AMALIE SMITH: DET DIGITALES STOFLIGHED

Da Amalie Smith i efteråret 2016 blev inviteret til at lave et digitalt værk til Ørestad Gymnasium, kunne hun snildt have holdt sig til et skærmbaseret udtryk. I stedet valgte hun at træde et skridt længere ind i den digitale materie, trække tråde til en tidlig væveteknik og opfordre til en øget kritisk bevidsthed i en verden af tiltagende digitalitet og kunstig intelligens.

Vi elsker, når en kunstner præsenterer os for viden, som vi sikkert ellers aldrig var faldet over. Når et værk formår at fritlægge skjulte fortællinger, som enten har ligget gemt i historiens folder, eller som nogen bare havde undladt at give fra sig. Når kunsten er allerbedst kan den rette vores blik i uventede retninger, stille skarpt på oversete detaljer og kaste lys på nye virkeligheder. Et sådant blik finder vi i Amalie Smiths billedtæpper Machine Learning I, II, III, som blev indviet på Ørestad Gymnasium lidt tidligere på året.

Amalie Smith (f. 1985) er både uddannet fra Forfatterskolen og Det Kgl. Danske Kunstakademi, og i samme ånd modtog hun sidste år Statens Kunstfonds 3-årige arbejdslegat fordelt mellem legatudvalgene for hhv. litteratur og for billedkunst. Hendes praksis spænder mellem ord og billeder, og fælles for hendes værker er, at de altid bygger på uanede mængder af dybdegående research og tankevirksomhed – og Machine Learning I, II, III er bestemt ingen undtagelse. Vi har taget en snak med Amalie om processen bag hendes 1.62 x 4.90 m store digitalvævede billedtæpper, de uventede forbindelser mellem væven og computeren, vigtigheden af den kritiske bevidsthed, kunstens potentiale på en uddannelsesinstitution, og om hvordan et fejlplaceret beslag kom til at koste hende 50.000 kroner.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Hvordan opstod idéen om dit værk til Ørestad Gymnasium?
Jeg blev inviteret af Statens Kunstfond i oktober 2016 til at lave et skitseforslag til en udsmykning af gymnasiet og sagde ja med det samme. Jeg havde det bare sådan: Yes! Dét skal jeg selvfølgelig. Ørestad Gymnasium er et digitalt gymnasium, og det er indrettet klasseværelsesløst for at understøtte projektarbejde på tværs af fagene, og begge dele passede virkelig godt til min praksis, så jeg havde mod på det, samtidig med at jeg vidste, at det ville blive en udfordring at skulle styre så omfattende en proces og gå op i en skala, jeg aldrig havde arbejdet med før. 

Jeg fik en rundvisning af rektor og opholdte mig en del derude, mens jeg gik i gang med at researche og skitsere. I starten af februar 2017 fremlagde jeg så mit skitseforslag for en styregruppe af repræsentanter fra skolen og kunstfonden, og da de sagde ja, gik realiseringen i gang. Den tog så et år.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Hvilke refleksioner går forud for Machine Learning I, II, III?
I invitationen blev jeg specifikt bedt om at lave et digitalt værk, og jeg så straks nogle skærme eller projektioner for mig, men kunne ikke rigtigt få det til at rime på arkitekturens skala, eller på at værkets forventede levetid skulle være minimum 10 år. Digitale teknologier uddateres jo hurtigt, og tendenser er svære at forudse – fx havde bygningen, da den blev indviet i 2007, stationære computere og ethernet indlagt på alle etager, men i dag har eleverne egne laptops med, og internettet er trådløst.

Hvem ved, hvilke teknologier der former skolen om 10 år? Teknologi er i konstant bevægelse, og jo mere jeg tænkte over det, jo sværere blev det at finde ud af, hvad “det digitale” overhovedet vil sige. Jeg søgte tilbage i historien og fandt frem til det binære talsystem som et digitalt grundprincip udviklet med hulkortcomputeren, men fandt også ud af at hulkortet i sig selv er hentet fra en helt anden maskine, nemlig hulkortvæven, som blev udviklet af Joseph Marie Jacquard i begyndelsen af 1800-tallet, og som gjorde det muligt at masseproducere mønstrede og blomstrede tekstiler.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Det gik op for mig, at det digitale ikke kommer ud af ingenting (det er ikke en eller anden mand fra 1800- eller 1900-tallets opfindelse ud af det blå), men at man i hvert fald kan føre dets stamtræ tilbage til tekstilproduktion: Vævning er i sig selv en binær teknologi, fordi skudtråden enten går over eller under kædetråden, den viser sig enten på forsiden eller på bagsiden af tekstilet. Det er dette binære princip, der muliggør formaliseringen i hulkortsystemets hul vs. ikke-hul. Samtidig er vævning en billedteknologi, der deler motiver op i punkter og linjer, meget lig pixels på vor tids skærme. Machine Learning I, II, III foreslår derfor, at vi betragter væven som en forløber til computeren og vævning som det digitales grundstof.

