الذكاء الاصطناعي في أنظمة التوصية بالموسيقى
يقرر الذكاء الاصطناعي الأغنية التي سيتم تشغيلها بعد ذلك من خلال التعرف على ذوقك من مليارات إشارات الاستماع وصوت الموسيقى نفسها.
نظرة عامة
It matters because it shapes how most people discover music today and how artists reach new fans.
الغوص العميق
يمزج موصيو الموسيقى بين عدة تقنيات. تعمل التصفية التعاونية على العثور على مستمعين لديهم عادات مماثلة وتقترح ما استمتعوا به ("الأشخاص الذين يحبون هذا يحبون هذا أيضًا")، وهو أمر قوي ولكنه يعاني من المسارات الجديدة أو الغامضة، مشكلة "البداية الباردة". لإصلاح ذلك، تقوم الخدمات بتحليل الصوت نفسه: تقوم الشبكات العصبية بتحويل الأغنية إلى مخطط طيفي وتتعلم ميزات مثل الإيقاع والطاقة والمفتاح والحالة المزاجية، بحيث يمكن مطابقة التحميل الجديد مع موسيقى ذات صوت مماثل بدون تشغيل. تعمل نماذج اللغة الطبيعية على استخراج المراجعات وقوائم التشغيل وكلمات الأغاني من أجل السياق. على سبيل المثال، تجمع خدمة Discover Weekly من Spotify بين الإشارات التعاونية والنماذج الصوتية وتحليل كيفية تجميع الأغاني معًا في قوائم التشغيل التي أنشأها المستخدم لإنشاء مزيج مخصص مكون من 30 مسارًا كل أسبوع.
البصيرة الفنية
تمثل العديد من الأنظمة كل مستخدم وكل مسار كمتجهات في مساحة "تضمين" مشتركة، ويتم تعلمها عن طريق تحليل المصفوفة أو الشبكات العصبية ذات البرجين. كلما اقترب المتجهان، كلما كانت المطابقة أفضل، لذلك تصبح التوصية بحثًا سريعًا عن أقرب جار عبر ملايين العناصر. تضيف نماذج المحتوى الصوتي برجًا ثانيًا يقوم بتعيين شكل موجة خام أو مخطط طيفي في نفس المساحة، مما يسمح بوضع أغنية لم يتم تشغيلها من قبل بالقرب من الأغاني المشابهة صوتيًا.
التأثير الاستراتيجي
خيارات البناء
يحدد التصميم على مستوى التطبيق ما إذا كان الذكاء الاصطناعي سيحسن النتائج الحقيقية.
الفريق وسير العمل
يؤدي التكامل الجيد لسير العمل إلى تحقيق مكاسب إنتاجية يمكن للمستخدمين الوثوق بها.
المخاطر والسلامة
تعمل حالات الاستخدام ذات النطاق الجيد على تقليل إجهاد التغيير ومخاطر التنفيذ.
مستقبل الذكاء الاصطناعي في أنظمة التوصية الموسيقية
توقع أن يصبح مقدمو التوصيات أكثر تحادثًا ووعيًا بالسياق: ستطلب بلغة واضحة "موسيقى تركيز مبهجة بدون غناء"، وسوف تستجيب الأنظمة باستخدام نماذج متعددة الوسائط. يثير الذكاء الاصطناعي التوليدي أسئلة جديدة بينما يتتبع الذكاء الاصطناعي كتالوجات الفيضان، وستحتاج المنصات إلى اكتشافها وتصنيفها وتحديد كيفية ظهورها. هناك أيضًا اهتمام متزايد بالعدالة، مما يدفع الاكتشاف نحو الفنانين الصغار بدلاً من تعزيز عدد قليل من الأغاني الناجحة.
التنفيذ في العالم الحقيقي
تعمل ميزة Discover Weekly وDaily Mixes من Spotify على إنشاء قوائم تشغيل مخصصة من سجل الاستماع والتحليل الصوتي
يقوم YouTube Music وApple Music بتشغيل راديو مستمر يحتوي على مسارات مماثلة تلقائيًا بعد انتهاء قائمة الانتظار
يقوم مشروع Pandora's Music Genome بوضع علامات على الأغاني حسب السمات الموسيقية التفصيلية لتوصيات محطة الوقود
يتميز نمط Shazam بتحديد الأغنية ثم اقتراح فنانين مشابهين لاستكشافها بعد ذلك
المخاطر والدرابزين
يمكن أن تؤدي أتمتة عملية معطلة إلى تضخيم المشاكل الموجودة.
قد تقوم الفرق بالإفراط في أتمتة وإزالة الحكم البشري المطلوب.
يمكن أن تنحرف الجودة إذا لم يتم تقييم المخرجات بشكل مستمر.
خارطة طريق التنفيذ
قم بتخطيط سير العمل الحالي وحدد خطوة الاحتكاك الأعلى.
تحديد نقاط التفتيش البشرية قبل الأتمتة الكاملة.
تدريب المستخدمين على المطالبات ومسارات التصعيد ومعايير الجودة.
تتبع النتائج على مستوى المهمة لتأكيد القيمة المستدامة.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Music Recommendation Systems quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الذكاء الاصطناعي في أنظمة التوصية
الأسئلة المتداولة
What is AI in Music Recommendation Systems?
يقرر الذكاء الاصطناعي الأغنية التي سيتم تشغيلها بعد ذلك من خلال التعرف على ذوقك من مليارات إشارات الاستماع وصوت الموسيقى نفسها. إنه أمر مهم لأنه يشكل كيفية اكتشاف معظم الأشخاص للموسيقى اليوم وكيفية وصول الفنانين إلى معجبين جدد.
ما هي مشكلة "البداية الباردة" في التوصية الموسيقية؟
تحتاج التصفية التعاونية إلى بيانات التفاعل، لذلك من الصعب التوصية بأغنية جديدة أو مستخدم جديد ليس لديه تشغيلات حتى يساعد التحليل الصوتي القائم على المحتوى.
كيف يساعد تحليل المحتوى الصوتي في التوصية بأغنية تم تحميلها حديثًا؟
تتعلم الشبكات العصبية ميزات الصوت مثل الإيقاع والحالة المزاجية من الصوت نفسه، لذلك لا يزال من الممكن مطابقة المسار الذي لا يتم تشغيله مع موسيقى مماثلة.
تعمل التصفية التعاونية في المقام الأول من خلال إيجاد ماذا؟
إنه يعزز الأنماط عبر العديد من المستخدمين، نهج "الأشخاص الذين أحبوا هذا أيضًا أحبوا ذلك".
في الأنظمة القائمة على التضمين، تعتبر أغنيتان متشابهتين عندما تكون متجهاتهما ماذا؟
يتم تعيين المستخدمين والمسارات إلى المتجهات؛ يشير القرب في تلك المساحة إلى تطابق جيد، مما يحول التوصية إلى بحث أقرب جار.
ما الذي يعتمد عليه مشروع الجينوم الموسيقي لباندورا بشكل كبير؟
فهو يميز الأغاني بالعديد من السمات الموسيقية الدقيقة لبناء محطات لموسيقى مماثلة.