L'evoluzione dello stile tra dati e arte: Mondrian vs Rothko

[leonardo.lodi]

Cosa accade quando l’occhio del critico d’arte incontra gli strumenti della Data Science?
Il progetto di Lev Manovich e del Software Studies Initiative ci offre una prospettiva molto interessante, mappando l’evoluzione stilistica di Piet Mondrian e Mark Rothko attraverso la Cultural Analytics.

Utilizzando il software ImagePlot , le opere vengono trasformate in punti carichi di dati all’interno di uno “spazio di stile”. Ecco i risultati più interessanti emersi dallo studio:

• L’unicità misurabile : Nessun dipinto occupa lo stesso punto matematico nello spazio luminosità/saturazione. Questo conferma quantitativamente l’ideologia del modernismo basata sull’opera unica e originale.
• Il DNA del colore : Mondrian non sceglieva i colori in modo casuale. I suoi lavori tra il 1905 e il 1917 si raggruppano in cluster precisi, dominati dal giallo/arancio o dal blu/viola.
• Il passaggio di testimone : I dati mostrano un dialogo incredibile: Rothko inizia le sue esplorazioni astratte esattamente dove Mondrian aveva concluso le proprie (area ad alta luminosità e bassa saturazione), per poi spingersi in territori cromatici mai toccati dal suo predecessore.
• Vedere l’invisibile con la PCA : Attraverso la Principal Component Analysis , lo studio raggruppa le opere analizzando simultaneamente decine di caratteristiche visive (texture, forme, gradienti), rivelando somiglianze strutturali profonde che sfuggono all’occhio nudo.
  Cos’è la PCA? Immaginate di dover descrivere un quadro usando 60 dettagli diversi. La PCA è un algoritmo che elabora questi dati complessi e li riassume in due sole coordinate principali. È come scattare una fotografia a un oggetto 3D: perdiamo qualche dettaglio, ma otteniamo una mappa che ci permette di vedere subito quali opere si somigliano per struttura e stile profondo.

Cosa ne pensi @Ettore_Fincato?

L’articolo completo qui

[Ettore_Fincato]

Analisi affascinante @leonardo.lodi!

Tecnicamente, la PCA è una proiezione lineare: immagina di puntare una torcia su un oggetto complesso per proiettarne l’ombra su un muro. La PCA sceglie l’angolo di luce che crea l’ombra più grande e informativa possibile (in gergo tecnico, massimizza la varianza globale), rendendola eccellente per mappare e rappresentare le caratteristiche globali. Tuttavia, proprio perché la luce viaggia in linea retta, non può curvare tra le pieghe del dettaglio, rischiando di schiacciare le sfumature più sottili.

Viene dunque naturale chiedersi cosa succederebbe se guardassimo all’informazione locale. Tecniche di riduzione dimensionale non lineari come t-SNE o UMAP non proiettano ombre dall’alto, ma si muovono sulla superficie della tela. Potrebbero essere usate nel mettere vicini dipinti che condividono “micro-somiglianze” (come una specifica densità della pennellata), preservando la topologia locale dei dati.

Un approccio locale potrebbe rivelare cluster inaspettati: magari opere apparentemente distanti che però condividono un’impronta che l’occhio umano, e la PCA, non riescono a isolare. Sarebbe incredibile vedere come queste “nicchie stilistiche” ridefiniscono i periodi che pensiamo di conoscere già bene!