Classification zéro-shot de l’art avec de grands modèles de langue

Les modèles d’apprentissage automatique traditionnels pour la classification automatique des informations nécessitent du recyclage des données pour chaque tâche. Les chercheurs de l’Université de Tsukuba ont démontré que les données sur l’art peuvent être automatiquement classées avec une précision suffisante en utilisant un modèle grand langage (LLM), sans nécessiter de données de formation supplémentaires.

L’art est devenu un actif d’investissement important. Cela a conduit à un intérêt croissant pour la prédiction des prix de l’art comme un outil pour évaluer les rendements et les risques potentiels. Cependant, l’organisation et l’annoting des données requises pour la prédiction des prix sont difficiles en raison des coûts humains et du temps humains importants impliqués.

Pour y remédier, les chercheurs ont appliqué une technique connue sous le nom de «classification zéro-shot», qui exploite un modèle de langue large (LLM) pour classer les données sans avoir besoin de données de formation préparées. Le document est publié dans la revue Accès IEEE.

L’équipe de recherche a exploré la faisabilité de déterminer automatiquement les types d’œuvres d’art – tels que des peintures, des impressions, des sculptures et des photographies – en optimisant le LLM « LLAMA-3 70B », un modèle ouvert, au format 4 bits. Les résultats ont confirmé que le modèle a classé les types d’œuvres d’art avec une précision supérieure à 90%. De plus, par rapport à l’IA génératrice GPT-4O d’OpenAI, il a atteint une précision légèrement plus élevée.

Cette approche permet des performances comparables aux méthodes d’apprentissage automatique conventionnelles tout en réduisant notamment l’effort humain et le temps requis pour l’organisation des données. Ces résultats pourraient améliorer l’accessibilité aux analyses artistiques et à l’évaluation des prix, à l’élargissement des opportunités non seulement pour l’investissement mais aussi pour la recherche et l’appréciation.