كيف يستخدم Spotify نماذج التعلم الآلي للتوصية بالموسيقى؟

Spotify هو أحد تطبيقات الموسيقى الرائدة التي تستخدم التنبؤات الذكية والتوصيات لمستخدميها. لقد ولت الأيام التي اعتدنا فيها على البحث يدويًا عن قوائم التشغيل وتنزيلها وتنظيمها لتناسب أذواقنا. أتاح العصر الحالي للتعلم الآلي وعلوم البيانات لتطبيقات مثل Spotify أن تفهم ذوق المستخدمين وميولهم وبالتالي التوصية بالأغاني وقوائم التشغيل المنسقة.

بنهاية هذا البرنامج التعليمي ، ستكون لديك معرفة بما يلي:

• Spotify وميزاته الفريدة
• كيف يقوم Spotify بعمل تنبؤات ذكية
• التعلم الآلي وراءها

سبوتيفي - جني الموسيقى

خلال أوائل العقد الأول من القرن الحادي والعشرين ، كانت الطريقة الأفضل والأكثر ملاءمة لتنزيل الموسيقى والاستماع إليها إما من مواقع ويب تابعة لجهات خارجية أو عن طريق القرصنة. تطلب كلاهما وقتًا وجهدًا للبحث عن الأغنية أولاً ، ثم تنزيلها. أكثر من ذلك ، كان الألم يتمثل في إنشاء قوائم تشغيل تحتوي على الأغاني المفضلة. وكانت تلك قوائم تشغيل ثابتة. هذا يعني أن قائمة التشغيل ستبقى كما هي ما لم يقم المستخدم بإضافة أو إزالة الأغاني يدويًا حسب رغبته. ليست مريحة جدا.

كان هناك جانب سلبي آخر من وجهة نظر الفنان. لم يواجه الفنانون المشهورون الكثير من المشكلات لتسويق إصداراتهم الجديدة حيث كانوا في جميع أنحاء العالم. لكن الفنانين الجدد والمستقلين واجهوا الكثير من المشكلات لإيصال موسيقاهم إلى جمهور عريض يرغب في الموسيقى التي يبتدعونها. هذا يعني أن الكثير من الفنانين الذين يحتمل أن يكونوا قاتلين لم يكونوا قادرين على الأداء الجيد أو اضطروا إلى الاستسلام لشركات التسجيل المعادية.

غيرت Spotify اللعبة. تم إطلاق Spotify في عام 2008 في السويد ، وكان يهدف إلى تحويل صناعة بث الموسيقى إلى الاتجاه السائد. اليوم ، تفتخر Spotify بحوالي 345 مليون مستخدم نشط شهريًا. يستفيد Spotify من التعلم الآلي وعلم البيانات في جوهره ويقدم توصيات وقوائم تشغيل منظمة للمستمعين بناءً على البيانات التي يجمعها من عادات الاستماع والموقع والعمر وغير ذلك الكثير.

لا يتعين على المستمعين الآن قضاء الوقت يدويًا في البحث عن الموسيقى التي تناسب ذوقهم وتنزيلها. يحصلون الآن على قوائم تشغيل مصممة خصيصًا لهم. علاوة على ذلك ، فإنهم يتعرضون لأغاني وفنانين جدد كل أسبوع لم يكتشفوا لولا ذلك. يتم ذلك باستخدام التعلم الآلي أيضًا.

ليس هذا فقط ، لكن الفنانين أيضًا يحصلون على الميزة الآن. يحصل الفنانون على الجمهور الذي لم يكن ليحصلوا عليه بطريقة أخرى. يتم اقتراح موسيقاهم تلقائيًا للمستمعين الذين يحبون هذا النوع من الموسيقى. لذا ، فهو فوز للجميع! الآن ، دعنا نرى كيف يتم الاستفادة من نماذج التعلم الآلي.

انضم إلى دورة ML عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادة المتقدم في ML & AI لتسريع حياتك المهنية.

كيف يستفيد Spotify من التعلم الآلي وعلوم البيانات؟

تقدم Spotify أربع ميزات رئيسية لمستخدميها من خلال الاستفادة من التعلم الآلي. وتشمل هذه:

• قائمة تشغيل الصفحة الرئيسية: هي توصية قائمة التشغيل التي تظهر على الصفحة الرئيسية بمجرد أن يفتح المستخدم التطبيق.
• Discover Weekly: هي توصية قائمة تشغيل أسبوعية يتم تحديثها بأغاني جديدة بناءً على ذوق المستمع.
• ديلي ميكس: هي قائمة تشغيل يومية تتكون من الأغاني الأكثر تشغيلًا والأكثر إعجابًا لدى المستمع.
• كبسولة الوقت: هي قائمة تشغيل مختلطة تحتوي على كلاسيكيات قديمة وأغاني قديمة أخرى.

من بين هؤلاء ، تعد ميزة Discover Weekly هي الميزة الرئيسية التي يقدمها Spotify. يستخدم نماذج قائمة على التعلم الآلي والبيانات الضخمة التي توصي بـ 50 أغنية جديدة في قائمة تشغيل منسقة كل يوم اثنين. وقد ساعد هذا Spotify في الوصول إلى ما هو عليه اليوم. لا تعمل هذه الميزة على ربط الأشخاص بالتطبيق فحسب ، بل إنها تولد أيضًا المزيد من البيانات ، وبالتالي تتحسن التوصيات بمرور الوقت.

