For best experience please turn on javascript and use a modern browser!
You are using a browser that is no longer supported by Microsoft. Please upgrade your browser. The site may not present itself correctly if you continue browsing.
Wat maakt een kunstenaar en diens schilderijen succesvol? Dit is wat Amsterdam Business School (ABS) promovendus Anastasios Efthymiou wil achterhalen met zijn onderzoek. Dit doet hij met behulp van deep learning-patronen en -verbanden in een dataset met meer dan 2 miljoen beelden van 76.000 schilderijen.

Met zijn PhD wil Efthymiou achterhalen waarom sommige schilders enorm populair geworden zijn en andere niet. Dit doet hij door kunstcollecties te categoriseren met behulp van big data. Door deep learning en conditionele neurale netwerken in te zetten, analyseert hij deze grote datasets van schilderijen.

Partners

Efthymiou’s onderzoek is vorig jaar gestart en zal naar verwachting nog zo’n 3 jaar in beslag nemen. Het project is een samenwerking van de secties Entrepreneurship and Innovation en Operations Management van de Amsterdam Business School (ABS). Partners in het project zijn het veilinghuis Sothesby’s, het Rijksmuseum, het Stedelijk Museum Amsterdam en het Nederlandse Instituut voor Beeld en Geluid.

Efthymiou wordt begeleid door dr. Monika Kackovic, dr. Stevan Rudinac, prof. dr. Nachoem Wijnberg en prof. dr. Marcel Worring. ‘In het bijzonder bestuderen we artistiek en economisch succes in de kunstmarkt door een kwantitatieve, meta-historische benadering te kiezen’, verklaart Eftymiou. ‘Door categorisering te gebruiken als onze theoretische lens, gecombineerd met geavanceerde machine learning-technieken, zijn wij de eersten die de effecten van kunstcategorieën bestuderen op dynamische mechanismen.’

Gelijkenissen tussen Picasso en Braque

Het toegepaste deep learning-model is nu al in staat om voor elk schilderij de artiest, stijl en  leeftijd in te schatten. ‘We maken bijvoorbeeld groepen van gelijksoortige kunstwerken, uiteenlopend van middeleeuwse tot moderne kunst en alle kunststromingen daartussenin. We proberen zo semantische gelijkenissen te ontdekken, op basis van aspecten zoals kleuren, vormen en objecten. Deze projecteren we in grafieken. Zo laat het model zien dat schilderijen van Picasso het meest overeenkomen met die van de kubistische schilder Braque. Een zeer nauwe gelijkenis is er ook tussen Monet en Sisley.”

Het uiteindelijke doel van de Efthymiou, die een bachelor in Computer Science heeft en zich voor zijn masterstudie toelegde op AI, is een beter beeld van de kunstmarkt krijgen. ‘Dat doen we door het categoriseren van kunst, het leggen van verbanden tussen kunstenaars en het voorspellen van succes. Overigens is het nog maar de vraag wat ‘succes’ dan is. Neem bijvoorbeeld Van Gogh, die een enorme invloed heeft gehad op de kunstwereld maar tijdens zijn leven geen commercieel succes had. Ook heeft niet elke kunstenaar hetzelfde doel voor ogen. Picasso is commercieel een van de meest succesvolle artiesten ooit, maar geld was zeker niet altijd zijn drijfveer. In zijn beroemde schilderij ‘Guernica’ bijvoorbeeld, uitte hij zijn gevoelens over de Spaanse Burgeroorlog.’

Lastig, maar interessant onderzoeksveld

De kunstmarkt is geen eenvoudig onderzoeksveld en dit maakt het werk uitdagend, erkent Efthymiou. ‘Het is best lastig succes te voorspellen, laat staan te definiëren. Tegelijkertijd boeken data scientists nu in uiteenlopende sectoren succes met AI. De kunstmarkt hoeft daar geen uitzondering op te zijn. Het is eigenlijk juist ontzettend interessant om deep learning-methoden hier uit te testen. Zeker ook als je kijkt naar al die interessante achtergrondverhalen en verbanden.’

De volgende stap is misschien wel het voorspellen van de prijs van kunstwerken op veilingen. ‘Een doel van ons is om deze markt transparanter te maken. De kunstmarkt is nu nog heel subjectief. Al sinds de opkomst van het impressionisme in de 19e eeuw spelen relaties tussen artiesten en critici een belangrijke rol. Toen al werkte het zo dat als een kunstenaar bevriend was met een invloedrijke kunstcriticus, dit zich vertaalde in een hogere marktwaarde voor diens werken. Dat laat ook wel weer zien dat er een belangrijk menselijk element is dat zich moeilijk laat vangen in een model. Het is voor ons dan ook een grote uitdaging om dit goed werkend te krijgen.’