Desarrollan inteligencia artificial para encontrar la música que le gustará

Los sistemas de recomendación son interfaces de usuario inteligentes en línea como Amazon, Youtube o Netflix, donde el sistema identifica música, películas o libros que le pueden gustar basándose en el contenido anterior que utilizó.

Estos sistemas utilizan el llamado “aprendizaje profundo“, una rama de la inteligencia artificial (IA).

Científicos de la Universidad de Louisville, KY, EE. UU. utilizan el aprendizaje profundo para proponer un sistema de recomendación más preciso y personalizado para comprar canciones en línea.

Los sistemas de recomendación son motores computacionales cuyo objetivo es conocer las preferencias de los usuarios para personalizar sus experiencias en línea.

Estos sistemas se han vuelto frecuentes en varios campos y se han vuelto especialmente esenciales en sitios web de comercio electrónico, plataformas de streaming y otras plataformas basadas en Internet que ofrecen millones de productos u opciones para que los usuarios elijan (por ejemplo, Amazon.com, Netflix, Spotify, etc.).

Si alguna vez ha utilizado alguna de estas plataformas, entonces sepa que su experiencia al buscar la próxima serie de televisión para ver, el próximo artista a descubrir o la silla de escritorio perfecta que necesitaba mientras trabajaba desde casa, probablemente fue diseñada de manera única para usted mediante algoritmos de recomendación especializados, y que probablemente sea diferente de la experiencia de otros usuarios que buscan los mismos productos o servicios.

Y todo esto gracias a los sistemas de recomendación.

Lo que hacen los sistemas de recomendación en pocas palabras, es ayudar a guiarlo cuando navega a través de millones, o a veces miles de millones, de elementos al filtrar y clasificar los elementos que se predice que son los más relevantes para usted en la parte superior de la lista de recomendaciones que ve, o al presentarle hallazgos seleccionados que podrían gustarle.

Los sistemas de recomendación de vanguardia se basan en algoritmos de aprendizaje automático que ingieren millones de clics, calificaciones u otros datos históricos de transacciones, para descubrir patrones de interés que se generalizarían a situaciones similares futuras e invisibles.

Algunos sistemas de recomendación también se basan en el contenido o los metadatos del usuario o del elemento para capturar patrones más complejos.

Esos sistemas de recomendación se denominan híbridos.

En el nuevo artículo recientemente publicado Recomendación de canciones híbridas explicables basadas en secuencias, se propone un sistema de recomendación híbrido para la recomendación de canciones que se basa en las interacciones del usuario con las canciones, así como en el contenido secuencial de estas canciones, para generar recomendaciones de canciones personalizadas.

Aún más fascinante, el sistema de recomendación propuesto fue capaz de identificar el fragmento melodial de 10 segundos, de una canción recomendada, que representa la parte de la canción que el usuario probablemente disfrutaría más de la canción recomendada.

El fragmento de melodía, que puede servir como explicación de la recomendación, tiene el mismo formato que los datos de entrada que se utilizaron para entrenar el modelo de aprendizaje automático, que son datos de la interfaz digital de instrumentos musicales (MIDI).

Este fragmento musical personalizado es único para cada usuario y promueve la transparencia en la IA, ya que el usuario tendrá una idea más clara de por qué se recomendó una canción.

Los archivos MIDI son audios instrumentales digitales polifónicos que se utilizan para crear música.

Están compuestos por mensajes de eventos consecutivos en el tiempo.

Cada mensaje incluye un tipo (como una nota), notación (la nota tocada), tiempo (la hora en que se toca) y velocidad (la rapidez y fuerza con la que se toca).

Estos eventos se distribuyen en 16 canales de información, que son caminos independientes por los que viajan los mensajes.

Cada canal se puede programar para tocar un instrumento.

Usaron datos MIDI como entrada porque encapsula una gran cantidad de información sobre la parte instrumental de la canción y, al mismo tiempo, es lo suficientemente simple como para convertirla en una secuencia de características numéricas (también conocidas como series de tiempo multidimensionales).

Estas series de tiempo son las entradas perfectas para alimentar un tipo especial de modelos de aprendizaje automático conocidos como redes neuronales recurrentes (RNN).

Este trabajo es el primero en explotar el contenido secuencial de la canción, y más específicamente el contenido MIDI, como entrada para sistemas de recomendación explicables de última generación, y el primero en introducir la explicación personalizada del fragmento instrumental para una recomendación de canción.

Es importante explicar por qué se recomendó un artículo a un usuario.

Primero, las explicaciones pueden revelar al usuario qué parte de los datos de entrada jugó un papel en las predicciones algorítmicas, lo que puede ayudarlo a examinar las predicciones en busca de posibles sesgos o errores.

En segundo lugar, las explicaciones pueden ayudar a los usuarios a tomar decisiones más informadas basadas en las recomendaciones algorítmicas que reciben, como si deben seguir una recomendación.

Imagine que a Jane le gusta la música de ópera, pero se sorprende cuando le recomienda una canción de rock como Bohemian Rhapsody.

La recomendación es mucho menos impactante si va acompañada de una explicación que consiste en un segmento de ópera de la canción porque la canción recomendada contiene elementos del género de la ópera.

Los resultados de la evaluación muestran que el sistema de recomendación propuesto logra un desempeño competitivo en comparación con los algoritmos de última generación en el campo, con la ventaja adicional de poder explicar sus predicciones.

Los resultados de un estudio de usuarios han demostrado además que la explicación del segmento musical de 10 segundos mejoró la satisfacción del usuario con las recomendaciones y aumentó la transparencia del sistema.

En el futuro, se espera ver enfoques de recomendación explicables exitosos similares en otros dominios, como las noticias, donde se utiliza la oración más relevante del artículo de noticias para explicar la recomendación.

Fuente: Frontiers in Big Data