Майтал Саар-Цечанский, профессор управления информацией, рисками и операциями в Школе бизнеса Маккомбса, вместе с парой исследователей информатики в университете создали «персонализированного ди-джея».В своей новой статье «Правильная музыка в нужное время: адаптивные персонализированные плейлисты на основе моделирования последовательности», опубликованной в MIS Quarterly, их цель – превзойти потоковые музыкальные сервисы, создав плейлисты, которые меняются в зависимости от эмоциональных сдвигов каждого человека.
«Садитесь ли вы в машину после долгого рабочего дня или встаете с постели утром в выходные, она должна адаптировать свои рекомендации к вашему изменяющемуся настроению», – говорит Саар-Цечанский.
Проект стартовал как детище доктора философии Элада Либмана.D. студент факультета информатики в UT Austin, который также имеет степень в области музыкальной композиции. Программа, которую разработали он, Саар-Цечанский и профессор компьютерных наук UT Питер Стоун, запускает серию циклов обратной связи. Он пробует песню, слушатель оценивает ее, и программа учитывает эту оценку при выборе следующей песни. «Затем вы изменяете модель соответствующим образом», – говорит Либман.
Программа подстраивается под настроение слушателя, учитывая не только то, какие песни ему понравятся, но и в каком порядке. Песни организованы грамотно, что приводит к выразительной, «диджейской» последовательности, а не к случайной, произвольно звучащей.
Как шахматист, он планирует свои ходы на 10 песен вперед.
Пока играет одна песня, она генерирует десятки тысяч возможных последовательностей и предсказывает, какая из них понравится слушателю больше всего. Он обслуживает следующую песню в этом плейлисте – и пока эта песня играет, он создает и тестирует новые последовательности.
В машинном обучении этот механизм известен как поиск Монте-Карло, что и послужило основанием для названия программы: DJ-MC.
Программу можно адаптировать к другим средствам массовой информации, от новостей до видео.
«У обучающих алгоритмов нет вкуса, у них просто есть данные», – говорит Либман. "Вы можете заменить набор данных чем угодно, если люди используют его аналогичным образом."
Саар-Цечанский идет дальше. «Это может сработать в любом случае, когда вы рекомендуете что-то людям, испытанным в определенной последовательности», – говорит она. "Это может быть даже еда."