Alex Cioacă (aka „dompro”) este autor sau coautor al mai multor opere de artă realizate cu ajutorul inteligenței artificiale. Este cercetător IT și creative coder. A obținut un doctorat în informatică la Universitatea Virginia Tech, USA. Din anul 2016, a început să utilizeze tehnici AI experimentale pentru instalații interactive și conținut digital, realizând mai multe inovații în domeniu. Recent a dezvoltat lucrarea „Neural Mirror”, instalație artistică interactivă construită cu inteligența artificială. Instalația a fost inclusă în portofoliul One Night Gallery și este expusă la MINA Museum din București. Anul acesta, lucrarea a reprezentat România la Brussels Festival of Lights.
(Neural Mirror, sursa: icr.ro)
| Interviu realizat de Nicu Ilie |
Mulți am descoperit AI-ul abia foarte recent, după lansarea chat-urilor AI. Pentru dumneavoastră însă povestea este lungă. Ce v-a atras din primul moment? Când a început totul? Și cum vi se pare momentul actual, în care toată lumea vorbește despre AI, având păreri mai informate sau mai puțin informate? V-ați fi așteptat la această situație atunci când ați făcut un doctorat în machine learning și cunoscuții probabil vă întrebau ce e aia?
Fiind pasionat de calculatoare și de science-fiction încă de mic, am fost expus la conceptul general de inteligență artificială aproape dintotdeauna. La început, această expunere se rezuma la filme și cărți care tratau impactul unei astfel de „invenții” sau „întâmplări” asupra omenirii, cu un ton romantic sau fantezist. Nu se explica nicăieri modul concret prin care omenirea ar putea construi așa ceva, ceea ce mă făcea să ma îndoiesc că ar fi fezabil prea curând. Mai târziu, în studenție, am fost dezamăgit să-mi dau seama că inteligența artificială este o disciplină marginală în informatică, bazată pe abordări sterpe și care nu livrează rezultate aplicate. Era încă o perioada tulbure pentru acest domeniu, înainte de progresele explozive la care am asistat în ultima vreme. Ulterior, la doctorat, am ajuns să studiez problema învățării automate din date, făcând practică pe supercalculatoare cu plăci grafice și utilizând același tipuri de tehnici precum cele utilizate astăzi în AI, dar termenul „machine learning” era tabu și nu aveam voie să îl rostim, pentru a nu ne asocia cu reputația proastă dobândită de „rateurile” din acest domeniu. Noi trebuia să spunem că facem „statistical learning”, „data assimilation” sau „parameter estimation”. În schimb, discuțiile filosofice despre inteligența artificială și teoria minții erau din ce în ce mai prezente printre noi, popularizate prin cărți scrise de Ray Kurzweil, Nick Bostrom, David Chalmers și alții, care parcă prevesteau că urmeaza un punct de inflexiune. Acesta a venit în 2012, când au apărut primele rețele neuronale (AlexNet si DanNet) care au reușit să performeze la taskuri de viziune computerizată mai bine decât toate metodele consacrate și au luat lumea prin surprindere. De aici, machine learning s-a transformat din Cenușăreasa informaticii în cel mai popular domeniu al informaticii, cu progrese considerabile și chiar dincolo de imaginația noastră. Brusc, era cool din nou să spui „machine learning”, ba chiar apăruse și un termen mai marketabil în „deep learning”. Problema mea era că eu eram spre finalul doctoratului și trebuia să mă concentrez pe carieră, nu să mă las distras de noile trenduri. Dar atracția față de potențialul noilor tehnologii era prea mare, așa că am urmărit domeniul în primii ani după doctorat și am integrat ușor-ușor noțiuni de deep learning în cursurile pe care le predam. Apoi, în 2016, am decis să mă dedic cercetării independente în acest domeniu, mai ales că începuseră să apară primele AI-uri generative, care stau la baza celor pe care le folosim azi, și cu care putem genera text, imagini sau sunete. A fost un sacrificiu mare să mă abat de la o carieră academică, dar mă simțeam mai confortabil pe cont propriu și am avut și norocul să dău peste oportunități neașteptate. Astfel, am dat întâmplător peste echipa One Night Gallery, un colectiv care încerca să aducă new media art în România, și am reușit alături de ei să îmi pun în scenă invențiile realizate cu ajutorul AI.
