We kennen AI vooral van het oplossen van de grotere vraagstukken, zoals zelfrijdende auto’s, chatbots en kassa’s waarvoor je niet meer bij de kassa hoeft af te rekenen. Maar de vraag die daar heel snel op volgde was wat het inmiddels betekent voor de creatieve industrie? Hoe kan AI concreet gebruikt worden in het dagelijks werk als designer, editor of animator bijvoorbeeld?
Daar ging MediaMonks mee aan de slag en ze begonnen met meerdere R&D projecten. Die trajecten, plus het trainen van de ontwikkelde AI duurden uiteindelijk twee jaar. Het resultaat is de Simulation Series. Deze AI laat een een computer de choreografie van een dans ontwikkelen om er ‘zelf’ vervolgens op te dansen… Een chatgesprek met Sander van de Vegte, hoofd van MediaMonks Labs.
We wilden het goed doen, dus namen we de tijd ervoor tijdens het R&D proces om genoeg onderzoek te doen en development. Dat gaat dan van poging een, naar poging twee, en verder. Elke keer voegden we een aanpassingen toe aan de functionaliteit en om te zorgen dat het visueel steeds beter werd. In het Labs Report hebben we deze fases gedetailleerder omschreven.
Het is bijzonder omdat deze AI heel dichtbij het dagelijkse werk voor creatieven staat en kan laten zien hoe de synergie tussen AI en de creatieve industrie er uit zou kunnen zien.
De ontwikkeling van deze AI laat zien dat je geen pro hoeft te zijn in animatie of choreografie, bijvoorbeeld, om een indrukwekkend visueel resultaat te maken. De AI helpt je om een serie van dansvideo’s te renderen op basis van een audio track, en deze zo te editen naar eigen wensen.
Daarnaast kan het zijn dat als je als animator wel een pro bent, de hulp van deze AI kan je enorm veel tijd besparen in de initiële fase van een project. Je hoeft dan alleen nog maar kleine aanpassingen te doen. De machine learning agent probeert continu heel veel versies van de dans uit, en zelf heb je controle over de output.
Het duurt ongeveer een uur voor de AI om twintig verschillende choreografieën te configureren. Als je als animator zelf 20 choreografieën zou moeten creëren zou je daar natuurlijk veel langer mee bezig zijn.
Ondanks dat de AI de rol van een animator kan vervullen, is dat niet de bedoeling. Het is meer bedoeld om de skills van creatieven uit te breiden en het mogelijk te maken zodat ze juist beter hun werk kunnen doen. Je kunt het zien als een tool, zoals bijvoorbeeld Adobe Creative Cloud ook het creatieve proces beter maakt. Creatieve technologie helpt ons om de creatieve mogelijkheden veel beter en sneller in kaart te brengen en dus de grenzen hiervan op te zoeken.
Wij leggen de focus op de stap die tussen de creatief en het eindproduct staat. De AI doet niet alles, maar biedt de compositie en het raamwerk. Vanuit daar kan de creatief het precies aanpassen naar de briefing die er ligt.
Zeker, dit is eigenlijk een enorm project en het is juist fantastisch als ook anderen hier aan mee werken. Hier staan de boilerplate code voor de generatie van de data, ML code en de rendering.
Een paar heel interessante toepassingen die wij zien zijn onder andere Open AI Jukebox, waarmee er met behulp van AI muziek van enorm goede kwaliteit kan worden gemaakt. Daarnaast is Nvidia ook heel goed bezig. De studio ontwikkelde al een toepassing (GAUGAN) waarmee je met behulp van AI een paar simpele tekeningen in een soort MSPaint omgeving kan transformeren tot realistische meesterwerken. Ook van hun handen is StyleGAN2, een ontzettend goed voorbeeld van de toepassing van artistic generative AI. Je kunt hier zelfs geïllustreerde portretten mee maken.
Met betrekking tot development kan AI inmiddels ook helpen met het slimmer ontwikkelen van tegenstanders in games. DeepMind ontwikkelde AlphaStar hiervoor.
De manier hoe een AI leert is niet heel anders dan hoe een mens leert. Je moet ergens nieuwe informatie vandaan halen en dat voeg je toe aan dat wat je al weet. In de situatie van twee AIs die met elkaar communiceren is het plafond de kennis die beide AIs brengen: 1 + 1 = 2.
De manier hoe je deze kennis toepast is een ander onderwerp. Als we een AI toestaan om te gaan experimenteren met geleerde kennis, dan zou je op nieuwe resultaten kunnen stuiten die de kennis (of eigenlijk ervaring) vergroot. Je zou dan kunnen stellen dat de ene AI de ander iets heeft bijgeleerd.
Bij AI denk je al snel aan zelflerende machines, wat impliceert dat ze de vrijheid hebben om zelf de onderwerpen te bepalen waar ze meer van willen leren. Gelukkig werkt het niet zo. Het proces van het creëren van AI gebeurd met behulp van Machine Learning (het leerproces). Als dit proces klaar is met leren heb je het resultaat. Dat is een exportproduct dat we een Knowledge Model noemen (de hersenen met kennis) en het apparaat dat de kennis kan toepassen is de AI (het hoofd waar de hersens in zitten).
Dit is juist een demonstratie hoe deze symbiose goed kan werken. Het zorgt juist dat mensen nog meer de grenzen van hun creativiteit kunnen ontdekken, omdat de AI de basis legt en dit veel sneller doet dan dat je dat zelf zou moeten doen.
