Player is loading...
Présentation du projet BachProp
Ada String Quartet, Florian Colombo
Sunday, Sept. 15, 2019 · 12:31 p.m. · 27m 56s
Embed
Transcriptions
Note: this content has been automatically generated.
00:00:05
au un
00:00:11
son
00:00:14
un
00:00:17
peut tout de
00:00:21
merci aux musiciens du rajasthan forte pour cette belle pièce
00:01:22
qui nous ont j qu'ils ont joué pour nous je
00:01:36
m'appelle wolfgang haas mère je suis professeur ici alep eiffel professeur
00:01:42
dans la faculté d'informatique mais aussi dans la faculté des
00:01:44
sciences et leur vie pour la mobilisation du cerveau et
00:01:49
je m'adresse à la musique alors informatique des musiques et ce que ça vraiment estce que ça va vraiment ensemble
00:01:52
en fait oui qui était l'inventeur de
00:01:57
la machine ordinateur universelle qu'on peut programmer
00:02:06
c'était pas alan turing c'était pas vraiment émane c'était un avis à
00:02:12
la faillite et de non ada string fort traite bien exactement de ce nom la
00:02:17
alors rien elle a déjà pensé ça fait longtemps avant bien avant les machines électroniques et la déjà pensé
00:02:23
à concevoir des machines universelles conclu avec laquelle on
00:02:30
peut résoudre n'importe quel problème qu'on peut résoudre
00:02:37
n'importe quelle problématique mais aussi d'autres problèmes et ses
00:02:41
problèmes pourrait aussi inclure cette notion
00:02:46
de composer un morceau de musique
00:02:50
alors ce défi et devenir relate
00:02:52
réalité avec eux des programmes d'intelligence artificielle
00:02:57
classiques qui ont pris les règles grammaticales
00:03:01
il a des règles dans la musique hommes qui sont peu comme les règles kramer de notre langage parlé et on a
00:03:07
mis ses règles en pratique pour composer la musique il ya
00:03:14
des journaux qui il a des journaux donc pouvoir mathématique et
00:03:21
musique qui vont dans cette direction là et avec ses méthodes là effectivement il ya des façons
00:03:24
deux analyser liste la structure de la musique et des faits r. t.
00:03:30
ils ont composition très abstraite mais c'était pas
00:03:37
tout passe que l'intelligence artificielle à développer et dernièrement on
00:03:42
a oui on a on a parlé dans les noms en
00:03:46
dernière minute l'intelligence artificielle basée sur les réseaux de neurones
00:03:51
ou c'est pas du tout sur les règles conseil
00:03:54
base mais c'est sûr que la quantité de données
00:03:59
à laquelle la machine accès avec cette grande idée de données est le but
00:04:02
était de faire quelque chose peut être
00:04:06
extraire considérait alors imaginons qu'on ait
00:04:11
un enfant qui passe bien femme départ qui passe tout son temps dans
00:04:13
son attend son dans sa chambre à exécuter la musique par des chansons
00:04:19
les symphonie qui les oeufs les chorales la
00:04:26
musique d'orgue conseil viendrait main experte par
00:04:33
estce que cet enfant après deux ans d'écoute que cette musique aurait la capacité
00:04:38
de feu composé la musique et par sens sans avoir pris aucun cours de musique théorique
00:04:42
alors c'est cet esprit là que nous avons mis en application de la l. dans le labo
00:04:48
n'auront mimétique et nous avons nous avons
00:04:56
florian colombo à développer des réseaux de neurones
00:05:01
qui qu'il a entraîné avec beaucoup de morceaux départ 300 corail de part
00:05:06
et la question se pose après estce que le ce
00:05:10
réseau de neurones sera capable
00:05:16
de composer de créer un nouveau
00:05:20
morceau musicale dans les styles et par maintenant ils vont nous
00:05:23
jouer deux morceaux amorçant dite originale de par un autre morceau
00:05:27
générée par la machine et genoux je ne voulais pas dans quel ordre
00:05:32
un
00:05:40
l
00:05:53
un
00:06:01
l
00:06:05
