پژوهشگران میگویند هوش مصنوعی اکنون این توانایی را دارد که آهنگهای موفق را با دقت ۹۷ درصد پیشبینی کند، اما خودش در ساخت موسیقی محبوب، ناکام است.
به گزارش ایسنا، پیشبینی موسیقی و ترانهای که محبوب و پربازدید و پرشنونده یا اصطلاحا هیت(Hit) شود، کار سادهای نیست.
سرویسهای پخش موسیقی محبوب روزانه یا هفتگی یک میکس تازه از موسیقی را به مردم ارائه میدهند. سرویس اسپاتیفای این کار را با ویژگی Discover Weekly خود انجام میدهد که هر دوشنبه یک فهرست پخش از ۳۰ آهنگ جدید را در اختیار کاربران قرار میدهد.
یکی دیگر از سرویسهای موسیقی به نام پاندورا، پس از تجزیه و تحلیل ۴۵۰ ویژگی از طریق «پروژه ژنوم موسیقی» خود، موسیقی جدیدی را با استفاده از «آهنگهای شخصی شده» معرفی میکند.
ردیابی احتمال اینکه افراد چه چیزهایی را به فهرست پخش خود اضافه کنند، متعاقباً پشتیبانی ایجاد میکند که منجر به یک آهنگ موفق میشود.
اکنون پژوهشگران در ایالات متحده از روش یادگیری ماشینی استفاده کردهاند که میتواند با دقت ۹۷ درصد پیشبینی کند که آیا یک آهنگ موفق خواهد بود یا نه.
روشهای مختلفی مانند تجزیه و تحلیل متن آهنگ، پستهای وبلاگ، یادآوریها در رسانههای اجتماعی و فعالیت مغز قبلاً برای پیشبینی موسیقی موفق آزمایش شدهاند. پژوهشگران در مطالعه خود گفتند، با این حال، دقت پیش بینی در اغلب چنین مطالعاتی بسیار پایین بوده است.
آنها با ذکر یک مثال، یک مطالعه قبلی را نقل کردند که از امآرآی کاربردی برای پیشبینی محبوبیت موسیقی با دقت پیشبینی زیر ۵۰ درصد استفاده میکرد.
نقشه برداری دادههای عصبی از طریق یادگیری ماشینی
آنها روش یادگیری ماشینی را برای پاسخهای مغزی ۳۳ فرد در محدوده سنی ۱۸ تا ۵۷ سال به کار گرفتند. شرکتکنندگان به حسگرهای ریتم PPG+ مجهز شدند و به ۲۴ آهنگ جدید گوش دادند. از آنها در مورد ترجیحات آنها برای هر یک از آهنگها سؤال شد. شرکت کنندگان همچنین یک نظرسنجی در مورد جمعیتشناسی انجام دادند.
سپس پژوهشگران از یک پلتفرم(سکو) برای سنجش پاسخهای عصبی فیزیولوژیک استفاده کردند. این سکو سیگنالهای مرتبط با توجه و طنین احساسی را ترکیب میکند که «مغز به عنوان پیشبینی کننده» یا «پیشبینی عصبی» نامیده میشود که رویکردی است که فعالیت عصبی گروه کوچکی از شرکت کنندگان را برای پیشبینی نتایج در یک جمعیت به تصویر میکشد.
پژوهشگران این مطالعه میگویند: تحلیل ما نشان داد که دو معیار غوطهور شدن نوروفیزیولوژیک در موسیقی، محبوبیت یا عدم محبوبیت یک آهنگ را با دقت ۶۹ درصد شناسایی میکند.
با این حال، استفاده از یک مدل یادگیری ماشینی برای دادههای عصبی، دقت این پیشبینی را از ۶۹ درصد به ۹۷ درصد افزایش داد.
این گروه پژوهشی به این نتیجه رسید که این یافتهها راه را برای سرویسهای استریم(پخش موسیقی) برای ساختن فهرستهای پخش سفارشیشده به طور مؤثرتر هموار میکند و به مردم آنچه را که میخواهند، ارائه میکند و همچنین موتورهای پیشنهادی موجود را بهبود میبخشد که به نفع هنرمندان، توزیعکنندگان و مصرفکنندگان است.
نفوذ هوش مصنوعی به صنعت موسیقی
سرویس اسپاتیفای سرویس مشابهی به نام DJ راهاندازی کرده است. این سرویس مجهز به هوش مصنوعی در ماه فوریه، نسخههای جدید را برای مطابقت با علاقهمندیها و دوست نداشتنیهای کاربران بررسی میکند و در مورد آهنگ و هنرمندان آینده توضیحاتی ارائه میکند.
با این حال، همه در صنعت موسیقی از ادغام روزافزون هوش مصنوعی با موسیقی راضی نیستند. به عنوان مثال گروه موسیقی یونیورسال، ایمیلی جدی به اسپاتیفای، اپل موزیک و سایرین ارسال کرده بود تا اجازه ندهند شرکتهای هوش مصنوعی برای آموزش دستگاههای خود «بدون کسب رضایتهای لازم» به موسیقیهای دارای حق چاپ دسترسی داشته باشند.
