AI a zeneajánló rendszerekben
A mesterséges intelligencia dönti el, hogy melyik dalt játssza le a következőképpen, azáltal, hogy megtanulja az ízlését a hallásjelek milliárdjaiból és magából a zene hangjából.
Áttekintés
It matters because it shapes how most people discover music today and how artists reach new fans.
Mély merülés
A zeneajánlók több technikát ötvöznek. Az együttműködésen alapuló szűrés megtalálja a hasonló szokásokkal rendelkező hallgatókat, és azt javasolja, amit élveztek ("azok, akik szeretik ezt is"), ami erőteljes, de a vadonatúj vagy homályos számokkal, a "hidegindítás" problémájával küzd. Ennek kiküszöbölésére a szolgáltatások magát a hangot elemzik: a neurális hálózatok egy dalt spektrogrammá alakítanak, és olyan jellemzőket tanulnak meg, mint a tempó, az energia, a kulcs és a hangulat, így a friss feltöltés nulla lejátszással illeszthető a hasonló hangzású zenéhez. A természetes nyelvi modellek értékeléseket, lejátszási listákat és szövegeket bányásznak a kontextushoz. A Spotify Discover Weeklyje például egyesíti az együttműködésen alapuló jeleket, hangmodelleket és annak elemzését, hogy a dalok hogyan illeszkednek egymáshoz a felhasználók által készített lejátszási listákon, hogy minden héten személyre szabott, 30 számból álló mixet hozzon létre.
Technikai betekintés
Sok rendszer minden felhasználót és minden sávot vektorként ábrázol egy megosztott „beágyazó” térben, amelyet mátrixfaktorizálással vagy kéttornyos neurális hálózatokkal tanulnak meg. Minél közelebb van egymáshoz két vektor, annál jobb az egyezés, így az ajánlás a legközelebbi szomszéd gyors keresésévé válik több millió elem között. Az audiotartalom-modellek egy második tornyot adnak hozzá, amely egy nyers hullámformát vagy spektrogramot képez ugyanabba a térbe, lehetővé téve, hogy egy korábban soha le nem játszott dal kerüljön hangzásbelileg hasonló slágerek közelébe.
Stratégiai hatás
Építési lehetőségek
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Csapat és munkafolyamat
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
Kockázat és biztonság
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
Az AI jövője a zeneajánló rendszerekben
Az ajánlóktól inkább társalgási és kontextustudatossá válnak: Ön egyszerű nyelven fog kérni „hangtalan fókuszú zenét”, és a rendszerek multimodális modellekkel válaszolnak. A generatív mesterséges intelligencia új kérdéseket vet fel, mivel a mesterséges intelligencia nyomon követi a katalógusokat, a platformoknak észlelniük és címkézniük kell őket, és el kell dönteniük, hogyan kerüljenek felszínre. A méltányosságra is egyre nagyobb figyelem irányul, a felfedezéseket a kisebb művészek felé terelve ahelyett, hogy megerősítenének néhány mega-slágert.
Valós megvalósítás
A Spotify Discover Weekly és Daily Mixei, amelyek személyre szabott lejátszási listákat generálnak az Ön hallgatási előzményeiből és hangelemzéseiből
A YouTube Music és az Apple Music automatikusan lejátssza a hasonló zeneszámokat tartalmazó rádiót, miután a sor véget ér
A Pandora's Music Genome Project a dalokat részletes zenei attribútumok alapján címkézi az üzemanyagtöltő állomások ajánlásaihoz
Shazam-stílusú funkciók, amelyek azonosítják a dalt, majd hasonló előadókat javasolnak a következő felfedezésre
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
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
Következő útmutató
AI az ajánlási rendszerekben
Gyakran ismételt kérdések
What is AI in Music Recommendation Systems?
A mesterséges intelligencia dönti el, hogy melyik dalt játssza le a következőképpen, azáltal, hogy megtanulja az ízlését a hallásjelek milliárdjaiból és magából a zene hangjából. Ez azért fontos, mert ez határozza meg, hogy a legtöbb ember hogyan fedezi fel ma a zenét, és hogyan jutnak el az előadók új rajongókhoz.
Mi a „hidegindítás” probléma a zeneajánlásban?
Az együttműködési szűréshez interakciós adatokra van szükség, ezért nehéz új dalt vagy új, lejátszás nélküli felhasználót ajánlani, amíg a tartalomalapú hangelemzés nem segít.
Hogyan segít a hangtartalom-elemzés egy frissen feltöltött dal ajánlásában?
A neurális hálózatok magából a hangból tanulják meg a hangjellemzőket, például a tempót és a hangulatot, így a nulla lejátszású szám továbbra is hasonló zenéhez illeszthető.
Az együttműködésen alapuló szűrés elsősorban úgy működik, hogy mit találunk?
Sok felhasználó mintáit hasznosítja, az „azoknak, akiknek ez tetszett, az is tetszett” megközelítés.
A beágyazáson alapuló rendszerekben két dalt hasonlónak tekintenek, ha mi a vektoruk?
A felhasználók és a sávok vektorokhoz vannak leképezve; az adott tér közelsége jó egyezést jelez, és az ajánlást a legközelebbi szomszéd keresésévé változtatja.
Mire támaszkodik nagymértékben a Pandora's Music Genome Project?
A dalokat számos finom zenei tulajdonsággal jellemzi, hogy hasonló zenei állomásokat építsen.