Kligermann définit l’espace latent comme une typologie et un moment à
part entière ; il repose sur l’entrainement d’un réseau de neurones
antagonistes, ou Generative Adversial Network (GAN).
C’est un algorithme particulier, initialement développé par l’ingénieur
Ian Goodfellow en 2014 — Klingermann indique que cette méthode est
utilisée par les artistes entre 2018 et 2020. Ainsi les réseaux de
convolution, capables de classifier des corpus d’images ne permettent
pas de produire d’image. Ainsi, comme le souligne Sean Riley : « […] if
I know what a cat looks like. But I’m not the greatest artist of the
world: I’m not sure that I could draw a decent cat1 »—
par analogie, on comprend donc qu’il existe une très grande différence
entre la capacité d’observer un signe et celle d’en produire un, chez
l’homme, chez la machine.
Les GAN fonctionnent à l’aide de deux algorithmes distincts, l’un qui
discrimine depuis un jeu d’images données et un autre — le générateur,
partant de bruit, tente de produire une image pouvant provenir du
corpus. Lorsque le générateur produit une image, il l’envoie au
discriminateur. Celui-ci la compare au corpus initial et lui renvoie son
erreur. Le générateur tente alors de la corriger de proche en proche. Le
système discriminant se focalise sur les faiblesses du générateur — « As
the system get better it forces itself to get better2 ».
« The generator does get help if you set up right, you can use the
gradient of the discriminator to train the generator3 »,
explique Rob Miles. Ainsi, la descente de gradient est donc utilisée
dans le modèle pour produire un retour au générateur et qu’il
s’autorectifie.
La descente de gradient est un algorithme d’optimisation cherchant des
minimaux locaux. Elle sert, en machine learning, à trouver le
minimum de la fonction de coût de l’algorithme. C’est grâce à cet
algorithme que la machine apprend et trouve les meilleurs paramètres
pour le modèle4.
Le générateur injecte de l’aléatoire dans le processus, de la même
manière que l’outil non maitrisé permet d’appliquer de l’aléatoire sur
une toile
(cf. boite noire ).
Le bruit d’entrée dans l’algorithme peut être considéré comme
une position, ou un vecteur dans un espace multidimensionnel appelé
espace latent. Plus encore, une fois entrainé, le modèle produit des
images proches suivant des coordonnées proches dans cet espace. L’espace
se structure donc partant de bruit, cela suit le principe « d’ordre par
le bruit5 » — et donc d’auto-organisation, de
Heinz von Foerster.