un
00:06:14
l
00:06:17
l
00:06:25
un
00:06:36
un
00:06:39
un
00:06:48
l ou un
00:06:58
l
00:07:01
l
00:07:10
l
00:07:20
l
00:07:23
l
00:07:35
l
00:07:42
b
00:07:46
donc voilà je vais vous présentait peut être sans cela ex mais j'espère
00:07:59
que ça va venir bientôt un an à la bonne qu'on a développé
00:08:07
qui s'appelle bac pro après cet algorithme exactement le but de cet accord
00:08:11
est sera devenait cette note que vous avez maintenant tête peut être et tout
00:08:18
11 baptisé donc intelligence artificielle qui va nous
00:08:22
permettre d'eux ou multi tasks in
00:08:30
soit ces bons pour les mois à venir un oui tout le début voilà c'
00:08:33
était donc qui va essayer de créer de nouvelles partition là de l'intelligence artificielle
00:08:42
on devine en cette note que vous allez en tête à ce propos estce que
00:08:46
qui pensent que la première casques on a jouer a été composé par intelligence artificielle
00:08:54
qui pense que c'est la deuxième colonne deux
00:08:57
débats c'était la première du que vous êtes dans
00:09:04
le panneau voilà alors si vous êtes curieux maintenant avec
00:09:08
l'ensemble je vous invite à découvrir un peu plus quels sont les composants cet algorithme séquence d'opération
00:09:23
qui vont nous permettre d'autres cas de passer d'un
00:09:26
corpus original à anne collection de partitions générée par la loi
00:09:29
pour ce faire on commence par récupérées sur
00:09:34
internet ou n'importe quel collection d'eux
00:09:38
musique sous forme de partitions sponsor des formats midi les corps de
00:09:42
corporation lesquels ont appliqué bac frappe avec succès sont eux les nottingham musique folklorique
00:09:49
les chorales de bar convenait d'écouter deux exemples jameson qui ait
00:09:52
aussi des places pour clavier de bar ainsi que des quatuor à cordes
00:09:58
mais comment estce qu'on peut faire écouter la musique un réseau de neurones artificiels
00:10:07
pour sa nous allons en eux l'imiter ce qui se passe dans votre oreille à nouveau document
00:10:12
on a dans notre oreille certaines certains neurones biologiques très interne qui vont réagir seulement certaines fréquences
00:10:16
de manière similaire pour bah quoi pour ce réseau de neurones artificiels on va voir des
00:10:23
neurones d'entrée qui vont être actif seulement lorsqu'ils entendent la note de musique correspondante
00:10:27
ainsi on peut faire écouter note des séquences de notes un réseau de neurones artificiels
00:10:31
cependant la tâche de ce réseau c'est de prédire quel sera la prochaine notes et donc en sortie
00:10:35
on observe aussi un espace de noter que représentait cette manière simplement ça sera
00:10:41
la prédiction qu'eux le réseau de neurones aura faire pour la prochaine
00:10:43
ben non j'aimerais aller un peu plus en détail avec vous
00:10:49
sur qu'estce que cette saison neurones artificiel c'est à sa sortie et je vais faire ça en commençant avec un
00:10:51
exemple très simple en ajoutant des éléments de ce qu'on ait fait y'a plusieurs types de ces réseaux de neurones artificiels
00:10:56
elle a certains qui vont être très utile qu'on utilise pour eux le traitement d'image tandis que d'autre
00:11:01
on va les utiliser pour eux la musique par exemple en
00:11:07
commençant avec un réseau profite fort à ce type de réseau
00:11:11
reçoit de sedan dans ce réseau en a plusieurs unités
00:11:16
chaque unité est caractérisée comme ça où on a une entrée d'aider des nombres x
00:11:20
ici qui sont eux qui vont être eux intégrée par cette unité mathématique qui en fait
00:11:27
eux essayent de limiter à la base la réponse neurones biologiques mais maintenant on utilise
00:11:34
des outils mathématiques donc tous ces réseaux de neurones artificiels cette plante ses petites unités mathématique
