Notre Technologie
Notre Technologie
Révolutionner l'authentification de l'art
La vérification des œuvres d'art est un processus coûteux, long et souvent subjectif. Traditionnellement, la communauté artistique se tourne vers des experts en art qui exigent que l'objet d'art leur soit physiquement livré. Ils étudient l'œuvre et décident ensuite si une pièce particulière est susceptible d'être de l'artiste supposé ou non. Mais que se passerait-il si vous pouviez rationaliser ce processus et faire en sorte que votre vérification d'œuvres d'art soit rapide, facile et fiable ?
La puissance de l'IA
Art Recognition applique des techniques d'apprentissage automatique et de vision par ordinateur pour déterminer l'authenticité des œuvres d'art. Nous utilisons deux types de réseaux neuronaux artificiels pour capturer les principales caractéristiques d'un artiste : un Réseau de Neurones Convolutifs (CNN) et un Vision Transformer avec Fenêtres Décalées (SWIN). Ces architectures de pointe ont été adaptées à notre tâche de classification artistique, afin de catégoriser les œuvres d'art en "authentiques" et "non authentiques". Alors que les CNN ont traditionnellement excellé dans la classification d'images, les transformers sont une architecture moderne qui alimente également des applications telles que ChatGPT. Art Recognition a été à l'avant-garde de l'adaptation des Vision Transformers pour l'authentification de l'art..
De plus, notre technologie d'IA de pointe a été équipée pour résister aux attaques adverses, ce qui signifie qu'elle peut détecter les faux numériques produits par une IA générative. Cette robustesse découle de l'incorporation à la fois d'œuvres d'art authentiques et d'imitations générées par l'IA dans nos ensembles de données d'entraînement. Notre étude récente a confirmé que l'intégration d'images synthétiques créées par genAI améliore la précision globale de notre système d'authentification par IA.
Vous découvrirez ci-dessous le processus que nous utilisons pour fournir des résultats exceptionnels à nos clients dans le monde entier
Collecte et prétraitement des données
Notre base de données interne contient une vaste collection d'images d'entraînement d'œuvres d'art, couvrant les maîtres anciens jusqu’aux oeuvres contemporaines. Pour chaque artiste, nous compilons un ensemble de données d'images de haute qualité contenant des reproductions photographiques d'œuvres authentiques vérifiées créées par cet artiste. De plus, pour renforcer les capacités discriminatoires de l'algorithme, nous intégrons un ensemble de contrastes dans le système.
Cet ensemble comprend des photographies de contrefaçons documentées ainsi que des œuvres d'imitateurs, de disciples, d'ateliers, et même de contrefaçons numériques dans le style de l'artiste, créées par une intelligence artificielle générative.
En outre, nous créons plusieurs occurrences de chaque image en ajustant leurs niveaux de contraste, de teinte et de luminosité. Cela permet à l'IA d'apprendre à identifier et à interpréter les caractéristiques de manière cohérente, quel que soit l'appareil photo ou le dispositif utilisé pour prendre les photographies.
Formation de l'IA
À partir des images d'entraînement, l'IA capture de fins détails tels que le coup de pinceau de l'artiste, les contours, les formes, les variations de couleur ; des éléments de composition de haut niveau, notamment la répétition du motif, le placement des objets et les proportions générales ; ainsi que d'autres caractéristiques distinctives de l'artiste analysé. Une fois le processus d'apprentissage terminé, l'IA peut reconnaître ces caractéristiques dans de nouvelles œuvres, jamais vues auparavant.
Pour atteindre la plus grande précision, nous mettons en œuvre une approche de prétraitement spécialisée qui capture à la fois les éléments généraux de la peinture et les détails complexes. Bien que les images complètes soient utilisées pendant l'entraînement pour saisir les aspects de haut niveau, les détails plus fins sont extraits à partir de petits patches créés sur lesquels l'algorithme peut zoomer.
Afin d'assurer l'intégrité de notre analyse, nous utilisons la validation croisée, qui consiste à segmenter nos données, à entraîner notre modèle sur la majorité des images, puis à l'évaluer sur un sous-ensemble plus petit des ensembles de données. En répétant cette opération avec différents sous-ensembles, nous pouvons identifier le modèle le plus efficace et nous assurer qu'il est performant sur les différents sous-ensembles de données. La force et la cohérence du modèle s'en trouvent renforcées.
Évaluation de la précision de l'algorithme
Le succès de la méthode d'entraînement est évalué par des mesures de performance telles que la précision et le rappel. Ces mesures sont méticuleusement évaluées sur un ensemble d'images exclues de la phase d'entraînement, formant ce que nous appelons l'« ensemble de test ». Grâce à cette évaluation rigoureuse de la capacité de l'IA à distinguer avec précision les œuvres d'art authentiques des contrefaçons établies, nous offrons à nos clients une rassurance substantielle quant à la fiabilité de nos méthodes d'authentification artistique. Cette évaluation minutieuse ajoute une couche de confiance à l'authentification des œuvres d'art par l'IA.
Authentification de votre œuvre d'art
Après un entraînement réussi, l'IA compare les caractéristiques apprises à celles détectées dans l'image de votre œuvre. Sur la base de cette comparaison, elle renverra une probabilité d'authenticité pour votre pièce. Cela vous donne une évaluation impartiale et basée sur les données de l'IA de l'authenticité de votre œuvre.
