Ben Bogart | Entrevue | Chantier IA 2

Bonjour, Ben, ravie d’avoir l’occasion d’échanger avec vous sur votre travail et tout ce qui l’entoure. En préparation de cet entretien, j’ai relu votre texte de démarche artistique; l’apprentissage automatique (AA) en tant que création de frontières s’impose véritablement comme un thème central. J’aimerais commencer par vous demander de définir la notion de création de frontières en elle-même et dans le contexte de l’AA.

J’ai toujours été implicitement intéressé·e par la création de frontières. À la fin des années 1990, j’ai travaillé sur le découpage de fonctions gaussiennes pour créer des formes lisses (courbes implicites). Aussi loin que je me souvienne, j’avais le sentiment qu’il existait une continuité sous-jacente à tout, que les limites des concepts et des objets sont imposées, voire illusoires. Avec le recul, j’ai compris que ce sentiment de continuité constitue le fondement de mon identité de genre (non binaire et agenre), en contradiction avec la binarité de genre, par définition. Il m’aura fallu 25 ans pour surmonter ma transphobie intériorisée et accepter mon genre. J’ai réalisé une œuvre vidéo intitulée FeHo en 1999 ou 2000, inspirée par un livre (dont j’oublie le nom) écrit par une femme transgenre et où il était question des pronoms anglais neutres Ze/Zir. Ainsi, même il y a plus de 20 ans, je possédais le langage et même la confiance nécessaires pour réaliser une telle œuvre, mais sans avoir vraiment réfléchi à mon propre genre. Je pense qu’il y a aussi un lien avec ma neurodivergence : j’ai tendance à comprendre les choses en plusieurs dimensions.

Tôt dans ma pratique, je me suis intéressé·e à l’interactivité, et je comprends maintenant que c’était pour moi une façon de réarticuler les frontières entre moi, le public et l’œuvre. La spécificité au site m’intéresse en tant que reconfiguration de la frontière qui sépare la personne qui observe du monde qui l’entoure. Je me rappelle m’être demandé pourquoi une œuvre d’art interactive ne devrait réagir qu’aux personnes et non à d’autres animaux (ou aux plantes). J’ai fini par me désintéresser de l’interactivité à cause de son bagage en matière de contrôle, d’attentes du public et de facilité d’utilisation. Je voulais explorer les limites de l’autonomie et de l’autorat par une pratique artistique impliquant la technologie, fortement inspirée par David Rokeby. C’est mon intérêt pour la spécificité au site qui m’a d’abord amené·e à l’apprentissage automatique (AA), que je voyais comme une solution au problème de l’automatisation de la relationnalité et de la spécificité au site : les œuvres d’art médiatique créent leur « propre » relation avec le lieu et le font sans en être ni un simple reflet, ni aléatoires ni indépendantes, mais quelque chose entre les deux ‒ quelque chose qui surprend.

Mon intérêt pour le site remonte à mon projet de mémoire de baccalauréat en arts (Oracle, 2003), pour lequel j’avais utilisé des données météorologiques mappées en temps réel (à l’aide d’équations mathématiques chaotiques) sur un texte en plusieurs langues. J’ai commencé à utiliser des caméras pour enregistrer des images de l’environnement autour des œuvres en 2005, grâce à ma première subvention du Conseil des arts du Canada et à ma collaboration avec Donna Marie Vakalis, alors étudiante diplômée en architecture. Pour moi, la création de frontières a toujours été générative. Les frontières qui définissent les concepts, les idées, les classes, les objets, etc., sont dynamiques et situées dans un champ de continuité, voire de potentialité. L’art, tout au long de ma pratique professionnelle, m’est apparu comme une question de sens, et non d’application de celui-ci. J’ai décrit cela comme « faire plus que représenter » et comme un intérêt pour les manières dont les mots, les images et les idées produisent du sens. Derrida m’a certainement inspiré·e dans cette voie.

Pour ce qui est de l’apprentissage automatique, il y a deux grandes approches : l’apprentissage supervisé et l’apprentissage non supervisé. Dans les deux cas, l’objectif est le même : modéliser des concepts, comme l’appartenance à une classe. Vous prenez un tas de mesures – la longueur et la largeur des pétales d’iris, disons. Avec l’apprentissage supervisé, vous indiquez au système les mesures correspondant à telle ou telle espèce (en les étiquetant). Lorsqu’il dispose de suffisamment de données, le système devient capable de classer de nouvelles mesures (auxquelles il n’a pas été exposé et qui n’ont pas été étiquetées) comme appartenant à une espèce particulière. C’est essentiellement ce que font les applications de « reconnaissance » de plantes, d’oiseaux, etc. : elles classent les mesures prises par l’appareil photo du téléphone. Bien que j’aie utilisé l’apprentissage supervisé dans quelques projets, je m’intéresse très peu aux outils qui nécessitent l’étiquetage explicite des échantillons de données. Pour une raison similaire, je me suis rendu compte que j’ai un intérêt très limité pour les interfaces d’IA qui répondent à des requêtes, parce qu’elles dépendent de liens prédéterminés et statiques entre les mots et les mesures (c.-à-d. les étiquettes).

