Music Science címmel közölt e-mail címért cserébe letölthető tanulmányt az O’Reilly Media honlapján Alistair Croll. A nagyjából 30 oldalas írás áttekinti, hogyan változtatják meg a zeneipart az adatok. Hiszen egyre több az adat arról, hogy ki, hol, mit, mennyit hallgat; a korábbi pontatlan, bemondásra alapuló méréseket felváltották az egészen pontos, valós idejű adatgyűjtések. A félévi kutatómunkára, sok interjúra alapozó cikk sok megállapítása ismerős lesz a területet követőknek, néhányat azonban érdemes kiemelni. (Egy magyar nyelvű összefoglalás a zeneipar és a „big data” viszonyáról itt olvasható a Recorderen.)
Alistair Croll főként a stream szolgáltatások automatikus, vagy az algoritmusok és az emberi válogatás valamilyen ötvözetét kínáló ajánlásaira koncentrál. Ezek jelentőségét az indiai zenére koncentráló Saavn szolgáltató vezetője így foglalja össze: „Ha az ember feliratkozik valahova, az első dolga az, hogy megtölti a kedvenceivel: kérem a Bob Marley-mat, Miles Davisemet, Coldplayemet. Amikor ennek elmúlik a varázsa, akkor lesz egyre fontosabb, hogy miket ajánl a rendszer maga. Sokan azt hiszik, hogy a nem-interaktív ajánlatoknál az első szám a legfontosabb, de ez tévedés. Azt már elárultad magadról: Miles Davist szeretnél. Igazából minden a második számon múlik, ott dől el, hogy azt mondja a felhasználó: igen, ez tényleg működik. Ha itt megnyered őt, akkor hajlandó arra időt és energiát áldozni, hogy egyre jobbá tegye az élményt [értsd: lájkokkal, számok átugrásával stb. segíti az algoritmust, hogy kiismerje az ízlését]. Ha itt elveszíted a felhasználót, akkor őt már soha többet nem szerzed vissza.”
Az algoritmikus ajánlás azonban nagyon bonyolult. A Google-nél a zene és a gépi tanulás kapcsolatát kutató Douglas Eck például ún. tenzorokkal dolgozik. Leegyszerűsítve arról van szó, hogy nem elég számon tartani a felhasználókat és az általuk fogyasztott tartalmakat, hanem azt is, hogy mely tartalmak milyen viszonyban vannak egymással. Itt válik bonyolulttá a dolog, hiszen a mai elemzések túlmennek azon, hogy a felhasználók nagy tömegére megnézik, hogy „aki ezt szereti, ezt is szerette”, illetve a szűken vett zenei jellemzőkkel leírható hasonlóságokon is.
Nem csak az a kérdés, hogy „mi hasonlít a Wilcóhoz”, hanem az is, hogy „mi ér el a Wilcóhoz hasonló hatást reggel, kocogás vagy autózás közben?” – mondja a Google kutatója. Ennél radikálisabban is függhet a körülményektől, hogy valaki mit szeretne hallgatni: a szülő, aki gyerekének gyerekzenét játszik, valószínűleg más helyzetben nem akar azt hallgatni. Az is baj lehet, ha „túlságosan jól” tanul az algoritmus. „Lehet, hogy kedden jelzed, hogy nem tetszik egy szám. A legegyszerűbb ekkor azt megcsinálni, hogy soha többet ne halljad ezt a dalt, sem egy másik, mondjuk élő változatát. Ha ugyanattól az előadótól még egy szám nem tetszik, akkor pedig kitöröljük ezt a zenészt az életedből” – mondja a Douglas Eck. Ezzel szemben szerinte „rugalmasabb, gyorsan, az adott helyzethez alkalmazkodva tanuló algoritmusokra” van szükség, amelyek tudják, hogy szerda reggel az embernek máshoz lehet hangulata, mint amihez kedd reggel volt.Ráadásul, ha egy szolgáltatás évekre szeretné megnyerni magának a felhasználót, akkor az idővel változó (az aktuális slágerektől egyre távolodó) ízlését is tudnia kell követni.
A zene egyik érdekes tulajdonsága, hogy a hallgatók nem mindig csak azt szeretik, ami hasonlít ahhoz, amit korábban szerettek. A Spotify által megvásárolt Echo Nest kutatója, Brian Whitman azt a példát hozza, hogy ha valaki nem hallgat ukulelés számokat, ukulelén játszó művészeket, akkor könnyen abba a hibába lehet esni, hogy minden, ukulelét tartalmazó számot letilt neki a rendszer. Azonban simán előfordulhat, hogy egy dal más jellemzői (stílusa, előadója, hangulata stb.) „felülírja az ukulele együtthatót, hogy ilyen hülyén fogalmazzak.” A tanulság az, hogy kizárólag a pusztán zenei jellemzőkre nem szabad algoritmusokat építeni, mert „az emberek szeretik, ha tágítják a látókörüket.” Ez nem csak a „mindig újat kereső zenerajongókra” igaz: mint egy korábbi kutatásból tudjuk, a toplista középmezőnyében az éppen aktuális divatnak megfelelő számok vannak, ám pont a top 20 az, ahová – az adott korban – legkevésbé konvencionális slágerek kerülnek: .
A számos egyéb témát is érintő írásban jóslatok is szerepelnek. Az ajánló algoritmusokhoz kapcsolódó előrejelzés az, hogy ha ezek tényleg igazán jók lesznek, akkor sok zenehallgató úgy dönthet: nincs szüksége on-demand szolgáltatásra, ahol bármit választhat a több tízmilliós katalógusból – inkább a neki tényleg tetsző listákat összeállító szolgáltatások kellenek neki. Ezek pedig, mivel a hallgató számára kevesebb szabadságot kínálnak, alacsonyabb jogdíjakkal is járnak, így ennek komoly következménye lehet a zeneipar egészére nézve.
Categories: Hírek
Leave a Reply