Ces appareils audio étonnants.
- 263 réponses
- 39 participants
- 26 764 vues
- 70 followers
Afficher le sujet de la discussion
![[d-_-b]](https://img.audiofanzine.com/img/user/avatar/8/8/885479.jpg?w=40&h=40&fm=pjpg&s=594492d1a968c69dd22a929ba2eebb00 "[d-_-b]")
Anonyme
1096
Les intelligences artificielles à l’assaut du son.
Ces dernières années l’intelligence artificielle a fait un bond considérable, notamment en battant l’homme au Jeu de Go. Ce renouveau est principalement dut à l’émergence du Deep Learning, une approche qui revient aux fondamentaux tout en profitant des évolutions technologiques.
D’inspiration biologique, la discipline s’appuie sur un concept simple: imiter le comportement d’un neurone.
La première modélisation mathématique est réalisée en 1943 par W.McCulloch et W.Pitts:
Ici la simulation d’un neurone formel, la fonction mathématique est plutôt simple à comprendre.
On fait la somme des signaux en entrées (x) multipliés par le poids des synapses (w), ce qui donne:
Somme = ( x1 * w1 ) + ( x2 * w2 ) + ( x3 * w3 ) + …
Si cette somme est supérieure à un certain seuil alors le signal en sortie est de 1 sinon il est de 0.
On utilise ce neurone et ses variantes dans divers réseaux adaptés à plusieurs types d’opérations:
Différentes propositions de réseaux neuronaux. Le premier est le Perceptron inventé en 1957 par Frank Rosenblatt. Aujourd’hui le deep learning se concentre sur les réseaux convolutifs dont le motif est inspiré par le cortex visuel animal, il consiste en un empilage multicouche de Perceptrons. Les plus gros réseaux neuronaux contiennent un million de neurones et un milliard de synapses…
Bon, c’est sympa d’avoir un cerveau mais encore faut-il le remplir:
En pratique l’apprentissage revient à définir un poids pour chaque synapse, une opération délicate quand on a des milliers de valeurs à déterminer, aussi on a longtemps privilégié l’apprentissage supervisé: une approche où on pré-mâche le travail de la machine en prédéfinissant des opérations.
Le Deep Learning a révolutionné le domaine en permettant au logiciel d’apprendre de façon totalement autonome, cette méthode très gourmande est devenu possible grâce à l’accélération des vitesses de calcul et l’explosion de la quantité de données disponibles.
A titre de comparaison, un grand maître du Jeu de Go aura joué environ 10000 parties dans sa vie quand l’ordinateur aura besoin de jouer 409600000 parties pour atteindre le même niveau.
Dans un autre ordre d’idée: il existe sur le net des banques comprenant des millions d’images répertoriées dont le seul but est de faciliter l’apprentissage des IA. Imaginez des dizaines de milliers de photos de chats....
Bref l’intelligence artificielle ça marche mais son « éducation » nécessite une immense quantité de données.
Les IA se sont déjà implantées dans le monde de la reconnaissance vocale avec les assistants du genre Siri, on les retrouve aussi dans des applications destinées aux musiciens:
Melodyne permet de retoucher les notes contenues dans un signal audio, ici on peut transposer une note sélectionnée au sein d’un accord. Des réseaux neuronaux à convolution ont été utilisés pour le développement de l’algorithme.
SONY a développé une IA capable de composer à la façon d'un artiste, en l'occurence les Beatles:
"Daddy's Car" is composed in the style of The Beatles. French composer Benoît Carré arranged and produced the songs, and wrote the lyrics."
Enfin l’intelligence artificielle de PhonicMind promet quant à elle de démixer voix et instrumental, rien que ça:
https://phonicmind.com Il y a des exemples et on peut faire un essais gratuit.
Il faut saluer la prouesse même si le résultat n’est pas parfait, il est difficile pour une IA de différencier une voix d’un pédale wah-wah!
Conclusion: ce ne sont ici que quelques exemples... Vous aurez certainement compris l’importance des données dans le processus d’apprentissage, aussi je vous laisse imaginer ce que pourrait faire une major qui possède des dizaines de milliers d’enregistrements multipistes…
Ces dernières années l’intelligence artificielle a fait un bond considérable, notamment en battant l’homme au Jeu de Go. Ce renouveau est principalement dut à l’émergence du Deep Learning, une approche qui revient aux fondamentaux tout en profitant des évolutions technologiques.
D’inspiration biologique, la discipline s’appuie sur un concept simple: imiter le comportement d’un neurone.
La première modélisation mathématique est réalisée en 1943 par W.McCulloch et W.Pitts:
Ici la simulation d’un neurone formel, la fonction mathématique est plutôt simple à comprendre.