L’apprentissage non supervisé (également appelé clustering en anglais) consiste également à catégoriser des mesures, mais sans les étiquettes. Plutôt que d’associer une plage de mesures probables à chaque espèce (l’étiquette), les mesures sont considérées les unes par rapport aux autres (en fonction de leur similarité); un regroupement (cluster) est un ensemble de mesures qui sont plus semblables les unes aux autres qu’à celles d’un autre groupe. Ce qui m’intéresse davantage, c’est la continuité sous-jacente. Chaque mesure est semblable aux autres mesures, jusqu’à un certain point. Les frontières se forment là où l’écart entre les mesures est le plus grand, la taille de cet écart étant un choix. Il n’existe aucune structure de regroupement optimale (un modèle) applicable à tous les jeux de données, chaque algorithme d’apprentissage non supervisé étant une sorte de perspective définie qui impose des contraintes particulières.

Cette tension entre la continuité et l’émergence, le dynamisme et la sélection de frontières est un aspect clé de l’ensemble de mon travail avec l’apprentissage automatique, et il est indissociable de mon identité de genre et de ma neurodivergence. Depuis 2019, j’ai reconsidéré ma conception antérieure de la « subjectivité de la machine » (la subjectivité en tant que création de frontières) à la lumière du réalisme agentiel de Karen Barad. C’est un projet à long terme qui se poursuit.

Suggérez-vous que la création de frontières, à l’aide de l’AA non supervisé, est comparable à certains égards au réalisme agentiel ‒ comme si le processus de création de frontières était un écosystème vivant, en constante évolution, qui s’adapte aux changements de mesures? J’aimerais vous entendre là-dessus.

Je pense que les approches non supervisées (clustering) et supervisées (classification) de l’apprentissage automatique sont intrinsèquement des processus de création de frontières, qui regroupent toujours les mesures en fonction de leur similarité ou de leurs limites conceptuelles (l’espèce, par exemple). Le réalisme agentiel concerne également les processus de création de frontières, celles en particulier qui déterminent ce que l’appareil mesure. Je viens de soumettre un chapitre de livre qui diffracte l’apprentissage automatique à travers le réalisme agentiel, coécrit avec l’un des anciens doctorants de Barad, le D^r Elia Vargas. Pour citer une version préimpression de ce chapitre à propos du réalisme agentiel : « la création de frontières s’effectue par des coupes agentielles, où les frontières et les propriétés des mesures sont déterminées mutuellement avec/au sein de l’appareil. Les objets ne sont pas préexistants » (italiques ajoutés). (Traduction libre). 

Dans le réalisme agentiel, la fixité est une configuration temporaire, les objets et les relations étant dynamiques et en constante reconfiguration. Le cadre d’un « écosystème vivant » consiste en une compréhension particulière qui établit des frontières particulières entre ce que l’on entend par « vivant » et « écosystème ». Le réalisme agentiel n’est pas un modèle écologique, mais si l’on diffracte le concept d’écosystème à travers le réalisme agentiel, il se transforme en un ensemble dynamique de relations permettant la coconstruction de ses membres; la démarcation d’un « membre » par rapport à l’« écosystème » lui-même étant un processus de création de frontières. L’écosystème permet la création de ses membres autant que les membres permettent la création de leur écosystème, l’un ne préexistant pas à l’autre.

Nous (issu·es des cultures coloniales) avons tendance à considérer les modèles comme étant les résultats de mesures selon une causalité claire : le modèle « s’adapte » aux mesures. Dans une telle conception, une frontière est tracée entre le processus de modélisation et la collecte de données, de sorte qu’il n’est pas nécessaire de tenir compte des détails de la collecte dans la modélisation. Les données sont la « vérité de base » et ne sont pas affectées par la modélisation. Le réalisme agentiel remet en cause la fixité d’une telle frontière en rendant possible une compréhension enrichie de l’apprentissage automatique et de ses éventuels effets néfastes : la collecte de données et la modélisation sont coconstruites et non distinctes; elles font partie d’un appareil intégré qui détermine ce qui est important.

C’est pourquoi je ne vois aucune séparation entre l’explosion actuelle de l’« IA » et le capitalisme de surveillance; les big data et big AI sont coconstruites. Les méthodes de collecte de données et de modélisation sont développées en tandem. La réaction actuelle contre l’« IA générative » de la part d’artistes se sentant victimes d’appropriation semble totalement déconnectée du fait que les artistes publient sur les grands médias sociaux depuis 15 ou 20 ans; en utilisant ces plateformes, nous cautionnons la même logique extractiviste et leur donnons presque carte blanche pour faire à peu près n’importe quoi avec ce qui est publié, à perpétuité. Ces artistes, et un large public, perçoivent l’IA comme un objet délimité contre lequel on peut protester; je pense que cela ne fait que détourner l’attention des relations sous-jacentes et déjà bien enracinées entre extractivisme et capitalisme de surveillance. Dans le réalisme agentiel, l’éthique de la collecte de données et celle de la modélisation sont indissociables.

