Instrumento Audiovisual Inteligente Intelligent Grafikton

Agenda Introducción Objetivos Planteamiento del Problema Pianographique Aprendizaje por reforzamiento Algoritmos utilizados Conceptos Musicales

Metodología Desarrollo –Espiral 1 –Espiral 2 –Espiral 3 Resultados Conclusiones Recomendaciones Dudas y Preguntas

Introducción Masificación del uso de las computadoras + Crecimiento de la IA = La inteligencia Artificial Robótica, sistemas expertos, procesamiento de lenguaje y video juegos ¿Inteligencia Artificial y Música ? Sistemas autónomos de Composición musical Intelligent Grafikton

Objetivos Objetivo General Diseñar e implementar un sistema inteligente y visualmente agradable que utilice el teclado y el mouse como dispositivos de entrada para proveer gráficos y sonidos de diversos instrumentos musicales y samples cortos de piezas según las preferencias del usuario.

Objetivos Objetivos Específicos –Identificar y utilizar algoritmos que permitan la continua generación de usuario según sus preferencias. –Identificar el algoritmo de aprendizaje que mejor se comporte ante las preferencias del usuario.

–Identificar y utilizar herramientas para la grabación de sonidos en formato de alta calidad. –Grabar y clasificar sonidos según conceptos de teoría musical para la implementación del sistema. –Identificar técnicas de síntesis de sonido que permitan la grabación digital del mismo. –Identificar y utilizar herramientas y librerías para el desarrollo multimedia que permitan la implementación del sistema.

Planteamiento del Problema IA: robótica, sistemas de navegación autónoma y video juegos Pianographique: arte (música) e informática. IA y Música: sistemas algorítmicos para la composición musical como la Suite Illiac. Un estilo de Pianographique de conducta no determinística basada en las preferencias del usuario para generar nuevas formas musicales, compositores: usuario y maquina

Esquematización del problema planteado

Pianographique Autor: Jean Luque Lamarque, artista programador de origen francés. Provee sonidos y gráficos de manera determinística haciendo uso del teclado y el mouse

Aprendizaje por reforzamiento Utilizado en casos donde es difícil determinar lo que debe hacer un programa para solucionar un problema: conjunto de entrenamiento. Interactúa un agente con su ambiente:

Agente: el ente que realizará acciones y aprenderá una tarea determinada. Ambiente: conforma los estados donde puede encontrarse el agente en un tiempo t. Función de reforzamiento: retroalimentación con recompensas o castigos. Función Valor: “Cuán bien” es estar en un estado, o “cuán bien” es realizar una acción en un estado.

Si un agente no es informado de sus recompensas y llega a un estado catastrófico ¿Cuál de todas la acciones que realizó lo llevo a este estado final? –Programación dinámica: Si realizar una acción en un estado causa inmediatamente resultados inadecuados, la misma debe evitarse. Si toda acción en un estado causa resultados inadecuados, entonces debe evitarse dicho estado

Iteración de valores Algoritmos utilizados  1,max   tt u t xVuxrxV   : Factor que reduce la importancia de reforzamientos futuros para la actualización. - Valor de estar en un estado x. Notación V(x)

- Matriz de Valores del algoritmo Iteración de Valores Estar en el estado x1 vale 0,2 Encontrarse en el estado x2 vale 0,12. ¡ Estaba mejor en el estado x1 !

Aprendizaje Q Valor Q: Valor de realizar una acción u, encontrándose en un estado x. Notación: Q(x,u).  11,max,, 1    tt u tttt uxQuxruxQ t 

- Matriz de Valores del algoritmo Iteración de Valores Cuán bien es realizar la acción u7 en el estado x1 Cuán bien es realizar la acción u7 en el estado X2. ¡ Castigado !