Η τεχνητή νοημοσύνη έχει μπει για τα καλά στην καθημερινότητά μας και πλέον έχει φτάσει στο σημείο να έχει τη δυνατότητα να προβλέψει ποιο τραγούδι θα γίνει επιτυχία, έχοντας και υψηλότατο ποσοστό επιτυχίας.
Κάθε εβδομάδα, σχεδόν 170.000 νέα τραγούδια κυκλοφορούν παγκοσμίως, αλλά όπως θα σας πει οποιοσδήποτε εργαζόμενος στη μουσική βιομηχανία, η πρόβλεψη του ποια από αυτά θα έχουν επιτυχία, είναι πρακτικά αδύνατη. Η απάντηση σε αυτό το λεγόμενο πρόβλημα της «Επιστήμης των χιτ τραγουδιών» μπορεί να βρίσκεται στον εγκέφαλο. Σύμφωνα με νέα έρευνα που δημοσιεύεται στο περιοδικό Frontiers in Artificial Intelligence, οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν τις νευρολογικές αντιδράσεις στα τραγούδια για να προβλέψουν με ακρίβεια ποια από αυτά θα γίνουν επιτυχίες.
Η επιστήμη των τραγουδιών
Ο Sean Merritt του Claremont Graduate University και οι συνεργάτες του συγκέντρωσαν 33 εθελοντές και κατέγραψαν τους καρδιακούς τους παλμούς ενώ άκουγαν 24 τραγούδια που είχαν επιλεγεί ανεξάρτητα από το προσωπικό μιας υπηρεσίας streaming. Στη συνέχεια, τα δεδομένα εισήχθησαν σε ένα μοντέλο που μπορεί να προβλέψει την εγκεφαλική δραστηριότητα από τις αλλαγές στον καρδιακό ρυθμό.
Όλα τα τραγούδια είχαν κυκλοφορήσει μέσα στους προηγούμενους έξι μήνες και κάλυπταν μια ποικιλία ειδών, όπως ηλεκτρονική χορευτική μουσική, χιπ χοπ και ροκ. Αφού άκουσαν κάθε τραγούδι, οι συμμετέχοντες συμπλήρωσαν μια απλή έρευνα για να βαθμολογήσουν πόσο τους άρεσε (σε κλίμακα από το ένα έως το δέκα) και αν θα το συνιστούσαν στους φίλους τους. Οι ερευνητές χρησιμοποίησαν επίσης μετρήσεις από την υπηρεσία streaming για να κατηγοριοποιήσουν τα τραγούδια ως «επιτυχίες» ή «αποτυχίες». Δεκατρία από αυτά είχαν μεταδοθεί περισσότερες από 700.000 φορές και θεωρήθηκαν «επιτυχίες», ενώ τα υπόλοιπα είχαν μεταδοθεί πολύ λιγότερες φορές και θεωρήθηκαν «αποτυχίες».
Συγκρίνοντας τις δηλώσεις των συμμετεχόντων με τις μετρήσεις ροής, ο Merritt και οι συνεργάτες του διαπίστωσαν ότι, για τα τραγούδια που οι συμμετέχοντες γνώριζαν, οι αναφορές τους για το πόσο τους άρεσε το τραγούδι σχετίζονταν στενά με τον αριθμό των φορών που είχε μεταδοθεί σε ροή. Όταν όμως ανέλυσαν άγνωστα τραγούδια, η σχέση αυτή εξαφανίστηκε και οι δηλώσεις των συμμετεχόντων δεν προέβλεπαν με ακρίβεια ποια τραγούδια θα γίνονταν επιτυχίες.
Χρησιμοποιώντας τις νευρολογικές αντιδράσεις των συμμετεχόντων (οι οποίες προέκυψαν μόνο από τον καρδιακό ρυθμό τους), οι ερευνητές αναζήτησαν ενδείξεις προσοχής και συναισθήματος και χρησιμοποίησαν αυτά τα δύο μέτρα για να υπολογίσουν μια τιμή «εμβύθισης» για κάθε τραγούδι, η οποία μπορεί να οριστεί χαλαρά ως ένα μέτρο του πόσο άρεσε στους συμμετέχοντες. Χρησιμοποιώντας στατιστικές μεθόδους για την ανάλυση των απαντήσεων, διαπίστωσαν ότι μπορούσαν να προβλέψουν τα τραγούδια που σημείωσαν επιτυχία – δηλαδή εκείνα με τις υψηλότερες τιμές εμβύθισης – με ακρίβεια 69%. Όταν εκπαίδευσαν έναν αλγόριθμο μηχανικής μάθησης χρησιμοποιώντας ένα μεγαλύτερο σύνολο συνθετικών δεδομένων, η ακρίβεια των προβλέψεων αυξήθηκε στο 97%.
