Hier, 12:23 PM
(Modification du message : Il y a 9 heures par Souriskewitz.)
Hello,
Merci pour ce sujet Bela, tu sors des sentiers et n'hesite pas à renverser les codes comme à ton habitude.
Pour apporter du grain à moudre, afin que l'IA soit capable de "predire" le son d'une enceinte je pense qu'il va falloir l'entrainer sur ce sujet précis si on attend des résultats fiables.
C'est je pense faisable, mais il faut bien clarifier quelques points.
L'entrainement reposera sur un parallele entre des mesures d'une part et le ressenti d'un ou plusieurs utilisateurs d'autre part.
On voit deja poindre le commencement d'un biais subjectif mais qui n'est pas insurmontable.
Afin de le limiter au maximum :
Le protocole commencera probablement par lister des adjectifs précis en quantité et se mettre d'accord entre auditeurs sur leur signification.
Le son est il :
Rapide
Clair
Chaleureux
Doux
Satiné
Vivant
Coloré
Live
Exellent
Mauvais
Charmeur
Charmant
Etc etc.
On y coupera pas et c'est primordial.
Ensuite definir c'est qu'est le "beau" va dépendre des utilisateurs, on devrait pouvoir extrapoler avec leur retours une sorte "d'ideal commun." Mais l'IA ne pourra pas vraiment prédire ce qui sera beau ou pas, trop subjectif et il faudrait vraiment une énorme quantité de retours différents.
En revanche predire des qualificatifs, un caractere me semble jouable mais,
Il faudra réaliser le plus grand nombre possible de tests paralleles avec des enceintes differentes idéalement de toutes sorte. Baffle plan panneaux enceintes tradi clos BR etc etc. Mesurées de la façon la plus proche possible
Idéalement avec une écoute les yeux bandés ou à minima sans que les auditeurs ne puissent savoir quel type d'eceinte ils écoutent.
Operations repetées pour chaque modèle dans des pieces differentes écoutées par plusieurs auditeurs avec un systeme de QCM ou bien on attribue une note de 1à 10 pour chaque adjectifs par exemple.
À peaufiner mais on aurait deja quelques données utilisables.
C'est un tres gros travail de fourmi, malheureusement je pense nécessaire.
Le faire en se basant sur des mesures issues de contextes differents, réalisées selon des protocoles différents avec des retours utilisateurs provenant de forums ou magasines hifi me parait incertain.
L'idée d'utiliser stereophile comme base est bonne mais limitée car le magasine n'a pas été prevu pour ça
- Seulement une toute petite partie des mesures dispo
- Des graphs papier donc pas exploitables de façon précise.
On va manquer de nuances dans l'analyse, les petits details qui pourraient tout changer.
- un seul retour utilisateur avec ce que ça implique comme incertitude.
Il faut vraiment limiter au maximum le bruit generé par les differences entre les tests, conditions, humeur de l'auditeur etc. Ceci d'autant plus que la quantité de données disponible est faible, comme nous ne pourrons pas avoir l' énorme quantité de données qui permettrait de reduire l'influence de ce bruit, il faudra mettre un soin tout particulier dans la qualité de ces données.
Il faut ensuite choisir quelles mesures seront utilisées pour l'entrainement. Il faudra idéalement separer l'enceinte de la piece.
Pour chaque enceinte on choisit
SPL+phase
EDT
Impulse
Etc etc.
Pour la piece idem on choisit plusieurs mesures clef
RT
Clarity
Decay
Etc etc
A mon avis il ne faut pas se limiter et analyser toutes les mesures possible ensuite on pourra definir lesquelles semblent les plus pertinentes selon les résulats.
D'ailleurs ce serait tres intéressant, et personnelement c'est ce qui me motiverais le plus et permettrait de repondre a nombre de questions que je me pose depuis longtemps maintenant, restées sans reponses.
Avec ces retours on pourrait meme prédire des mariages heureux ou au contraire a éviter entre piece et enceintes ou imaginer toute sorte d'autre demande faite à l'IA une fois qu'elle sera entrainée.
Le tres gros du travail va etre de récolter et normaliser les données, le reste est tout à fait realisable.
Souhaitable je n'en sais rien mais amusant certainement.
De mon coté je tenterai bien un retour d'enceinte type pour demande specifique.
Par exemple je demande une enceinte, claire, chaleureuse, detaillée, vivante etc
En retour on obtient une enceinte cible avec : courbes cibles SPL legere bosse ici ou là, pulse, phase, 2 voies, close etc.
A laquelle on essaye ensuite de coller au maximum.
Ce serait assez fun.
L'idée me plait beaucoup et me titille. Je manque de temps mais si tu/vous parvenez à recolter des données et que tu/vous n'etes pas pressé, je suis ok pour entrainer l'IA chez moi en dur sur mes serveurs avec une version open source qui pourra ensuite etre partagée.
Bien entendu la réussite n'est pas du tout garantie et decoulera directement de la quantité de retours et de tests mais ce serait amusant.
J'ai commencé a faire un peu la meme chose avec les formes de pavillons. Pour prédire et trouver des formes selon les attentes. Malheureusement pour entrainer l'IA il faut creer des simulations à chaque nouvelle forme de pavillon c'est tres tres long a entrainer et je n'en vois pas le bout.
Par contre une fois que les données sont l'entrainement peut etre assez rapide. Tout dependra du nombre de tests à analyser.