Ce m-a atras cel mai mult la AI este faptul că e un nou mod de a crea, un nou mod de a lucra, în care puteam să folosesc expertiza tehnică dobândită la doctorat, dar și să îmi explorez instinctele artistice. AI-ul era un soft pe care nu doar îl programai, ci îl creșteai, îl învățai, îl specializai să facă un task, arătându-i exemple și indicii ca să-l îndrepți către o direcție, spre rezultate a căror formă puteai doar s-o intuiești, dar te surprindeau mereu la final, și asta aprindea fel și fel de beculețe în mintea mea. Mai mult, mă simțeam important pentru că eram unul din pionierii acestui domeniu în România, ceea ce mă motiva să fac chestii interesante, știind că sunt parte dintr-o mișcare în al cărui potențial credeam și iată că nu m-am înșelat. A fost o călătorie nebună, în care am reușit să fac niște chestii drăguțe, poate mai puține decât mi-am propus, dar a fost la fel de interesant să mă uit în jurul meu și să văd cum AI-ul generativ este adoptat de societate și toate reacțiile pe care le-a stârnit.
Ați realizat unul dintre primele proiecte artistice AI din România, oricum primul care a avut o foarte mare vizibilitate. Lili GAN este o artistă virtuală pe care ați creat-o/construit-o/programat-o (?) și care a avut o expoziție de mare succes la MARe, în 2020. Ce a mai făcut ea de atunci încoace? Este încă în activitate? Și s-a bucurat că oamenii au primit cu deschidere expoziția sa „Solve e coagula”?
Lili GAN utiliza o tehnică de AI generativ care se numește chiar GAN, adică Generative Adversarial Networks. Aceasta consta în utilizarea a două AI-uri în tandem ca să învețe: unul generează și celălalt îl critică. Tehnica GAN beneficiase de un progres semnificativ în 2019, ce a adus îmbunătățiri în calitatea și diversitatea imaginilor generate, precum și posibilitatea de a crea animații fluide printr-o metodă denumită „explorarea spațiului latent”, animații care păreau de-a dreptul hipnotizante. Astfel, am putut să creez o lucrare video ce transmitea o nouă estetică, specifică generărilor AI, cu tente atât suprarealiste cât și psihedelice, acompaniată de o coloană sonoră foarte îndrăzneață produsă de artistul FreqKid, care a fost bine primită de publicul de artă contemporană care a vizitat-o la MARe. A reprezentat pentru mine și o provocare intelectuală, întrucât a trebuit să diseminez rezultatele acestei munci unui public cult și cu gusturi fine, și încă îmi amintesc cu plăcere dezbaterea filosofică și de istorie a artei pe care am avut-o în public la vernisaj cu Erwin Kessler, la vremea aceea director MARe, și cu ceilalți curatori și critici de artă din colectivul său. Din păcate, la câteva săptămâni după încheierea expoziției a venit pandemia, iar activitățile culturale au avut de suferit, după cum toți ne aducem aminte. Deși ne pregăteam să o expunem și în alte orașe, a trebuit să abandonăm aceste planuri. Da, am continuat dezvoltarea la Lili GAN și există o versiune 2, ba chiar începusem să lucrez și la o versiune 3, dar acestea nu au fost prezentate niciodată publicului și m-am îndreptat spre următoarele proiecte alături de echipa de la One Night Gallery. De exemplu, folosind aceeași tehnologie GAN, am antrenat un „frate” al lui Lili GAN care genera imagini cu avioane în zbor, pe baza căruia am lucrat cu o echipă de artiști audio/video pentru a realiza „Flight Dreams”. A fost prima lucrare imersivă generată cu AI în România, proiectată la 360 de grade într-unul dintre hangarele de la ROMAERO, cu ocazia primei ediții a festivalului RADAR ținută după ridicarea restricțiilor din pandemie. Și probabil că am mai fi continuat să antrenam AI-uri de tip GAN dacă nu ar fi apărut, la câteva luni după acest eveniment, primele modele de difuzie latentă, care au zguduit din nou scena de AI generativ. Aceste modele au venit cu o abordare complet diferită pentru generarea imaginilor cu AI, care stă la baza instrumentelor folosite până în ziua de astăzi.
Astăzi multă lume a testat diverse modele AI, inclusiv unele care generează imagini sau chiar artă. Spre deosebire de acestea, framework-urile GAN presupuneau o programare specifică și laborioasă, extrem de tehnică. Cum vi se pare această evoluție, accelerată, din ultimul sau ultimii ani?
