This Person Does Exist

Main Article Content

Matthias Schäfer

This Person Does Exist és una aproximació artística per investigar de manera aleatoritzada un gran conjunt de dades de retrats fotogràfics. El laboratori d’investigació d’Nvidia va crear el conjunt de dades a partir d’una extracció i anàlisi d’imatges amb llicència Creative Commons de la popular plataforma d’allotjament d’imatges Flickr. Aquestes imatges es van usar posteriorment per entrenar un model d’aprenentatge automàtic que és capaç de crear noves imatges estocàstiques de rostres. 


A diferència d’un popular lloc web que mostra les imatges generades per ordinador, en aquest article es mostren rostres aleatoris que provenen del conjunt de dades, així com les seves metadades corresponents.


En el present article estudia els mecanismes extractivistes de les tècniques actuals d’aprenentatge automàtic, que utilitzen internet per completar i perfeccionar les bases de dades, i se centra en els enfocaments artístics que les exposen. Es presenta l’argument segons el qual l’art de conjunts de dades és un camp emergent que replanteja els corpus científics en situar-los a galeries i exposar-los com a objectes que s’han trobat a la xarxa.


Per acabar, s’argumenta que aquesta pràctica artística és un model legítim d’obrir un debat que arribi a un públic més ampli, tot i que els artistes que treballin amb dades humanes hagin de ser conscients dels problemes ètics i de les responsabilitats que tenen pel que fa a la privacitat i el consentiment.

Paraules clau
Visió per computador, Creative Commons, Dataset Art, mineria de dades, aprenentatge automàtic, fotografia

Article Details

Com citar
Schäfer, Matthias. “This Person Does Exist”. Temes de Disseny, vol.VOL 1, no. 37, pp. 214-25, doi:10.46467/TdD37.2021.214-225.
Biografia de l'autor/a

Matthias Schäfer, University of Art & Design Linz

Matthias Schäfer és un artista que explora les cultures dels algoritmes. Des de Pitscher, crea representacions, instal·lacions i obres basades en llocs web amb les quals tracta el tema de les plataformes online centralitzades d’una manera desconstructiva i graciosa. Algunes de les seves obres s’han exposat al Transmediale, l’Ars Electronica Festival, el Xie Zilong Photography Museum, el Roehrs & Boetsch i en moltes altres exposicions i festivals.

Actualment, Schäfer està inscrit en el màster en Interfaces Culturals de la University of Art & Design de Linz, on se centra en el camp de l’aprenentatge automàtic, l’automatització i el seu mecanisme central: la recollida de dades.

Referències
Buolamwini, Joy, and Timnit Gebru. 2018. “Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification.” In Proceedings of the 1st Conference on Fairness, Accountability and Transparency, PMLR 81, 77-91. Cambridge, Mass.: Proceedings of Machine Learning Research. http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf
Crawford, Kate, and Trevor Paglen. 2019a. “Excavating AI”. The AI Now Institute, NYU. Accessed January 24, 2021. https://www.excavating.ai/
Crawford, Kate, and Trevor Paglen. 2019b. “What are the ethics of exhibiting datasets of faces? An interview with Kate Crawford & Trevor Paglen”. Interview by Gaia Tedone. The Photographers’ Gallery, https://www.youtube.com/watch?v=BSaYROvz29E
Deng, Jia, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, and Li Fei-Fei. 2009. “Imagenet: A large-scale hierarchical image database.” In IEEE Conference on Computer Vision and Pattern Recognition, Miami, Florida, 2009, 248–255. https://doi.org/10.1109/CVPR.2009.5206848
Goodfellow, Ian J., Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, and Yoshua Bengio. 2014. “Generative Adversarial Networks”. https://arxiv.org/abs/1406.2661
Hill, Kashmir, and Aaron Krolik. 2019. “How Photos of Your Kids Are Powering Surveillance Technology” New York Times, October 11, 2019. https://www.nytimes.com/interactive/2019/10/11/technology/flickr-facial-recognition.html
Karras, Tero, Samuli Laine, and Timo Aila. 2019. “A Style-Based Generator Architecture for Generative Adversarial Networks.” In IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, California, 4396-4405. https://doi.org/10.1109/CVPR.2019.00453
Karras, Tero, Timo Aila, Samuli Laine, and Jaakko Lehtinen. 2017. “Progressive Growing of GANs for Improved Quality, Stability, and Variation.” In 6th International Conference on Learning Representations, ICLR 2018, Vancouver, BC, Canada, April 30-May 3, 2018. https://arxiv.org/abs/1710.10196
Kemelmacher-Shlizerman, Ira, Steven M. Seitz, Daniel Miller, and Evan Brossard. 2016. “The megaface benchmark: 1 million faces for recognition at scale”.In IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, Nevada, 2016, 4873–4882. https://doi.org/10.1109/CVPR.2016.527
Lin, Tsung-Yi, Michael Maire, Serge Belongie, James Hays, Pietro Perona, Deva Ramanan, Piotr Dollár, and C. Lawrence Zitnick. 2014. “Microsoft COCO: Common Objects in Context.” In Computer Vision – ECCV 2014, edited by David Fleet, Tomas Pajdla, Bernt Schiele, and Tinne Tuytelaars, 740-755. Cham: Springer. https://doi.org/10.1007/978-3-319-10602-1_48
Lyons, Michael. 2020. “Excavating ‘Excavating AI’: The Elephant in the Gallery.” Zenodo. https://doi.org/10.5281/zenodo.4037538
Lyons, Michael, Miyuki Kamachi, and Jiro Gyoba. 1998. “The Japanese Female Facial Expression (JAFFE) Dataset”. Zenodo. https://doi.org/10.5281/zenodo.3451524
Merler, Michele, Nalini Ratha, Rogerio S. Feris and John R. Smith. 2019. “Diversity in Faces”. https://arxiv.org/abs/1901.10436
Redmon, Joseph, and Ali Farhadi. 2018. “YOLOv3: An Incremental Improvement”. Preprint, submitted 8 April. https://arxiv.org/abs/1804.02767
Solon, Olivia. 2019. “Facial recognition's 'dirty little secret': Millions of online photos scraped without consent” NBC News, March 17, 2019. https://www.nbcnews.com/tech/internet/facial-recognition-s-dirty-little-secret-millions-online-photos-scraped-n981921
Thomee, Bart, David A. Shamma, Gerald Friedland, Benjamin Elizalde, Karl Ni, Douglas Poland, Damian Borth, and Li-Jia Li. 2016. “YFCC100M: the new data in multimedia research.” Communications of the ACM 59 (January 2016): 64-73. https://doi.org/10.1145/2812802
Yang, Kaiyu, Klint Qinami, Li Fei-Fei, Jia Deng, and Olga Russakovsky. 2019. “Towards Fairer Datasets: Filtering and Balancing the Distribution of the People Subtree in the ImageNet Hierarchy”. ImageNet, September 17, 2019. http://image-net.org/update-sep-17-2019