Onderzoekers van de Northwestern Universiteit hebben met kunstmatige intelligentie patronen ontdekt in de carrières van succesvolle kunstenaars, regisseurs en wetenschappers. Ze keken naar hoe de succesvolste periode uit hun loopbaan samenhing met de verhouding tussen verkenning en verdieping in hun werk.

Veel carrières van kunstenaars en wetenschappers verlopen zeer discontinu. Hun succesvolste werken of ontdekkingen zijn niet gelijkmatig uitgespreid over hun carrière, maar volgen elkaar in een kort tijdsbestek snel op. Zo had Einstein zijn gouden jaar in 1905, waarin hij met maar liefst vier grote ontdekkingen de natuurkunde op zijn kop zette. Ook Vincent van Gogh schilderde zijn bekendste werken in een zeer korte periode: tussen 1888 en 1890. Zo’n periode staat bekend als een hot streak.

De vraag is of er een patroon te ontdekken valt in hoe zo’n hot streak tot stand komt. Daarvoor keken de onderzoekers naar twee verschillende werkstijlen: verkenning en verdieping.

Verkenning versus verdieping

Verkenning is een periode waarin een artiest veel verschillende stijlen of ideeën probeert en er geen vaste lijn in zijn werk te ontdekken valt. Enerzijds is deze strategie risicovol, omdat het goed mogelijk is dat alle nieuwe ideeën mislukken. Anderzijds is de opbrengst van een nieuw goed idee wel veel hoger dan wanneer een al bestaand idee wordt uitgewerkt.

Tijdens de verdiepingsfase spitst het werk zich toe op een specifiek idee of stijl, en wordt deze verder geperfectioneerd. Dit is een conservatievere strategie, waarbij zowel de kans om iets nieuws te vinden als de kans op mislukking veel lager is.

De wetenschappers onderzochten het werk van 2128 kunstenaars, 4337 regisseurs, en 20.040 wetenschappers. Opmerkelijk genoeg zagen ze in alle drie de domeinen hetzelfde patroon. Het bleek dat er eerst een periode van verkenning nodig was, gevolgd door een periode van verdieping. Deze omschakeling luidde vaak het begin van de hot streak in. De gemiddelde hot streak duurt vijf jaar, en als hij eenmaal ten einde is, is er ook geen patroon meer te herkennen in verdieping en verkenning.

Overeenkomsten en impact

Het lastige van het onderzoek was om al deze werken op te delen in een verkennings- en verdiepingsfase. Hiervoor is het immers belangrijk om te weten hoeveel een film, kunstwerk of wetenschappelijk artikel afwijkt van de rest, en dat lijkt op het eerste gezicht lastig te meten. Daarnaast moet van ieder werk de impact gemeten worden, om te bepalen of er sprake is van een hot streak. Dit zijn de punten waar de kunstmatige intelligentie om de hoek kwam kijken.

Bij de wetenschappers werden van ieder artikel de citaties geanalyseerd. Het aantal citaties per artikel bepaalde de impact, en het aantal overeenkomstige citaties bepaalde hoe erg twee artikelen op elkaar lijken. Zo kon dus enerzijds bepaald worden of er sprake is van een hot streak, en anderzijds of een artikel in een verkennings- dan wel verdiepingsfase zit.

Bij de kunstenaars gold de veilingprijs van een schilderij als maatstaf voor de impact. De vraag hoeveel twee schilderijen op elkaar lijken is een stuk lastiger in een wiskundige formule te vatten. Hiervoor gebruikten de onderzoekers een neuraal netwerk dat alle afbeeldingen scande, en ze vervolgens onderverdeelde in 29 verschillende stijlen. Dit lukte het netwerk met 54 procent zekerheid; er zat dus wel een vrij grote foutmarge in.

Voor de films gebruikten de onderzoekers de Internet Movie Database (IMDB). De rating van een film bepaalt de impact. Ook hier was het lastiger om te bepalen hoeveel twee films op elkaar lijken. Een neuraal netwerk kan immers wel plaatjes scannen, maar geen films kijken. Door de cast en de plotsamenvatting van iedere film te analyseren, kon hier toch een uitdrukking aan worden gegeven.

Patroon

Juan Rojo, universitair docent theoretische natuurkunde aan de UvA, plaatst wel vraagtekens bij de gebruikte methode. ‘Bij dit type onderzoek spelen aannames een grote rol. Het succes van een paper wordt hier gemeten aan de hand van het aantal citaties. Dat is zeker een manier om succes te meten, maar absoluut niet de enige.’

Bovendien vindt Rojo de conclusies van het onderzoek weinig verbazend. ‘In principe is het logisch dat je eerst op zoek gaat naar een goed idee, en dat vervolgens gaat uitwerken,’ zegt hij. ‘Daarnaast is het model alleen getraind om achteraf te kijken waardoor iemand een hot streak kreeg. Het was interessanter geweest als ze een manier hadden gevonden om vooraf te voorspellen wanneer iemand een hot streak gaat krijgen. Toch is het wel boeiend dat ze bij alle drie de groepen hetzelfde patroon vonden. Dit laat ook het nut zien van kunstmatige intelligentie: het maakt het mogelijk om drie totaal verschillende groepen op een objectieve manier met elkaar te vergelijken.’