Dermed bliver alle de kvinder, der siden oldtiden har udviklet væveteknologien, til en slags proto-programmører, og myten, om at det digitale skulle være noget totalt immaterielt og “uden for verden”, punkteret. Det digitale bliver håndgribeligt, et fysisk program, og noget jeg kunne arbejde med. Styregruppen blev heldigvis begejstrede for idéen om at lave tre store digitalvævede billedtæpper, selvom det ikke var det, de havde forestillet sig, da de bad om et digitalt værk.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Vil du fortælle os, hvordan processen har været (både ifht. billedgenerering, -manipulation og den fysiske vævning)?
Jeg var interesseret i at koble forbindelsen mellem computer og væv med en nyere type algoritmer, nemlig dem man kalder “neurale netværk”, som er modelleret efter simple strukturer i den menneskelig hjerne, og som fx bliver brugt til digital billedgenkendelse, selvkørende biler mm. De bliver også kaldt "selvlærende" eller "maskinlærende" algoritmer.

Jeg benyttede et neuralt netværk, der hedder DeepDream, som er udviklet af Google til i billedform at vise, hvad det “ser”, når det analyserer et billede, og outputtet er nogle ret hallucinerede billeder, fordi algoritmen overfortolker og misforstår skalaspørgsmål. Algoritmen har brug for et input og en referencedatabase for at lave et output. Jeg fodrede den med inputbilleder af elevernes hænder, der betjente deres egen medbragte teknologi, primært laptops og smart phones – jeg satte et studie op ude på skolen, hev eleverne til side og fik en fotograf til at tage billeder – og jeg gav derefter algoritmen en visuel referencedatabase i form af billeder af rødlistede planter fra stenalderstrandengen på Amager Fælled, som ligger lige ved siden af skolen og på det tidspunkt var stærkt omdiskuteret som byggegrund.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Jeg ville gerne forankre værket i skolens umiddelbare omgivelser, og stenalderstrandengen er interessant både som oprindelig natur og som kulturel konstruktion. Resultatet er, at algoritmen “ser” eller opdigter planter alle steder i motiverne, og hvis man kører den mange gange, bliver de til sidst helt overgroede af digitale plantevækster. Jeg havde ladet inputbillederne være sorthvide, så alle farver i motiverne kommer fra billederne af planterne, som på den måde har “indfarvet” garnet.

Algoritmerne er svære at styre, så jeg valgte en strategi, hvor jeg lavede en meget stor mængde processeringer, omkring 1000, og så valgte jeg ud, hvad jeg visuelt syntes var spændende. I forbindelse med mit første ophold på væveriet i Tilburg i juli, kunne jeg også fornemme, hvilken detaljeringsgrad der fungerede med den fysiske vævning. Jeg var spændt på, hvordan denne nye type algoritmer og vævens algoritmer ville møde hinanden, og det viste sig at være sværere end forudset overhovedet at få dem til det.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

De neurale netværk arbejder med subtile overgange og gradueringer, mens vævningens farverum er begrænset til den palet af farver, man kan blande – jeg brugte uld-, polyester- og sølvgarn i 10 forskellige farver og blandede ud fra de motiver, jeg medbragte, 42 farver i en farveskala.

Jeg kunne derefter gå hjem og videreudvælge motiver, som egnede sig godt til netop denne farveskala, så der kunne komme flest muligt nuancer med i dem. Så det var frem og tilbage mellem skærm og væv i en digital-organisk proces med mange blindgyder. Og fordi det er kostbart, kunne jeg kun lave vævninger af udsnit af motiverne, så det var med ret stor spænding, at jeg modtog de endelige vævninger i oktober. 