Există mai multe motive pentru care comunitatea de AI generativ (artiști, dar și cercetători) a adoptat en-masse modelele de difuzie latentă în defavoarea GAN-urilor. Bineînțeles, faptul că GAN-urile necesitau mai multe cunoștințe tehnice pentru a fi utilizate sau antrenate reprezenta o barieră de intrare pentru utilizatorii ocazionali, dar pentru code-rii creativi era un avantaj, le conferea puterea de a controla modelul mai bine. Dar evoluția domeniului AI generativ din ultimii ani ne arată că, indiferent de tehnologia de bază, indiferent dacă vorbim de generare de imagini, text sau video, există un trend permanent de a îmbunătăți și partea de UI/UX (interfața de utilizare / experiența de utilizator), pentru a le face mai prietenoase, mai ușor de folosit de către toată lumea. Așadar, și pentru GAN-uri era inevitabil să se întâmple o simplificare a programării specifice și laborioase din acea perioadă.
În schimb, ceea ce ne-a făcut să lăsăm GAN-urile deoparte au fost anumite limitări ale acestora, care au fost depășite clar de noile modele de difuzie. Spre exemplu, puteai să înveți GAN-ul să genereze doar o singură categorie de imagini, precum mașini, interioare de locuințe, chipuri de oameni etc. Trebuia să colectezi multe imagini-exemplu din acea categorie pe baza cărora să demarezi procesul de învățare automată, care putea să dureze săptămâni întregi, necesita calculatoare performante și trebuia monitorizat îndeaproape. În cazul Lili GAN, am ales să o învățăm să genereze postere grafice, atât datorită disponibilității vaste de exemple, cât și pentru că reprezenta un experiment care ni s-a părut foarte interesant din punct de vedere vizual. Posterele au o structură binecunoscută ochiului, populată de elemente variate, precum texturi, forme geometrice, ornamente, text, toate organizate după aliniamente simetrice și regulate. Această varietate de elemente nu doar că asigura o plajă largă de expresivitate din partea AI-ului, dar ne și permitea să analizăm modul în care învăța să reprezinte diferitele categorii de elemente grafice. Spre exemplu, am observat de atunci că GAN-urile aveau o problemă cu redarea textului. A fost un experiment interesant și am folosit cu succes modelul rezultat dar, până la urmă, acel AI știa să genereze doar postere sau „aproape”-postere, adică imagini ce aparțineau aproximativ din categoria pe care a fost antrenat și nimic altceva. Pentru a genera imagini dintr-o altă categorie, ar fi trebuit să reluăm experimentul cu un alt set de exemple și tot așa, ceea ce nu era foarte eficient.
Spre diferență de GAN-uri, modelele de difuzie latentă sunt mai generale, întrucât învață din seturi de imagini ce conțin diferite concepte, reprezentate în compoziții mai simple sau mai complexe. Prin urmare, procesul de învățare este mult mai solicitant ca la GAN-uri, dar nu mai cade în responsabilitatea utilizatorilor, pentru că le găsim gata antrenate de dezvoltatorii lor sau de comunitate. Aceste modele pot să genereze imagini mult mai variate și mai complexe, atât timp cât putem să le descriem printr-un text („prompt”) pe care îl vor interpreta astfel încât să compună imaginea pe care ne-o dorim. Sunt, astfel, mult mai controlabile și mai versatile decat GAN-urile și pot genera scene de o complexitate mai mare, reprezentând un salt tehnologic considerabil. Dar, tot la categoria limitări, merită menționat și faptul ca până de curând, aceste modele de difuzie nu puteau să genereze animații fluide precum GAN-urile, iar cele care au început să o facă consumă foarte multe resurse de calcul, ceea ce le face prohibitive pentru majoritatea utilizatorilor.
Am spus mai devreme că modelele de difuzie latentă sunt mai complicat de antrenat decât GAN-urile, fiind o sarcină ce rămâne în apanajul specialiștilor, cercetători sau ingineri în AI. Cu toate acestea, în ultima perioadă sunt din ce în ce mai mulți artiști care au trecut această bariera tehnică și au început să-și antreneze propriile modele de la zero sau să specializeze modele generale pe un anumit stil artistic sau concept (tehnica „finetuning”), fie pentru propriul uz, fie pentru a le împărtăși mai departe cu comunitatea. Acest fenomen a devenit posibil datorită apariției unor tool-uri care fac procesul mai accesibil și mai ieftin. Ca termen de comparație, acum 5-10 ani aveai nevoie de un doctorat ca al meu pentru a derula acest proces. Deci, tehnologia de AI generativ evoluează din toate punctele de vedere și comunitatea entuziaștilor zbârnâie de activitate.
