기계 학습은 97% 정확도로 히트곡을 식별합니다.

매일 수만 곡의 노래가 출시됩니다. 이러한 끊임없는 선택의 흐름으로 인해 스트리밍 서비스 및 라디오 방송국에서 재생 목록에 추가할 노래를 선택하기가 어렵습니다. 많은 청중과 공감할 사람을 찾기 위해 이러한 서비스는 사람 청취자와 인공 지능을 사용했습니다. 그러나 정확도가 50%로 유지되는 이 접근 방식은 노래가 히트할지 여부를 안정적으로 예측하지 못합니다.

이제 미국의 연구원들은 철저한 기계 학습 뇌 반응에 적용된 기술은 97% 정확도로 히트곡을 예측할 수 있었습니다.

Claremont 대학원의 교수이자 첫 번째 저자인 Paul Zak은 말했습니다. Frontiers in Artificial Intelligence에 발표된 연구. “33명의 신경 활동이 수백만 명의 다른 사람들이 새 노래를 들었는지 여부를 예측할 수 있다는 것은 꽤 놀라운 일입니다. 이전에 이 정확도에 가까운 것은 없었습니다.”

신경 데이터를 사용한 기계 학습

연구 참가자들은 기성 센서를 장착하고 24곡의 노래를 듣고 선호도와 일부 인구 통계 데이터에 대해 질문했습니다. 실험 중에 과학자들은 참가자들의 노래에 대한 신경생리학적 반응을 측정했습니다. “우리가 수집한 뇌 신호는 기분과 에너지 수준과 관련된 뇌 네트워크의 활동을 반영합니다.”라고 Zak은 말했습니다. 이를 통해 연구원들은 적은 데이터를 기반으로 노래 스트림 수를 포함한 시장 결과를 예측할 수 있었습니다.

이 접근 방식을 “신경 예측”이라고 합니다. 수백 명의 뇌 활동을 측정할 필요 없이 인구 수준에서 효과를 예측하기 위해 소규모 그룹의 신경 활동을 캡처합니다.

데이터를 수집한 후 연구자들은 신경 생리학적 변수의 예측 정확도를 평가하기 위해 다양한 통계 방법을 사용했습니다. 이를 통해 모델을 직접 비교할 수 있습니다. 예측 정확도를 개선하기 위해 다양한 알고리즘을 테스트하여 가장 높은 예측 결과에 도달하는 ML 모델을 교육했습니다.

그들은 선형 통계 모델이 69%의 성공률로 히트곡을 식별한다는 것을 발견했습니다. 그들이 수집한 데이터에 기계 학습을 적용했을 때 정확하게 식별된 히트곡의 비율은 97%로 뛰어올랐습니다. 그들은 또한 노래의 첫 1분에 신경 반응에 기계 학습을 적용했습니다. 이 경우 결과는 82%의 성공률로 올바르게 식별되었습니다.

“이는 스트리밍 서비스가 사람들의 재생 목록에 히트할 가능성이 있는 새로운 노래를 보다 효율적으로 식별할 수 있음을 의미하며, 이는 스트리밍 서비스의 작업을 더 쉽게 만들고 청취자를 행복하게 합니다.”라고 Zak은 설명했습니다.

반복 방법

“미래에 우리가 본 연구에서 사용한 것과 같은 웨어러블 신경과학 기술이 대중화된다면 신경생리학을 기반으로 관객들에게 적절한 오락을 보낼 수 있을 것입니다. 그들이 더 쉽고 빠르게 즐길 수 있는 음악 선택입니다.”

그의 팀의 거의 완벽한 예측 결과에도 불구하고 연구원들은 몇 가지 한계를 지적합니다. 예를 들어, 그들은 분석에 상대적으로 적은 수의 노래를 사용했습니다. 또한 연구 참가자의 인구 통계는 적당히 다양했지만 특정 연령 및 인종 그룹의 개인은 포함하지 않았습니다.

그러나 연구원들은 그들의 접근 방식이 적중을 식별하는 것 이상으로 사용될 수 있다고 추측합니다. 부분적으로는 구현하기가 너무 쉽기 때문입니다. “우리의 주요 기여는 방법론입니다. 이 접근 방식은 영화와 TV 쇼를 포함하여 다른 많은 유형의 엔터테인먼트도 예측하는 데 잠재적으로 사용될 수 있습니다.”라고 Zack은 결론지었습니다.