In che modo Spotify utilizza i modelli di apprendimento automatico per consigliare la musica?

Spotify è una delle principali app musicali che utilizza previsioni intelligenti e consigli ai suoi utenti. Sono finiti i giorni in cui cercavamo, scaricavamo e curavamo manualmente le nostre playlist in base ai nostri gusti. L'era attuale di Machine Learning e Data Science ha consentito ad app come Spotify di comprendere i gusti e le preferenze degli utenti e di conseguenza consigliare brani e playlist curate.

Alla fine di questo tutorial, avrai conoscenza di quanto segue:

• Spotify e le sue caratteristiche uniche
• Come Spotify fa previsioni intelligenti
• L'apprendimento automatico dietro di esso

Spotify: il genio della musica

Durante i primi anni 2000, il modo migliore e più conveniente per scaricare e ascoltare musica era da siti Web di terze parti o tramite pirateria. Entrambi hanno richiesto tempo e fatica per cercare prima la canzone, quindi scaricarla. Ancora di più, il problema era creare playlist contenenti le canzoni preferite. E quelle erano playlist statiche. Ciò significava che una playlist sarebbe rimasta così com'è a meno che l'utente non aggiungesse o rimuovesse manualmente brani a proprio piacimento. Non così conveniente.

Un altro aspetto negativo era dal punto di vista dell'artista. Gli artisti popolari non hanno affrontato molti problemi per commercializzare le loro nuove uscite poiché erano in tutte le classifiche di tutto il mondo. Ma gli artisti nuovi e indipendenti hanno dovuto affrontare molti problemi per portare la loro musica a un vasto pubblico che desiderava la musica che stavano creando. Ciò significava che molti artisti potenzialmente killer non sono mai stati in grado di fare bene o hanno dovuto arrendersi alle case discografiche ostili.

Spotify ha cambiato il gioco. Lanciato nel 2008 in Svezia, Spotify mirava a trasformare l'industria dello streaming musicale nel mainstream. Oggi Spotify vanta circa 345 milioni di utenti attivi mensili. Spotify sfrutta al centro l'apprendimento automatico e la scienza dei dati e fornisce consigli e playlist curate per i suoi ascoltatori in base ai dati che raccoglie dalle loro abitudini di ascolto, posizione, età e molti altri.

Gli ascoltatori ora non devono perdere tempo a cercare e scaricare manualmente la musica di loro gusto. Ora ricevono playlist create appositamente per loro. Inoltre, ogni settimana vengono esposti a nuove canzoni e artisti che altrimenti non avrebbero scoperto. Questo viene fatto anche usando Machine Learning.

Non solo questo, ma ora anche gli artisti ottengono il vantaggio. Gli artisti ottengono il pubblico che altrimenti non avrebbero. La loro musica viene automaticamente consigliata agli ascoltatori a cui piace quel tipo di musica. Quindi, è una vittoria per tutti! Ora, vediamo come vengono sfruttati i modelli di Machine Learning.

Partecipa al corso ML online dalle migliori università del mondo: master, programmi post-laurea esecutivi e programma di certificazione avanzato in ML e AI per accelerare la tua carriera.

In che modo Spotify sfrutta l'apprendimento automatico e la scienza dei dati?

Spotify offre quattro funzionalità principali ai suoi utenti sfruttando il Machine Learning. Questi includono:

• Playlist della home page: è la playlist consigliata che viene visualizzata nella home page non appena l'utente apre l'app.
• Scopri settimanale: si tratta di una playlist consigliata settimanale che viene aggiornata con nuovi brani in base ai gusti dell'ascoltatore.
• Daily Mix: è una playlist giornaliera composta dai brani più ascoltati e apprezzati dall'ascoltatore.
• Time Capsule: è una playlist mista contenente vecchi classici e altre famose canzoni retrò.

Di questi, la funzione Discover Weekly è la funzione di punta offerta da Spotify. Utilizza modelli basati su Machine Learning e Big Data che consigliano 50 nuovi brani in una playlist curata ogni lunedì. Questo ha aiutato Spotify a raggiungere il punto in cui è oggi. Questa funzione non solo lega le persone all'app, ma genera anche più dati e quindi i consigli migliorano nel tempo.