Νευροπρόγνωση
Η μελέτη ανήκει σε έναν αναδυόμενο τομέα που είναι γνωστός ως «νευροπρόγνωση», ο οποίος έχει ως στόχο να διερευνήσει αν η εγκεφαλική δραστηριότητα που συλλέγεται από μικρές ομάδες ανθρώπων μπορεί να χρησιμοποιηθεί για την πρόβλεψη της συμπεριφοράς ή των επιλογών στον ευρύτερο πληθυσμό.
Πριν από αρκετά χρόνια, ερευνητές του Πανεπιστημίου του Στάνφορντ απέδειξαν ότι η εγκεφαλική δραστηριότητα μπορεί να αποκαλύψει «κρυφές» πληροφορίες που μπορούν να προβλέψουν ποια βίντεο στο YouTube θα γίνουν viral. Πιο πρόσφατα, μια μελέτη που διεξήχθη στη Σχολή Διοίκησης του Ρότερνταμ έδειξε ότι οι νευρολογικές αντιδράσεις επενδυτών φαίνεται να προβλέπουν τη μελλοντική απόδοση των μετοχών στο χρηματιστήριο.
Υπήρξαν προηγούμενες προσπάθειες πρόβλεψης της δημοτικότητας της νέας μουσικής μέσω της εγκεφαλικής δραστηριότητας, αλλά καμία δεν προσέγγισε το επίπεδο ακρίβειας που επιτεύχθηκε στην παρούσα μελέτη. Ωστόσο, οι ερευνητές τονίζουν ότι το μέγεθος του δείγματός τους ήταν μικρό, καθιστώντας ασαφές αν τα ευρήματα θα γενικευτούν σε μεγαλύτερους καταλόγους τραγουδιών. Παρ’ όλα αυτά, αν τα ευρήματα επαναληφθούν, η τεχνητή νοημοσύνη που βασίζεται στη νευροτεχνολογία θα μπορούσε σύντομα να χρησιμοποιηθεί για την επιμέλεια λιστών αναπαραγωγής και πιθανότατα θα αντικαταστήσει και θα βελτιώσει τους υπάρχοντες αλγόριθμους συστάσεων.
Διαβάστε επίσης: Μπορεί η Τεχνητή Νοημοσύνη να μειώσει τις οικονομικές ανισότητες;
Η τεχνητή νοημοσύνη έχει μπει για τα καλά στην καθημερινότητά μας και πλέον έχει φτάσει στο σημείο να έχει τη δυνατότητα να προβλέψει ποιο τραγούδι θα γίνει επιτυχία, έχοντας και υψηλότατο ποσοστό επιτυχίας.
Κάθε εβδομάδα, σχεδόν 170.000 νέα τραγούδια κυκλοφορούν παγκοσμίως, αλλά όπως θα σας πει οποιοσδήποτε εργαζόμενος στη μουσική βιομηχανία, η πρόβλεψη του ποια από αυτά θα έχουν επιτυχία, είναι πρακτικά αδύνατη. Η απάντηση σε αυτό το λεγόμενο πρόβλημα της «Επιστήμης των χιτ τραγουδιών» μπορεί να βρίσκεται στον εγκέφαλο. Σύμφωνα με νέα έρευνα που δημοσιεύεται στο περιοδικό Frontiers in Artificial Intelligence, οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν τις νευρολογικές αντιδράσεις στα τραγούδια για να προβλέψουν με ακρίβεια ποια από αυτά θα γίνουν επιτυχίες.
Η επιστήμη των τραγουδιών
Ο Sean Merritt του Claremont Graduate University και οι συνεργάτες του συγκέντρωσαν 33 εθελοντές και κατέγραψαν τους καρδιακούς τους παλμούς ενώ άκουγαν 24 τραγούδια που είχαν επιλεγεί ανεξάρτητα από το προσωπικό μιας υπηρεσίας streaming. Στη συνέχεια, τα δεδομένα εισήχθησαν σε ένα μοντέλο που μπορεί να προβλέψει την εγκεφαλική δραστηριότητα από τις αλλαγές στον καρδιακό ρυθμό.
Όλα τα τραγούδια είχαν κυκλοφορήσει μέσα στους προηγούμενους έξι μήνες και κάλυπταν μια ποικιλία ειδών, όπως ηλεκτρονική χορευτική μουσική, χιπ χοπ και ροκ. Αφού άκουσαν κάθε τραγούδι, οι συμμετέχοντες συμπλήρωσαν μια απλή έρευνα για να βαθμολογήσουν πόσο τους άρεσε (σε κλίμακα από το ένα έως το δέκα) και αν θα το συνιστούσαν στους φίλους τους. Οι ερευνητές χρησιμοποίησαν επίσης μετρήσεις από την υπηρεσία streaming για να κατηγοριοποιήσουν τα τραγούδια ως «επιτυχίες» ή «αποτυχίες». Δεκατρία από αυτά είχαν μεταδοθεί περισσότερες από 700.000 φορές και θεωρήθηκαν «επιτυχίες», ενώ τα υπόλοιπα είχαν μεταδοθεί πολύ λιγότερες φορές και θεωρήθηκαν «αποτυχίες».