Merci pour ce sujet Bela, tu sors des sentiers et n'hesite pas à renverser les codes comme à ton habitude.
Pour apporter du grain à moudre, afin que l'IA soit capable de "predire" le son d'une enceinte je pense qu'il va falloir l'entrainer sur ce sujet précis si on attend des résultats fiables.
C'est je pense faisable, mais il faut bien clarifier quelques points.
L'entrainement reposera sur un parallele entre des mesures d'une part et le ressenti d'un ou plusieurs utilisateurs d'autre part.
On voit deja poindre le commencement d'un biais subjectif mais qui n'est pas insurmontable.
Afin de le limiter au maximum :
Le protocole commencera probablement par lister des adjectifs précis en quantité et se mettre d'accord entre auditeurs sur leur signification.
Le son est il :
Rapide
Clair
Chaleureux
Doux
Satiné
Vivant
Coloré
Live
Exellent
Mauvais
Charmeur
Charmant
Etc etc.
On y coupera pas et c'est primordial.
Ensuite definir c'est qu'est le "beau" va dépendre des utilisateurs, on devrait pouvoir extrapoler avec leur retours une sorte "d'ideal commun." Mais l'IA ne pourra pas vraiment prédire ce qui sera beau ou pas, trop subjectif et il faudrait vraiment une énorme quantité de retours différents.
En revanche predire des qualificatifs, un caractere me semble jouable mais,
Il faudra réaliser le plus grand nombre possible de tests paralleles avec des enceintes differentes idéalement de toutes sorte. Baffle plan panneaux enceintes tradi clos BR etc etc. Mesurées de la façon la plus proche possible
Idéalement avec une écoute les yeux bandés ou à minima sans que les auditeurs ne puissent savoir quel type d'eceinte ils écoutent.
Operations repetées pour chaque modèle dans des pieces differentes écoutées par plusieurs auditeurs avec un systeme de QCM ou bien on attribue une note de 1à 10 pour chaque adjectifs par exemple.
À peaufiner mais on aurait deja quelques données utilisables.
C'est un tres gros travail de fourmi, malheureusement je pense nécessaire.
Le faire en se basant sur des mesures issues de contextes differents, réalisées selon des protocoles différents avec des retours utilisateurs provenant de forums ou magasines hifi me parait incertain.
L'idée d'utiliser stereophile comme base est bonne mais limitée car le magasine n'a pas été prevu pour ça
- Seulement une toute petite partie des mesures dispo
- Des graphs papier donc pas exploitables de façon précise.
On va manquer de nuances dans l'analyse, les petits details qui pourraient tout changer.
- un seul retour utilisateur avec ce que ça implique comme incertitude.
Il faut vraiment limiter au maximum le bruit generé par les differences entre les tests, conditions, humeur de l'auditeur etc. Ceci d'autant plus que la quantité de données disponible est faible, comme nous ne pourrons pas avoir l' énorme quantité de données qui permettrait de reduire l'influence de ce bruit, il faudra mettre un soin tout particulier dans la qualité de ces données.
Il faut ensuite choisir quelles mesures seront utilisées pour l'entrainement. Il faudra idéalement separer l'enceinte de la piece.
Pour chaque enceinte on choisit
SPL+phase
EDT
Impulse
Etc etc.
Pour la piece idem on choisit plusieurs mesures clef
RT
Clarity
Decay
Etc etc
A mon avis il ne faut pas se limiter et analyser toutes les mesures possible ensuite on pourra definir lesquelles semblent les plus pertinentes selon les résulats.
D'ailleurs ce serait tres intéressant, et personnelement c'est ce qui me motiverais le plus et permettrait de repondre a nombre de questions que je me pose depuis longtemps maintenant, restées sans reponses.
Avec ces retours on pourrait meme prédire des mariages heureux ou au contraire a éviter entre piece et enceintes ou imaginer toute sorte d'autre demande faite à l'IA une fois qu'elle sera entrainée.
Le tres gros du travail va etre de récolter et normaliser les données, le reste est tout à fait realisable.
Souhaitable je n'en sais rien mais amusant certainement.
De mon coté je tenterai bien un retour d'enceinte type pour demande specifique.
Par exemple je demande une enceinte, claire, chaleureuse, detaillée, vivante etc
En retour on obtient une enceinte cible avec : courbes cibles SPL legere bosse ici ou là, pulse, phase, 2 voies, close etc.
A laquelle on essaye ensuite de coller au maximum.
Ce serait assez fun.
L'idée me plait beaucoup et me titille. Je manque de temps mais si tu/vous parvenez à recolter des données et que tu/vous n'etes pas pressé, je suis ok pour entrainer l'IA chez moi en dur sur mes serveurs avec une version open source qui pourra ensuite etre partagée.
Bien entendu la réussite n'est pas du tout garantie et decoulera directement de la quantité de retours et de tests mais ce serait amusant.
J'ai commencé a faire un peu la meme chose avec les formes de pavillons. Pour prédire et trouver des formes selon les attentes. Malheureusement pour entrainer l'IA il faut creer des simulations à chaque nouvelle forme de pavillon c'est tres tres long a entrainer et je n'en vois pas le bout.
Par contre une fois que les données sont l'entrainement peut etre assez rapide. Tout dependra du nombre de tests à analyser.