En el auditorio sede del pa\u00eds n\u00f3rdico, el expositor asiste con vestimenta sencilla, gafas hipster<\/em> y diversas estampillas geek<\/em> en la cubierta de su laptop<\/em>. Se muestra en el escenario y saluda al p\u00fablico. Se trata de su participaci\u00f3n en el foro \u201cGoto; Copenhangen 2019\u201d, sobre Inteligencia Artificial y Machine Learning<\/em>.<\/p>\n\n\n\n Sin m\u00e1s pre\u00e1mbulo, dispara un apuntador y, al instante, un contenido multimedia se despliega en un enorme monitor de la sala. Un pentagrama se muestra y una polifon\u00eda comienza a avanzar. El sonido nos transporta a los inicios del siglo XVIII, al estilo barroco del compositor de Leipzig.<\/p>\n\n\n\n Inicia su charla. Describe con mucho agrado las entradas, conexiones, patrones, c\u00f3digos num\u00e9ricos y relaciones matem\u00e1ticas en la m\u00fasica de Bach.<\/p>\n\n\n\n Tal conjunto de datos podr\u00eda ser el factor clave que us\u00f3 para nutrir el vivero, t\u00e9rmino propio de la IA y de los sistemas de aprendizaje aut\u00f3nomos, para proporcionar retroalimentaci\u00f3n constante de informaci\u00f3n a su modelo, con base en Deep Learning<\/em>.<\/p>\n\n\n\n Bachbot es el nombre de la inteligencia artificial que, de manera aut\u00f3noma, emul\u00f3 una progresi\u00f3n polif\u00f3nica barroca para el p\u00fablico presente, buscando cercan\u00eda a los trabajos corales del Herr Direktor<\/em>.<\/p>\n\n\n\n Por ahora, no solo el desarrollador busca perfeccionar este objetivo. Ingenieros, f\u00edsicos, matem\u00e1ticos e investigadores especializados en Inteligencia Artificial se re\u00fanen cada a\u00f1o en ferias internacionales de innovaci\u00f3n tecnol\u00f3gica, intentando discutir y mejorar los modelos aut\u00f3nomos para generar la composici\u00f3n musical. Desde luego, la compatibilidad entre m\u00fasica y matem\u00e1ticas no es lejana.<\/p>\n\n\n\n Para los profesionales de la m\u00fasica acad\u00e9mica, la obra de Bach es, de cierta manera, un complejo c\u00f3digo lleno de s\u00edmbolos num\u00e9ricos. Demanda al ejecutante sesos y muchos a\u00f1os de pr\u00e1ctica. Lograr interpretarlo es dif\u00edcil, entenderlo es m\u00e1s complejo a\u00fan.<\/p>\n\n\n\n Hasta la fecha, solo los te\u00f3ricos music\u00f3logos, quienes tejen la relaci\u00f3n formal con las matem\u00e1ticas, han profundizado en t\u00e9cnicas de cifrado, gr\u00e1ficas y modelos vectoriales. Cada vez m\u00e1s, descubren nuevos hallazgos.<\/p>\n\n\n\n Por otro lado, la Inteligencia Artificial no se limita a aventurarse en todos los terrenos. Aunque representa todo un reto, las artes y la m\u00fasica no est\u00e1n exentas de las agendas y ambiciones del Deep Learning<\/em>.<\/p>\n\n\n\n \u201cNo se trata solo de descifrar patrones simples, como en la m\u00fasica de Beyonce C. Sino de adentrarnos en la veloz corriente de una fuga y comprender los complejos vectores del contrapunto sofisticado, en el futuro cercano\u201d,dice Feymman Liang.<\/p>\n\n\n\n As\u00ed, se desmarca de abordar un estilo de m\u00fasica convencional moderna, con patrones repetitivos desarrollados desde un estudio de producci\u00f3n y con un esquema de armon\u00eda simple. Agrega:\u201cEl objeto de estudio debe estar a la altura del mejor lenguaje musical jam\u00e1s creado por un humano, debe llevarse a las compuertas y conexiones de la red neuronal\u201d.