00:11:38
qui reçoivent la formation et qui ont et qui ont envoyé notre qu'il a traité ont
00:11:43
envahi notre un tel réseau on pourrait utiliser pour modéliser la musique tel qu'on a vu tout
00:11:49
à l'heure donc la transition entraînante en sortie notre note cependant là on a pas du
00:11:54
tout accès au contexte ce qui s'est passé abondance quelle qu'elle s'est de notre arrive
00:12:00
on pourrait par exemple augmenter à eux le nombre de notre condamnant l'entrée de d'un tel réseau
00:12:08
pour avoir eux pourrait nous permettre de modéliser les relation entre les notions
00:12:13
de plus grande distance cependant si on choisit reste trop grand ce genre de raison
00:12:18
va simplement la seule notre possible apprennent séquence de
00:12:25
notre long ça sera seul présent dans les données original
00:12:31
et ce type de réseau va donc à la place d'apprendre la structure de
00:12:34
la musique et générer de nouvelles partition là simplement apprendre par coeur des données original
00:12:39
heureusement pour les séquences 101 sites outils qui nous permettent d'
00:12:44
eux avant de représentation à terme de d'historique ici en vert
00:12:49
c'est dire commet des connexions récurrentes dire qu'on va utiliser
00:12:56
létat du réseau à avoir pour la note d'avant pour prédire la
00:13:01
note d'après comme ici et ainsi on peut représenter ce qui
00:13:07
se passait dans le passé cependant en pratique ce genre de réseau
00:13:12
là oublier très vite le contexte d'avant 0 un mémoire faible
00:13:17
on a une solution à la fin des années 90 ils ont proposé des solutions sous cette forme de beloeil augmenter
00:13:22
récurrente ça veut dire c on va rajouter une petite unité de mémoire entre autre dans ces unités récurrentes
00:13:27
qui vont permettre à ce type de réseau de garder en mémoire d'informations sur des
00:13:34
événements des séquences de notre qui sont passés longtemps avant eux et à n'importe quel jour
00:13:38
c'est donc ces types de d'unité de
00:13:44
réseaux neuronaux de neurones artificiels qu'on utilise pour bah quoi
00:13:48
mais maintenant on va devoir l'entraîner donc pour ce faire
00:13:51
on peut imaginer ici qu'on a déjà présenté les n premières notes d'une partition
00:13:54
nous présentons donc la note n un autre réseau récurrents une telle activité due à cette
00:14:02
note qui s'activent à se propager à travers le réseau ressortir à observer non pas
00:14:05
a u note cette fois mais la probabilité de chaque prochaine date
00:14:10
possible et au début c'est notre bébé barcelone dire que le réseau
00:14:14
ne sait pas quelle sera la prochaine autres possibles chaque note et autant probable
00:14:18
cependant on a nous on sait qu'elle se doit être la prochaine note
00:14:21
et on peut donc calculer l'erreur que le réseau d'affaires et propager cette erreur dans le réseau c'
00:14:27
est à dire modifier les connexions entre les différentes
00:14:32
unités mathématique les différents neurones artificielle afin que la prochaine fois
00:14:39
dans le même contexte on observe la même note éventuellement la
00:14:45
la probabilité de la prochaine note soit un peu plus élevé
00:14:50
et on répète ceci incite 8 plusieurs fois eux tout en regardant quelles
00:14:56
sont les performances de votre réseau les performances cette copie augmente à gauche
00:15:00
et on va regarder non seulement les performances sur les partitions d'autre qu'on présenta bac propre
00:15:04
mais également sur des partitions qu'on a mis de côté début afin de vérifier effectivement qu'il a
00:15:09
appris qu'il peut et on peut être aussi performant sur des partitions je encore jamais vues quant au travail
00:15:16
une fois qu'on attend des performances optimales on considère notre zone euro ont entraîné
00:15:23
