Moest je vroeger nog langs platenbazen om te leuren met je liedje, tegenwoordig gooi je die potentiële hit gewoon online en zie je maar waar het schip strandt. Gevolg: iedere dag komen er tienduizenden liedjes uit. Maar hoe herken je de pareltjes? Ook hier biedt de techniek uitkomst.
Het is voor radiozenders en streamingdiensten moeilijk om het kaf van het koren te scheiden, terwijl dat natuurlijk wel hun taak is: zij moeten brengen wat jij wil horen. Om een selectie te maken, laten ze nu nog werkelijk mensen luisteren naar alle muziek. Die moeten vervolgens beoordelen welke nummers zullen aanslaan bij een groot publiek. Maar zelfs met hulp van AI lukte het niet om meer dan 50 procent van de hits juist te voorspellen. Een grote verspilling van tijd en moeite dus. Én luisteraars krijgen veel te vaak muziek voorgeschoteld waar ze niet op zitten te wachten.
Vrijwel perfect
Dat kan beter, dachten Amerikaanse onderzoekers. Met een nieuwe machinelearning-techniek die ze toepasten op reacties van het brein waren ze veel beter in staat om te voorspellen welk liedje een hit wordt. Sterker nog, ze hadden het in 97 procent van de gevallen juist. “Door machinelearning te combineren met neurologische data konden we de hitsongs bijna perfect identificeren”, zegt Paul Zak, professor aan Claremont Graduate University. “Dat de neurale activiteit van slechts 33 mensen kan voorspellen of miljoenen naar een bepaald liedje zullen luisteren is echt wel bijzonder. Er is nooit eerder ook maar iets in de buurt gekomen van zo’n hoge accuraatheid.”
Hersenen verraden voorkeur
Hoe dat dan in zijn werk ging? De deelnemers kregen speciale sensoren om, terwijl ze naar 24 liedjes luisterden. Ze moesten daarna hun voorkeuren aangeven. Tijdens het experiment maten de wetenschappers de neurofysiologische reacties in de hersenen van de deelnemers op de songs. “De hersensignalen die we verzamelden, toonden de activiteit van het hersennetwerk dat stemming en energieniveau regelt”, legt Zak uit. Op basis daarvan konden de onderzoekers voorspellen welk liedje wel en welke niet de wereld zou veroveren. Deze methode meet dus de neurale activiteit bij een kleine groep mensen om voorspellingen te kunnen doen op populatieniveau zonder dat je de hersenactiviteit van honderden mensen hoeft te registreren.
Na de dataverzameling deden de onderzoekers eerst zelf enkele statistische analyses, maar om de voorspellende gave van de methode te verbeteren, trainden ze daarna een machinelearningmodel, dat verschillende algoritmes testte om tot de beste voorspellingen te komen.
Betere playlist
En dat hielp: enkel het statistische model kwam tot een succespercentage van 69 procent, terwijl met behulp van machinelearning in 97 procent van de gevallen de hit correct voorspeld werd. Het kon nog sneller. Als ze de machinelearning alleen toepasten op de eerste minuut van de song was de accuraatheid nog altijd 82 procent. “Dit betekent dat streamingdiensten eenvoudig nieuwe songs kunnen identificeren die waarschijnlijk hits worden. Zo wordt hun werk makkelijker en krijgt de luisteraar een betere playlist”, aldus Zak.
En de toekomst op dat gebied wordt nog mooier. “Als de draagbare technologie die we gebruikten voor deze studie straks heel normaal wordt, kan het juiste entertainment direct naar het juiste publiek gestuurd worden, gebaseerd op hun neurofysiologie. In plaats van dat je honderden opties krijgt aangeboden, krijg je er dan nog twee of drie. Dat maakt het een stuk makkelijker en sneller om de muziek te kiezen die je voorkeur heeft”, zegt de wetenschapper.
Ook voor tv
Maar zo ver is het nog niet. De onderzoekers noemen nog een paar kanttekeningen bij hun studie. Zo hebben ze relatief weinig liedjes gebruikt. De vraag is hoe correct het machinelearningmodel is als je honderden songs toevoegt. Desondanks zijn ze vol vertrouwen dat hun methode breed gebruikt gaat worden en niet alleen voor muziek. “Onze belangrijkste bijdrage is de methodologie. Deze methode kan waarschijnlijk gebruikt worden voor allerlei vormen van entertainment, denk aan films en tv-series”, besluit Zak.