Per Discover Weekly, Spotify raccoglie molti dati specifici dell'utente per comprendere il comportamento e la soddisfazione per la playlist curata. Considera dati come quanto tempo l'utente ha trascorso sulla playlist, il numero di volte in cui i brani sono stati riprodotti, la quantità di tempo trascorso sull'album di quel brano o la pagina dell'artista, se l'utente ha saltato un brano o meno, se il l'utente lo ha salvato o meno in una playlist personale e se l'utente è tornato o meno alla pagina Discover Weekly. Spotify utilizza 3 tipi di modelli che alimentano la sua pagina Discover Weekly:

1. Filtraggio collaborativo: il filtraggio collaborativo è un componente chiave in qualsiasi sistema di raccomandazione. Anche Netflix ne usa uno e usa il sistema di classificazione per consigliare i film. Spotify, d'altra parte, non utilizza alcun sistema di valutazione ma dipende dalle metriche del comportamento dell'utente per vedere se l'ascoltatore è soddisfatto della raccomandazione o meno.
2. Elaborazione del linguaggio naturale: Spotify sfrutta la NLP per comprendere il linguaggio utilizzato dagli ascoltatori e dai revisori di tutto il mondo per le canzoni. Il loro sistema NLP continua a eseguire la scansione del Web per qualsiasi testo disponibile sotto forma di post di blog, recensioni e altri metadati disponibili. Le parole chiave vengono estratte e quindi assegnate al brano come rappresentazioni vettoriali per esso. Artisti simili che sono menzionati nel blog sono anche inseriti in una sezione di artisti simili. Il sistema NLP assegna anche pesi a determinati vettori che vengono utilizzati più volte nel blog per quell'artista specifico. Tiene anche traccia delle parole di tendenza che vengono utilizzate e anche delle loro emozioni/sentimenti. Utilizza anche tecniche di incorporamento di parole come Word2Vec per raggruppare brani simili in base ai testi e ai tag ad essi associati.
3. Modelli audio: oltre all'analisi testuale, Spotify incorpora anche modelli audio basati su reti neurali convoluzionali. Questi dati grezzi aiutano il modello a raggruppare la canzone e vedere quanto è vicino al gradimento dell'utente. I modelli della CNN analizzano diverse caratteristiche delle canzoni come volume, frequenza, tempo, battiti al minuto, composizione, genere, ecc. Pertanto, le canzoni con ritmi, tono e composizione simili saranno valutate in alto nelle classifiche di raccomandazione per l'utente.

Correlati: modelli di apprendimento automatico

Opportunità future

Sebbene Spotify stia andando molto bene nello spazio dei consigli, deve ancora migliorare nell'area dei consigli personalizzati. Il divario tra l'effettiva soddisfazione dell'utente e ciò che il modello di Machine Learning ritiene che sia la soddisfazione deve essere colmato. Hanno acquisito una startup francese Niland nel 2017 per migliorare la loro tecnologia di personalizzazione.

Ciò ha notevolmente migliorato le prestazioni dei consigli facendo sì che gli utenti ricevessero le canzoni secondo i loro gusti. Spotify potrebbe anche cercare di convertirlo in una piattaforma di social media per condividere brani e playlist in un modo migliore.

Leggi anche: Idee e argomenti per progetti di apprendimento automatico

Prima che tu vada

Con sempre più utenti che si iscrivono, i dati di cui si occupa Spotify aumenteranno in modo significativo nei prossimi anni. Questo non significa solo una migliore opportunità per raccomandazioni migliori, ma anche una sfida per gestire così tanti dati. Con un potere così immenso, i dati di Spotify saranno fondamentali anche per le case discografiche e i dischi per prendere decisioni aziendali chiave in base a ciò che le persone attualmente ascoltano e apprezzano. Questa sarà una strategia mirata di creazione musicale per massimizzare gli ascolti tra gli utenti.

Spotify può anche trasformare la sua sezione Podcast per renderla molto migliore nel consigliare nuovi podcast agli ascoltatori. I podcast che trattano temi e argomenti simili possono essere raggruppati e quindi utilizzati nei consigli. Con la crescente concorrenza di app come Apple Music e YouTube Music, sarà interessante vedere come si svilupperà lo spazio tecnologico musicale nel corso degli anni.

Se sei interessato a saperne di più sugli alberi decisionali, sull'apprendimento automatico, dai un'occhiata al programma Executive PG di IIIT-B e upGrad in Machine Learning e AI , progettato per i professionisti che lavorano e offre oltre 450 ore di formazione rigorosa, oltre 30 casi di studio e incarichi, stato di Alumni IIIT-B, oltre 5 progetti pratici pratici e assistenza sul lavoro con le migliori aziende.