В эпоху, когда только на Spotify ежедневно выходит более 60 000 песен, перед стриминговыми сервисами и радиостанциями стоит сложная задача выбора следующего хита. Традиционные методы, основанные на использовании человеческих слушателей и искусственного интеллекта (ИИ), с трудом преодолевают 50-процентный барьер точности в предсказании того, какие песни найдут отклик у слушателей.
Однако новаторское исследование ученых из Клэрмонтского университета достигло поразительной точности в 97 % при определении хитовых песен, объединив комплексные методы машинного обучения с данными о реакции мозга. Как бизнесмен, я считаю, что это станет переломным моментом для музыкальной индустрии, потенциально позволяя гигантам потокового вещания сэкономить миллионы долларов на курировании и улучшить пользовательский опыт.
В исследовании, опубликованном в журнале Frontiers in Artificial Intelligence, приняли участие 33 человека, оснащенные готовыми датчиками, которые прослушали набор из 24 песен. В ходе эксперимента исследователи измеряли нейрофизиологические реакции участников, уделяя особое внимание мозговым сетям, связанным с настроением и уровнем энергии. Такой подход, получивший название «нейропрогнозирование», позволяет предсказывать эффекты на уровне популяции на основе нейронной активности небольшой группы.
Пол Зак, профессор Клэрмонтского университета и старший автор исследования, подчеркнул важность полученных результатов: «То, что нейронная активность 33 человек может предсказать, слушают ли миллионы других людей новые песни, просто удивительно. Ничего близкого к такой точности ранее не было продемонстрировано».
Исследователи применяли различные статистические подходы для оценки точности предсказания нейрофизиологических переменных. Линейная статистическая модель позволила определить хитовые песни с вероятностью 69 %. Однако когда к собранным данным было применено машинное обучение, точность взлетела до впечатляющих 97 %. Даже если использовать только нейронные реакции на первую минуту песен, модель машинного обучения правильно определяла хиты в 82 % случаев.
Я вижу в этой технологии огромный потенциал. Используя нейропрогнозирование и машинное обучение, сервисы потокового вещания смогут оптимизировать процесс отбора песен, сократить время и ресурсы, затрачиваемые на подбор исполнителей, и обеспечить более высокий процент успеха в предоставлении приятного контента своим пользователям. Это может привести к повышению удовлетворенности пользователей, снижению уровня оттока и, в конечном счете, к увеличению прибыли индустрии.
Более того, исследователи предполагают, что широкое распространение носимых нейротехнологий может произвести революцию в способах предоставления развлечений аудитории. Вместо того чтобы быть перегруженными бесчисленными вариантами, пользователи могли бы получать подборку песен, составленную с учетом их нейрофизиологии, что позволило бы им быстрее и проще находить музыку, которая им понравится.
Хотя исследование имеет ряд ограничений, таких как относительно небольшой размер выборки песен и недостаточная представленность некоторых этнических и возрастных групп, сама методология имеет большие перспективы. Исследователи считают, что их подход может быть распространен не только на определение хитовых песен, но и на предсказание успеха в других видах развлечений, таких как кино и телешоу.
В заключение можно сказать, что сочетание нейропрогнозирования и машинного обучения способно изменить музыкальную индустрию, предложив стриминговым сервисам и радиостанциям мощный инструмент для определения хитовых песен с непревзойденной точностью. Как бизнесмен, я считаю, что использование этой технологии может привести к значительной экономии средств, улучшению пользовательского опыта и конкурентному преимуществу в быстро меняющемся развлекательном ландшафте. Будущее предсказания хитовых песен уже наступило, и оно опирается на искусственный интеллект и мозговые волны».
