ทุกวันมีการเปิดตัวเพลงหลายหมื่นเพลง ตัวเลือกที่ต่อเนื่องกันนี้ทำให้บริการสตรีมและสถานีวิทยุเลือกเพลงที่จะเพิ่มลงในเพลย์ลิสต์ได้ยาก เพื่อค้นหาสิ่งที่จะโดนใจผู้ชมจำนวนมาก บริการเหล่านี้ใช้ผู้ฟังของมนุษย์และปัญญาประดิษฐ์ อย่างไรก็ตาม วิธีการนี้มีอัตราความแม่นยำเพียง 50% ไม่สามารถทำนายได้อย่างน่าเชื่อถือว่าเพลงจะฮิตหรือไม่
ขณะนี้ นักวิจัยในสหรัฐอเมริกาได้ใช้เทคนิค machine learing ซึ่งนำไปใช้กับการตอบสนองของสมอง และสามารถคาดเดาเพลงฮิตได้อย่างแม่นยำถึง 97%
Paul Zak ศาสตราจารย์แห่งมหาวิทยาลัย Claremont Graduate University และผู้เขียนอาวุโสของการศึกษาที่ตีพิมพ์ใน Frontiers in Artificial Intelligence กล่าวว่า “ด้วยการใช้การเรียนรู้ของเครื่องกับข้อมูลทางสรีรวิทยา เราสามารถระบุเพลงฮิตได้เกือบสมบูรณ์แบบ” “กิจกรรมของระบบประสาทของคน 33 คนสามารถทำนายได้ว่าคนอีกนับล้านฟังเพลงใหม่หรือไม่ เป็นเรื่องที่น่าทึ่งมาก ไม่เคยมีการแสดงความแม่นยำที่ใกล้เคียงกับสิ่งนี้มาก่อน”
machine learning กับข้อมูลทางระบบประสาท
ผู้เข้าร่วมการศึกษาได้รับการติดตั้งเซ็นเซอร์ที่มีอยู่ทั่วไป ฟังเพลง 24 ชุด และถูกถามเกี่ยวกับความชอบและข้อมูลประชากรบางส่วน ในระหว่างการทดลอง นักวิทยาศาสตร์ได้วัดการตอบสนองทางสรีรวิทยาของผู้เข้าร่วมต่อเพลง “สัญญาณสมองที่เรารวบรวมได้สะท้อนกิจกรรมของเครือข่ายสมองที่เกี่ยวข้องกับอารมณ์และระดับพลังงาน” Zak กล่าว สิ่งนี้ทำให้นักวิจัยสามารถคาดการณ์ผลลัพธ์ทางการตลาด รวมถึงจำนวนการสตรีมของเพลง โดยอิงตามข้อมูลที่มีอยู่ไม่กี่เพลง
วิธีการนี้เรียกว่า “การคาดการณ์ทางประสาท” โดยจะจับการทำงานของระบบประสาทจากคนกลุ่มเล็กๆ เพื่อทำนายผลกระทบในระดับประชากรโดยไม่ต้องวัดการทำงานของสมองของคนหลายร้อยคน
หลังจากการรวบรวมข้อมูล นักวิจัยใช้วิธีการทางสถิติที่แตกต่างกันเพื่อประเมินความแม่นยำในการทำนายของตัวแปรทางสรีรวิทยา สิ่งนี้ทำให้สามารถเปรียบเทียบแบบจำลองได้โดยตรง เพื่อปรับปรุงความแม่นยำในการทำนาย พวกเขาได้ฝึกโมเดล ML ที่ทดสอบอัลกอริทึมต่างๆ เพื่อให้ได้ผลการทำนายสูงสุด
พวกเขาพบว่าแบบจำลองทางสถิติเชิงเส้นระบุเพลงฮิตที่มีอัตราความสำเร็จ 69% เมื่อพวกเขาใช้ machine learning กับข้อมูลที่รวบรวมไว้ อัตราของเพลงฮิตที่ระบุได้อย่างถูกต้องก็พุ่งขึ้นถึง 97% พวกเขายังใช้การเรียนรู้ของเครื่องกับการตอบสนองของประสาทต่อนาทีแรกของเพลง ในกรณีนี้ การเข้าชมได้รับการระบุอย่างถูกต้องด้วยอัตราความสำเร็จ 82%
“นั่นหมายความว่าบริการสตรีมสามารถระบุเพลงใหม่ที่น่าจะฮิตสำหรับเพลย์ลิสต์ของผู้คนได้อย่างมีประสิทธิภาพมากขึ้น ทำให้งานของบริการสตรีมง่ายขึ้นและทำให้ผู้ฟังเพลิดเพลิน” Zak อธิบาย
วิธีการจำลองแบบ
“หากในอนาคต เทคโนโลยีด้านประสาทวิทยาศาสตร์ที่สวมใส่ได้ เช่น เทคโนโลยีที่เราใช้สำหรับการศึกษานี้ กลายเป็นเรื่องธรรมดา ความบันเทิงที่เหมาะสมอาจถูกส่งไปยังผู้ชมโดยอิงตามสรีระของพวกเขา แทนที่จะเสนอทางเลือกเป็นร้อยๆ พวกเขาอาจได้รับเพียงสองหรือสามอย่าง ทำให้พวกเขาเลือกเพลงที่ชอบได้ง่ายและรวดเร็วยิ่งขึ้น” Zak กล่าว
แม้ว่าผลการทำนายของทีมของเขาจะใกล้เคียงที่สุด แต่นักวิจัยก็ชี้ให้เห็นถึงข้อจำกัดบางประการ ตัวอย่างเช่น พวกเขาใช้เพลงค่อนข้างน้อยในการวิเคราะห์ นอกจากนี้ ข้อมูลประชากรของผู้เข้าร่วมการศึกษามีความหลากหลายในระดับปานกลาง แต่ไม่รวมถึงสมาชิกของกลุ่มชาติพันธุ์และกลุ่มอายุบางกลุ่ม
อย่างไรก็ตาม นักวิจัยคาดหวังว่าแนวทางของพวกเขาน่าจะนำไปใช้ได้นอกเหนือจากการระบุเพลงฮิต ส่วนหนึ่งเนื่องจากการนำไปใช้ที่ง่าย “ผลงานหลักของเราคือวิธีการ มีแนวโน้มว่าวิธีนี้สามารถใช้เพื่อทำนายความนิยมสำหรับความบันเทิงประเภทอื่น ๆ รวมทั้งภาพยนตร์และรายการทีวี” Zak กล่าวสรุป