<\/p>\n\n\n\n Liang habla de los modos de aprendizaje, de las implementaciones de algoritmos inteligentes y, tambi\u00e9n, de las caracter\u00edsticas propias de la relaci\u00f3n objeto-compositor-virtual: percepci\u00f3n propia, capacidad de crear sus propios problemas de aprendizaje, generar sus propios datos, etc.<\/p>\n\n\n\n La m\u00e1quina podr\u00eda estar en un constante modo aprendizaje, con autonom\u00eda plena en las respuestas y la retroalimentaci\u00f3n. Un sistema incentivado para generar sus propias operaciones, c\u00e1lculos y comparativas de patrones por recompensa; Un ente que no duerme, pero que alcanza y ejecuta conclusiones.<\/p>\n\n\n\n El navegante entre dos aguas<\/strong><\/p>\n\n\n\n Desde el punto de vista de la ciencia de datos, las composiciones musicales de Bach son de un orden fractal. Es decir, todo trabajo escrito en vida pareciera ser el resultado de un plan maestro con relaci\u00f3n matem\u00e1tica ejecutado a la perfecci\u00f3n, con dise\u00f1o geom\u00e9trico-modular a gran escala, a partir de un punto de vista a\u00e9reo.<\/p>\n\n\n\n Los patrones, en t\u00e9rminos f\u00edsicos, se encontraron en los muestreos de datos (voces tonales y frecuencias) y en la cuantificaci\u00f3n de elementos caracter\u00edsticos de sus obras. El proceso se nombra \u201crascar el ADN Bach\u201d.\u00a0 A partir de ah\u00ed, se desarrollan teoremas y f\u00f3rmulas aplicadas, que pueden generar algoritmos con los datos ya extra\u00eddos.<\/p>\n\n\n\n Por supuesto, estos elementos no solo abarcan el aspecto visual y gr\u00e1fico de las partituras, est\u00e1n sujetos al desarrollo auditivo de los investigadores. As\u00ed como se necesitan a\u00f1os de experiencia para entender las ecuaciones profundas (muchas de ellas tan complejas que son dif\u00edciles de traducir a un lenguaje normal), en la conversi\u00f3n del contrapunto al espectro algor\u00edtmico se requieren equipos multidisciplinarios, que combinan y vierten sus conocimientos, sobre todo si se trata del trabajo por m\u00e1ximo exponente de la materia.<\/p>\n\n\n\n \u00bfPodr\u00e1 la IA alcanzar el nivel de composici\u00f3n del genio JSB?<\/strong><\/p>\n\n\n\n El basto material legado a la humanidad por el director de capilla es un complejo c\u00f3digo que, hasta la fecha, est\u00e1 en proceso de exploraci\u00f3n. Adem\u00e1s de los an\u00e1lisis visuales, tambi\u00e9n se debe hacer uso de o\u00eddos construidos.<\/p>\n\n\n\n No solo se puede llevar a la entrada de una RNN (Recurrent Neural Network), melod\u00eda, bajo, ritmo, tempo en formato MIDI. Habr\u00e1 que capturar la elasticidad del tiempo entre escalas, que van y vienen sobre corrientes regulares e irregulares; los patrones que grad\u00faan el espacio con disonancias enlaces; transportar a c\u00f3digo las\u00a0 2, 3 o 4 voces en di\u00e1logo con se\u00f1ales de mando y respuesta; agregar el reconocimiento de nodos y notas pedales, que funcionan como puentes de salida a la modulaci\u00f3n sobre otro color tonal; las voces en fuga que se encuentran sobre canales, a veces salidas a circular por una gran autopista y, despu\u00e9s, a la fase de un tubo de embudo, etc., aunque jam\u00e1s colisionen.