Kuvataidekasvatus uudelle tasolle – AI osana kuvista.

 

Suomalainen kuvataidekasvatus kaipaa uudistumista. Opetussuunnitelman perusteet (OPS) asettavat kunnianhimoiset tavoitteet, jotka painottavat oppilaiden luovuuden ja kuvataiteellisen ajattelun kehittämistä sekä yhteiskunnallisten ja kulttuuristen sisältöjen ymmärtämistä.

Substantiivinen integraatio on avainasemassa. Se ei tarkoita irrallisia kuvataideprojekteja, vaan taiteen syvää kytkemistä muihin oppiaineisiin ja oppilaiden kokemuksiin. Taide toimii välineenä tutkia itseään, maailmaa ja oppisisältöjä monipuolisesti, mahdollistaen syvällisemmän oppimisen.

Generatiiviset kuvat tarjoavat ainutlaatuisen mahdollisuuden rikastuttaa kuvataideopetusta OPS-kontekstissa. Nämä tekoälyn avulla luodut kuvat:

• Edistävät luovuutta ja ongelmanratkaisukykyä: Oppilaat kokeilevat rohkeasti ja pohtivat kuvan ominaisuuksia, parametreja ja toivottua lopputulosta.
• Syventävät teknologian ymmärrystä: Oppilaat tutustuvat algoritmeihin ja koneoppimiseen taiteen kontekstissa.
• Kehittävät kriittistä ajattelua ja mediakritiikkiä: Oppilaat pohtivat kuvien luomisen etiikkaa, tekijänoikeuskysymyksiä, välitettäviä viestejä ja kuvien roolia yhteiskunnassa.
• Tukevat yksilöllistä ilmaisua: Oppilaat luovat kuvia, jotka heijastavat heidän omia ajatuksiaan, tunteitaan ja kokemuksiaan.
• Edistävät monialaista oppimista: Generatiivisia kuvia voidaan hyödyntää matematiikassa, tieteissä, historiassa ja muissa oppiaineissa.

Esimerkkejä käytöstä:

• Tunnekuvien luominen
• Erilaisten taiteellisten tyylien ja tekniikoiden tutkiminen
• Tieteellisten käsitteiden tai historiallisten tapahtumien kuvaaminen
• Animaatioiden ja interaktiivisten taideteosten luominen

Opettajat tarvitsevat perehtymistä teknologiaan ja pedagogiikkaan. Onneksi on olemassa resursseja, kuten online-oppaita, työpajoja ja valmiita oppimiskokemuksia.

Generatiivinen tekoäly kuvien tuottamisessa 

Generatiivinen tekoäly on mahdollistanut uudenlaisen tavan luoda taidetta. Tekoälymallit, kuten Generatiiviset Vastakkaiset Verkot (GAN) ja Variaationaaliset Autoenkooderit (VAE), pystyvät luomaan fotorealistisia kuvia annettujen ohjeiden perusteella. Taiteilijat ja suunnittelijat voivat hyödyntää tätä teknologiaa luodakseen uniikkeja ja usein surrealistisia teoksia.Ohjeita kokeilla eri kuvageneraattoreita:

• Kokeile Midjourneyta, Stable Diffusionia tai DALL-E:a luodaksesi erilaisia kuvia annettujen ohjeiden perusteella. Voit kokeilla esimerkiksi "vaaleanpunainen kuusi autiomaisemassa" tai "trooppinen puu kukkivilla kukilla".
• Vertaile eri generaattoreiden tuottamia kuvia ja pohdi, miten ne eroavat toisistaan tyylillisesti ja sisällöllisesti.

Generatiivisen tekoälyn edut taiteelle:

• Mahdollistaa uudenlaisten, luovien teosten tuottamisen nopeasti
• Auttaa taitelijoita kokeilemaan uusia tyylejä ja lähestymistapoja
• Voi toimia inspiraation lähteenä ja luovan prosessin apuvälineenä

Generatiivisen tekoälyn haitat taiteelle:

• Herättää huolia tekijänoikeuksista ja alkuperäisyydestä
• Voi johtaa geneeriseen ja mielikuvituksettomaan sisältöön, jos sitä käytetään liikaa
• Voi uhata perinteisten taidetaitojen arvostusta ja taitelijoiden toimeentuloa

Generatiivinen tekoäly on mullistanut taiteen kenttää, mutta sen käytössä on tärkeää löytää tasapaino ihmisen luovuuden ja tekoälyn tuottaman sisällön välillä. Taiteilijat voivat hyödyntää tätä teknologiaa luovasti, mutta myös pohtia sen eettisiä ja käytännön vaikutuksia.

Yksinkertaisen esimerkin avulla voidaan selittää Generatiiviset Vastakkaiset Verkot (GAN) seuraavasti: Kuvitellaan, että GAN on kuin kuvataidekaksikko, jossa toinen osapuoli, Generaattori, on taiteilija ja toinen osapuoli, Diskriminatori, on kriitikko.Generaattori yrittää maalata taulun, joka esittää auringonlaskua. Aluksi se voi tehdä epätäydellisen taulun, jossa värit eivät ole oikein tai muodot ovat epämääräisiä. Sitten tulee Diskriminatori, joka tarkastelee taulua ja yrittää arvioida, onko se todellinen auringonlasku vai ei. Jos Diskriminatori huomaa virheitä, se antaa palautetta Generaattorille, jotta tämä voi parantaa seuraavaa yritystä.Tämä prosessi jatkuu, kunnes Generaattori oppii maalaamaan erittäin realistisia auringonlaskuja, joita Diskriminatori ei enää pysty erottamaan oikeista. Näin GAN oppii luomaan uskottavia ja realistisia taideteoksia, vaikka se aluksi saattaa tehdä virheitä ja tarvitsee palautetta kehittyäkseen.

Variational Autoencoder (VAE) on eräs generatiivisen tekoälyn malli, joka pystyy luomaan uutta sisältöä, kuten kuvia ja tekstiä.VAE toimii seuraavasti:

1. Encoder-osa ottaa alkuperäisen datan, kuten kuvia, ja koodaa ne pienempään, tiivistettyyn muotoon. Tätä kutsutaan latentiksi esitykseksi.
2. Decoder-osa yrittää sitten luoda uutta sisältöä, kuten uusia kuvia, tämän latentin esityksen pohjalta.
3. Encoder ja decoder oppivat yhdessä siten, että decoder pystyy luomaan mahdollisimman hyviä uusia kuvia latentin esityksen pohjalta.

Tämä mahdollistaa VAE:n luomaan uutta, yllättävää ja luovaa sisältöä. Taiteilijat voivat hyödyntää tätä uusien taideteosten luomisessa.Tärkeintä on, että VAE oppii luomaan uskottavia ja realistisia uusia kuvia ja tekstejä alkuperäisen datan pohjalta. Se on tehokas työkalu generatiivisessa taiteessa.