Otvorite Spotify u ponedjeljak ujutro i tamo vas čeka playlista zvana Discover Weekly. Često se čini kao da ju je složio prijatelj koji savršeno poznaje vaš glazbeni ukus. Slično je i s Daily Mix playlistama koje pogađaju točno ono raspoloženje koje vam treba. No, iza ove naizgled magične personalizacije ne stoji čovjek, već iznimno kompleksna simfonija umjetne inteligencije, strojnog učenja i golemih količina podataka. Ti sustavi ne samo da su promijenili način na koji otkrivamo glazbu, već su preoblikovali i samu glazbenu industriju.

Da bi preporučio pravu pjesmu u pravom trenutku iz kataloga koji broji preko 100 milijuna naslova, algoritam prvo mora razumjeti dvije stvari - samu glazbu i vas kao slušatelja. Proces razumijevanja glazbe odvija se kroz nekoliko slojeva.

Filtriranje i analiza 

Prvi je filtriranje temeljeno na sadržaju, gdje Spotify analizira sirovi audio zapis svake pjesme. Pritom ne gleda samo osnovne karakteristike poput tempa ili tonaliteta, već i apstraktnije metrike koje je sam razvio - danceability (koliko je pjesma pogodna za ples), energy (perceptivna mjera intenziteta i aktivnosti) i valence (glazbena pozitivnost pjesme). Vjerojatno je da interna analiza ide i mnogo dublje, dekonstruirajući pjesmu na segmente poput strofe i refrena, pa čak i na pojedinačne instrumente i melodije.

Drugi sloj je analiza teksta pomoću obrade prirodnog jezika (NLP). Algoritmi "čitaju" stihove pjesama, ali i recenzije i članke na internetu kako bi shvatili teme, raspoloženje i kulturni kontekst pjesme. Ako se pjesma često pojavljuje na korisničkim playlistama s nazivom "tužno", sustav će je klasificirati kao tužnu.

No, razumijevanje pjesme samo je pola jednadžbe. Ključni dio procesa je kolaborativno filtriranje. Starija verzija ovog pristupa bila je jednostavna: "korisnici kojima se svidjela pjesma X, svidjela se i pjesma Y". Danas je taj model znatno sofisticiraniji. Umjesto da se oslanja samo na povijest slušanja, Spotifyjev algoritam primarno analizira stotine milijuna korisnički kreiranih playlista.

Ako velik broj korisnika stavi pjesmu A i pjesmu B na istu playlistu, to je izuzetno snažan signal da te dvije pjesme dijele neku stilsku, žanrovsku ili emotivnu poveznicu. Istovremeno, sustav gradi detaljan profil ukusa za svakog korisnika. Prati eksplicitne signale (spremanje pjesama, dodavanje na playliste, preskakanje, dijeljenje) i implicitne (koliko dugo slušate pjesmu, ponavljate li je). Pritom je svakako ključan i kontekst. Primjerice, preskakanje pjesama unutar playliste Deep Focus algoritam tumači kao jači negativni signal nego preskakanje unutar Release Radara gdje je istraživanje noviteta očekivano.

Nije sve tako sjajno

Ovi moćni sustavi preporuka, međutim, nisu bez kontroverzi i imaju dubok utjecaj na cijeli glazbeni ekosustav. Jedan od najvećih izazova je takozvani "problem hladnog starta", odnosno kako preporučiti novu pjesmu ili izvođača o kojima sustav nema podataka? To neizbježno vodi do pristranosti popularnosti, gdje već poznati izvođači dobivaju još više prostora, dok se novi teže probijaju. Istraživanja također ukazuju na postojanje demografskih pristranosti, gdje algoritmi mogu favorizirati određene žanrove ili izvođače na temelju spola ili porijekla.

Playliste su postale novi i najmoćniji "gatekeeperi" u industriji, preuzevši ulogu koju su nekad imali radijski urednici i glazbene trgovine. Kontrola nad najpopularnijim playlistama daje platformama ogromnu moć, što utječe i na ekonomiju streaminga. Budući da se zarada umjetnicima najčešće isplaćuje po pro-rata modelu (udio prihoda temeljen na udjelu streamova), sustav koji favorizira najpopularnije dodatno pojačava nejednakost u zaradi.

Zbog toga se sve više govori o algoritamskoj pravednosti. Projekti poput europskog Fair MusE imaju za cilj istražiti upravo te probleme i razviti alate koji bi korisnicima i kreatorima pružili veću transparentnost. Europski parlament također je pozvao na donošenje pravila koja bi osigurala pravedniju naknadu za autore i veću transparentnost AI alata u glazbi.

Sve u svemu, može se reći da algoritmi streaming servisa poput Spotifyja i Apple Musica predstavljaju vrhunac primjene umjetne inteligencije u personalizaciji korisničkog iskustva. Oni su spoj sofisticirane audio analize, lingvistike i analize ljudskog ponašanja.

Iako nam pružaju gotovo beskrajan izvor nove glazbe prilagođene našem ukusu, istovremeno otvaraju kompleksna pitanja o pravednosti, transparentnosti i budućnosti glazbene kreativnosti. Način na koji će se industrija i regulatori nositi s tim izazovima oblikovat će ne samo kako ćemo slušati glazbu, već i kakva će se glazba u budućnosti stvarati.