Maschinelles Lernen sagt fast alle Hits vorher

Forscher der Claremont Graduate University können mit einer Wahrscheinlichkeit von 97 Prozent Vorhersagen zu kommenden Hits abgeben. Möglich wird dies durch maschinelles Lernen (ML), angewandt auf Reaktionen des Gehirns. Die dazugehörige Studie wurde jüngst in „Frontiers in Artificial Intelligence“ publiziert. „Durch die ML-Anwendung auf neurophysiologische Daten konnten wir Hits nahezu perfekt identifizieren“, so Hauptautor Paul Zak. „Dass die neuronale Aktivität von 33 Personen vorhersagen kann, ob Millionen von anderen Menschen neue Songs gehört haben, ist ziemlich erstaunlich. Nichts, was auch nur annähernd so genau ist, wurde jemals zuvor gezeigt.“

Suboptimale Streaming-Dienste

Jeden Tag werden Zehntausende von Liedern veröffentlicht. Die ständige Flut an Möglichkeiten macht es Streaming-Diensten und Radiosendern schwer auszuwählen, welche Lieder sie in ihre Listen aufnehmen sollen. Um die Songs zu finden, die bei einem großen Publikum Anklang finden, setzen diese Dienste menschliche Hörer und Künstliche Intelligenz ein. Mit einer Trefferquote von nur 50 Prozent lässt sich damit jedoch nicht zuverlässig vorhersagen, ob ein Song ein Hit wird. Das neue Verfahren ist also ein enstcheidender Entwicklungsschritt.

Die Forscher haben die Studienteilnehmer mit handelsüblichen Sensoren ausgestattet. Diese hörten sich 24 Songs an und wurden nach ihren Vorlieben und demografischen Daten befragt. Während des Experiments maßen die Forscher die neurophysiologischen Reaktionen der Teilnehmer auf die Lieder. „Die Gehirnsignale, die wir sammelten, spiegeln die Aktivität eines Gehirn-Netzwerks wider, das mit der Stimmung und dem Energieniveau in Verbindung steht“, sagt Zak. Dies ermöglichte es den Forschern Marktergebnisse vorherzusagen, einschließlich der Anzahl der Streams eines Liedes – basierend auf den Daten weniger Probanden.

Neuro-Forecasting als Schlüssel

Dieser Ansatz heißt Neuro-Forecasting. Dabei wird die neuronale Aktivität einer kleinen Gruppe von Menschen erfasst, um Auswirkungen für die gesamte Bevölkerung zu prognostizieren, ohne die Gehirnaktivitäten hunderter Menschen messen zu müssen. Nach der Datenerfassung verwenden die Forscher statistische Ansätze, um die Vorhersagegenauigkeit der neurophysiologischen Variablen zu bewerten. Dies ermöglicht einen direkten Vergleich der Modelle. Um die Vorhersagegenauigkeit zu verbessern, trainierten sie ein ML-Modell, das verschiedene Algorithmen testete, um die besten Vorhersageergebnisse zu erzielen.

Fazit: Ein lineares statistisches Modell kann die Hit-Songs mit einer Erfolgsquote von 69 Prozent identifizieren. Das ML auf die gesammelten Daten angewandt, lässt die Rate der korrekt identifizierten Hits auf 97 Prozent steigen. Zak und seine Kollegen haben ML auch auf die neuronalen Reaktionen auf die erste Minute der Songs angewandt. In dem Fall wurden die Hits mit einer Erfolgsquote von 82 Prozent korrekt erkannt. „Dies bedeutet, dass Streaming-Dienste neue Songs, die wahrscheinlich Hits für die Wiedergabelisten der Nutzer sind, effizienter identifizieren können, was die Arbeit der Streaming-Dienste erleichtert und die Hörer erfreut“, erklärt Zak.

www.pressetext.com