De vastes quantités de données artistiques sont réparties en ligne, tant provenant de musées que d’applications dédiées à l’art. Leur collecte, leur traitement et leur étude, en tenant compte de toutes leurs caractéristiques associées, constituent un processus coûteux. Dans cet article, dans une perspective visant à accélérer et à améliorer la qualité de l’analyse catégorielle dans le domaine artistique, nous proposons une méthode efficace et précise d’apprentissage multi-tâches reposant sur une représentation partagée, adaptée au domaine artistique. Nous montrons également comment différentes configurations de notre méthode se comportent sur des données artistiques, dépassant les approches basées sur des caractéristiques manuellement conçues ainsi que les réseaux neuronaux convolutifs. En complément de la méthode et de l’analyse, nous proposons un défi de nature comparable à un défi scientifique, fondé sur un nouveau jeu de données agrégé comprenant près de cinq cent mille échantillons et des métadonnées structurées, afin de stimuler des recherches ultérieures et une implication accrue du public.