¿Cómo utiliza Spotify los modelos de aprendizaje automático para recomendar música?

Spotify es una de las aplicaciones de música líderes que utiliza predicciones inteligentes y recomendaciones para sus usuarios. Atrás quedaron los días en que solíamos buscar, descargar y seleccionar manualmente nuestras listas de reproducción para adaptarlas a nuestro gusto. La era actual de Machine Learning y Data Science ha hecho posible que aplicaciones como Spotify comprendan los gustos y gustos de los usuarios y, en consecuencia, recomienden canciones y listas de reproducción seleccionadas.

Al final de este tutorial, tendrá conocimiento de lo siguiente:

• Spotify y sus características únicas
• Cómo Spotify hace predicciones inteligentes
• El aprendizaje automático detrás de esto

Spotify – El genio de la música

A principios de la década de 2000, la mejor y más conveniente forma de descargar y escuchar música era desde sitios web de terceros o mediante piratería. Ambos requirieron tiempo y esfuerzo para buscar primero la canción y luego descargarla. Aún más, el dolor fue crear listas de reproducción que contuvieran las canciones favoritas. Y esas eran listas de reproducción estáticas. Esto significaba que una lista de reproducción permanecería como está a menos que el usuario agregue o elimine canciones manualmente según su gusto. No tan conveniente.

Otro inconveniente fue desde la perspectiva del artista. Los artistas populares no enfrentaron muchos problemas para comercializar sus nuevos lanzamientos, ya que estaban en las listas de éxitos de todo el mundo. Pero los artistas nuevos e independientes se enfrentaron a muchos problemas para llevar su música a un público amplio al que le gustaría la música que están creando. Esto significó que muchos artistas potencialmente asesinos nunca pudieron hacerlo bien o tuvieron que rendirse a las compañías discográficas hostiles.

Spotify cambió el juego. Lanzado en 2008 en Suecia, Spotify tenía como objetivo convertir la industria de la transmisión de música en la corriente principal. Hoy, Spotify se jacta de tener alrededor de 345 millones de usuarios activos mensualmente. Spotify aprovecha el aprendizaje automático y la ciencia de datos en su núcleo y hace recomendaciones y listas de reproducción seleccionadas para sus oyentes en función de los datos que recopila de sus hábitos de escucha, ubicación, edad y muchos más.

Los oyentes ahora no tienen que perder tiempo buscando y descargando manualmente música de su gusto. Ahora reciben listas de reproducción hechas especialmente para ellos. Además, están expuestos a nuevas canciones y artistas cada semana que de otro modo no habrían descubierto. Esto también se hace usando Machine Learning.

No solo esto, sino que los artistas también obtienen la ventaja ahora. Los artistas obtienen la audiencia que de otro modo no habrían obtenido. Su música se recomienda automáticamente a los oyentes a los que les gusta ese tipo de música. Entonces, ¡es un ganar-ganar! Ahora, veamos cómo se aprovechan los modelos de Machine Learning.

Únase al curso de ML en línea de las mejores universidades del mundo: maestrías, programas ejecutivos de posgrado y programa de certificado avanzado en ML e IA para acelerar su carrera.

¿Cómo aprovecha Spotify el aprendizaje automático y la ciencia de datos?

Spotify ofrece cuatro funciones principales a sus usuarios al aprovechar el aprendizaje automático. Éstos incluyen:

• Lista de reproducción de la página de inicio: es la recomendación de la lista de reproducción que aparece en la página de inicio tan pronto como el usuario abre la aplicación.
• Discover Weekly: Es una recomendación de lista de reproducción semanal que se actualiza con nuevas canciones según el gusto del oyente.
• Daily Mix: es una lista de reproducción diaria que consta de las canciones más escuchadas y que más les gustan al oyente.
• Time Capsule: es una lista de reproducción mixta que contiene viejos clásicos y otras canciones retro populares.

De estos, la función Discover Weekly es la característica principal que ofrece Spotify. Utiliza modelos basados ​​en Machine Learning y Big Data que recomiendan 50 canciones nuevas en una lista de reproducción seleccionada todos los lunes. Esto ha ayudado a Spotify a llegar a donde está hoy. Esta característica no solo vincula a las personas con la aplicación, sino que también genera aún más datos y, por lo tanto, las recomendaciones mejoran con el tiempo.

