Bagaimana Spotify Menggunakan Model Pembelajaran Mesin Untuk Merekomendasikan Musik?

Spotify adalah salah satu aplikasi musik terkemuka yang menggunakan prediksi dan rekomendasi cerdas untuk penggunanya. Lewatlah sudah hari-hari ketika kami biasa mencari, mengunduh, dan menyusun daftar putar secara manual agar sesuai dengan selera kami. Era Pembelajaran Mesin dan Ilmu Data saat ini telah memungkinkan aplikasi seperti Spotify untuk memahami selera dan kesukaan pengguna dan karenanya merekomendasikan lagu dan daftar putar yang dikuratori.

Pada akhir tutorial ini, Anda akan memiliki pengetahuan tentang hal-hal berikut:

• Spotify dan fitur uniknya
• Bagaimana Spotify membuat prediksi cerdas
• Pembelajaran Mesin di baliknya

Spotify – Genie Musik

Selama awal 2000-an, cara terbaik dan paling nyaman untuk mengunduh dan mendengarkan musik adalah dari situs web pihak ketiga atau dengan pembajakan. Keduanya membutuhkan waktu dan tenaga untuk mencari lagu terlebih dahulu, kemudian mendownloadnya. Terlebih lagi, rasa sakitnya adalah membuat daftar putar yang berisi lagu-lagu favorit. Dan itu adalah daftar putar statis. Ini berarti bahwa daftar putar akan tetap seperti apa adanya kecuali jika pengguna menambahkan atau menghapus lagu secara manual sesuai keinginan mereka. Tidak begitu nyaman.

Kelemahan lain adalah dari sudut pandang artis. Artis populer tidak menghadapi banyak masalah untuk memasarkan rilisan baru mereka karena mereka berada di seluruh tangga lagu di seluruh dunia. Tetapi artis baru dan independen menghadapi banyak masalah untuk membawa musik mereka ke khalayak luas yang menyukai musik yang mereka ciptakan. Ini berarti bahwa banyak artis yang berpotensi menjadi pembunuh tidak pernah mampu melakukannya dengan baik atau harus menyerah pada perusahaan rekaman yang bermusuhan.

Spotify mengubah permainan. Diluncurkan pada tahun 2008 di Swedia, Spotify bertujuan untuk mengubah industri streaming musik menjadi arus utama. Saat ini, Spotify membanggakan sekitar 345 juta pengguna aktif setiap bulan. Spotify memanfaatkan Pembelajaran Mesin dan Ilmu Data pada intinya dan membuat rekomendasi serta daftar putar yang dikurasi untuk pendengarnya berdasarkan data yang dikumpulkan dari kebiasaan mendengarkan, lokasi, usia, dan banyak lagi.

Pendengar sekarang tidak perlu menghabiskan waktu mencari dan mengunduh musik secara manual sesuai selera mereka. Mereka sekarang mendapatkan daftar putar yang dibuat khusus untuk mereka. Selain itu, mereka mendapatkan lagu dan artis baru setiap minggu yang tidak akan mereka temukan. Ini dilakukan dengan menggunakan Machine Learning juga.

Tak hanya itu, para artis pun kini mendapatkan keuntungan. Para seniman mendapatkan penonton yang tidak akan mereka dapatkan sebaliknya. Musik mereka secara otomatis direkomendasikan kepada pendengar yang menyukai jenis musik tersebut. Jadi, ini adalah win-win! Sekarang, mari kita lihat bagaimana model Machine Learning dimanfaatkan.

Bergabunglah dengan kursus ML online dari Universitas top dunia – Magister, Program Pascasarjana Eksekutif, dan Program Sertifikat Tingkat Lanjut di ML & AI untuk mempercepat karier Anda.

Bagaimana Spotify Memanfaatkan Pembelajaran Mesin dan Ilmu Data?

Spotify menawarkan empat fitur utama kepada penggunanya dengan memanfaatkan Machine Learning. Ini termasuk:

• Daftar Putar Halaman Beranda: Ini adalah rekomendasi daftar putar yang muncul di halaman beranda segera setelah pengguna membuka aplikasi.
• Discover Weekly: Merupakan rekomendasi playlist mingguan yang disegarkan dengan lagu-lagu baru berdasarkan selera pendengar.
• Campuran Harian: Ini adalah daftar putar harian yang terdiri dari lagu-lagu yang paling sering diputar dan disukai pendengar.
• Time Capsule: Ini adalah playlist campuran yang berisi lagu klasik lama dan lagu retro populer lainnya.

Dari jumlah tersebut, fitur Discover Weekly adalah fitur unggulan yang ditawarkan Spotify. Ini menggunakan Pembelajaran Mesin dan model berbasis Big Data yang merekomendasikan 50 lagu baru dalam daftar putar yang dikuratori setiap hari Senin. Ini telah membantu Spotify mencapai posisinya saat ini. Fitur ini tidak hanya mengikat orang ke aplikasi, tetapi juga menghasilkan lebih banyak data dan karenanya rekomendasi meningkat dari waktu ke waktu.

