الگوریتم پژوهشگران دانشگاه MIT، ارتباط میان آثار هنری موزه ملی آمستردام و موزه متروپولیتن نیویورک را تشخیص داد.
MosAIc سیستم هوشمند دانشمندان MIT است که می‌تواند به شناسایی شباهت‌های دشوار میان آثار هنری بپردازد. این الگوریتم در شروع کار خود، برای یافتن شباهت‌های موجود در بین آثار هنری موزه ملی آمستردام و موزه متروپولیتن نیویورک مورد استفاده قرار گرفت. الگوریتم MosAIc ابتدا یک تصویر را بررسی کرده و سپس با استفاده از شبکه‌های عمیق به دنبال شباهت موجود میان آثار می‌گردد. این شباهت‌ها اشتراکاتی را ازنظر فرهنگی و سایر جزئیات اثر هنری نشان می‌دهند؛ هرچند که ممکن است از چشم ما پنهان باشند.
روش کار الگوریتم MosAIc برای شناسایی شباهت اثار هنری
روش کار الگوریتم MosAIc بدین گونه است که تصویری از یک اثر هنری را دریافت کرده و آثار هنری متشابه را پیدا می‌کند. این الگوریتم در یکی از آزمون‌های خود، شباهتی را میان تابلویThe Martyrdom of Saint Serapion از فرانسیسکو دی‌زورباران و تابلوی The Threatened Swan از یان آسلین تشخیص داد. مارک همیلتون، دانشجوی دکترای دانشکده‌ی علوم کامپیوتر و هوش مصنوعی MIT که او را محقق ارشد مقاله خطاب می‌کنند، در مورد شباهت موجود در این آثار هنری گفت: این دو هنرمند در طول عمر خود هیچ‌گاه باهم ملاقات نکرده و هیچ ارتباطی با یکدیگر نداشته‌اند؛ اما ریشه‌ی نقاشی‌های آن‌ها باهم شباهت دارد و این موضوع در جزئیات بی‌شمار اثر دیده می‌شود.
توانایی یافتن شباهت در تمام بخش‌های اثر هنری، از مهم‌ترین چالش‌های توسعه‌ی الگوریتم MosAIc بود. در حقیقت این الگوریتم می‌بایست علاوه بر تشخیص شباهت رنگ و سبک، معنا و مفهوم اثر هنری را نیز بررسی می‌کرد. با توجه به گفته‌های همیلتون، پژوهشگران یک شبکه‌ی عمیق از ویژگی‌های خاص یا به عبارتی «فعال‌سازها» را در تصاویری از مجموعه‌های در دسترس دو موزه‌ی نام برده شده بررسی کردند. فاصله‌ی بین فعال‌سازهای شبکه‌ی عمیق، همان المان مهمی بود که به آسان‌تر شدن تشخیص شباهت میان آثار هنری می‌انجامید.
پژوهشگران از یک ساختار داده‌ی جست‌وجوی تصویر به نامKNN Tree که تصاویر را به‌صورت ساختاری همانند درخت گروه‌بندی می‌کند، برای توسعه‌ی الگوریتم خود استفاده کردند. الگوریتم به‌منظور یافتن تصاویر مشابه، ابتدا از تنه‌ی گروه درختی شروع کرده و سپس نزدیک‌ترین شاخه را برای ادامه‌ی بررسی انتخاب می‌کند. امکان هرس کردن خودکار شاخه‌های درخت، سبب بهبود ساختار داده‌ای می‌شود. هرس کردن به این معناست که درخت داده‌ای، شاخه‌های خود را متناسب با مشخصات تصاویر تغییر می‌دهد.
همیلتون امیدوار است که پژوهش‌های انجام‌شده با MosAIc به‌مرور در زمینه‌های دیگری چون مطالعه‌ی بشری، علوم اجتماعی و حتی پزشکی نیز مورد استفاده قرار بگیرند. او اظهار داشت که این حوزه‌ها اطلاعات فراوانی دارند که هیچ‌وقت با روش‌های این‌چنینی پردازش نشده‌اند؛ دانشمندان کامپیوتر و سایر متخصصان می‌توانند از این منبع بسیار عالی الهام بگیرند.