et on va ensuite voir comment estce qu'on peut générer une partition de ce
00:15:28
pour une partition nouvelle partition on peut lui demander simplement de comment cette nouvelle partition observés
00:15:32
toutes les prochaines toutes les premières notes possibles de cette partition générer ensuite on annonçait dédé
00:15:36
valence et d'aider c'estàdire c'est d'aider un peu piper
00:15:42
où par exemple ça ces députés qui vont tomber fois sur deux sur l'ennemi
00:15:46
si on n'en sortit du réseau de neurones artificiels on observe 50% de chance d'avoir omis
00:15:51
donc on peut choisir comme ses notes on peut se poser la première note on peut ensuite donner
00:15:54
cette première notant montrer notre réseau choisir la deuxième et cetera etc ainsi que le fabricant de répartition
00:15:59
il faut noter que la notion implantés dans bah quoi
00:16:03
quelque chose qui et dans l'american structures répétitives très présente
00:16:07
à lorsqu'on a fait secteur on tombe attraper leur a appris à ne pas
00:16:13
jeter les dés mais a simplement répéter un motif qu'elle a déjà généré auparavant
00:16:18
ont ainsi voilà on arrive à la fin de
00:16:24
partitions généré voilà notre nouvelle partition qu'on va pouvoir ajouter
00:16:29
un l'ensemble des parties sur générée par ma
00:16:36
propre dont vous pouvez écouter des exemples sous format midi société
00:16:43
mais également de nouveaux exemples qu'on va se jouer maintenant mais cette fois ci sur la base de données de musique folklorique
00:16:48
l un
00:16:54
l m
00:17:00
le
00:17:03
un
00:17:07
un
00:17:13
l
00:17:17
l
00:17:24
un
00:17:26
l
00:17:31
la
00:17:33
on
00:17:40
l
00:17:46
alors que le vôtre deux pièces de musique 1'000
00:17:50
fois une version originale une fois in version artificiels
00:17:53
qui pense que c'était la première la version artificielle lever la main
00:17:57
qui prend c'était la deuxième la version artificielle lever la main
00:18:29
alors on avait cette fois ci la deuxième qui étaient artificielles alors ce type de jeu que
00:18:39
fusion que nous faisons ici avec vous c'est un jour j'ai encore plus quand on peut
00:18:44
répéter à grande échelle on met des petits concours époux de musique sur internet et après on laisse de côté
00:18:51
et les gens vote en fait que 50% des cas 30 ils se trompent
00:18:54
donc ça c'est une version eux qui sont peut être très simplifiée on a
00:19:02
pu tester très simplifiée un test de turing on pose aux humains la question s'il
00:19:05
moi qui entendent ce que la différence ces petits sépare les cas ces bons
00:19:16
menaçait pas les seuls tests on peut faire on peut aussi se poser la question
00:19:29
estce que si sur les triple etait not'donc pas mapping comme estce que
00:19:33
l'algorithme propose des triple et qui sont nouveaux ou
00:19:36
qui sont tous connus si ça tous connu cette copier coller
00:19:38
alors on peut tester sa comparer aussi bas par rapport au
00:19:46
corpus c'estàdire la pâte demi qui est disponible à eux
00:19:47
maintenant qu'elle ait le buteur de ce type d'eux
00:19:51
intelligence artificielle appliquée à la musique pour moi c'était
00:19:56
simplement de voir jusqu'où jusqu'à où on peut aller
00:20:07
dans ce domaine qui attribue à la créativité avec un algorithme
00:20:12
de ces machines ont été que l'intelligence artificielle mais on peut aussi penser à des situations où
00:20:15
action 20 pour un complice liberté musique de film ils se laissent proposer
00:20:28
des dépôts des mélodies à arsenal rythme avant de transformer sa la bonne
00:20:31
position tentant aimerait musiques de films ou de générer automatiquement pour un
00:20:38
jeu les vidéos la musique qui se déroule dans les fonds de tout
00:20:45
alors les experts entre vous ont certainement entendu qui a quelque chose