Συγκρίνοντας τις δηλώσεις των συμμετεχόντων με τις μετρήσεις ροής, ο Merritt και οι συνεργάτες του διαπίστωσαν ότι, για τα τραγούδια που οι συμμετέχοντες γνώριζαν, οι αναφορές τους για το πόσο τους άρεσε το τραγούδι σχετίζονταν στενά με τον αριθμό των φορών που είχε μεταδοθεί σε ροή. Όταν όμως ανέλυσαν άγνωστα τραγούδια, η σχέση αυτή εξαφανίστηκε και οι δηλώσεις των συμμετεχόντων δεν προέβλεπαν με ακρίβεια ποια τραγούδια θα γίνονταν επιτυχίες.
Χρησιμοποιώντας τις νευρολογικές αντιδράσεις των συμμετεχόντων (οι οποίες προέκυψαν μόνο από τον καρδιακό ρυθμό τους), οι ερευνητές αναζήτησαν ενδείξεις προσοχής και συναισθήματος και χρησιμοποίησαν αυτά τα δύο μέτρα για να υπολογίσουν μια τιμή «εμβύθισης» για κάθε τραγούδι, η οποία μπορεί να οριστεί χαλαρά ως ένα μέτρο του πόσο άρεσε στους συμμετέχοντες. Χρησιμοποιώντας στατιστικές μεθόδους για την ανάλυση των απαντήσεων, διαπίστωσαν ότι μπορούσαν να προβλέψουν τα τραγούδια που σημείωσαν επιτυχία – δηλαδή εκείνα με τις υψηλότερες τιμές εμβύθισης – με ακρίβεια 69%. Όταν εκπαίδευσαν έναν αλγόριθμο μηχανικής μάθησης χρησιμοποιώντας ένα μεγαλύτερο σύνολο συνθετικών δεδομένων, η ακρίβεια των προβλέψεων αυξήθηκε στο 97%.
Νευροπρόγνωση
Η μελέτη ανήκει σε έναν αναδυόμενο τομέα που είναι γνωστός ως «νευροπρόγνωση», ο οποίος έχει ως στόχο να διερευνήσει αν η εγκεφαλική δραστηριότητα που συλλέγεται από μικρές ομάδες ανθρώπων μπορεί να χρησιμοποιηθεί για την πρόβλεψη της συμπεριφοράς ή των επιλογών στον ευρύτερο πληθυσμό.
Πριν από αρκετά χρόνια, ερευνητές του Πανεπιστημίου του Στάνφορντ απέδειξαν ότι η εγκεφαλική δραστηριότητα μπορεί να αποκαλύψει «κρυφές» πληροφορίες που μπορούν να προβλέψουν ποια βίντεο στο YouTube θα γίνουν viral. Πιο πρόσφατα, μια μελέτη που διεξήχθη στη Σχολή Διοίκησης του Ρότερνταμ έδειξε ότι οι νευρολογικές αντιδράσεις επενδυτών φαίνεται να προβλέπουν τη μελλοντική απόδοση των μετοχών στο χρηματιστήριο.
Υπήρξαν προηγούμενες προσπάθειες πρόβλεψης της δημοτικότητας της νέας μουσικής μέσω της εγκεφαλικής δραστηριότητας, αλλά καμία δεν προσέγγισε το επίπεδο ακρίβειας που επιτεύχθηκε στην παρούσα μελέτη. Ωστόσο, οι ερευνητές τονίζουν ότι το μέγεθος του δείγματός τους ήταν μικρό, καθιστώντας ασαφές αν τα ευρήματα θα γενικευτούν σε μεγαλύτερους καταλόγους τραγουδιών. Παρ’ όλα αυτά, αν τα ευρήματα επαναληφθούν, η τεχνητή νοημοσύνη που βασίζεται στη νευροτεχνολογία θα μπορούσε σύντομα να χρησιμοποιηθεί για την επιμέλεια λιστών αναπαραγωγής και πιθανότατα θα αντικαταστήσει και θα βελτιώσει τους υπάρχοντες αλγόριθμους συστάσεων.
Διαβάστε επίσης: Μπορεί η Τεχνητή Νοημοσύνη να μειώσει τις οικονομικές ανισότητες;
