali z dijaki. Tabela vsebuje številke, ki opisujejo slike in ime avtorja.
• Učni algoritem, ki se bo (upamo!) naučil razlikovati med avtorjema.
• Testne slike - spet prav te, ki so jih razvrščali dijaki. Tudi tu je ob slikah naveden avtor, vendar računalnik tega podatka ne bo dobil ob razvrščanju, temveč je tu zato, da lahko ugotovimo, katere slike je razvrstil pravilno in katerih ne.

Zmote računalnika pregledujemo tako, kot smo pregledovali zmote dijakov: odpremo Zmote računalnika in pripeti Pregledovalnik slik ter si ogledamo slike, pri katerih ga je polomil računalnik.

Razlaga ozadja: opisi slik z globokimi nevronskimi mrežami

Če je učitelj pripravljen, lahko za konec pove nekaj o umetni inteligenci. Namreč tole.

Računalnik je odličen matematik, ni pa ravno uspešen umetnostni zgodovinar. Zgolj na podlagi slike ne bo uspel ugotoviti ničesar pametnega. Zato moramo slike opisati s številkami.

Kako bi slike opisali dijaki? Umetna inteligenca za svoje delovanje namreč potrebuje opise objektov, ki nas zanimajo. Na primer slik. Vsako sliko moramo opisati tako, da bomo najustrezneje predstavili njene lastnosti. Po katerih lastnostih slik – v obliki številk – lahko ločimo med Monetom in Manetom?

Čeprav bi bilo lahko štetje pojavnosti posamezne barve povsem učinkovito, pa tak opis ne zajame ničesar o vsebini slike. Kaj ne bi bilo bolje, če bi sliko opisali na podlagi njenega motiva? Na primer, da bi portreti imeli drugačne številske opise kot krajine? Da bi recimo šteli pojavitve oči, nosov, ust, trave, dreves in gora? Ter bi na podlagi tega primerjali slike?

Nekaj podobnega počnejo globoke nevronske mreže. Pri tem gre za kompleksne algoritme, ki simulirajo človeško percepcijo. Lahko si predstavljamo, da globoki model na sliki prepozna kvadrate, diagonalne črte, vodoravne črte, trikotnike, ovale in tako naprej ter na podlagi tega sestavi številski opis.

Primer takega modela je Inception v3, ki ga je naučil Google na 14 milijonih slik. Model uspešno ločuje med motivi slik, npr. prepozna, ali je na sliki raca ali avto. V našem primeru bo določil, kateri motiv se pojavi na sliki.

Problem je, da teh modelov ne moremo razložiti. Značilke, ki jih vrnejo, so povsem nerazumljive ljudem.

Zaključek

Napovedni modeli ter globoke nevronske mreže, ki vpenjajo slike v številski prostor, se dandanes uporabljajo vsepovsod. Tak primer je Google Search, kjer lahko uporabnik išče z ukazom “pomaranča” in bo algoritem v ozadju uspel najti slike pomaranč, četudi te niso označene z izrazom “pomaranča”. Globoke nevronske mreže se uporabljajo tudi pri računalniškem vidu, na primer pri samovozečih avtomobilih za zaznavanje tipov objektov na cesti.