Cheminement académique

Études postdoctorales
Massachusetts Institute of Technology
2017

Doctorat Humanities (Fine Arts)
Concordia
2016

Maîtrise en communication (médias interactifs)
Université du Québec à Montréal
2010

Maîtrise en informatique
Université de Montréal
2003

Baccalauréat bidisciplinaire en mathématique-informatique
Université de Montréal
2001

Unités de recherche

• Centre interuniversitaire des arts médiatiques Hexagram-CIAM

Projets de recherche et/ou de recherche-création en cours

• Remodeler les pratiques artistiques numériques en temps réel avec l'apprentissage par renforcement : Une étude réflexive et ethnographique de recherche-création

  L'avènement de nouvelles technologies d'IA basées sur des algorithmes d'apprentissage machine (ML) tels que l'apprentissage par renforcement (RL) a créé un changement de paradigme dans les arts numériques. Grâce à ces technologies, les auteurs humains ne sont plus obligés de concevoir directement des programmes informatiques, mais peuvent indirectement façonner des programmes par des moyens alternatifs tels que l'assemblage de bases de données. Alors que la programmation informatique classique offre une forme d'universalité (qui a soutenu le développement des arts numériques en raison de sa capacité à traiter différents types de sources médiatiques à l'aide d'une approche commune, à savoir l'informatique), la ML offre une forme alternative d'universalité qui est pilotée par des données plutôt que par des algorithmes. Notre objectif principal est de comprendre comment l'apprentissage par renforcement transforme le processus créatif dans les arts numériques. Pour ce faire, nous examinons et cartographions les relations entre l'artiste, le système d'apprentissage par renforcement et les matériaux artistiques au cours du processus créatif dans trois domaines artistiques : l'installation robotique, la performance audiovisuelle et la réalité virtuelle. Notre hypothèse est que le RL permet aux artistes numériques de choisir finement quelle partie des décisions ils veulent prendre et quelle partie ils veulent confier au système RL, ce qui leur permet d'itérer plus rapidement à travers les variations de leur travail en utilisant pleinement le potentiel génératif du RL. Nous émettons également l'hypothèse que le degré de numérisation du média a un impact supplémentaire sur ce processus : la nature numérique de la RV offrirait ainsi un niveau différent de contrôle humain et d'autonomie du système RL que la performance AV ou la robotique, où la présence de médias non numériques aurait un impact sur la capacité de l'algorithme RL à apprendre à partir de relations complexes et précises entre les données. Notre objectif secondaire est d'évaluer la transférabilité des utilisations de la RL entre les domaines artistiques et son impact sur la collaboration. Par exemple, si un artiste qui a utilisé la NR dans le domaine de l'installation de robots peut ensuite appliquer son savoir-faire dans le domaine de la RV ou de la performance AV ; et comment deux artistes experts dans des domaines distincts peuvent profiter des propriétés génériques de le RL pour améliorer leur collaboration. Notre hypothèse est que le RL est transférable, c'est-à-dire que le savoir-faire d'un domaine créatif donné peut être appliqué à un autre domaine avec un minimum d'effort. Cette transférabilité doit toutefois être facilitée par la collaboration, car la connaissance de le RL ne fait pas instantanément de quelqu'un un expert dans une autre discipline artistique. Nous émettons également l'hypothèse que le RL fournit la base d'un langage commun, ancré dans la pratique artistique, qui facilite la collaboration interdisciplinaire. Personne chercheure principale: Sofian Audry Personnes chercheures principales: Samuel Bianchini, Alex M. Lee, Florence Millerand, Louis-Claude Paquin, Danny Perreault, Personnes collaboratrices: Oriane Morriet, Filip Pais Financement: Fond de recherche du Québec - Société et culture: Soutien à la recherche-création pour la relève professorale

• Teleo: Esthétique et pratique des ¿uvres robotisées contrôlées par apprentissage automatisé

  Téléo est un projet de recherche-création qui étudie la création d'oeuvres artistiques robotisées contrôlées par l'apprentissage automatisé. L'apprentissage automatisé, un sous-domaine de l'intelligence artificielle à la base de la révolution en intelligence artificielle depuis le début du millénaire, part d'une prémisse simple: plutôt que de programmer directement les machines au moyen de code informatique, elle suggère de les doter de capacités d'apprendre par elles-mêmes de manière autonome, avec le moins d'intervention humaine possible. Lorsqu'utilisé dans la conception d'oeuvres d'art numérique, l'apprentissage automatisé recadre ainsi une tension bien connue des créateurs, celle qui existe entre, d'une part, le contrôle autorial de l'artiste et, d'autre part, l'autonomie des matériaux et processus en place. Alors que les approches scientifiques à la création artistique font l'objet depuis les années 1990 d'une littérature florissante, à l'inverse, les approches artistiques à l'intelligence artificielle et à l'apprentissage automatisé sont quant à elles peu documentées. Il existe pourtant une riche tradition artistique mettant en scène les comportements d'agents artificiels informatiques et robotiques. Ces approches se distinguent d'autres pratiques en art numérique en ce qu'elles n'utilisent pas l'ordinateur dans le but de produire des contenus médiatiques telles des images ou des sons. Au contraire, elles embrassent la qualité de l'interaction homme-machine, plutôt que les rendus audiovisuels générés par ordinateur, en tant que composante esthétique faisant 'uvre: le locus de leur esthétique est ainsi le comportement de l'agent artificiel lui-même alors qu'il se déploie dans le monde. Parmis les oeuvres mettant en scène des agents artificiels et leurs comportements, on voit apparaître depuis le milieu des années 2000 un nombre grandissant de travaux faisant intervenir l'apprentissage automatisé. Plutôt que de programmer directement les comportements d'un agent, l'originalité de ces nouvelles approches artistiques consiste à concevoir une situation d'apprentissage pour un agent artificiel en laissant à ce dernier le soin de développer un comportement propre par apprentissage automatisé. Comme le créateur ne peut contrôler qu'indirectement le comportement de l'agent via les conditions d'apprentissage (capteurs, actuateurs, complexité et objectifs visés par le système), la création implique une manipulation indirecte des comportements afin de promouvoir l'émergence de mouvements et de réactions qui demeurent largement indéterminés. Téléo cherche à comprendre les paramètres esthétiques et pratiques de ces nouvelles formes de création à travers trois questions de recherche: (1) en quoi se distinguent les pratiques artistiques employant l'apprentissage automatisé pour la génération de comportements? (2) quels outils conceptuels et techniques peuvent le mieux appuyer ces pratiques? (3) quelles nouvelles formes esthétiques, expressives et expérientielles émergent de l'apprentissage automatisé appliqué à la génération de comportements artificiels en art numérique? Le projet vise ainsi à jeter les bases conceptuelles et techniques pour un renouvellement du champ de l'art numérique utilisant des systèmes autonomes informatiques et robotiques. Personne chercheure principale: Sofian Audry Financement: Fond de recherche du Québec - Société et culture: Soutien à la recherche-création pour la relève professorale

Affiliations externes principales

• Centre québécois des arts médiatiques, Montréal
• Centre d'artistes Perte de Signal, Montréal
• The Trope Tank, Massachusetts Institute of Technology
• Center for Sensory Studies, Université Concordia
• LabXmodal, Université Concordia
• Machine Agencies, Université Concordia