محققان MIT الگوریتمی با توانایی تشخیص شباهت بین آثار هنری توسعه دادند
سیستم جدید هوشمند دانشمندان MIT موسوم به MosAIc توانایی شناسایی شباهت‌های دشوار بین آثار هنری را دارد. این الگوریتم در فاز ابتدایی برای پیدا کردن شباهت بین آثار هنری موزه ملی آمستردام و موزه متروپولیتن نیویورک استفاده شد. الگوریتم MosAIc ابتدا یک تصویر را اسکن می‌کند و سپس از شبکه‌های عمیق برای پیدا کردن شباهت بین آثار بهره می‌برد. این شباهت‌ها شاید در نگاه عادی قابل شناسایی نباشند و نقاط مشترکی را از لحاظ فرهنگی و دیگر جزئیات اثر هنری نشان دهند.
برای استفاده از الگوریتم MosAIc ابتدا باید تصویر یک اثر هنری را به سیستم بدهید تا آثار هنری مشابه را پیدا کند. الگوریتم در یکی از بررسی‌های نمونه توانست شباهتی بین تابلوی The Martyrdom of Saint Serapion از فرانسیسکو دی زورباران و تابلوی The Threatened Swan از یان آسلین پیدا کند. مارک همیلتون، دانشجوی دکترای دانشکده‌ی علوم کامپیوتر و هوش مصنوعی MIT که به‌عنوان محقق ارشد مقاله معرفی می‌شود، درباره‌ی شباهت بین دو اثر هنری می‌گوید: «این دو هنرمند هیچ ارتباطی با هم نداشته‌اند و هیچ‌گاه هم در طول عمر، با یکدیگر دیدار نکرده‌اند. ازطرفی نقاشی‌های آن‌ها شباهت ریشه‌های با هم دارد که در جزئیات متعدد اثر دیده می‌شود».
یکی از مهم‌ترین مراحل و چالش‌های توسعه‌ی MosAIc این بود که باید الگوریتمی هوشمند با قابلیت پیدا کردن شباهت در تمامی بخش‌های اثر هنری ساخته می‌شد. درواقع الگوریتم نه‌تنهاباید شباهت در رنگ و سبک را شناسایی می‌کرد، بلکه باید معنا و تم اثر هنری را نیز مورد بررسی قرار می‌داد. طبق گفته‌های همیلتون، محققان یک شبکه‌ی عمیق از خصوصیات ویژه یا به بیان بهتر «فعال‌سازها» را در تصاویر متعدد از مجموعه‌های در دسترس دو موزه‌ی بالا مورد بررسی قرار دادند. فاصله‌ی بین فعال‌سازهای شبکه‌ی عمیق، همان المان مهمی بود که پیدا کردن شباهت بین اثار هنری را آسان می‌کرد.
محققان برای توسعه‌ی الگوریتم خود از یک ساختار داده‌ی جست‌وجوی تصویر به‌نام KNN Tree استفاده کردند که تصاویر را به‌صورت ساختاری شبیه به درخت، گروه‌بندی می‌کند. الگوریتم برای پیدا کردن تصویر مشابه، ابتدا از تنه‌ی گروه درختی شروع می‌کند و به‌مرور، نزدیک‌ترین شاخه برای ادامه‌ی بررسی انتخاب می‌شود. ساختار داده‌ای با ایجاد امکان هرس کردن خودکار شاخه‌ها در درخت، به‌مرور خود را بهبود می‌بخشد. هرس کردن یعنی درخت داده‌ای بسته به مشخصات تصاویر، شاخه‌های خود را تغییر می‌دهد.
همیلتون امیدوار است تحقیقات انجام شده با MosAIc به‌مرور در حوزه‌های دیگر هم استفاده شود. به‌عنوان مثال شاید بتوان از این الگوریتم در حوزه‌های مطالعه‌ی بشری، علوم اجتماعی و حتی پزشکی نیز استفاده کرد. او دراین‌باره می‌گوید: «این حوزه‌ها پر از اطلاعاتی هستند که هیچ‌گاه با چنین روش‌هایی پردازش نشده‌اند و می‌توتنند منبعی عالی برای الهام دانشمندان کامپیوتر و متخصصان دیگر باشند».