Artreviewgenerator

Qu’est-ce que l’Art Review Generator ?

Art Review Generator est un projet expérimental de génération de texte visant à étudier le langage des critiques d’art, créé par l’artiste Joshua Curry sous le nom de Lucidbeaming.

Il génère des textes de longueur moyenne, dans un ton proche de celui des critiques d’art contemporain, à partir des mots en anglais ou des phrases inachevées saisis par l’utilisateur, mais il ne regarde pas réellement, ne comprend pas ni ne juge une œuvre d’art.

État de fonctionnement actuel

Principe de fonctionnement

L’auteur s’est basé sur le modèle de base GPT-2 et l’a affiné à l’aide de 57 ans de critiques d’art publiées dans Artforum, soit plus de 21 000 articles, afin que le modèle apprenne les combinaisons de mots et de phrases fréquemment rencontrées dans les critiques d’art.

1. L’utilisateur entre une phrase d’instruction en anglais ou une phrase inachevée.
2. Le modèle prédit le texte suivant en se basant sur les relations de probabilité présentes dans le corpus d’entraînement.
3. Le système génère cinq commentaires candidats avec des résultats aléatoires différents.
4. La génération de la tâche prenait à l’origine environ 2 à 15 minutes.
5. Envoyez les résultats par e-mail une fois terminé.

Le modèle possède de nombreux modèles statistiques de mots adjacents, mais il ne dispose d’aucune connaissance en histoire de l’art, d’aucune compréhension visuelle ni de jugement esthétique réel.

Fonctionnalités clés

• Écrire une critique d’art en fonction des mots-clés en anglais
• Imiter le ton de la critique d’art moderne et contemporain
• Générer cinq versions différentes à la fois
• Présenter des expressions académiques, abstraites et obscures
• Préservation des fautes, des répétitions et des sauts sémantiques
• Résultats de génération d’histoire en version publique
• Utilisé pour observer les biais culturels dans un corpus

Quels scénarios d'utilisation conviennent

• Étudier les modèles linguistiques de la critique d’art
• Discussion en classe sur le texte génératif et l’auteurialité
• Observer les capacités de génération initiales de GPT-2
• Rechercher des combinaisons de mots inattendues pour l’écriture artistique
• Analyser les biais et les expressions d’identité dans les corpus d’entraînement
• Analyse de cas en matière de curatèle, d’art numérique et d’études des médias
• Comparer les différences entre les commentaires humains et les textes probabilistes

Avantages principaux

• Les objectifs du projet et les descriptions des corpus d’entraînement sont assez transparents.
• La portée du corpus est définie comme des critiques artistiques à long terme.
• Le style généré présente des caractéristiques distinctives de la critique artistique.
• Ne pas présenter le texte comme une conclusion professionnelle fiable
• Conserver délibérément des erreurs pour montrer les limites du modèle
• Peut être utilisé pour l'étude des préjugés, du langage et de la culture
• Les résultats historiques facilitent l’observation de l’impact des différents indices.

Restrictions d'utilisation et risques

• Le générateur en ligne est actuellement en pause.
• Seulement compatible avec des prompts en anglais et une sortie en anglais
• Le modèle ne consulte ni ne comprend les œuvres d’art.
• Les résultats peuvent être répétitifs, contradictoires ou dépourvus de logique.
• Informations potentiellement fictives sur les artistes, les expositions et les œuvres
• Il est possible de reproduire les biais et le langage offensant présent dans les matériaux d’entraînement.
• Inadapté à une citation académique ou à un commentaire formel direct.
• La soumission publique peut apparaître sur la page des résultats publics
• Les capacités initiales du GPT-2 étaient nettement inférieures à celles des grands modèles modernes.
• Le processus de génération par e-mail manque d’interaction en temps réel

Règles d’écriture des prompts

La proposition de projet doit utiliser le tiers, le nom de l’artiste, le médium et une description de l’œuvre, en laissant les phrases à un endroit où elles peuvent être complétées.

Tutoriel d'utilisation historique

Les étapes suivantes servent à comprendre le processus de génération initial ; lorsque le générateur actuel est en pause, il n’est pas garanti que la tâche puisse être soumise.

1. Écrire les artistes, les médiums et les thèmes en anglais.
2. Utiliser le tiers de personne et conserver les phrases inachevées.
3. Évitez de confier la vérification des faits réels aux modèles.
4. Remplissez l’adresse e-mail nécessaire pour recevoir les résultats.
5. Après soumission, attendez environ 2 à 15 minutes.
6. Comparer les répétitions et les différences entre les cinq versions générées.
7. Vérifier toutes les informations relatives aux noms, aux expositions et aux œuvres.
8. Utiliser uniquement les résultats comme matériau d’expérience ou source d’inspiration pour l’écriture.