Para Discover Weekly, Spotify recopila una gran cantidad de datos específicos del usuario para comprender el comportamiento y la satisfacción con la lista de reproducción seleccionada. Considera datos como cuánto tiempo pasó el usuario en la lista de reproducción, la cantidad de veces que se reprodujeron las canciones, la cantidad de tiempo que pasó en el álbum de esa canción o la página del artista, si el usuario saltó una canción o no, si el el usuario lo guardó en una lista de reproducción personal o no, y si el usuario volvió a la página Discover Weekly o no. Spotify utiliza 3 tipos de modelos que impulsan su página Discover Weekly:

1. Filtrado colaborativo: el filtrado colaborativo es un componente clave en cualquier sistema de recomendación. Netflix también usa uno y usa el sistema de calificación para recomendar películas. Spotify, por otro lado, no utiliza ningún sistema de calificación sino que depende de las métricas de comportamiento del usuario para ver si el oyente está satisfecho con la recomendación o no.
2. Procesamiento del lenguaje natural: Spotify aprovecha la PNL para comprender el lenguaje que utilizan los oyentes y los críticos de todo el mundo para las canciones. Su sistema NLP sigue rastreando la web en busca de cualquier texto disponible en forma de publicaciones de blog, reseñas y cualquier otro metadato que esté disponible. Las palabras clave se extraen y luego se asignan a la canción como representaciones vectoriales de la misma. Los artistas similares que se mencionan en el blog también se incluyen en la sección de artistas similares. El sistema NLP también asigna pesos a ciertos vectores que se usan varias veces en el blog para ese artista específico. También realiza un seguimiento de las palabras de tendencia que se utilizan y también de su emoción/sentimiento. También utiliza técnicas de incrustación de palabras como Word2Vec para agrupar canciones similares en función de sus letras y etiquetas asociadas a ellas.
3. Modelos de audio: además del análisis basado en texto, Spotify también incorpora modelos de audio basados ​​en redes neuronales convolucionales. Estos datos sin procesar ayudan al modelo a agrupar la canción y ver qué tan cerca está del gusto del usuario. Los modelos de CNN analizan diferentes características de las canciones, como el volumen, la frecuencia, el tempo, los latidos por minuto, la composición, el género, etc. Por lo tanto, las canciones con ritmos, tonos y composición similares obtendrán una calificación alta en las listas de recomendaciones para el usuario.

Relacionado: Modelos de aprendizaje automático

Oportunidades Futuras

Aunque a Spotify le ha ido muy bien en el espacio de las recomendaciones, todavía necesita mejorar en el área de las recomendaciones personalizadas. Es necesario cerrar la brecha entre la satisfacción real del usuario y lo que el modelo de aprendizaje automático cree que es la satisfacción. Adquirieron una startup francesa, Niland, en 2017 para mejorar su tecnología de personalización.

Eso mejoró significativamente el rendimiento de las recomendaciones haciendo que los usuarios obtengan las canciones de acuerdo a su gusto. Spotify también podría estar buscando convertirlo en una plataforma de redes sociales para compartir canciones y listas de reproducción de una mejor manera.

Lea también: Ideas y temas de proyectos de aprendizaje automático

Antes de que te vayas

Con más y más usuarios registrándose, los datos que maneja Spotify aumentarán significativamente en los próximos años. Esto no solo significa una mejor oportunidad para mejorar las recomendaciones, sino también un desafío para manejar tantos datos. Con un poder tan inmenso, los datos de Spotify serán clave para las compañías discográficas y discográficas, así como para tomar decisiones comerciales clave basadas en lo que la gente escucha y le gusta actualmente. Esta será una estrategia de creación de música específica para maximizar las escuchas entre los usuarios.

Spotify también puede transformar su sección de Podcasts para que sea mucho mejor al recomendar nuevos podcasts a los oyentes. Los podcasts que hablan sobre temas y temas similares se pueden agrupar y luego usar en recomendaciones. Con la creciente competencia de aplicaciones como Apple Music y YouTube Music, será interesante ver cómo se desarrolla el espacio de la tecnología musical a lo largo de los años.

Si está interesado en obtener más información sobre árboles de decisión, aprendizaje automático, consulte el Programa PG Ejecutivo en Aprendizaje Automático e IA de IIIT-B y upGrad, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, estado de exalumno de IIIT-B, más de 5 proyectos prácticos finales prácticos y asistencia laboral con las mejores empresas.