Spotify treina algoritmo para saber a diferença entre músicas tristes e alegres

Facebook
VKontakte
share_fav

Música alimenta a alma, mas o tipo da comida varia de acordo com nosso estado mental. O modo como respondemos a estímulos, sejam eles quais forem é estritamente pessoal e com os sonoros, música especificamente isso não é diferente. Temos a tendência de ouvir canções mais animadas quando nos encontramos em uma situação de paz de espírito, ao mesmo tempo que preferimos as mais tristes quando estamos para baixo.

Um observador pode prever seu estado emocional apenas checando sua playlist, mas um algoritmo ser capaz de tal coisa é algo completamente diferente. Ainda assim o Spotify acredita que é possível.

Embora o serviço de streaming de música seja muito bom, uma coisa que ele não tem é Simancol: algoritmos capazes de identificar o gosto de seus ouvintes sequer foram implementados, não há uma segmentação de público e por causa disso, mesmo o mais aficcionado dos headbangers continuará recebendo recomendações de playlists (e ouvirá propagandas, caso utilize o plano gratuito) de pagode, sertanejo universitário, música eletrônica e por aí vai.

No entanto o analista de dados formado por Harvard Glenn McDonald, atualmente o “alquimista de dados” do Spotify (é sério!) acredita que é possível fazer com que o aplicativo possa oferecer melhores músicas baseando-se não no histórico de cada assinante, e sim no grau de positividade de cada uma delas. Dessa forma ele e a equipe do Echo Nest, uma startup adquirida pela companhia sueca para melhorar o sistema de recomendações do serviço desenvolveram um algoritmo de rede neural capaz de distinguir a diferença entre músicas tristes e alegres.

O algoritmo original do Spotify, demonstrado no quadro à esquerda identifica volume, tempo, energia e os compara a um grau de positividade, que determina como uma canção pode fazer você se sentir para classifica-las. O software não leva em conta as letras, apenas o ritmo e dessa forma cometeu algumas gafes, como definir You Don’t Have to Say You Love Me de Dusty Springfield como uma canção animada, sendo que ela é exatamente o contrário. Por outro lado ele demonstrou vários acertos, inclusive identificando True Love Waits, do Radiohead como a mais triste da amostragem; recentemente o analista independente Charlie Thompson chegou à mesma conclusão, mas considerando também a letra.

Pensando nisso ele se encarregou de “consertar” a falha da rede neural do Spotify. Thompson combinou o algoritmo com a base da dados do Genius, uma comunidade que reúne letras de mais de 25 milhões de músicas e com isso, seu “Gloom Index” é capaz de identificar e mensurar as palavras utilizadas, combina-las com índice de positividade da pesquisa original e apresentar resultados mais refinados (por exemplo catalogar músicas com ritmo depressivo e letras felizes, e vice-versa), como você pode conferir à direita. Ainda assim ainda não é um resultado perfeito: há dificuldades em identificar sarcasmo nas letras (Happy Little Pill, de Trove Sylvan foi classificada como alegre) e lidar com negativas duplas (Can’t Stop the Feeling, de Justin Timberlake acabou no quadrante triste).

De qualquer forma, o Spotify pretende oferecer mais e melhores recomendações ao identificar que tipo de músicas os assinantes estão escutando, mantê-los na plataforma e fazer com que sintam minimamente compreendidos, ao invés de atochar propagandas e sugestões de ritmos e tipos de música que o ouvinte não consome, ou recomendar uma canção feliz quando ele está de bode e essa é a última coisa que ele quer. Claro, identificar o comportamento do usuário é complicado e muitas vezes antiético , mas o serviço de streaming de música, como muitos outros julga que tais informações são preciosas e obviamente poderão ser revertidas em lucro, logo…

Fonte: The Economist.

The post Spotify treina algoritmo para saber a diferença entre músicas tristes e alegres appeared first on Meio Bit.

ver Meio Bit
#inteligência artificial
#emoções
#apps
#spotify
#algoritmos
#identificação
#tristeza
#redes neurais
#alegria