Comment faire de la recherche pendant une pause

1. Lisez les explications sur le modèle et les corpus d’entraînement sur la page d’accueil.
2. Ouvrez les FAQ pour en savoir plus sur les objectifs expérimentaux des créateurs.
3. Consultez les méthodes d’entrée dans Examples.
4. Sélectionnez quelques commentaires générés historiquement.
5. Marquer le contenu répétitif, fragmenté et fictif.
6. Analyser l’identité, la région et l’évaluation de la valeur artistique.
7. Comparaison structurelle avec les critiques d’art réelles.
8. Notez les phrases qui semblent crédibles mais n’ont aucune base factuelle.

Comment juger du contenu généré

• Vérifier si l’artiste et l’œuvre existent réellement.
• Vérifier l’année, le lieu et le nom de l’exposition
• Rechercher la répétition de la même structure ou paragraphe
• Distinguer la description observationnelle des termes vagues
• Identifier les biais liés à l’identité, à la région et au genre
• Vérifier si les conclusions sont étayées par des preuves matérielles
• Ne supposez pas que le contenu est correct simplement parce que c’est un texte en langue spécialisée.

Tarification et modèle économique

Les créateurs du projet ont clairement indiqué que l’objectif n’est pas de créer un produit commercial destiné à la consommation grand public, par conséquent il ne faut pas y inventer de forfaits, de points ou de tarifs professionnels.

Préjugés et sécurité du contenu

Le corpus d’entraînement provient de critiques artistiques à long terme ; les préjugés, les jugements et les changements culturels présents dans le texte original peuvent se retrouver dans les résultats générés, et le processus d’entraînement du modèle peut lui-même amplifier ces tendances.

• L’entrée de langage offensant peut entraîner des conséquences offensantes.
• Les étiquettes d’identité peuvent déclencher des stéréotypes
• Les noms de personnes réelles peuvent être associés à des actes fictifs.
• La génération de texte ne reflète pas l’opinion d’Artforum ou des artistes concernés.
• Une édition manuelle et une vérification des faits doivent être effectuées avant utilisation publique.

GitHub et le monde du logiciel open source

Au moment de la vérification, aucun dépôt GitHub officiel correspondant explicitement à ce site web n’a été trouvé. L’auteur a rendu publiques les idées de formation et les instructions relatives aux outils, mais n’a pas fourni le code source complet du site ni les poids des modèles pouvant être confirmés.

Dans le catalogue, cela doit être marqué comme non open source ; il ne faut pas inclure sous ce projet des dépôts de critiques artistiques, d’examens de thèses ou d’analyses artistiques portant le même nom.

Informations de base

Indice de recommandation

Le score d’indice de recommandation global est de 3,4 sur 5. Il est très utile comme exemple d’étude du langage artistique, des biais et des modèles de génération précoce, mais étant actuellement suspendu et ne permettant pas une évaluation réelle des œuvres, il n’est pas adapté comme outil de critique artistique quotidienne.

Questions fréquentes

Va-t-il regarder des œuvres d’art ?

Non, il ne génère du texte qu’en se basant sur les indications textuelles et les relations de probabilité présentes dans les corpus d’entraînement.

Peut-il écrire des critiques d’art fiables ?

Non, le résultat peut sembler professionnel, mais il contient des éléments fictifs, répétitifs et illogiques.

Quel modèle a été utilisé ?

Le projet utilise GPT-2, affiné à l’aide d’un corpus de critiques artistiques.

D’où viennent les données d’entraînement ?

Plus de 21 000 critiques d’art d’Artforum, datant de 1957.

Pourquoi conserver les erreurs ?

Les créateurs considèrent que les erreurs, les répétitions et les sauts font eux-mêmes partie intégrante de cette expérience artistique et linguistique.

Est-ce que c’est encore possible de le générer ?

La page générée affiche clairement que le service est suspendu.

Faut-il payer ?

Il n’y a pas de abonnements ni de forfaits payants, et le projet n’est pas conçu comme un produit commercial.

Le contenu généré peut-il être biaisé ?

Oui, les biais dans les commentaires d’entraînement et le processus de modélisation peuvent se refléter dans les résultats.

Le projet est-il open source ?

Aucun dépôt open source officiel complet correspondant explicitement au site web officiel n’a été trouvé.