Rebecca Fiebrink
Rebecca Fiebrink est professeure en informatique créative à l’UAL Creative Computing Institute. Avec ses étudiants et ses assistants de recherche, elle travaille sur une variété de projets visant à développer de nouvelles technologies permettant de nouvelles formes d’expression humaine, de créativité et d’interaction incarnée.
Une grande partie de ses recherches actuelles combine des techniques issues de l’interaction homme-machine, de l’apprentissage automatique et du traitement du signal, afin de permettre aux utilisateurs d’appliquer plus efficacement le machine learning à de nouveaux problèmes — tels que la conception de nouveaux instruments de musique numériques ou d’interfaces gestuelles pour le jeu vidéo et l’accessibilité.
Elle participe également à des projets développant des technologies interactives riches pour les sciences humaines numériques, explorant comment le machine learning peut être utilisé et détourné pour révéler et remettre en question les schémas de biais et d’inégalités, et pour faire progresser l’éducation à l’apprentissage automatique.
Data as Dialogue: Beyond Ground Truth in Creative ML
Les praticiens du machine learning considèrent souvent les données d’entraînement comme une « vérité terrain », un point de référence fixe sur ce qu’un système doit apprendre. Mais dans les pratiques créatives, les données peuvent jouer un rôle très différent. Cette conférence explore la manière dont les données d’entraînement peuvent faciliter un dialogue entre humains et machines, en agissant comme un médium à travers lequel artistes, musiciens et designers communiquent intentions, pratiques et valeurs.
Je montrerai comment de petits jeux de données personnels peuvent devenir de puissants outils créatifs ; comment le « biais » peut être utilisé pour orienter les modèles vers des comportements souhaités ; et comment le travail de curation et d’annotation des données peut être envisagé comme une forme de lecture approfondie. Penser les données de cette manière ouvre de nouvelles possibilités pour concevoir des systèmes de machine learning créatifs : des outils plus personnels, participatifs et réflexifs, qui ne se limitent pas aux modèles à grande échelle faisant la une de l’actualité.
Envisager les données comme un dialogue nous invite à imaginer le machine learning autrement que comme une simple génération à la demande. Cela offre une base pour de nouveaux outils créatifs en ML — y compris des outils qui favorisent une réflexion sur nos propres pratiques — et nous aide à interroger les valeurs encodées dans les systèmes que nous utilisons.