Care credeți că este potențialul modelelor AI de a crea „artă adevărată”? Sau: e ceva neadevărat în arta pe care ați creat-o cu Lili GAN sau în proiectele ulterioare? Și cum percepeți reacția mediului artistic la creațiile AI?
Este important de pornit de la ideea că modelele de AI generativ nu au apărut cu scopul explicit de a face artă sau de a înlocui artiștii. Aceste modele reprezintă niște realizări tehnologice motivate de problema „cum putem să învățăm calculatorul să genereze imagini dacă îi arătăm exemple similare?”, la care au încercat să găsească soluții cei care fac cercetarea științifică în machine learning: informaticieni, matematicieni, statisticieni, fizicieni, ingineri etc. Tocmai de aceea, primele modele de AI generativ erau testate pe generarea unor imagini nu foarte artistice, ba chiar banale: mașini, chipuri de oameni, interioare sau fațade de clădiri, etc. Dar capabilitățile generative ale acestor noi tehnologii au atras atenția code-rilor creativi, artiștilor digitali sau chiar convenționali, care s-au alăturat voluntar acestei comunități de cercetare și au început să experimenteze într-un registru artistic. Așadar, avem de-a face cu niște instrumente care nu generau artă până când nu au început să fie folosite de oameni cu inclinație artistică, în scop artistic.
De atunci, avem din ce în ce mai multe motive să spunem că arta AI devine o chestie serioasă, de sine stătătoare, și am să enumăr câteva dintre ele. Calitatea imaginilor generate se îmbunătățește de la an la an. Modelele de AI generativ sunt din ce în ce mai controlabile, atât prin înțelegerea promptului, cât și prin tehnici tip ControlNet sau IP-Adapter, ceea ce înseamnă că rezultatele transmit mai bine intenția artistică a autorului. În afară de situațiile când le instruim explicit să emuleze un anume stil vizual, imaginile prezintă o estetică nouă și remarcabilă, cu care a început să se obișnuiască toată lumea. Bineînțeles, AI-ul generativ a fost și este utilizat și în lucrări conceptuale, are capacitatea de a stârni emoții puternice și câteodată deranjează anumite părți ale societății, intenționat sau nu, ceea ce iar face parte din apanajul artei, nu? Sunt lucrări generate cu AI expuse în muzee, la târguri de artă și chiar există evenimente dedicate acestora. Iar în ultimul rând, să nu uităm că au trecut deja aproape 10 ani de când au început să se vândă ca lucrări de artă, fie prin case de licitație sau metode de distribuție moderne, digitale, precum NFT-urile. Deci, cred că modelele de AI generativ au demonstrat potențialul de a crea „artă adevarată”, atâta timp cât artistul are inspirație și îndemânare, ceea ce e valabil pentru orice tip de artă.
Din interacțiunile mele cu mediul artistic general, reacțiile au fost și sunt împărțite. La început era vorba mai mult de curiozitate față de fenomen și tehnicile propriu-zise, apoi au apărut reacții de respingere, chiar revoltă, din cauza suspiciunilor etice sau riscurilor asupra mediului înconjurător, dar în principal pentru că periclitau condiția economică oricum fragilă a artistului. Am văzut acest tip de reacții și la apariția fotografiei, a filmului sau a softurilor pentru pictură și ilustrație digitală. Îl avem pe Baudelaire care înfiera dagherotipia că va ucide arta, avem muzicienii live care se isterizau în anii 1930 că vor fi înlocuiți de înregistrări, pe care le denumeau zeflemitor „muzică la conservă” și alte exemple similare. Însă în ultima vreme atmosfera s-a decantat fie într-o stare de acceptare culturală, fie de indiferență, precum și în inițiativele multor artiști de a experimenteze cu AI-ul generativ. E normal să fie așa, este nevoie de viziunea lor în acest domeniu pentru a găsi potențialul artistic în niște tool-uri care, totuși, au fost dezvoltate de minți mai degrabă obișnuite cu științele exacte și reci.
Dar publicul? Ați avut reacții extrem de bune atât în țară, cât și în străinătate. Care ar fi discriminanții de percepție din partea publicului? Sunt copiii și tinerii mult mai deschiși către acest tip de artă? Sunt diferențe între publicul din țară și cel din Belgia, de exemplu, unde ați avut un proiect la începutul acestui an?
