En el último cuatrimestre de 2016, el matemático francés François Pachet y los programadores de Flow Machines, un proyecto de los Laboratorios de Ciencia Computacional de Sony, cumplieron un objetivo que, hasta entonces, parecía inalcanzable: componer con inteligencia artificial una canción que, si la banda The Beatles no se hubiera separado en el verano de 1970 y si John Lennon y George Harrison no hubieran muerto —el primero asesinado a tiros frente al edificio Dakota de Central Park el 8 de diciembre de 1980 y, el segundo, el 29 de noviembre de 2001, a causa de un cáncer de pulmón metastatizado a la garganta y al cerebro en una paradisíaca propiedad de Paul McCartney en Hollywood Hills—, sus miembros habrían podido escribir y grabar sin ningún problema.
El “aprendizaje supervisado” (supervised learning)1 desempeña una función crucial en las inteligencias artificiales que, actualmente, se dedican a crear piezas musicales. Por tal motivo, con vistas a conocer el proceso creativo de “Daddy’s Car” —ése es el título de la pequeña obra maestra de Flow Machines—, conviene revisar un ejemplo que se utiliza, no por casualidad, como tema de apertura en la mayoría de los cursos sobre “aprendizaje automático” (machine learning):2 el conjunto de datos iris, de Ronald Aylmer Fisher.
En 1936, en el artículo “El uso de medidas múltiples en problemas taxonómicos” [“The Use of Multiple Measurements in Taxonomic Problems”], Fisher, matemático londinense, ordenó un conjunto de datos con cincuenta plantas diferentes, tomando en consideración cuatro medidas de su anatomía vegetal: por un lado, el grosor y la longitud de los pétalos (es decir, de las hojas suaves, tersas y de color intenso que rodean la parte alta de la flor, su corola), y, por otro, el grosor y la longitud de los sépalos (esto es, de las hojas verdes, rígidas y acartonadas que cercan la parte baja de la flor, su cáliz). Con base en un Análisis Discriminante Lineal (LDA, por sus siglas en inglés), su intención era establecer, por medio de la selección de algunas medidas y de la exclusión de otras, a cuál de las tres especies botánicas previamente contempladas pertenecía cada una de las plantas: 1) iris setosa, 2) iris versicolor o 3) iris virgínica.3
Con el conjunto de datos de Fisher, pues, un programador puede conseguir que una inteligencia artificial determinada aprenda a reconocer, dadas unas ciertas señales de entrada o características (grosor y longitud de los pétalos y de los sépalos) y su relación, durante el período de entrenamiento, con las señales de salida o etiquetas (iris setosa, iris versicolor o iris virgínica), cuándo se trata de una especie botánica en específico o cuándo de una distinta.
Por lo demás, el paradigma de aprendizaje supervisado, tal cual se dijo líneas arriba, ha sido ampliamente socorrido en el desarrollo de inteligencias artificiales capaces de componer música; incluso ha servido para darle vida a diversas piezas de jazz, un género musical afroamericano donde la improvisación de cada artista, sea el pianista, el saxofonista, el baterista, el trompetista, el guitarrista, etcétera, resulta valiosísima.4 A fin de llevar a “Daddy’s Car” a buen puerto, Pachet y su equipo de programadores de Flow Machines también acudieron a él.
Al igual que Fisher con sus medidas de pétalos y de sépalos, ellos organizaron un gran conjunto de datos, denominado Lead Sheet Data Base (LSDB), con más de 13 000 canciones diferentes, entre las cuales hay “principalmente jazz y pop, pero además hay un poco de música brasileña, de Broadway y otros estilos musicales”. A la postre, designaron a un “compositor humano” con experiencia, Benoît Carré, para que interactuara con FlowComposer, una herramienta creada asimismo con aprendizaje automático, y para que eligiera un estilo en particular; del versátil repertorio musical disponible, Carré seleccionó a The Beatles y varias “canciones de otros compositores como Cole Porter, Gershwin, Duke Ellington, etcétera”.
Después tocó el turno de ReChord. De acuerdo con un artículo publicado en 2015 por Mathieu Ramona, por Giordano Cabral y por el mismo Pachet, “capturando el ritmo de los músicos: generación de acompañamientos realistas para sencillos musicales” [“Capturing a Musician’s Groove: Generation of Realistic Accompaniments from Single Song Recordings”], esta inteligencia artificial contiene “más de 10 000 canciones estándar de jazz y de bossa nova” y es capaz de “generar” acompañamientos musicales estéticamente llamativos. Echando mano de semejantes recursos, ReChord obtuvo el borrador de una partitura.5 Por último, el compositor humano, es decir, Carré, hizo los arreglos que consideró pertinentes.6
Gracias al modelo de aprendizaje supervisado, la inteligencia artificial de Flow Machines supo distinguir, adueñarse y reproducir con fidelidad ritmos particulares (el de la desacompasada batería Ludwig Oyster de Ringo Starr), los espectrales sonidos de los instrumentos de la India (muy explorados por Harrison a partir de febrero de 1968, luego del conocido viaje de la agrupación a la ciudad de Rishikesh) y hasta la genialidad, las letras y la superposición de voces propias de Lennon y de McCartney.
No es necesario contar con un oído absoluto, a la usanza del de Mozart, para percatarse de algo evidente: “Daddy’s Car” —que puede escucharse en este enlace— comparte su sensibilidad artística con las pistas del disco de 1969, Abbey Road, desde “Come Together”, de Lennon, hasta “Her Majesty”, de McCartney. Debido a que este sencillo ha gozado de tan buena acogida en las plataformas musicales de internet, se espera que Flow Machines produzca un álbum completo con el objeto de rememorar o, mejor todavía, de prolongar el inconfundible legado del cuarteto de Liverpool.
Francisco Gallardo Negrete
Doctor en Teoría Literaria y escritor
1 Paradigma de aprendizaje donde el programador dota a su inteligencia artificial de datos de entrada y de salida. El propósito de este suministro de información es que una inteligencia artificial aprenda, a fuerza de la repetición, a reconocer patrones, a clasificarlos y a implementarlos en momentos posteriores.
2 Campo que se desprende de la inteligencia artificial y que pretende crear modelos computacionales con un objetivo específico: propiciar el aprendizaje, más allá del trabajo de cualquier programador, de las máquinas y de las computadoras.
3 Fisher, R. A. “The Use of Multiple Measurements in Taxonomic Problems”, Annals of Eugenics, 7 (2), 1936, pp. 179-188.
4 Hedges, T.; Roy, P., y Pachet, F. “Predicting the Composer and Style of Jazz Chord Progressions”, Journal of New Music Research, 43 (3), 2014, pp. 276-290.
5 Ramona, M.; Cabral, G., y Pachet, F. “Capturing a Musician’s Groove: Generation of Realistic Accompaniments from Single Song Recordings”, Qiang Yang y Michael Wooldridge (Eds.), Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI 2015), AAAI Press, Palo Alto, California, 2015, pp. 4140-4142.
6 Si se desean más detalles en torno a la colaboración de las creatividades maquinal y humana, véase la página web de Flow Machines.