Untuk Discover Weekly, Spotify mengumpulkan banyak data khusus pengguna untuk memahami perilaku dan kepuasan dengan daftar putar yang dikuratori. Ini mempertimbangkan data seperti berapa banyak waktu yang dihabiskan pengguna di daftar putar, berapa kali lagu diputar, jumlah waktu yang dihabiskan di album lagu itu atau halaman artis, jika pengguna melewatkan lagu atau tidak, jika pengguna menyimpannya ke playlist pribadi atau tidak, dan apakah pengguna kembali ke halaman Discover Weekly atau tidak. Spotify menggunakan 3 jenis model yang mendukung halaman Discover Weekly-nya:

1. Collaborative Filtering: Collaborative Filtering adalah komponen kunci dalam sistem rekomendasi apa pun. Netflix juga menggunakan satu dan menggunakan sistem peringkat untuk merekomendasikan film. Spotify, di sisi lain, tidak menggunakan sistem peringkat apa pun tetapi bergantung pada metrik perilaku pengguna untuk melihat apakah pendengar puas dengan rekomendasi atau tidak.
2. Pemrosesan Bahasa Alami: Spotify memanfaatkan NLP untuk memahami bahasa yang digunakan oleh pendengar dan pengulas di seluruh dunia untuk lagu-lagu tersebut. Sistem NLP mereka terus merayapi web untuk teks apa pun yang tersedia dalam bentuk posting blog, ulasan, dan metadata lain yang tersedia. Kata kunci diekstraksi dan kemudian ditetapkan ke lagu sebagai representasi vektor untuknya. Artis serupa yang disebutkan di blog juga dipukuli ke bagian artis serupa. Sistem NLP juga memberikan bobot ke vektor tertentu yang digunakan beberapa kali di blog untuk artis tertentu. Itu juga melacak kata-kata yang sedang tren yang digunakan dan juga emosi/sentimen mereka. Itu juga menggunakan teknik penyisipan kata seperti Word2Vec untuk mengelompokkan lagu serupa berdasarkan lirik dan tag yang terkait dengannya.
3. Model Audio: Selain analisis berbasis teks, Spotify juga menggabungkan model Audio berdasarkan Convolutional Neural Networks. Data mentah ini membantu model mengelompokkan lagu dan melihat seberapa dekat dengan keinginan pengguna. Model CNN menganalisis karakteristik lagu yang berbeda seperti kenyaringan, frekuensi, tempo, ketukan per menit, komposisi, genre, dll. Oleh karena itu, lagu dengan ritme, nada, dan komposisi yang serupa akan dinilai tinggi pada grafik rekomendasi untuk pengguna.

Terkait: Model Pembelajaran Mesin

Peluang Masa Depan

Meskipun Spotify telah bekerja dengan sangat baik di ruang rekomendasi, itu masih perlu ditingkatkan di area rekomendasi yang dipersonalisasi. Kesenjangan antara kepuasan aktual pengguna dan apa yang menurut model Machine Learning adalah kepuasan, perlu ditutup. Mereka mengakuisisi startup Prancis Niland pada tahun 2017 untuk meningkatkan teknologi personalisasi mereka.

Itu secara signifikan meningkatkan kinerja rekomendasi yang membuat pengguna mendapatkan lagu sesuai dengan keinginan mereka. Spotify mungkin juga ingin mengubahnya menjadi lebih banyak platform Media Sosial untuk berbagi lagu dan daftar putar dengan cara yang lebih baik.

Baca Juga: Ide & Topik Proyek Pembelajaran Mesin

Sebelum kamu pergi

Dengan semakin banyak pengguna yang mendaftar, data yang ditangani Spotify akan meningkat secara signifikan di tahun-tahun mendatang. Ini tidak hanya berarti peluang yang lebih baik untuk rekomendasi yang lebih baik, tetapi juga tantangan untuk menangani begitu banyak data. Dengan kekuatan yang begitu besar, data Spotify akan menjadi kunci bagi perusahaan musik dan rekaman serta untuk membuat keputusan bisnis utama berdasarkan apa yang saat ini sedang didengarkan dan disukai orang. Ini akan menjadi strategi pembuatan musik yang ditargetkan untuk memaksimalkan pendengar di seluruh pengguna.

Spotify juga dapat mengubah bagian Podcast mereka agar lebih baik dalam merekomendasikan podcast baru kepada pendengar. Podcast yang membahas tema dan topik serupa dapat dikelompokkan bersama dan kemudian digunakan dalam rekomendasi. Dengan meningkatnya persaingan dari aplikasi seperti Apple Music dan YouTube Music, akan menarik untuk melihat bagaimana ruang teknologi musik berkembang selama bertahun-tahun.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pohon keputusan, pembelajaran mesin, lihat Program PG Eksekutif IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, status Alumni IIIT-B, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.