Da, reacțiile publicului au fost în general pozitive, ba chiar entuziaste pe alocuri, pentru că AI-ul generativ permite creearea unor efecte vizuale spectaculoase și inovative. Aș menționa aici mai ales Neural Mirror, instalație interactivă cu AI generativ, prima din România, la care lucrez încă din 2016 și încă o actualizez periodic atât din punct de vedere tehnic, cât și estetic. Această instalație încă atrage publicul în fața ei, indiferent dacă am expus-o la MINA, la festivaluri de arte vizuale sau la evenimente corporate, pentru că este ușor de înțeles ce face: te uiți în ea ca într-o oglindă care te redesenează stilizat în timp real, iar efectul este atât de spectaculos încât apuci telefonul și îți faci selfie-uri. Este ceva foarte simplu conceptual, dar foarte greu de implementat fără AI.
Dacă vorbim la modul general de reacțiile publicului la arta făcută cu AI, nu cred că simpla utilizare a AI-ului generativ garantează aprecierea publică, nu mai e de ajuns doar conceptul, trebuie și execuția să fie desăvârșită. Într-adevăr, în ultima vreme, publicul este intrigat din ce în ce mai mult de conceptul de artă AI, precum și de AI în general, care este din ce în ce mai prezent în viețile noastre. Dar standardele artistice la care sunt evaluate aceste lucrări sunt neobișnuit de ridicate, pentru că în accepțiunea populară, un AI trebuie să fie nu doar mai bun ca un artist uman, ci de zeci de ori mai bun, ceea ce evident nu este cazul, având de a face cu o tehnologie nouă și care încă are hibe. Până acum câțiva ani, modelele erau rudimentare, iar imaginile generate trădau o formă de stângăcie artistică vădită, deși din punct de vedere tehnologic era doar începutul, și încă unul foarte promițător. Mai mult, câteodată imaginile generate erau chiar macabre, ceea ce determina reacții de ridiculizare sau respingere, deși pentru cunoscători făcea parte din estetica acelei perioade. Astăzi, să zicem că se apropie perceptual de calitatea imaginilor create manual, existând și câteva studii celebre în care oamenii nu pot să distingă între picturi generate de oameni sau de AI. Dar cred că nici asta nu este destul pentru a impresiona publicul interesat strict de „nerealistul frumos”. Iar pentru cei care apreciază arta conceptuală, simt că prea mulți artiști se concentrează pe maniheismul om-robot, ceea ce duce la aceeași poveste spusă de prea multe ori.
Așteptările publicului pot fi corelate și cu generațiile de vârstă. Adulții au mult mai multe referințe culturale la „inteligența artificială”, așa cum au aflat despre ea din cărți și filme. Prin urmare, niște animații abstracte s-ar putea să nu se ridice la așteptările lor, oricât de multă muncă și ingeniozitate ar fi în spatele acestora. Pe când tinerii sunt foarte conectați la online și sunt deja familiarizați cu acest tip de conținut, poate chiar cu tooluri de AI generativ. Dar există o anumită superficialitate în modul în care privesc subiectul, fiind mai interesați de hype si glitter decat de substanță. Nu au de unde să știe cât am așteptat noi dupa așa ceva..
În 2021 am realizat o lucrare video cu ajutorul primelor modele de difuzie latentă, pentru o expoziție intitulată „De ce ne pasă?”. Cred că a fost prima astfel de lucrare din România și poate fi găsită și acum pe Youtube după nume: „Humans showing empathy”. Era o expoziție foarte diversă din punct de vedere al artiștilor expozanți, iar cum eu eram singurul cu o lucrare AI, am ales să specific acest lucru la rubrica de „mediu”, unde am trecut, discret, „neural networks”. Fără să semnalizez cu surle și trâmbițe că e vorba de inteligență artificială, fără să folosesc denumiri pompoase ce clamează reușite tehnice. Și, ce să vezi, mare surpriză, a fost mult mai ok! Fără această presiune a priori că se uită la ceva realizat cu AI, publicul a putut să savureze lucrarea cu atenție. Iar la sfârșit, când au conștientizat despre ce e vorba, întrebările lor despre cum a fost realizată au fost mai pertinente ca de obicei.
