211service.com
Computers in de groef krijgen
Computers hebben een revolutie teweeggebracht in de productie, distributie en consumptie van muziek, maar als het gaat om het aanbevelen van een goed deuntje, ontbreken ze nog steeds.
Klinkt hetzelfde: Een Facebook-spel genaamd Herd It wordt gebruikt door onderzoekers van de Universiteit van Californië, San Diego, om muziek in verschillende genres in te delen.
Er zijn tal van aanbevelingssystemen. iTunes biedt Genius, waarmee afspeellijsten worden gemaakt en muziek wordt voorgesteld door een verzameling te vergelijken met die van andere gebruikers, en talloze op muziek gerichte socialenetwerksites bieden aanbevelingen die zijn geïnspireerd op waar iemands vrienden naar luisteren. Nu gebruiken onderzoekers van de University of California, San Diego (UCSD), machine learning, in combinatie met een Facebook-game, om muziek te classificeren op basis van geautomatiseerde analyse van de nummers.
Gert Lanckriet , een assistent-professor bij UCSD, die aan het project werkt, zegt dat de geautomatiseerde aanpak van de muziekzoek- en aanbevelingsengine van zijn groep betekent dat het enorme hoeveelheden nummers kan analyseren, waardoor gebruikers mogelijk aanbevelingen kunnen krijgen uit een veel grotere muziekbibliotheek. Het systeem kan ook oordelen vellen over nummers die het nog nooit eerder is tegengekomen.
De UCSD-onderzoekers willen dat hun systeem nummers kan taggen, zodat gebruikers niet alleen op artiest of titel van het nummer kunnen zoeken, maar ook op genre, instrument en zelfs beschrijvende woorden zoals romantisch of spookachtig. Met dit doel voor ogen verzamelen ze informatie over liedjes met behulp van een Facebook-applicatie genaamd Herd It. De game kent gebruikers punten toe wanneer ze nummers taggen op een manier die overeenkomt met de tags van andere gebruikers, waarbij enorme hoeveelheden gegevens worden verzameld.
Zodra die gegevens zijn verzameld, zegt Lanckriet, groepeert het systeem van de onderzoekers nummers op basis van de tags die gebruikers hen hebben gegeven en zoekt vervolgens naar onderscheidende patronen in de muziek zelf. Het past een statistische analyse toe op de golfvormpatronen die elk nummer vertegenwoordigen, op zoek naar gemeenschappelijke kenmerken tussen nummers die zijn gegroepeerd op tag.
Ongeveer 90 procent van de tijd, zegt Lanckriet, identificeert het systeem patronen die normaal gesproken verborgen zijn. De patronen die een hiphopnummer identificeren, kunnen bijvoorbeeld een typische hiphopbeat bevatten, maar ook elementen die de luisteraar niet zou herkennen als een patroon in het nummer. Gemiddeld voorspellen deze automatische tags de [tags] van andere mensen vrijwel net zo nauwkeurig als een bepaald mens kan doen, zegt Lanckriet.
De onderzoekers zijn momenteel bezig met het verzamelen van meer data om hun systeem te trainen en Lanckriet denkt dat het systeem commerciële potentie heeft. Hij stelt zich een systeem voor dat een onbekend nummer - van een onafhankelijke band, of zelfs iets dat in de garage van een gebruiker is opgenomen - kan nemen en het vervolgens ter plekke kan analyseren en passende tags en soortgelijke muziek kan voorstellen.
De populaire internetradiosite Pandora voert een vergelijkbare dienst uit, waarbij liedjes worden afgebroken en hun attributen worden geanalyseerd. Op de site, opgericht in 2000, kunnen gebruikers een nummer of artiest kiezen en vervolgens vergelijkbare nummers vinden. Gebruikers kunnen de resultaten snel verfijnen om een zeer gepersonaliseerde streaming-radiozender te creëren.
Maar de technologie van Pandora is 100 procent handmatig, volgens Tim Westergren , de chief strategy officer en oprichter van het bedrijf. Door het Muziekgenoomproject evalueert een team van muzikanten liedjes en scoort ze volgens 400 verschillende attributen. Zodra deze kenmerken zijn geïdentificeerd, zegt Westergren, is het vrij eenvoudig om gebruikers aanbevelingen te doen. Hij zegt dat Pandora open staat voor het opnemen van meer geautomatiseerde benaderingen voor het analyseren van nummers, maar voegt eraan toe: we hebben er nog geen gevonden waarvan we denken dat het echt waarde toevoegt aan wat we doen.
Ook andere bedrijven werken aan automatische analyse van muziek. Het echo-nest , een startup gevestigd in Somerville, MA, transformeert de golfvormpatronen van liedjes volgens simulaties van hoe het menselijk oor muziek hoort. Van daaruit past het Echo Nest-systeem filters toe die kenmerken van het nummer identificeren, zoals tempo en toonhoogte, volgens de medeoprichter en CTO van het bedrijf Tristan Jehan .
Zodra dat is gebeurd, combineert het Echo Nest-systeem deze informatie met tagging-informatie die is verkregen uit blogs en andere gegevens die op internet zijn geplaatst. Vervolgens past het machine learning-algoritmen toe om kenmerken van nummers te identificeren die vaak worden geassocieerd met specifieke tags, net zoals de software van de UCSD-onderzoekers.
Het verschil is volgens Jehan dat in plaats van het identificeren van complexe patronen in de golfvormen, de software van de Echo Nest zich richt op functies die door een menselijke luisteraar zouden worden herkend.
Forrester Research-analist Sonal Gandhi , die de muziekindustrie volgt, zegt dat meer geautomatiseerde methoden voor het zoeken en aanbevelen van muziek belangrijk kunnen worden naarmate on-demand muziek populairder wordt en sites meer druk voelen om gebruikers te helpen nieuwe muziek te vinden.
Tim Crawford , een hoofddocent in computationele musicologie aan de Goldsmiths University of London, zegt dat hoewel het analyseren van muziek met behulp van computers een zeer interessant en veelbelovend onderzoeksgebied is, het moeilijk zal zijn om een muziekzoekmachine te maken die zowel algemeen als volledig automatisch is. Muziekovereenkomst is zo persoonlijk en variabel, zegt Crawford. Twee heavy-metaltracks lijken misschien sterk op een klassieke-muziekexpert zoals ik, maar heel anders voor een heavy-metalliefhebber, die op zijn beurt de muziek van Brahms en Tsjaikovski als zeer vergelijkbaar zou kunnen beschouwen, wat voor mij lachwekkend zou zijn.