Wprowadzanie komputerów do rowka

Komputery zrewolucjonizowały produkcję, dystrybucję i konsumpcję muzyki, ale jeśli chodzi o polecanie dobrej melodii, nadal im bardzo brakuje.

Brzmi podobnie: Gra na Facebooku o nazwie Herd It jest wykorzystywana przez naukowców z Uniwersytetu Kalifornijskiego w San Diego do klasyfikowania muzyki do różnych gatunków.

Istnieje wiele systemów rekomendacji. iTunes oferuje Genius, który tworzy listy odtwarzania i sugeruje muzykę, porównując kolekcje z listami innych użytkowników, a wiele muzycznych serwisów społecznościowych oferuje rekomendacje inspirowane tym, czego słuchają znajomi danej osoby. Teraz naukowcy z Uniwersytetu Kalifornijskiego w San Diego (UCSD) wykorzystują uczenie maszynowe w połączeniu z grą na Facebooku do klasyfikowania muzyki na podstawie automatycznej analizy utworów.

Gert Lanckriet , adiunkt na UCSD, który pracuje nad projektem, mówi, że zautomatyzowane podejście zastosowane przez silnik wyszukiwania i rekomendacji muzyki jego grupy oznacza, że ​​może analizować ogromne ilości utworów, potencjalnie dając użytkownikom rekomendacje ze znacznie większej biblioteki muzycznej. System może również dokonywać osądów na temat utworów, z którymi nigdy wcześniej się nie spotkał.

Badacze UCSD chcą, aby ich system był w stanie oznaczać utwory, aby użytkownicy mogli wyszukiwać nie tylko według wykonawcy lub tytułu utworu, ale także według gatunku, instrumentu, a nawet słów opisowych, takich jak romantyczny lub upiorny. Mając to na uwadze, zbierają informacje o utworach za pomocą aplikacji Facebooka o nazwie Herd It. Gra przyznaje użytkownikom punkty, gdy tagują utwory w sposób zgodny z tagami innych użytkowników, gromadząc w tym procesie ogromne ilości danych.

Po zebraniu tych danych, jak mówi Lanckriet, system badaczy grupuje utwory według tagów nadawanych im przez użytkowników, a następnie wyszukuje charakterystyczne wzory w samej muzyce. Stosuje analizę statystyczną do wzorców falowych reprezentujących każdą piosenkę, szukając wspólnych cech wśród utworów pogrupowanych według tagów.

Jak mówi Lanckriet, w około 90 procentach przypadków system identyfikuje wzorce, które zwykle są ukryte. Na przykład wzorce identyfikujące utwór hip-hopowy mogą obejmować typowy hip-hopowy rytm, ale także elementy, których słuchacz nie rozpoznałby jako wzorca w utworze. Jak mówi Lanckriet, te automatyczne tagi przewidują przeciętnie [tagi] innych ludzi z taką samą dokładnością, jak dana osoba.

Naukowcy pracują obecnie nad zebraniem większej ilości danych w celu przeszkolenia swojego systemu, a Lanckriet uważa, że ​​system ma potencjał komercyjny. Wyobraża sobie system, który mógłby wziąć nieznaną piosenkę – od niezależnego zespołu, a nawet coś nagranego w garażu użytkownika – a następnie analizować ją w locie i proponować odpowiednie tagi i podobną muzykę.

Popularna strona radia internetowego Pandora wykonuje podobną usługę, rozkładając piosenki i analizując ich atrybuty. Założona w 2000 roku strona pozwala użytkownikom wybrać utwór lub wykonawcę, a następnie znaleźć podobne utwory. Użytkownicy mogą szybko dostosować wyniki, aby stworzyć wysoce spersonalizowaną stację radiową strumieniową.

Ale technologia Pandory jest w 100% ręczna, według Tim Westergren , dyrektor ds. strategii i założyciel firmy. Przez Projekt genomu muzycznego , zespół muzyków ocenia piosenki, oceniając je według 400 różnych atrybutów. Westergren mówi, że po zidentyfikowaniu tych atrybutów sformułowanie zaleceń dla użytkowników jest dość prostą matematyką. Mówi, że Pandora jest otwarta na wprowadzanie bardziej zautomatyzowanych podejść do analizy piosenek, ale dodaje: Nie znaleźliśmy jeszcze takiego, które naszym zdaniem ma naprawdę wartość dodaną do tego, co robimy.

Inne firmy również pracują nad automatyczną analizą muzyki. Gniazdo Echa , startup z siedzibą w Somerville, MA, przekształca wzorce falowe piosenek zgodnie z symulacjami tego, jak ludzkie ucho słyszy muzykę. Stamtąd system Echo Nest stosuje filtry, które identyfikują cechy utworu, takie jak tempo i wysokość, według współzałożyciela firmy i CTO Tristan jehan .

Gdy to zrobisz, system Echo Nest łączy te informacje z informacjami o tagowaniu zebranymi z blogów i innych danych opublikowanych w Internecie. Następnie stosuje algorytmy uczenia maszynowego do identyfikowania cech utworów, które są powszechnie kojarzone z określonymi tagami, podobnie jak robi to oprogramowanie badaczy UCSD.

Według Jehana różnica polega na tym, że zamiast identyfikować złożone wzorce w falach, oprogramowanie Echo Nest skupia się na funkcjach, które byłyby rozpoznawane przez człowieka.

Analityk Forrester Research Sonal Gandhi , który śledzi branżę muzyczną, twierdzi, że bardziej zautomatyzowane metody wyszukiwania i polecania muzyki mogą stać się ważne, ponieważ muzyka na żądanie staje się popularniejsza, a witryny odczuwają zwiększoną presję, aby pomóc użytkownikom znaleźć nową muzykę.

Tim Crawford , starszy wykładowca muzykologii obliczeniowej na Goldsmiths University of London, mówi, że chociaż analizowanie muzyki za pomocą komputerów jest bardzo interesującym i obiecującym obszarem badań, trudno będzie stworzyć wyszukiwarkę muzyki, która byłaby zarówno ogólna, jak i w pełni automatyczna. Podobieństwo muzyczne jest bardzo osobistą i zmienną rzeczą, mówi Crawford. Dwa heavymetalowe utwory mogą wydawać się bardzo podobne do takiego eksperta od muzyki klasycznej jak ja, ale zupełnie inne od entuzjasty heavy metalu, który z kolei może uważać muzykę Brahmsa i Czajkowskiego za bardzo podobną, co byłoby dla mnie śmieszne.

ukryć