00:20:50
qui manque avec cette approche cette approche j'ai dit tout au début que
00:20:56
avec notre approche basée sur les réseaux de neurones lité de départ étaient deux
00:21:02
passes utiliser les règles de pas utiliser le kramer qui est connu que la musique
00:21:09
c'est pour cette raison la qui a des transmissions d. d harmonie qui ne
00:21:15
jouent pas qui sont pas logique dans le sens du transition que par lui aurait fait
00:21:20
mais en fait on peut combiner ces idées grammaire musicale avec l'idée des
00:21:27
réseaux de neurones les réseaux de neurones sont relativement bien pour la structure locale
00:21:32
pendant combien de mesures toutes 3 mesures certaines
00:21:37
textures qui assez semblable à la vraie musique
00:21:43
chaque genre pas contre la structure de la
00:21:49
structure selon docteur long terme qui défini par le
00:21:53
grammaire musicale manque encore alors il faut marié le lui font
00:21:57
faire des ponts entre ces deux mondes et pour finir encore
00:22:03
un dernier morceau joué par l'alaska jean porte
00:22:07
où en haut
00:22:10
on nomme en un
00:22:15
un
00:22:20
or
00:22:26
un
00:22:30
des dépôts des mélodies à arsenal rythme avant de transformer sa la bonne
00:22:36
position e tentant aimerait musiques de films ou de générer automatiquement pour un
00:22:41
jeu les vidéos la musique qui qui se déroule dans les fonds de tout
00:22:46
alors les experts entre vous ont certainement certainement entendu qui a quelque chose
00:22:51
qui manque avec cette approche cette approche j' ai dit tout au début que
00:22:56
avec notre approche basée sur les réseaux de neurones lité de départ étaient deux deux
00:23:03
passes utiliser les règles de pas utiliser le kramer qui est connu que la musique
00:23:09
c' est pour cette raison la qui a des transmissions d. d harmonie qui ne
00:23:14
jouent pas qui sont pas logique dans le sens du transition que par lui aurait fait
00:23:20
mais en fait on peut combiner ces idées grammaire musicale avec l' idée des
00:23:27
réseaux de neurones les réseaux de neurones sont relativement bien pour la structure locale
00:23:33
pendant combien de mesures toutes trois mesures certaines
00:23:36
textures qui assez semblable à la vraie musique
00:23:40
chaque genre pas contre la structure de la
00:23:42
structure selon docteur long terme qui défini par le
00:23:47
grammaire musicale manque encore alors il faut marié le lui font
00:23:51
faire des ponts entre ces deux mondes et pour finir encore
00:23:56
un dernier morceau joué par l' alaska jean porte
00:24:10
où en haut
00:24:15
on nomme en un e
00:24:22
e
00:25:08
e
00:25:17
e
00:26:30
e
00:26:33
un
00:26:36
e
00:26:38
e
00:26:41
e
00:26:59
e
00:27:01
e
00:27:08
or
Conference Program
Mot de bienvenue
Anne Laure Gannac
Sept. 15, 2019 · 11:05 a.m.
479 views
Introduction
Martin Vetterli, Président de l'EPFL
Sept. 15, 2019 · 11:07 a.m.
Présentation de l'IVRL (Image and Visual Representation Laboratory)
Sabine Süsstrunk
Sept. 15, 2019 · 11:15 a.m.
133 views
Présentation du Reconfigurable Robotics Laboratory
Jamie Paik, Reconfigurable Robotics Lab
Sept. 15, 2019 · 11:19 a.m.
Présentation du Laboratoire en humanités digitales
Frédéric Kaplan
Sept. 15, 2019 · 11:24 a.m.
Présentation des recherches anthropologiques, culturelle et sociale à l’UNIL
Daniela Cerqui Ducret
Sept. 15, 2019 · 11:30 a.m.
158 views
Table ronde: Humanité, machine et data: quel avenir pour l'intelligence artificielle?
Panel
Sept. 15, 2019 · 11:35 a.m.
Présentation du projet BachProp
Ada String Quartet, Florian Colombo
Sept. 15, 2019 · 12:31 p.m.
359 views
Recommended talks
The HyperBagGraph DataEdron: An Enriched Browsing Experience of Scientific Publication Databa
Xavier Ouvrard, University of Geneva / CERN
May 3, 2019 · 12:08 p.m.
107 views