در چکیده این مطالعه آمده است: شناسایی آهنگهای موفق بسیار دشوار است. به طور سنتی، عناصر آهنگ از پایگاههای داده بزرگ اندازهگیری میشد تا جنبههای مختلف و میزان محبوبیت احتمالی شناسایی شود. ما یک رویکرد روششناختی متفاوت در پیش گرفتیم و پاسخهای عصبی فیزیولوژیک را به مجموعهای از آهنگهای ارائه شده توسط یک سرویس پخش موسیقی که آهنگهای محبوب و غیر محبوب را شناسایی میکرد، اندازهگیری کردیم.
ما چندین رویکرد آماری را برای بررسی دقت پیشبینی هر تکنیک مقایسه کردیم. یک مدل آماری خطی با استفاده از دو معیار عصبی، آهنگهای موفق را با دقت ۶۹ درصد شناسایی کرد.
سپس مجموعهای از دادههای مصنوعی ایجاد کردیم و از یادگیری ماشینی، مجموعهای برای گرفتن دادههای غیرخطی در دادههای عصبی استفاده کردیم. این مدل آهنگهای موفق را با دقت ۹۷ درصد شناسایی کرد.
استفاده از یادگیری ماشینی در پاسخ عصبی به دقیقه اول آهنگهایی که به طور دقیق طبقهبندی شدهاند، در ۸۲ درصد مواقع نشان میدهد که مغز به سرعت موسیقی موفق را شناسایی میکند.
نتایج ما نشان میدهد که استفاده از یادگیری ماشینی برای دادههای عصبی میتواند به طور قابلتوجهی دقت طبقهبندی آهنگها را برای پیشبینی نتایج آنها در بازار موسیقی افزایش دهد.
هوش مصنوعی، عالِمِ بی عمل
پژوهشگران میگویند با اینکه اکنون هوش مصنوعی میتواند با دقت ۹۷ درصد آهنگهای موفق و محبوب در آینده را تشخیص دهد، اما موسیقیهایی که خودش تولید میکند، کیفیت فوق العادهای ندارند.
به گفته آنها، موسیقیهای نوشته شده توسط هوش مصنوعی به این زودی برنده جایزه گِرَمی نخواهد شد، اما آهنگهای نوشته شده توسط انسان با برخی عناصر تولید شده توسط هوش مصنوعی ممکن است بتواند.
بر این اساس به نظر میرسد آهنگهایی که اخیرا توسط هوش مصنوعی از صدای خوانندگان مشهور تقلید شده است، جدی گرفته نمیشوند.
به عنوان مثال یک آهنگ جعلی که توسط هوش مصنوعی تولید شده بود، در ماه آوریل به قیمت ۹۷۲۲ دلار آمریکا فروخته شد و اسپاتیفای مدتی است که مشغول پاکسازی دهها هزار آهنگ ساخته شده توسط هوش مصنوعی از کتابخانه آهنگهای خود است.
هاروی میسون جونیور، مدیر عامل آکادمی ضبط صدا هفته گذشته گفت که اگرچه این سازمان موسیقیهایی با صداهای تولید شده توسط هوش مصنوعی یا سازهای محدود را برای به رسمیت شناختن جایزه در نظر میگیرد، اما فقط به آهنگهایی که «بیشتر توسط یک انسان» نوشته و اجرا شده است، توجه میکند.
میسون در یک مصاحبه گفت: در این مرحله، ما اجازه میدهیم موسیقی و محتوای هوش مصنوعی ارسال شود، اما اجازه شرکت در جایزه گرمی تنها به آثار انسانی که خلاقانه در دستههای مناسب مشارکت کردهاند، داده میشود.
وی افزود: اگر هوش مصنوعی خوانندهی بخشی از آهنگ یا نوازنده برخی از سازهای آهنگ باشد، آن را در نظر خواهیم گرفت، اما در یک دسته بندی مبتنی بر ترانه سرایی، ترانه و آهنگ باید بیشتر توسط یک انسان نوشته شده باشد. همین امر در مورد دستههای اجرا و خوانندگی نیز صدق میکند و فقط یک خواننده انسانی میتواند برای کسب جایزه گرمی رقابت کند.
وی در پایان گفت: اگر هوش مصنوعی آهنگسازی کاری را انجام داده یا موسیقی آن را نوشته است، این یک ملاحظه متفاوت است، اما جایزه گرمی به انسانها خواهد رسید.
نظرات وی به این معنی است که آهنگهای جعلی اخیر که اوایل امسال و قبل از حذف شدن از پلتفرمهای پخش موسیقی به دلیل عدم رعایت حق پخش در فضای مجازی منتشر شد، برای شرکت در رقابت کسب جایزه گرمی واجد شرایط نخواهند بود.
البته میسون اذعان کرد که هوش مصنوعی صنعت موسیقی را متحول خواهد کرد. وی گفت: هوش مصنوعی قطعاً و بدون تردید در شکلدهی آینده صنعت موسیقی ما نقش خواهد داشت. بنابراین ما باید شروع به برنامهریزی در مورد آن کنیم و به معنای واقعی برای آن فکر کنیم. به این که چگونه میتوانیم خودمان را با آن تطبیق دهیم؟ چگونه میتوانیم استانداردهایی را برای آن تعیین کنیم؟ چیزهای زیادی در مورد هوش مصنوعی وجود دارد که به صنعت ما مربوط میشود.
وی افزود که اخیراً نشستی را با رهبران صنعت موسیقی، کارآفرینان فناوری، سکوهای پخش موسیقی و افرادی از جامعه هنرمندان برگزار کرده است تا در مورد آینده هوش مصنوعی بحث و تبادل نظر کنند.