Uczenie maszynowe identyfikuje przeboje z 97% dokładnością

Każdego dnia wydawane są dziesiątki tysięcy piosenek. Ten ciągły strumień wyborów utrudnia serwisom streamingowym i stacjom radiowym wybór utworów do dodania do list odtwarzania. Aby znaleźć osoby, które będą rezonować z dużą publicznością, usługi te wykorzystywały ludzkich słuchaczy i sztuczną inteligencję. Jednak to podejście, które utrzymuje wskaźnik dokładności na poziomie 50%, nie pozwala wiarygodnie przewidzieć, czy utwory staną się hitami.

Teraz naukowcy w USA wykorzystali wyczerpujące nauczanie maszynowe Technika zastosowana do reakcji mózgu była w stanie przewidzieć przeboje z 97% dokładnością.

powiedział Paul Zak, profesor na Claremont Graduate University i pierwszy autor na Badanie opublikowane w Frontiers in Artificial Intelligence. „To, że aktywność neuronalna 33 osób może przewidzieć, czy miliony innych słuchały nowych piosenek, jest zdumiewające. Wcześniej nie wykazano nic bliskiego takiej dokładności”.

Uczenie maszynowe z danymi neuronowymi

Uczestnicy badania zostali wyposażeni w gotowe czujniki, wysłuchali zestawu 24 piosenek i zapytali o swoje preferencje oraz niektóre dane demograficzne. Podczas eksperymentu naukowcy zmierzyli neurofizjologiczne reakcje uczestników na piosenki. „Zebrane sygnały mózgowe odzwierciedlają aktywność sieci mózgowej związanej z nastrojem i poziomem energii” – powiedział Zak. Pozwoliło to naukowcom przewidzieć wyniki rynkowe, w tym liczbę strumieni utworów – na podstawie niewielkiej ilości danych.

To podejście nazywa się „neuroforecasting”. Przechwytuje aktywność neuronów małej grupy ludzi w celu przewidywania skutków na poziomie populacji bez konieczności mierzenia aktywności mózgów setek osób.

Po zebraniu danych naukowcy wykorzystali różne metody statystyczne do oceny predykcyjnej dokładności zmiennych neurofizjologicznych. Umożliwiło to bezpośrednie porównanie modeli. Aby poprawić dokładność predykcyjną, wytrenowali model ML, który testował różne algorytmy, aby osiągnąć najwyższe wyniki prognoz.

Odkryli, że liniowy model statystyczny zidentyfikował przeboje z 69% skutecznością. Kiedy zastosowali uczenie maszynowe do zebranych danych, odsetek prawidłowo zidentyfikowanych hitów wzrósł do 97%. Zastosowali również uczenie maszynowe do odpowiedzi neuronowych w pierwszej minucie utworu. W tym przypadku wyniki zostały poprawnie zidentyfikowane ze wskaźnikiem sukcesu na poziomie 82%.

„Oznacza to, że usługi przesyłania strumieniowego mogą skuteczniej identyfikować nowe utwory, które prawdopodobnie staną się hitami na listach odtwarzania ludzi, co ułatwia pracę usługom przesyłania strumieniowego, a słuchacze są zadowoleni” – wyjaśnił Zak.

metody iteracyjne

„Jeśli w przyszłości technologie neuronauki do noszenia, takie jak te, które wykorzystaliśmy w tym badaniu, staną się popularne, odpowiednia rozrywka może być wysyłana do odbiorców w oparciu o ich neurofizjologię. Zamiast oferować im setki wyborów, można im dać tylko dwa lub trzy. wybór muzyki, którą będą się cieszyć łatwiej i szybciej.”

Pomimo niemal doskonałych wyników przewidywań jego zespołu, naukowcy zwracają uwagę na pewne ograniczenia. Na przykład w swojej analizie wykorzystali stosunkowo niewiele piosenek. Ponadto dane demograficzne uczestników badania były umiarkowanie zróżnicowane, ale nie obejmowały osób z określonych grup wiekowych i etnicznych.

Naukowcy spekulują jednak, że ich podejście może być prawdopodobnie stosowane poza identyfikacją trafienia, po części dlatego, że jest tak łatwe do wdrożenia. „Naszym głównym wkładem jest metodologia. To podejście może być potencjalnie wykorzystane do przewidywania wielu innych rodzajów rozrywki, w tym filmów i programów telewizyjnych” – podsumował Zack.