Darío Nahuel ChazarretaEsta serie de experimentos tipográficos innovadores amplía nuestra comprensión del papel que la tecnología puede desempeñar en el diseño de tipos.
Erik Bernhardsson, un ex ingeniero de Spotify, que actualmente trabaja en Better, realizó un experimento en el cual recopilo 50.000 fuentes de toda la web con el objetivo de usar este conjunto de datos masivo para entrenar una red neuronal para crear nuevos caracteres y fuentes.
En el primer experimento le pidió a la red neuronal que completara un caracter faltante usando solo su conocimiento de las otras letras y su entrenamiento, produjo un caracter que pensó que encajaría mejor con la fuente, en algunos casos fue precisa. La red neuronal sabía casi exactamente qué determinación tendría una “d” minúscula para una fuente sans-serif con una sombra, por ejemplo, como sucede en la quinta fila de abajo de la siguiente imagen (en cada ejemplo, la letra real está a la izquierda, mientras que la mejor estimación de la red neuronal a la derecha).
“El modelo ha visto otros caracter de la misma fuente durante el entrenamiento, así que lo que hace es inferir de esos ejemplos de entrenamiento a los ejemplos de pruebas invisibles” explica Erik.
Posterior a esto Erik le pidió a la red neuronal que realizara un promedio de cada tipo de letra en el que se había entrenado, lo que resulto ser esta fuente arquetípica de enfoque suave que se muestra a continuación:
Luego, el promedio se redujo a la mitad de cada caracter para crear una interpretación más legible y sólida de la estructura del signo como se muestra a continuación:
En otro experimento le pidió a la red neuronal que creara una fuente totalmente nueva basada en un vector aleatorio del conjunto de entrenamiento, como resultado de ello una serie de fuentes basada en el conocimiento pasado de la red neuronal.
Erik explica “Como cada fuente es un vector, podemos crear vectores de fuente arbitrarios y generar resultados a partir de ella. Podemos elegir un vector de fuente y generar nuevas fuentes a partir de perturbaciones aleatorias. También podemos generar fuentes completamente nuevas. Si modelamos la distribución de vectores de fuentes como una multivariable normal, podemos muestrear vectores aleatorios de ella y observar las fuentes que generan”.
Eso es lo que podemos ver en el gif de arriba. Se sabe, por ejemplo, que muchas fuentes utilizan mayúsculas para el conjunto de minúsculas, y cambia de forma inteligente entre las dos dependiendo del tipo de fuente que esté creando
En conclusión, esto no es “diseño tipográfico” sino más bien una creación generativa por deducción, cabe destacar que no deja de ser un experimento interesante. Las redes neuronales podrían no hacerse cargo del trabajo de los diseñadores todavía, pero es un proyecto muy bueno que demuestra lo que pueden ser.