La creatividad es una de las cualidades únicas de los humanos que más nos definen. Numerosas mentes pensantes han explorado la cualidades que debe poseer la creatividad, y la mayoría escogen dos factores principales: sea lo que sea el producto de un proceso creativo, debe ser novedoso e influyente.
La historia del arte está llena de buenos ejemplos en forma de cuadros que no se parecen a ningún otro cuadro que lo preceda y que han influenciado a los que lo siguieron; el cuadro de DaVinci de 1469 Madonna e hijo con una granada, el Cristo crucificado de Goya de 1780 o el cuadro de Monet Almiares de Chailly al amanecer de 1865, por nombrar unos pocos.
El trabajo de diferenciar los más creativos recae sobre los historiadores del arte, y no supone una tarea fácil. Requiere, como mínimo, unos conocimientos enciclopédicos sobre la historia del arte. El historiador entonces debe detectar características novedosas y ser capaz de reconocer rasgos similares en cuadros posteriores para poder determinar la influencia.
Estas tareas resultan complicadas para los humanos, y hasta hace poco hubiese sido inconcebible que un ordenador pudiese asumirlas. Pero hoy esto cambia, gracias al trabajo de Ahmed Elgammal y Babak Saleh de la Universidad de Rutgers en Nueva Jersey (EEUU), que afirman tener una máquina capaz, precisamente, de eso.
La han puesto a trabajar en una base de datos de unos 62.000 cuadros para identificar los más creativos de la historia del arte y el papel que jugó la creatividad en ellos.
Para lograrlo, el equipo ha empleado varios avances previos. El primero fueron los rápidos desarrollos en visión artificial, basados en un método de clasificar imágenes por medio de los conceptos visuales que contienen.
A estos conceptos visuales se les denomina clasemas. Pueden ser características de bajo nivel, como color, textura, objetos sencillos como una casa o una iglesia; o características de nivel alto como la acción de andar, un cadáver, etcétera.
Este enfoque permite que el algoritmo de visión artificial analice un cuadro y compile una lista de clasemas que lo describan (hasta 2.559 clasemas distinas, en este caso). Esta lista actúa como el vector que define el cuadro y puede utilizarse para compararlo con otros cuadros ya analizados de la misma manera.
El segundo avance que hace posible este trabajo es la aparición de enormes bases de datos de obras de arte. Esto es importante porque los algoritmos de visión artificial requieren grandes registros de información para aprender su oficio. Elgammal y Saleh utilizan dos grandes bases de datos, una de los cuales, de la página web de Wikiart, contiene imágenes y anotaciones de unas 62.000 obras de todas las épocas de la historia.
El último componente de su trabajo es teórico. El problema es averiguar cuáles son los cuadros más novedosos en comparación con otros que lo preceden, y luego determinar cuántos cuadros posteriores contienen características similares para identificar las influencias ejercidas sobre ellos.
Elgammal y Saleh consideran esto como un problema de ciencias de redes. Su idea es la de tratar la historia del arte como una red dentro de la cual cada cuadro guarda una relación con cuadros similares anteriores y posteriores.
El problema de definir cuál es el más creativo es entonces un problema de averiguar cuándo ciertos patrones de clasemas aparecen por primera vez, y cómo se adoptan estos patrones posteriormente. "Demostramos que el problema se reduce a un variante de problemas de la centralidad de la red, el cual se puede resolver de forma eficiente", dicen.
En otras palabras, el problema de encontrar los cuadros más creativos es similar al problema de encontrar la persona más influyente dentro de una red social, o la estación más importante de un sistema de metro urbano o identificar superpropagadores de enfermedades. Estos se han convertido en el problema estándar dentro de la teoría de redes en años recientes, y ahora Elgammal y Saleh lo aplican a las redes creativas por primera vez.
Los resultados del análisis de los algoritmos de la visión artificial son interesantes. El gráfico muestra obras de arte, ordenadas en el eje inferior por fechas y por la puntuación de creatividad mostrada en el eje vertical.
Varios cuadros famosos destacan como particularmente novedosos e influyentes, como el Cristo crucificado de Goya, Almiares de Chailly al amanecer de Monet, y El grito de Munch. Otras obras destacan porque no se les considera creativas, como la escultura Danaid de Rodin de 1889 y el dibujo de Durer a carboncillo de Barbara Durer de 1514.
Muchos historiadores del arte estarían de acuerdo. "En la mayoría de los casos, los resultados del algoritmo son partes del arte que los historiadores de arte desde luego señalan como innovadoras e influyentes", dicen Elgammal y Saleh.
Una cuestión importante aquí es que estos resultados son completamente automáticos. Se producen por las redes de conexiones entre cuadros que el algoritmo desvela. No hay una siembra inicial que sesgue la búsqueda de una manera u otra.
Por supuesto, los historiadores de arte siempre discutirán acerca de cómo definir la creatividad y cómo esto cambia su percepción acerca de lo que se incluya en la lista de las obras más creativas. La belleza de las técnicas de Elgammal y Saleh consiste en que los pequeños ajustes en su algoritmo permiten distintas definiciones de la creatividad que se exploran de forma automática.
Este tipo de minado de datos podría tener impactos importantes sobre la manera en la que los historiadores de arte evalúan los cuadros. La capacidad de representar la historia completa del arte de esta manera cambia la manera de pensar en el arte, y de hablar de ello. De esta manera, sugen nuevos instrumentos racionales para los historiadores del arte.
Y este enfoque no se limita al arte. Elgammal y Saleh señalan que también puede emplearse para explorar la creatividad dentro de los campos de literatura, escultura e incluso en la ciencia.
Esperaremos expectantes parar ver cómo estos pioneros lo aplican en otros ámbitos.
Ref: arxiv.org/abs/1506.00711 : Quantifying Creativity in Art Networks