Comment notre IA
authentifie les œuvres d’art
L’IA d’Art Recognition est développée par notre équipe dans un seul but : fournir une évaluation transparente et documentée de la cohérence stylistique. La méthode est documentée, le raisonnement est traçable et les limites sont clairement énoncées.
Une IA sur mesure, conçue
pour une seule question
Notre IA est conçue par notre équipe exclusivement pour l’authentification des œuvres d’art. Il ne s’agit pas d’un modèle généraliste adapté à l’art, mais d’un système spécialisé qui apprend ce qui rend l’œuvre d’un artiste unique et la distingue de celle de ses collaborateurs, suiveurs et imitateurs afin d’authentifier les œuvres soumises.
Les modèles d’IA publics sont entraînés sur des données collectées sur le web, qui contiennent inévitablement des erreurs et des affirmations non vérifiées. Ce n’est pas notre approche. Nos données d’entraînement sont scientifiques, sélectionnées par des historiens de l’art et documentées de bout en bout.
The early development of our technology was supported by funding from the European Union’s Horizon 2020 research and innovation program and carried out in collaboration with academic partners. Its methodology has since been published in peer-reviewed journals together with scientists from Tilburg University in the Netherlands et the University of Liverpool in the UK.
Il s’agit du quatrième pilier de l’authentification, aux côtés de l’expertise traditionnelle, de la provenance et de l’analyse scientifique : une analyse visuelle systématique à une échelle qu’aucun œil ne peut embrasser à lui seul.
Notre processus d’analyse en quatre étapes
Chaque analyse suit les mêmes étapes, dans le même ordre : collecte et sélection des données, entraînement du modèle d’IA, test du modèle d’IA et résultats. Le tout est conçu et réalisé par notre équipe.
Collecte et sélection des données
Pour chaque artiste, nos historiens de l’art constituent un corpus d’entraînement à partir des travaux déjà reconnus par le domaine : catalogues raisonnés, archives d’expositions et attributions acceptées.
Aux côtés des œuvres authentiques, nous ajoutons un ensemble de contraste : faux documentés, imitateurs, suiveurs, œuvres d’atelier et faux numériques créés par IA générative. Le modèle apprend non seulement à quoi ressemble l’œuvre de l’artiste, mais aussi ce qui la distingue des œuvres qui lui sont étroitement apparentées.
Images are augmented for contrast and color, helping the AI models to recognize stylistic characteristics regardless of camera or lighting condition. Our coverage spans from old masters to modern artists. Some of our datasets are shared publicly, including the Raphael dataset, widely used by researchers across the field.
Entraînement du modèle d’IA
L’entraînement se déroule en deux phases. Le modèle est d’abord pré-entraîné sur un vaste ensemble de données couvrant toute l’histoire de l’art, ce qui lui confère une compréhension générale de la peinture. Il est ensuite entraîné sur l’œuvre d’un artiste précis ainsi que sur un ensemble de contraste soigneusement sélectionné, afin d’apprendre ce qui rend le style de cet artiste unique.
Chaque artiste dispose d’un modèle d’IA dédié, reposant sur la même architecture sous-jacente. Cette architecture associe deux types de réseaux de neurones — un réseau de neurones convolutif et un Vision Transformer — entraînés conjointement pour apprendre le style distinctif de l’artiste. En combinaison, ils apprennent des caractéristiques visuelles allant des détails fins, tels que la touche, la texture et le tracé des contours, jusqu’aux relations de composition plus larges, notamment la disposition des motifs et les proportions.
During the training, the model learns from the artworks at different scales at once: from the full images to understand the overall composition, and from smaller image patches to capture fine stylistic details. Where forensic data is available, we incorporate it into the analysis. Restored or repainted sections are accounted for and treated separately. We pioneered the use of Vision Transformers in art authentication.
Test du modèle d’IA
Avant d’être utilisé sur une nouvelle œuvre, le modèle doit démontrer des performances constantes. Un ensemble de test distinct, jamais vu pendant l’entraînement, sert à évaluer les performances du modèle.
Les indicateurs habituels — précision, exactitude et rappel — mesurent la fiabilité avec laquelle il distingue les œuvres authentiques des exemples négatifs.
Vous recevez vos résultats
An output adapted to your needs.
Évaluation d’authenticité par IA
The AI’s yes-or-no assessment of stylistic consistency, with a Certificat d’authenticité if the result is positive.
Rapport d’authenticité par IA
A comprehensive report combining AI findings with art historical expertise, with a Certificat d’authenticité if the result is positive.
Détecter les faux générés par IA
Generative AI can now produce realistic imitations of any artist’s style. Our training data includes such imitations alongside authentic works and human-made forgeries. As a result, our models can identify these works when they are submitted for authentication. Confirmed by our recent published research.
Notre champ d’application
La technologie fonctionne pour les peintures, les dessins, les estampes et les autres œuvres où la main de l’artiste est visible dans l’image. La sculpture, le dripping, le street art et les artistes dont la documentation visuelle est limitée restent en dehors de ce que la technologie permet. Nous énonçons ces limites dès le premier échange, avant que le travail ne commence.