Decime qué escuchas y te digo quién sos

Foto: David Bowie por Masayoshi Sukita

¿Te acordás cuando escuchaste a tu artista favoritx por primera vez? ¿Sabés cuál fue el recorrido que hiciste? ¿No? Bueno, el algoritmo sí.

Quizás la música no salve el mundo, pero los nuestros sí. Hablo en plural porque los creamos, somos burbujas. Proyectamos al compartir y recomendar música, hay una satisfacción en eso. Pero ahora ¿Somos todxs realmente lo que escuchamos? y si profundizamos ¿Somos lo que decimos que escuchamos?

Me levanto en la mañana después de apagar la alarma al menos una vez, se viene una canción a la cabeza con la cual probablemente haya soñado a la noche (en el mejor de los casos) y ahí es donde empieza la magia: “Recomendados para ti”, lo pienso un rato porque probablemente ya haya escuchado hasta el hartazgo Someone Great de LCD Soundsystem, es ahí donde decido dejarme llevar por el algoritmo y déjenme decirles que no falla. No obstante ¿Realmente era lo que estaba buscando o hubo algo en la sugerencia que me llevó a la acción?

No voy a ahondar en el debate del huevo y la gallina, ni mucho menos pensar si está bien o mal, pero sí entendamos cómo funcionan los algoritmos de recomendaciones para dar (casi siempre) en la tecla.

Escucho, luego existo

Generación tras generación se han visto múltiples formas de escuchar obras y canciones a lo largo de la historia. El progreso tecnológico y el acceso al mismo han sido el motor que permitió que la producción y el consumo se modifique cada vez más rápido.

El sonido se expande y se comparte. Las radios y las discográficas han ayudado considerablemente a las primeras masificaciones de artistas en donde se dependía de las elecciones de los expertos que decidían qué se escuchaba y cuando. Desde entonces hemos pasado por diversas curaciones manuales de música como BBC, John Peel, Songza, KEXP , Rockstail, etc. Hoy en día somos todos curadores, compartimos en nuestras redes sociales o por whatsapp a nuestros círculos a través de las principales plataformas de streaming como Spotify, Youtube, Bandcamp, Deezer, entre otras y a su vez los algoritmos lo logran casi con la misma intención. Ahora me pregunto ¿Cómo hacen? ¿Nos escuchan? ¿Google estás ahí?

Descubrir algo que estaba oculto

¿Te acordás cuando escuchaste a tu artista favoritx por primera vez? ¿Sabés cuál fue el recorrido que hiciste? ¿No? Bueno, el algoritmo sí.

Cada plataforma funciona y se actualiza a su manera pero el fin es casi el mismo. Por comodidad del escritor, voy a basarme en Spotify.

La plataforma se basa en tres modelos de recomendación:

Filtrado Colaborativo

Explicación rápida:

A: Che, me gustan estas tres canciones.

B: Y a mi estas otras tres canciones distintas.

A: Mirá, escuchá esta canción.

B: Dale, y vos escuchá esta.

Spotify: Ok, lxs dos comparten dos canciones en común. Por lo tanto, es posible que cada uno disfrute otros temas que el otrx usuarix ha escuchado y no conozca.

Ahora, ¿Cómo hace la plataforma para entender esto con lxs millones de usuarixs?

Matemáticas, hecho con bibliotecas Python (lenguaje de programación), la cual realiza una fórmula larga y compleja:

Sí, ya sé. No se entiende nada, no nos vamos a detener acá. En simples palabras terminamos con dos tipos de vectores X e Y. El primero es el vector que representa el gusto de unx solx usuarix y el segundo el vector que indica el perfil de una sola canción.

Ahora tenemos un montón de vectores de usuarios y un montón de vectores de canciones. El contenido real corresponde a bocha de números que esencialmente no tienen significado por sí mismos pero son muy útiles cuando se comparan.

Para saber qué gustos musicales son los más similares a los nuestros, el filtrado colaborativo compara nuestro vector con todos el de todos los demás usuarixs y finalmente revela cuáles son los más cercanos. Lo mismo ocurre con las canciones: puede comparar el vector de una sola canción con todos los demás, y descubrir qué canciones son más similares a la que se trata.

Procesamiento de Reconocimiento de Lenguaje Natural

Básicamente los datos de origen de este modelo son palabras habituales: Se encarga de rastrear metadatos, artículos de noticias, blogs y algún que otro texto en Internet. Spotify, rastrea la web constantemente en busca de esta información, todos aquellos adjetivos y qué lenguaje en particular se usa frecuentemente en referencia a lxs artistas, canciones y qué otros artistas y canciones también se están discutiendo en conjunto a ellxs.

Finalmente, al igual que en el modelo anterior, crea una representación vectorial de la canción que se puede usar para determinar si dos pistas musicales son similares.

Modelos de Audio sin Procesar

– ¿Quieren saber la aterradora verdad o quieren verme batear unos cuadrangulares?

– ¡Cuadrangulares!

Siendo breve.

Para mejorar la precisión del servicio de recomendación musical, más allá de los otros dos modelos mencionados anteriormente, Spotify procesa el audio de las canciones y las analiza a través de redes convolucionales, que son básicamente la misma tecnología que se utiliza en el software de reconocimiento facial.

Para devolver el entendimiento de la canción la red incluye características como el tiempo estimado, la clave, el modo, el tempo y el volumen. Esta lectura le permite a Spotify comprender las similitudes fundamentales entre las pistas, y por consecuencia, qué usuarixs podrían disfrutarlas de acuerdo a su propio historial de escucha.

Somos hippies 2020

No se asusten, seguimos disfrutando la música naturalmente. Desde que escuchamos los primeros sonidos empezamos a generar un gusto propio, nadie nos va a quitar eso. Ahora, entender cuales son los mecanismos que utilizan las plataformas de streaming para recomendarnos música nos va a ayudar a diferenciar cuándo somos nosotrxs lxs artífices de la elección sobre qué temas escuchar y cuándo existe un pequeño empujón externo.

Seamos o no lo que escuchamos, la experiencia va a ser siempre nuestra y personal. Crear momentos alrededor de eso es lo que más importa a esta altura o al menos va a ser la opinión del ser humano que escribió esta nota.

guest
0 Comentarios
Comentarios en línea
Ver todos los comentarios