<\/p>\n\n\n\n Hay un sinf\u00edn de elementos que, de alguna manera, nos muestra un lenguaje profundo a\u00fan por explorar y llevarlo al mundo matem\u00e1tico. Sin embargo, datos y matem\u00e1ticas est\u00e1n condenados a entenderse para encontrar la mayor esencia musical de Bach.<\/p>\n\n\n\n Lograr cercan\u00eda inmediata al trabajo del compositor por medio de un modelo basado en Deep Learning<\/em> a\u00fan se antoja lejano. Sin embargo, el mundo que nos rodea est\u00e1 cambiando cada segundo y la relevancia que tendr\u00e1 la IA tambi\u00e9n puede determinar el destino, aunque nadie conoce a\u00fan su aspecto futuro.<\/p>\n\n\n\n Un r\u00e1pido progreso en las redes neuronales artificiales borra gradualmente la frontera entre las artes y las ciencias. Un n\u00famero significativo de resultados demuestra c\u00f3mo las \u00e1reas que antes se consideraban completas y exclusivamente humanas, como la creatividad o la naturaleza intuitiva, ahora son tareas para los enfoques algor\u00edtmicos. De hecho, ya hubo varios intentos de automatizar el proceso de composici\u00f3n musical, mucho antes que las redes neuronales artificiales existieran.<\/p>\n\n\n\n Una desarrollada teor\u00eda musical inspir\u00f3 una serie de enfoques heur\u00edsticos para la composici\u00f3n automatizada. La primera idea se remonta al siglo XIX, con Ada Lovelace, en 1843. A mediados del siglo XX, en Hiller e Isaacson: Experimental Music 1959,<\/em> se desarroll\u00f3 un enfoque de cadena de Markov para la composici\u00f3n musical.<\/p>\n\n\n\n Sin embargo, como se mostr\u00f3 en la investigaci\u00f3n de Lin y Tegmark, Critical Behavior from Deep Dynamics<\/em>, en 2017, as\u00ed como en algunos otros estudios sobre series temporales discretas generadas por humanos, se tienden a generar dependencias de larga segmentaci\u00f3n, lo cual hace inviable el modelo basado en cadena de Markov.<\/p>\n\n\n\n La variedad de diferentes redes neuronales con las que hoy se trabaja, como VAE, SGVB, VRASH, LSTM, etc., procesan mejor las series de datos con dependencias internas m\u00e1s largas y ya han sido exitosas para la generaci\u00f3n de m\u00fasica. (Sundermeyer,LSTM Neural Networks for Language Modeling<\/em>).<\/em><\/p>\n\n\n\n Por ahora, los planteamientos para generar polifon\u00edas y corales por medio de un modelo de IA se configuran de manera similar a la construcci\u00f3n de m\u00fasica nota por nota. En la organizaci\u00f3n de ceros y unos, se llama proceso significativo de datos, similar a la generaci\u00f3n de texto palabra por palabra.<\/p>\n\n\n\n Este m\u00e9todo es la manera de normalizar un Dataset<\/em> y facilitar el aprendizaje. \u00datil para las tareas de procesamiento generativo de un lenguaje natural.<\/p>\n\n\n\n En 2017, la obertura Ya neiro scriabin<\/em>, para Theremin y Orquesta, fue una obra escrita por una Inteligencia Artificial. Inspirada en las piezas del famoso compositor ruso Alexander Scriabin, para la celebraci\u00f3n 125 de su natalicio.<\/p>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/pulsecoder.com.mx\/wp-content\/uploads\/2020\/12\/Imagen1.png?resize=589%2C340&ssl=1\")
![\"\"](\"https:\/\/i0.wp.com\/pulsecoder.com.mx\/wp-content\/uploads\/2020\/12\/Imagen2.jpg?resize=589%2C442&ssl=1\")
![\"\"](\"https:\/\/i0.wp.com\/pulsecoder.com.mx\/wp-content\/uploads\/2020\/12\/Imagen3.png?resize=589%2C299&ssl=1\")
<\/figure><\/div>\n\n\n\n