Peut-être pourriez-vous ancrer cette dernière idée ‒ selon laquelle l’éthique de la collecte de données est indissociable de l’éthique de la modélisation ‒ dans une œuvre sur laquelle vous travaillez actuellement?

Lorsque j’écris sur cette frontière entre collecte et modélisation, je ne parle pas (uniquement) de ma propre pratique utilisant l’IA, mais aussi de l’apprentissage automatique en général. Mon intégration du réalisme agentiel et de l’apprentissage automatique ne constitue pas un simple exercice théorique pour moi-même, qui toucherait ma seule pratique, mais se veut un antidote aux « recherches » contemporaines qui sont intrinsèquement fondées sur l’extraction et l’exploitation. Considérer les données comme une « vérité de base », un objet délimité que l’on peut extraire de son contexte naturelculturel, favorise une logique extractiviste. Dans une telle logique, les données ont de la valeur et sont valides en elles-mêmes; on peut facilement ignorer le fouillis de détails de leur genèse. Les données ne sont pas sans rappeler le pétrole, le lithium ou le cobalt; il est bien pratique de les considérer comme des objets isolés et de pouvoir ainsi ignorer les systèmes, les conséquences et les dégâts causés par les processus d’extraction qui leur permettent d’exister. Nous pouvons considérer Stable Diffusion, par exemple, comme un objet, et ignorer le travail, la consommation d’électricité, l’absence de considération et de respect à l’égard des personnes qui permettent à ces données d’entraînement d’exister. Lorsque je dis que l’éthique de la collecte de données et la modélisation sont indissociables, j’affirme qu’en utilisant Stable Diffusion, par exemple, on devient complice et on cautionne implicitement ces pratiques de collecte de données.

Ma longue relation avec l’apprentissage automatique a assurément nourri ma réflexion actuelle. Lorsque j’ai commencé à utiliser l’AA, les jeux de données d’entraînement étaient rares, il n’y avait aucun modèle à télécharger et presque pas de cadres ni de bibliothèques. Pour utiliser l’apprentissage automatique dans une pratique, il fallait nécessairement entraîner ses propres modèles, et c’est ainsi que j’ai créé mes propres jeux de données. Comme je l’ai écrit précédemment, c’est mon intérêt pour la spécificité au site qui m’a amené·e à l’apprentissage automatique. La collecte de données fait d’emblée partie intégrante de ma conception et de mon utilisation de l’apprentissage automatique, car mes œuvres résultent souvent d’une collecte d’images dans et de l’environnement à travers un objectif. J’aspire à créer des œuvres où les pratiques de production d’images par des caméras et appareils photo servent de méthode pour créer des relations entre la machine et le monde qui l’entoure, par opposition à une idéologie extractive où les images sont des objets considérés comme indépendants de leurs contextes et valables en eux-mêmes. Chaque image, chaque point de données, etc., situe l’œuvre dans son contexte visuel, et dans un certain nombre de mes travaux, je replace les images générées dans les contextes mêmes à partir desquels leurs sources ont été collectées.

Tout cela s’est un peu complexifié dans mon plus récent projet, Peek & Play Magic Maker, une collaboration réalisée avec Faith Holland et sa fille Hildy, âgée de quatre ans. Dans ce cas, le jeu de données comprend des œuvres, principalement des dessins, des peintures et des collages réalisés par Hildy au cours des trois dernières années. Le processus de collaboration est empreint de considération et de respect pour Hildy; elle n’est pas une « source de données » dont il faut extraire des informations, mais une agente active. Tout au long du processus, Faith a communiqué avec Hildy, qui s’est montrée très protectrice envers ses œuvres, particulièrement sous leur forme physique, en lui demandant ce qu’elle pensait de nos variations, explorations et développements. Bien que je n’aie pas de relation directe avec Hildy (je n’ai rencontré ni Faith ni Hildy en personne), je ressentais les diverses tâches de préparation des données comme autant de gestes d’attention. Le jeu de données n’est pas seulement destiné à Faith et moi, il constituera aussi une archive précieuse pour Hildy lorsqu’elle sera plus âgée. Nous avions prévu d’entraîner nos propres modèles GAN et de diffusion à partir de ces données, mais, faute d’avoir obtenu un financement suffisant, nous avons dû utiliser des outils disponibles sur le marché. Nous avons affiné les modèles de transfert de style sur de petits sous-ensembles des 411 images dans RunwayML afin de créer un ensemble de sorties IA pour l’œuvre finale.