On fait la somme des signaux en entrées (x) multipliés par le poids des synapses (w), ce qui donne:
Somme = ( x1 * w1 ) + ( x2 * w2 ) + ( x3 * w3 ) + …
Si cette somme est supérieure à un certain seuil alors le signal en sortie est de 1 sinon il est de 0.
On utilise ce neurone et ses variantes dans divers réseaux adaptés à plusieurs types d’opérations:
Différentes propositions de réseaux neuronaux. Le premier est le Perceptron inventé en 1957 par Frank Rosenblatt. Aujourd’hui le deep learning se concentre sur les réseaux convolutifs dont le motif est inspiré par le cortex visuel animal, il consiste en un empilage multicouche de Perceptrons. Les plus gros réseaux neuronaux contiennent un million de neurones et un milliard de synapses…
Bon, c’est sympa d’avoir un cerveau mais encore faut-il le remplir:
En pratique l’apprentissage revient à définir un poids pour chaque synapse, une opération délicate quand on a des milliers de valeurs à déterminer, aussi on a longtemps privilégié l’apprentissage supervisé: une approche où on pré-mâche le travail de la machine en prédéfinissant des opérations.
Le Deep Learning a révolutionné le domaine en permettant au logiciel d’apprendre de façon totalement autonome, cette méthode très gourmande est devenu possible grâce à l’accélération des vitesses de calcul et l’explosion de la quantité de données disponibles.
A titre de comparaison, un grand maître du Jeu de Go aura joué environ 10000 parties dans sa vie quand l’ordinateur aura besoin de jouer 409600000 parties pour atteindre le même niveau.
Dans un autre ordre d’idée: il existe sur le net des banques comprenant des millions d’images répertoriées dont le seul but est de faciliter l’apprentissage des IA. Imaginez des dizaines de milliers de photos de chats....
Bref l’intelligence artificielle ça marche mais son « éducation » nécessite une immense quantité de données.
Les IA se sont déjà implantées dans le monde de la reconnaissance vocale avec les assistants du genre Siri, on les retrouve aussi dans des applications destinées aux musiciens:
Melodyne permet de retoucher les notes contenues dans un signal audio, ici on peut transposer une note sélectionnée au sein d’un accord. Des réseaux neuronaux à convolution ont été utilisés pour le développement de l’algorithme.
SONY a développé une IA capable de composer à la façon d'un artiste, en l'occurence les Beatles:
"Daddy's Car" is composed in the style of The Beatles. French composer Benoît Carré arranged and produced the songs, and wrote the lyrics."
Enfin l’intelligence artificielle de PhonicMind promet quant à elle de démixer voix et instrumental, rien que ça:
https://phonicmind.com Il y a des exemples et on peut faire un essais gratuit.
Il faut saluer la prouesse même si le résultat n’est pas parfait, il est difficile pour une IA de différencier une voix d’un pédale wah-wah!
Conclusion: ce ne sont ici que quelques exemples... Vous aurez certainement compris l’importance des données dans le processus d’apprentissage, aussi je vous laisse imaginer ce que pourrait faire une major qui possède des dizaines de milliers d’enregistrements multipistes…
oryjen
17492
Drogué·e à l’AFéine
Membre depuis 19 ans
[d-_-b]
714
Posteur·euse AFfolé·e
Membre depuis 11 ans
Anonyme
1096
Pictocube
36865
Ma vie est un thread...
Membre depuis 17 ans
kosmix
46210
Ma vie est un thread...
Membre depuis 19 ans
oktopus
304
Posteur·euse AFfamé·e
Membre depuis 21 ans
Merci de continuer à alimenter ce thread King C. C'est royal 
Pour ma part je ne m'affole pas au sujet de la rencontre entre l'IA et la musique. Encore une fois, les créateurs talentueux et inventifs sauront mettre à profit les outils de demain. Sans mysticisme aucun, j'y vois plutôt de nouvelles dimensions à explorer. Et ça, c'est réjouissant
Pour ma part je ne m'affole pas au sujet de la rencontre entre l'IA et la musique. Encore une fois, les créateurs talentueux et inventifs sauront mettre à profit les outils de demain. Sans mysticisme aucun, j'y vois plutôt de nouvelles dimensions à explorer. Et ça, c'est réjouissant
oryjen
17492
Drogué·e à l’AFéine
Membre depuis 19 ans
Il ne s'agissait pas de désarroi: Moquerie acerbe à propos de vessies et de lanternes, et dénonciation d'une pauvre supercherie mal fagotée.
--------------------------------------------------------------------------------
L'artiste entrouvre une fenêtre sur le réel; le "réaliste pragmatique" s'éclaire donc avec une vessie.
El Migo
24005
Vie après AF ?
Membre depuis 16 ans
Dr Pouet
52037
Membre d’honneur
Membre depuis 20 ans
- < Liste des sujets
- Charte