Rebecca Fiebrink - Data as Dialogue: Beyond Ground Truth in Creative ML скачать в хорошем качестве

Rebecca Fiebrink - Data as Dialogue: Beyond Ground Truth in Creative ML

EN Machine learning practitioners often think of training data as “ground truth,” a fixed reference point for what a system should learn. But in creative practice, data can play a very different role. This talk explores how training data can facilitate a dialogue between people and machines, acting as a medium through which artists, musicians, and designers communicate intentions, practices, and values. I’ll discuss how small, personal datasets can be powerful creative tools; how “bias” can become a way of steering models toward desired behaviours; and how curating and labeling data can act as a form of close reading. Thinking about data in this way opens up new possibilities for building creative machine learning systems: tools that are more personal, participatory, and reflective, and not limited to the large-scale models that dominate the headlines. Framing data as dialogue invites us to imagine machine learning as more than generation on demand. It provides a foundation for new ML tools for creativity—including tools that support reflection on our own practices—and helps us question whose values are encoded in the systems we use. FR 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.