پیش‌بینی هوش مصنوعی درباره آهنگ‌های پرفروش
از سراسر وب
پژوهشگران می‌گویند هوش مصنوعی اکنون این توانایی را دارد که آهنگ‌های موفق را با دقت ۹۷ درصد پیش‌بینی کند، اما خودش در ساخت موسیقی محبوب، ناکام است.
به گزارش ثریا پیش‌بینی موسیقی و ترانه‌ای که محبوب و پربازدید و پرشنونده یا اصطلاحا هیت(Hit) شود، کار ساده‌ای نیست.
سرویس‌های پخش موسیقی محبوب روزانه یا هفتگی یک میکس تازه از موسیقی را به مردم ارائه می‌دهند. سرویس اسپاتیفای این کار را با ویژگی Discover Weekly خود انجام می‌دهد که هر دوشنبه یک فهرست پخش از ۳۰ آهنگ جدید را در اختیار کاربران قرار می‌دهد.
یکی دیگر از سرویس‌های موسیقی به نام پاندورا، پس از تجزیه و تحلیل ۴۵۰ ویژگی از طریق «پروژه ژنوم موسیقی» خود، موسیقی جدیدی را با استفاده از «آهنگ‌های شخصی شده» معرفی می‌کند.
ردیابی احتمال اینکه افراد چه چیزهایی را به فهرست پخش خود اضافه کنند، متعاقباً پشتیبانی ایجاد می‌کند که منجر به یک آهنگ موفق می‌شود.
اکنون پژوهشگران در ایالات متحده از روش یادگیری ماشینی استفاده کرده‌اند که می‌تواند با دقت ۹۷ درصد پیش‌بینی کند که آیا یک آهنگ موفق خواهد بود یا نه.
روش‌های مختلفی مانند تجزیه و تحلیل متن آهنگ، پست‌های وبلاگ، یادآوری‌ها در رسانه‌های اجتماعی و فعالیت مغز قبلاً برای پیش‌بینی موسیقی موفق آزمایش شده‌اند. پژوهشگران در مطالعه خود گفتند، با این حال، دقت پیش بینی در اغلب چنین مطالعاتی بسیار پایین بوده است.
آنها با ذکر یک مثال، یک مطالعه قبلی را نقل کردند که از ام‌آرآی کاربردی برای پیش‌بینی محبوبیت موسیقی با دقت پیش‌بینی زیر ۵۰ درصد استفاده می‌کرد.
نقشه برداری داده‌های عصبی از طریق یادگیری ماشینی
آنها روش یادگیری ماشینی را برای پاسخ‌های مغزی ۳۳ فرد در محدوده سنی ۱۸ تا ۵۷ سال به کار گرفتند. شرکت‌کنندگان به حسگرهای ریتم PPG+ مجهز شدند و به ۲۴ آهنگ جدید گوش دادند. از آنها در مورد ترجیحات آنها برای هر یک از آهنگ‌ها سؤال شد. شرکت کنندگان همچنین یک نظرسنجی در مورد جمعیت‌شناسی انجام دادند.
سپس پژوهشگران از یک پلتفرم(سکو) برای سنجش پاسخ‌های عصبی فیزیولوژیک استفاده کردند. این سکو سیگنال‌های مرتبط با توجه و طنین احساسی را ترکیب می‌کند که «مغز به عنوان پیش‌بینی کننده» یا «پیش‌بینی عصبی» نامیده می‌شود که رویکردی است که فعالیت عصبی گروه کوچکی از شرکت کنندگان را برای پیش‌بینی نتایج در یک جمعیت به تصویر می‌کشد.
پژوهشگران این مطالعه می‌گویند: تحلیل ما نشان داد که دو معیار غوطه‌ور شدن نوروفیزیولوژیک در موسیقی، محبوبیت یا عدم محبوبیت یک آهنگ را با دقت ۶۹ درصد شناسایی می‌کند.
با این حال، استفاده از یک مدل یادگیری ماشینی برای داده‌های عصبی، دقت این پیش‌بینی را از ۶۹ درصد به ۹۷ درصد افزایش داد.
این گروه پژوهشی به این نتیجه رسید که این یافته‌ها راه را برای سرویس‌های استریم(پخش موسیقی) برای ساختن فهرست‌های پخش سفارشی‌شده به طور مؤثرتر هموار می‌کند و به مردم آنچه را که می‌خواهند، ارائه می‌کند و همچنین موتورهای پیشنهادی موجود را بهبود می‌بخشد که به نفع هنرمندان، توزیع‌کنندگان و مصرف‌کنندگان است.
نفوذ هوش مصنوعی به صنعت موسیقی
سرویس اسپاتیفای سرویس مشابهی به نام DJ راه‌اندازی کرده است. این سرویس مجهز به هوش مصنوعی در ماه فوریه، نسخه‌های جدید را برای مطابقت با علاقه‌مندی‌ها و دوست نداشتنی‌های کاربران بررسی می‌کند و در مورد آهنگ و هنرمندان آینده توضیحاتی ارائه می‌کند.
