Il machine learning identifica i brani di successo con una precisione del 97%.

Ogni giorno vengono pubblicate decine di migliaia di canzoni. Questo flusso costante di scelte rende difficile per i servizi di streaming e le stazioni radio scegliere quali brani aggiungere alle playlist. Per trovare persone che avrebbero risuonato con un vasto pubblico, questi servizi hanno utilizzato ascoltatori umani e intelligenza artificiale. Tuttavia, questo approccio, che rimane con un tasso di precisione del 50%, non prevede in modo affidabile se le canzoni diventeranno dei successi.

Ora, i ricercatori negli Stati Uniti hanno utilizzato esaustivo apprendimento automatico Una tecnica applicata alle risposte cerebrali è stata in grado di prevedere le canzoni di successo con una precisione del 97%.

ha detto Paul Zak, professore alla Claremont Graduate University e primo autore di Studio pubblicato su Frontiers in Artificial Intelligence. “Il fatto che l’attività neurale di 33 persone possa prevedere se milioni di altri hanno ascoltato nuove canzoni è piuttosto sorprendente. Nulla di simile a questa accuratezza è stato mostrato prima.”

Apprendimento automatico con dati neurali

I partecipanti allo studio sono stati dotati di sensori già pronti, hanno ascoltato una serie di 24 canzoni e hanno chiesto informazioni sulle loro preferenze e alcuni dati demografici. Durante l’esperimento, gli scienziati hanno misurato le risposte neurofisiologiche dei partecipanti alle canzoni. “I segnali cerebrali che abbiamo raccolto riflettono l’attività della rete cerebrale associata all’umore e ai livelli di energia”, ha detto Zak. Ciò ha permesso ai ricercatori di prevedere i risultati del mercato, incluso il numero di stream di brani, sulla base di pochi dati.

Questo approccio è chiamato “neuroforecasting”. Cattura l’attività neurale di un piccolo gruppo di persone per prevedere gli effetti a livello di popolazione senza dover misurare l’attività cerebrale di centinaia di persone.

Dopo aver raccolto i dati, i ricercatori hanno utilizzato diversi metodi statistici per valutare l’accuratezza predittiva delle variabili neurofisiologiche. Ciò ha consentito il confronto diretto dei modelli. Per migliorare l’accuratezza predittiva, hanno addestrato un modello ML che ha testato diversi algoritmi per raggiungere i risultati di previsione più elevati.

Hanno scoperto che un modello statistico lineare identificava i brani di successo con una percentuale di successo del 69%. Quando hanno applicato l’apprendimento automatico ai dati raccolti, il tasso di canzoni di successo identificate correttamente è balzato al 97%. Hanno anche applicato l’apprendimento automatico alle risposte neurali nel primo minuto delle canzoni. In questo caso, i risultati sono stati correttamente identificati con una percentuale di successo dell’82%.

“Ciò significa che i servizi di streaming possono identificare in modo più efficiente i nuovi brani che potrebbero essere hit per le playlist delle persone, il che rende il lavoro dei servizi di streaming più facile e gli ascoltatori felici”, ha spiegato Zak.

metodi di iterazione

“Se in futuro le tecnologie indossabili delle neuroscienze, come quelle che abbiamo utilizzato in questo studio, diventeranno popolari, sarà possibile inviare al pubblico un intrattenimento appropriato in base alla loro neurofisiologia. Invece di offrire centinaia di scelte, potrebbero esserne fornite solo due o tre una scelta di musica che potranno godere più facilmente e più velocemente.

Nonostante i risultati di previsione quasi perfetti del suo team, i ricercatori sottolineano alcune limitazioni. Ad esempio, hanno usato relativamente poche canzoni nella loro analisi. Inoltre, i dati demografici dei partecipanti allo studio erano moderatamente diversi, ma non includevano individui di determinate età e gruppi etnici.

Tuttavia, i ricercatori ipotizzano che il loro approccio possa probabilmente essere utilizzato al di là dell’identificazione di un successo, in parte perché è così facile da implementare. “Il nostro contributo principale è la metodologia. Questo approccio può potenzialmente essere utilizzato anche per prevedere molti altri tipi di intrattenimento, inclusi film e programmi TV”, ha concluso Zack.