機器學習能以 97% 的準確率幫助研究人員辨識熱門歌曲
背景
每天有數以萬計的歌曲被發行，這樣龐大的選擇對於串流服務和廣播電臺來說很難選擇要將哪些歌曲加入播放列表。為了找到能引起大眾共鳴的歌曲，這些服務既使用人工聽眾，也使用人工智慧。然而這種方法的準確率只有 50%，並不可靠地預測哪些歌曲會成為熱門歌曲。現在美國的研究人員利用了全面的機器學習技術應用於腦部反應，成功地以 97%的準確率預測熱門歌曲。
研究方法
研究參與者被裝備了現成的感測器，聆聽了一組 24 首歌曲，並回答了關於他們的喜好和一些人口統計資料的問題。在實驗期間，科學家們測量了參與者對這些歌曲的腦部生理反應。研究人員透過這些資料預測了市場結果，包括歌曲的串流次數等。這種方法被稱為「神經預測」，它從一小群人的神經活動中捕捉到神經活動，從而預測出群體層面的影響，而不需要測量數百人的腦部活動。
機器學習應用
研究人員使用不同的統計方法來評估腦部生理變數的預測準確性，並訓練了一個機器學習模型，測試了不同的算法，以獲得最高的預測結果。他們發現，一種線性統計模型以 69%的成功率識別出熱門歌曲。當他們將機器學習應用於收集到的資料時，成功識別出的熱門歌曲的比例跳躍到了 97%。他們還將機器學習應用於對歌曲的前一分鐘的神經反應，結果識別熱門歌曲的成功率為 82%。
研究人員指出，這意味著串流服務可以更有效地識別新歌，並將其新增到人們的播放列表中，從而簡化了串流服務的工作，並使聽眾感到滿意。
應用擴充套件和未來發展
該研究的研究人員指出，他們的方法不僅可以用於辨識熱門歌曲，還可以應用於其他娛樂形式，例如電影和電視節目的預測。他們認為，這種方法的易於實施，可以大大改善娛樂行業對於觀眾喜好的理解，從而更好地滿足觀眾的需求。
局限性和結論
研究人員承認他們的研究還存在一些局限性，例如他們在分析中使用的歌曲數量相對較少，研究參與者的人口統計資料也只局限於某些人口群體。然而他們期待他們的方法能夠在熱門歌曲辨識之外被應用，部分原因是它的易於實施。
個人見解
這項研究結果展示了機器學習在音樂領域的應用潛力，不僅為音樂服務提供了更準確的熱門歌曲預測，也為娛樂行業帶來了變革的可能。然而我認為在應用這項技術時需要謹慎。雖然機器學習可以幫助發現大眾喜愛的音樂，但它也可能導致音樂生態的單一化，使人們只聽到那些預測為熱門的歌曲，而忽略了其他可能具有創新和獨特性的作品。因此我們需要找到一個平衡，既能夠利用機器學習的優勢，又能夠保護音樂多樣性和文化創意。
此外這項研究也引發了一些倫理問題。當將機器學習應用於大規模的個人的腦部資料時，我們需要確保資料的安全性和隱私保護。如何平衡個人隱私和科學研究的需求是一個需要探討和解決的問題。
建議和結論
對於音樂串流服務和廣播電臺來說這項研究結果為他們提供了更準確的工具，幫助他們選擇更受大眾喜愛的歌曲，從而提供更好的音樂體驗。然而我們也應該意識到機器學習只是工具，它不能完全取代人類的判斷和創造力。此外我們應該保護音樂多樣性和創新，避免過度依賴機器學習導致音樂的單一化。
未來，隨著可穿戴神經科學技術的發展，人們可能會收到根據他們的腦部活動特徵所推薦的娛樂內容。這種情況下，人們可能只會被給予兩到三個選擇，從而更輕鬆快速地選擇自己喜歡的音樂。然而我們也需要確保這種技術的使用符合個人隱私和倫理準則。
延伸閱讀
- OpenAI 揭開 AI 祕密指令的面紗
- AI 助您創辦者更快、更輕鬆地籌集資金嗎？
- 盧西德機器人獲得 900 萬美元用於無人機清潔任何地方
- 以色列新創公司 Panax 籌集了 1,000 萬美元 A 輪融資，用於其基於人工智慧的現金流管理平臺
- Reddit 測試使用基於 LLM 的人工智慧進行自動整站法語翻譯
- 三星醫聲將以 9270 萬美元收購法國人工智慧超聲波新創公司 Sonio
- 網際網路共同創始人 Robert Kahn 早在幾十年前就已經做到了加密、人工智慧和網際網路嗎？
- 人聲 vs AI：Audible 推出 AI 旁白有機會取代人類旁白嗎？
- 突破獨家訪談：Wayve 共同創辦人 Alex Kendall 談自動駕駛汽車和機器人的未來
- Rad AI 完成由 Khosla Ventures 領投的 5 千萬美元 B 輪融資