Tema acestui număr din Cultura este „Arta și artiștii la începutul epocii AI”. Ne grăbim cumva sau chiar așa este? Dincolo de vizibilitatea certă, întrebarea este dacă în acest moment AI-ul este suficient de puternic și de articulat pentru a provoca transformări majore în artă și în societate?
Trăim vremuri istorice și vă felicit pentru inițiativa de a dedica o ediție acestui subiect. Tehnologia AI ne-a surprins pe toți cu capabilitățile sale, iar arta realizată cu orice tehnologie nouă este o manifestare naturală a civilizației umane și nu ar trebui să ne mire că a ajuns la această dimensiune societală. Urmăresc AI generativ încă din 2015-2016 și, pe lângă tehnologia propriu-zisă, am fost atras de tot ce s-a înfiripat în jurul său. Nu a fost zi să nu deschid Internetul și să nu văd că a apărut o nouă modalitate ingenioasă de a-l folosi pentru artă și divertisment, un nou artist și lucrările sale inovative, un eseu filosofic cu idei proaspete despre rolul său în societate sau o dezbatere între minți luminate din această comunitate. Ba dimpotrivă, parcă nu am avut destule ore în zi să consum toate aceste lucruri. Vorbim de un domeniu vibrant, care s-a extins enorm pe verticală și orizontală în mai puțini de 10 ani, ani care au fost extrem de palpitanți și stimulanți din punct de vedere intelectual, ani care ne-au făcut, pe toți dintre noi cei implicați, oameni ceva mai buni.
Dar ca orice tehnologie disruptivă, unele din transformările pe care le aduce în societate pot fi negative. Riscăm să fim inundați de un torent infinit de content reprobabil, de proastă calitate și creat la costuri mici („AI slop”), iar falsul va fi din ce in ce mai greu de diferențiat de real. Iar dacă nu e fals, e simulacru, în sensul lui Baudrillard, ceea ce pot argumenta că are efecte și mai perverse. De aceea, este important să conștientizăm ce se întâmplă în jurul nostru, să ne educăm prin toate mijloacele posibile și să menținem controlul asupra acestei tehnologii, pentru că nu ne va mai părăsi.
Dintr-o inerție, dar și pentru că suntem încă într-o fază de tranziție, vorbim despre AI ca și cum ar fi un tot unitar, unul și același lucru. Presupun că pentru un specialist în machine learning asta e pur și simplu revoltător. În realitate sunt foarte multe platforme, modele, spații de lucru complet diferite între ele. Ce credeți că ar trebui să învețe oamenii despre AI în timp ce AI-urile învață despre oameni?
Oamenii trebuie să vadă AI-ul așa cum văd orice tehnologie în spatele căreia se dezvoltă o industrie, lanțuri de aprovizionare și o piață prin care furnizează bunuri sau servicii de larg consum. Spre exemplu, industria de automobile, unde avem diferite companii, care fac mașini mai mari sau mai mici, mai eco sau mai sport, cu motoare electrice, diesel sau benzina. Similar se formează acum și piața produselor AI. Să luam generarea de imagini: avem câteva companii mari, câteva startup-uri, laboratoare de cercetare și universități care lucrează separat la acest tip de tehnologie și publică modele sau vând produse bazate pe acestea, precum Stable Diffusion, Flux, Midjourney, Ideogram, Recraft. Unele modele sunt mai rapide, dar generează imagini de calitate mai slabă. Cele care generează imagini de calitate foarte bună necesită resurse de calcul mai puternice, peste ceea ce este posibil cu un calculator personal, oricât de bun ar fi. Unele modele sunt mai bune pe fotorealism, altele sunt mai bune pe stilul anime, altele pe 3D. Unele modele sunt open-source și au licențe non-comerciale, altele costă bani. Personal, încerc să stau la curent cu evoluțiile din domeniu și să testez mai toate modelele importante care apar, ca să îmi formez o strategie despre locul fiecărui tool în arsenalul meu. Ceea ce recomand pentru toată lumea. La cât de des apar noi progrese, nu are rost să rămânem cantonați pe un singur tool. Mai devreme sau mai târziu, dar mai degrabă mai devreme, va apărea un alt tool care va face măcar marginal mai bine sau mai ușor acele sarcini. Printr-o astfel de practică, vom căpăta și o viziune high-level a domeniului, ne vom da seama mai bine de trendurile tehnologice, vom ști mai bine de unde s-a plecat și încotro se merge.
(Neural Mirror, sursa: pagina de Facebook MINA)