Κάθε μέρα κυκλοφορούν δεκάδες χιλιάδες νέα τραγούδια. Ο συνεχής αυτός κατακλυσμός επιλογών καθιστά όλο και πιο δύσκολο, για τις υπηρεσίες streaming και τους ραδιοφωνικούς σταθμούς, να επιλέξουν τα τραγούδια που θα προσθέσουν στις λίστες αναπαραγωγής. Για να διαλέξουν αυτά που θα έχουν ευρεία απήχηση στο κοινό, οι υπηρεσίες αυτές χρησιμοποιούν συνεργάτες ακροατές σε συνδυασμό με τεχνητή νοημοσύνη. Η προσέγγιση αυτή, ωστόσο, δεν μπορεί να προβλέψει αξιόπιστα εάν τα τραγούδια θα γίνουν επιτυχίες, καθώς το ποσοστό επιτυχίας που εμφανίζει είναι κοντά στο 50%.
Τώρα όμως, ερευνητές από τις ΗΠΑ, εφαρμόζοντας μία τεχνική μηχανικής μάθησης σε αποκρίσεις του εγκεφάλου, μπόρεσαν να προβλέψουν τα χιτ με επιτυχία 97%.
«Εφαρμόζοντας μηχανική μάθηση σε νευροφυσιολογικά δεδομένα, ήμασταν σε θέση να διακρίνουμε, σχεδόν τέλεια, τα τραγούδια που θα γνωρίσουν επιτυχία», δηλώνει ο Paul Zak, καθηγητής στο “Claremont Graduate University” και επιβλέπων συγγραφέας της μελέτης που δημοσιεύτηκε στο “Frontiers in Artificial Intelligence”. «Το ότι η νευρωνική δραστηριότητα 33 ατόμων μπορεί να προβλέψει εάν εκατομμύρια άλλοι άκουσαν τα νέα τραγούδια είναι εκπληκτικό. Τίποτα δεν έχει φτάσει κοντά σε αυτήν την ακρίβεια, στο παρελθόν.»
Μηχανική μάθηση με νευρολογικά δεδομένα
Οι συμμετέχοντες στη μελέτη άκουσαν 24 τραγούδια και ρωτήθηκαν για τις προτιμήσεις τους, καθώς και για ορισμένα δημογραφικά στοιχεία. Κατά τη διάρκεια του πειράματος, οι επιστήμονες μέτρησαν τις νευροφυσιολογικές αποκρίσεις των συμμετεχόντων στα τραγούδια. «Τα εγκεφαλικά σήματα που έχουμε συλλέξει αντικατοπτρίζουν τη δραστηριότητα ενός δικτύου του εγκεφάλου, το οποίο σχετίζεται με την διάθεση και τα επίπεδα ενέργειας», λέει ο Zak. Αυτό επέτρεψε στους ερευνητές να προβλέψουν τα αποτελέσματα στην αγορά, συμπεριλαμβανομένου των φορών που ακούστηκε ένα τραγούδι – με βάση τα δεδομένα από ελάχιστους ανθρώπους.
Η προσέγγιση αυτή ονομάζεται “νευροπρόβλεψη” (neuroforecasting). Καταγράφει τη νευρική δραστηριότητα μίας μικρής ομάδας, για να προβλέψει τις αντιδράσεις σε επίπεδο συνολικού πληθυσμού χωρίς να χρειάζεται να μετρήσει την εγκεφαλική δραστηριότητα εκατοντάδων ανθρώπων.
Αφού συλλέχθηκαν τα δεδομένα, οι ερευνητές προσπάθησαν, δοκιμάζοντας διάφορες στατιστικές προσεγγίσεις, να αξιολογήσουν την προγνωστική ακρίβεια των νευροφυσιολογικών μεταβλητών. Αυτό επέτρεψε την άμεση σύγκριση των μοντέλων. Για να βελτιώσουν την προγνωστική ακρίβεια, εκπαίδευσαν ένα μοντέλο μηχανικής μάθησης το οποίο έλεγξε διάφορους αλγόριθμους για να καταλήξει στα αποτελέσματα με το υψηλότερο ποσοστό πρόβλεψης.
Οι ερευνητές βρήκαν ότι ένα γραμμικό στατιστικό μοντέλο μπορεί να εντοπίσει τα χιτ με ποσοστό επιτυχίας 69%. Όταν, όμως, εφάρμοσαν τη μηχανική εκμάθηση στα δεδομένα που συνέλεξαν, το ποσοστό των σωστά αναγνωρισμένων επιτυχιών εκτινάχθηκε στο 97%. Αξιοσημείωτο είναι, επίσης, ότι εφαρμόζοντας τη μηχανική μάθηση στις νευρικές αποκρίσεις του πρώτου μόνο λεπτού των τραγουδιών, τα χιτ προβλέφθηκαν σωστά σε ποσοστό 82%.
«Αυτό σημαίνει ότι οι υπηρεσίες streaming μπορούν να εντοπίσουν πιο αποτελεσματικά τα νέα τραγούδια που είναι πιθανό να γίνουν επιτυχίες, κάνοντας έτσι πιο εύκολη την δουλειά τους και ικανοποιώντας περισσότερο τους ακροατές», εξηγεί ο Zak.
Μέθοδοι για αναπαραγωγή
«Εάν στο μέλλον οι τεχνολογίες νευροεπιστήμης που φοριούνται -όπως αυτές που χρησιμοποιήσαμε για αυτήν τη μελέτη- γίνουν κάτι το συνηθισμένο, η κατάλληλη ψυχαγωγία θα μπορούσε να αποστέλλεται στο κοινό με βάση τη νευροφυσιολογία. Αντί να τους προσφέρονται εκατοντάδες επιλογές, μπορεί να τους δοθούν μόνο δύο ή τρεις, καθιστώντας ευκολότερο και ταχύτερο να επιλέξουν την μουσική που θα απολαύσουν», λέει ο Zak.
Παρά τις σχεδόν τέλειες προβλέψεις της ομάδας, οι ερευνητές επισημαίνουν ορισμένους περιορισμούς. Για παράδειγμα, χρησιμοποίησαν έναν σχετικά μικρό αριθμό τραγουδιών στην ανάλυσή τους. Επιπλέον, τα δημογραφικά στοιχεία των συμμετεχόντων εμφάνιζαν έναν μέτριο βαθμό διαφορών, δεν περιλάμβαναν όμως μέλη ορισμένων εθνοτικών και ηλικιακών ομάδων.
Ωστόσο, οι ερευνητές εκτιμούν πως η προσέγγισή τους θα μπορέσει να επεκταθεί πέρα από την πρόβλεψη των τραγουδιών χιτ· εν μέρει λόγω της εύκολης εφαρμογής της. «Η βασική μας συμβολή είναι η ίδια η μεθοδολογία. Είναι πολύ πιθανό αυτή η προσέγγιση να μπορέσει να χρησιμοποιηθεί για την πρόβλεψη επιτυχίας και σε άλλους τομείς της ψυχαγωγίας, όπως οι ταινίες και οι τηλεοπτικές εκπομπές», καταλήγει ο Zak.
Παραπομπές: Accurately Predicting Hit Songs using Neurophysiology and Machine Learning, Frontiers in Artificial Intelligence (2023). DOI: 10.3389/frai.2023.1154663
Πηγή: https://techxplore.com/