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Hvilke tanker har du gjort dig i forhold til værkets placering på en uddannelsesinstitution, og hvad håber du, at eleverne vil få ud af det?
Hulkortvæven kickstartede i sin tid industrialiseringen, effektiviserede vævningen og gjorde en stor del af tekstilarbejderne arbejdsløse, og i England satte den proces gang i den første maskinstormerbevægelse, Ludditterne. Siden da har teknologien overtaget det ene arbejdsområde efter det andet, og med de neurale netværk haler de også ind på de fag, man kan læse efter gymnasiet. Maskinlæring tvinger os til at gentænke sådan en institution som gymnasiet, for hvad gør dét, at neurale netværk nu kan “lære”, ved vores forståelse af menneskelæring? Vi er med de digitale intelligenser nødt til at genoverveje, hvad det vil sige at være menneske, og hvordan vi kan blive bedre til det, som mennesker er gode til.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Jeg tænker, at det vigtigste en digital uddannelsesinstitution kan give eleverne nu og i fremtiden, er en kritisk bevidsthed om de digitale teknologier, de omgiver sig med – så de får en forståelse for, at teknologier altid er skabt af mennesker, at de vil os noget, og at de kunne være lavet på en anden måde. Jeg håber, at mit værk, ved at væve fortids- og fremtidsteknologier sammen, kan give perspektiver, der støtter eleverne i at gå aktivt og kreativt til de digitale teknologier og selv være med til at forme dem eller bruge dem på nytænkende måder, så det ikke er de store multinationale selskaber som Facebook og Google, der løber med opgaven.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Har der været nogle særlige eller uventede udfordringer ved at arbejde udenfor kunstens mere traditionelle rammer?
Masser! Det er noget helt andet end at lave en udstilling. For det første er der det med, at man skal tænke permanens. Det udelukker en hel masse materialer. Så er der flere aktører at forholde sig til – styregruppe, kunstfond, arkitekt, driftschef, pedeller, bygningsrådgiver, brandvæsen, skolens elever og lærere etc. Der var mange, der havde holdninger, og det var af og til svært at finde ud af, hvem der havde reel indflydelse, og hvem man bare skulle lytte til, men ikke nødvendigvis rette sig efter. 

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Projektet blev kørt som en totalentreprise, hvor det var mig, der hæftede for et eventuelt tab, og det kan godt give nogle søvnløse nætter. Jeg skulle selv sætte mit honorar, og det vil sige, at honoraret i praksis bliver det, der er tilbage, når alle udgifter er betalt – også de uforudsete. Det var en udsmykningsopgave med et begrænset budget, og den imponerende arkitektur viste sig hurtigt at være vanskelig at installere i.

Jeg satte fx et beslag op et bestemt sted i bygningen, hvor man kun kunne komme til med stillads, og da det viste sig, at det simpelthen ikke fungerede at hænge værket der, måtte jeg selvfølgelig betale for at få det taget ned igen. Det kostede 50.000 kroner at sætte det beslag op og tage det ned, så det er benhård læring. En anden dyrtkøbt erfaring er, at man skal huske at tænke lyssætning ind i værket fra starten og tage en klar beslutning om, om man vil gå med dagslys, sætte lys på eller simpelthen lave et værk, der lyser selv. Arkitektur i den skala er ikke nødvendigvis lyssat, det glemmer man, hvis man er vant til at arbejde i veloplyste udstillingsrum.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III. Photo by David Stjernholm.

Hvordan betragter du kunstens potentiale i offentlige rum?
Hvis det stod til mig, skulle der langt mere kunst ud i de offentlige rum og bygninger. Fordi jeg har været vant til at udgive bøger, har jeg altid haft svært ved at forlige mig med, at udstillinger er så kortsigtede. Udsmykninger har jo en helt anden tidshorisont, der gør, at værkerne kan få lov at vokse, receptionen kan nå at ændre sig, og de har samtidig et kæmpe potentiale til at nå frem til et publikum, der ellers ikke har et aktivt forhold til kunst. Udsmykninger bliver en del af folks hverdag, hvilket giver en mere langstrakt, men også dybere og mere personlig, relation til kunsten.

Kunst kan være med til at definere bygninger, og den kan fungere som omdrejningspunkt for samtaler på mere eller mindre ubevidste planer. Samtidig er det et sundt reality check for en billedkunstner at arbejde så konkret ind i en samfundsinstitution, som gymnasiet jo er. For mig har det i hvert fald været virkelig lærerigt og horisontudvidende. De langsigtede, offentlige projekter er helt klart en af de mest meningsfulde måder at bruge kunststøtten på, jeg kan forestille mig.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Amalie Smith, Machine Learning I, II, III (detail). Photo by David Stjernholm.

Rikke Luna Filipsen (f. 1988) og Matias B. Albæk (f. 1988) er kunstformidlere. De stiftede idoart.dk i 2011, og udover at bidrage med artikler, interviews og essays, fungerer de som mediets redaktører. De driver desuden formidlingsbureauet I DO ART Agency samt forlaget I DO ART Books.