Få computere ind i rillen

Computere har revolutioneret produktionen, distributionen og forbruget af musik, men når det kommer til at anbefale en god melodi, mangler de stadig hårdt.

Lyder ens: Et Facebook-spil kaldet Herd It bliver brugt af forskere ved University of California, San Diego, til at klassificere musik i forskellige genrer.

Der er masser af anbefalingssystemer derude. iTunes tilbyder Genius, som opretter spillelister og foreslår musik ved at sammenligne en samling med andre brugeres, og adskillige musikorienterede sociale netværkssider tilbyder anbefalinger inspireret af, hvad en persons venner lytter til. Nu bruger forskere ved University of California, San Diego (UCSD), maskinlæring, i kombination med et Facebook-spil, til at klassificere musik baseret på automatiseret analyse af sangene.

Gert Lanckriet , en adjunkt ved UCSD, som arbejder på projektet, siger, at den automatiserede tilgang fra hans gruppes musiksøgnings- og anbefalingsmaskine betyder, at den kan analysere enorme mængder af sange, hvilket potentielt giver brugerne anbefalinger fra et meget større musikbibliotek. Systemet kan også foretage domme om sange, som det aldrig er stødt på før.

UCSD-forskerne ønsker, at deres system skal være i stand til at tagge sange, så brugerne ikke kun kan søge efter kunstner eller sangtitel, men også efter genre, instrument og endda beskrivende ord som romantisk eller uhyggelig. Med dette mål i tankerne, indsamler de oplysninger om sange ved hjælp af en Facebook-applikation kaldet Herd It. Spillet giver brugere point, når de tagger sange på måder, der stemmer overens med andre brugeres tags, og indsamler enorme mængder data i processen.

Når først disse data er indsamlet, siger Lanckriet, grupperer forskernes system sange i henhold til de tags, som brugerne har givet dem, og søger derefter efter karakteristiske mønstre i selve musikken. Den anvender en statistisk analyse på de bølgeformmønstre, der repræsenterer hver sang, og leder efter fælles træk blandt sange grupperet efter tag.

Omkring 90 procent af tiden, siger Lanckriet, identificerer systemet mønstre, der normalt er skjulte. For eksempel kan de mønstre, der identificerer en hiphopsang, omfatte et typisk hiphopbeat, men også elementer, som lytteren ikke ville genkende som et mønster i sangen. I gennemsnit forudsiger disse automatiske tags andre menneskers [tags] stort set lige så præcist, som en given menneskelig person kan gøre, siger Lanckriet.

Forskerne arbejder i øjeblikket på at indsamle mere data for at træne deres system, og Lanckriet mener, at systemet har et kommercielt potentiale. Han forestiller sig et system, der kunne tage en ukendt sang – fra et uafhængigt band, eller endda noget optaget i en brugers garage – og derefter analysere det på farten og foreslå passende tags og lignende musik.

Den populære internetradioside Pandora udfører en lignende tjeneste, nedbryder sange og analyserer deres egenskaber. Siden blev grundlagt i 2000 og giver brugerne mulighed for at vælge en sang eller kunstner og finder derefter lignende sange. Brugere kan hurtigt finjustere resultaterne for at skabe en meget personlig streaming radiostation.

Men Pandoras teknologi er 100 procent manuel, ifølge Tim Westergren , virksomhedens strategichef og stifter. Gennem Music Genome Project , et hold af musikere evaluerer sange og scorer dem efter 400 forskellige egenskaber. Når først disse attributter er identificeret, siger Westergren, er det ret ligetil matematik at komme med anbefalinger til brugerne. Han siger, at Pandora er åben for at inkorporere mere automatiserede tilgange til at analysere sange, men tilføjer, at vi endnu ikke har fundet en, som vi synes er virkelig værditilvækst til det, vi laver.

Andre virksomheder arbejder også på automatisk analyse af musik. Echo Nest , en startup baseret i Somerville, MA, transformerer bølgeformsmønstrene for sange i henhold til simuleringer af, hvordan det menneskelige øre hører musik. Derfra anvender Echo Nest's system filtre, der identificerer funktioner i sangen, såsom tempo og tonehøjde, ifølge virksomhedens medstifter og CTO Tristan jehan .

Når det er gjort, kombinerer Echo Nest's system denne information med tagging-information hentet fra blogs og andre data, der er lagt ud på internettet. Den anvender derefter maskinlæringsalgoritmer til at identificere funktioner i sange, der almindeligvis er forbundet med specifikke tags, ligesom UCSD-forskernes software gør.

Forskellen ifølge Jehan er, at i stedet for at identificere komplekse mønstre i bølgeformerne, fokuserer Echo Nests software på funktioner, der ville blive genkendt af en menneskelig lytter.

Forrester Research analytiker Sonal Gandhi , der følger musikindustrien, siger, at mere automatiserede metoder til musiksøgning og -anbefaling kan blive vigtige, efterhånden som on-demand-musik bliver mere populær, og websteder føler et øget pres for at hjælpe brugerne med at finde ny musik.

Tim Crawford , en lektor i computational musicology ved Goldsmiths University of London, siger, at selvom analyse af musik ved hjælp af computere er et meget interessant og lovende forskningsområde, vil det være svært at skabe en musiksøgemaskine, der er både generel og fuldautomatisk. Musiklighed er sådan en personlig og varierende ting, siger Crawford. To heavy-metal-numre kan virke meget lig en klassisk musik-ekspert som mig, men helt anderledes end en heavy-metal-entusiast, som til gengæld kan betragte Brahms og Tjajkovskijs musik som meget ens, hvilket ville være til grin for mig.

skjule