بالنسبة لـ Discover Weekly ، يجمع Spotify الكثير من البيانات الخاصة بالمستخدم لفهم السلوك والرضا عن قائمة التشغيل المنسقة. يأخذ في الاعتبار بيانات مثل مقدار الوقت الذي يقضيه المستخدم في قائمة التشغيل ، وعدد مرات تشغيل الأغاني ، ومقدار الوقت الذي يقضيه المستخدم في ألبوم تلك الأغنية أو صفحة الفنان ، إذا تخطى المستخدم أغنية أم لا ، إذا كان قام المستخدم بحفظه في قائمة تشغيل شخصية أم لا ، وإذا عاد المستخدم إلى صفحة Discover Weekly أم لا. يستخدم Spotify 3 أنواع من النماذج التي تعمل على تشغيل صفحة Discover Weekly:

1. التصفية التعاونية: التصفية التعاونية هي مكون رئيسي في أي نظام توصية. يستخدم Netflix أيضًا واحدًا ويستخدم نظام التصنيف للتوصية بالأفلام. من ناحية أخرى ، لا يستخدم Spotify أي نظام تصنيف ولكنه يعتمد على مقاييس سلوك المستخدم لمعرفة ما إذا كان المستمع راضيًا عن التوصية أم لا.
2. معالجة اللغة الطبيعية: يستفيد Spotify من البرمجة اللغوية العصبية لفهم اللغة التي يستخدمها المستمعون والمراجعون حول العالم للأغاني. يستمر نظام البرمجة اللغوية العصبية الخاص بهم في الزحف إلى الويب بحثًا عن أي نص متاح في شكل منشورات مدونة ومراجعات وأي بيانات وصفية أخرى متاحة. يتم استخراج الكلمات الأساسية ثم تخصيصها للأغنية على أنها تمثيلات متجهية لها. يتم أيضًا دمج الفنانين المشابهين المذكورين في المدونة في قسم الفنانين المماثل. يقوم نظام البرمجة اللغوية العصبية أيضًا بتعيين أوزان لمتجهات معينة يتم استخدامها عدة مرات في المدونة لهذا الفنان المحدد. كما أنه يتتبع الكلمات الشائعة التي يتم استخدامها وعاطفتها / مشاعرها أيضًا. كما تستخدم تقنيات تضمين الكلمات مثل Word2Vec لتجميع الأغاني المتشابهة بناءً على كلماتها والعلامات المرتبطة بها.
3. النماذج الصوتية: بصرف النظر عن التحليل المستند إلى النص ، يدمج Spotify أيضًا نماذج صوتية تستند إلى الشبكات العصبية التلافيفية. تساعد هذه البيانات الأولية النموذج في تجميع الأغنية ومعرفة مدى قربها من إعجاب المستخدم. تحلل نماذج CNN خصائص الأغاني المختلفة مثل الجهارة والتردد والإيقاع والنبضات في الدقيقة والتكوين والنوع وما إلى ذلك. لذلك ، سيتم تصنيف الأغاني ذات الإيقاعات المتشابهة والنغمة والتركيب في مرتبة عالية في مخططات التوصية للمستخدم.

ذات صلة: نماذج التعلم الآلي

فرص مستقبلية

على الرغم من أن Spotify كان يعمل بشكل جيد للغاية في مساحة التوصية ، إلا أنه لا يزال بحاجة إلى التحسين في منطقة التوصية المخصصة. يجب سد الفجوة بين الرضا الفعلي للمستخدم وما يعتقد نموذج التعلم الآلي أنه الرضا. استحوذوا على شركة ناشئة فرنسية Niland في عام 2017 لتحسين تكنولوجيا التخصيص الخاصة بهم.

أدى ذلك إلى تحسين أداء التوصيات بشكل كبير مما جعل المستخدمين يحصلون على الأغاني حسب رغبتهم. قد تتطلع Spotify أيضًا إلى تحويلها إلى نظام أساسي للوسائط الاجتماعية لمشاركة الأغاني وقوائم التشغيل بطريقة أفضل.

اقرأ أيضًا: أفكار ومواضيع لمشروع التعلم الآلي

قبل ان تذهب

مع تسجيل المزيد والمزيد من المستخدمين ، ستزداد البيانات التي يتعامل معها Spotify بشكل كبير في السنوات القادمة. هذا لا يعني فقط فرصة أفضل للحصول على توصيات محسّنة ولكن أيضًا تحدٍ للتعامل مع الكثير من البيانات. مع هذه القوة الهائلة ، ستكون بيانات Spotify أساسية لشركات الموسيقى والتسجيلات وكذلك لاتخاذ قرارات العمل الرئيسية بناءً على ما يستمع إليه الناس حاليًا وما يعجبهم. ستكون هذه إستراتيجية مستهدفة لصنع الموسيقى لزيادة عدد مرات الاستماع عبر المستخدمين.

يمكن لـ Spotify أيضًا تحويل قسم البودكاست الخاص بهم لجعله أفضل بكثير في التوصية ببودكاست جديدة للمستمعين. يمكن تجميع المدونات الصوتية التي تتحدث عن مواضيع وموضوعات متشابهة معًا ثم استخدامها في التوصيات. مع تزايد المنافسة من تطبيقات مثل Apple Music و YouTube Music ، سيكون من المثير للاهتمام أن نرى كيف تتطور مساحة تكنولوجيا الموسيقى على مر السنين.

إذا كنت مهتمًا بمعرفة المزيد حول أشجار القرار ، والتعلم الآلي ، فراجع برنامج IIIT-B & upGrad's Executive PG في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة و المهام ، وحالة خريجي IIIT-B ، وأكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع كبرى الشركات.