Innovatie & Strategie

Artificial Intelligence
Snelgroeier: door AI weet Belgisch Musimap wat jij wilt luisteren

Snelgroeier: slim algoritme weet welke muziek jij wilt luisteren

Geef Musimap twintig van jouw favoriete muzieknummers door en krijgt goede alternatieven.

Sony WF-1000XM3 noise cancelling headphone © Sony
14 januari 2021

Anders dan andere muziekaanbevelingstools komt er bij Musimap amper nog mensenwerk aan te pas, zegt Managing Director Patrick Zucchetta als hem wordt gevraagd naar het verschil met concurrenten. Toen het bedrijf begon werd het algoritme getraind met een miljoen liedjes die muziekwetenschappers handmatig hadden getagd. Inmiddels traint het algoritme zichzelf en wordt er alleen eens in de zoveel tijd met muziekwetenschappers getest hoe goed het algoritme is. Zucchetta is niet ontevreden, volgens hem is het algoritme nu 85% of meer procent nauwkeurig.

Hoewel Musimap nu zo’n vijf jaar bestaat, gaat de geschiedenis nog verder terug, zo’n twintig jaar, zegt Zucchetta. “We baseren ons model op universitair onderzoek, het merendeel waarbij oprichter Pierre Lebecque betrokken was, maar ook ander universitair onderzoek. Lebeque is een muziekwetenschapper. We hebben academisch onderzoek getransformeerd naar een B-to-B-dienst.”

Het zijn verschillende diensten die worden aangeboden. De oudste is MusiMatch waarbij muziek wordt vergeleken met andere muziek in de database en dan wordt de suggestie gedaan welke muziek daarop lijkt aan de hand van de karakteristieken van die muziek. In Nederland wordt deze dienst gebruikt door bijvoorbeeld BMG Production Music. “Deze dienst heeft niets met emotie te maken”, zegt Zucchetta. “Het is een elektro-accoustische analyse.”

Emoties

De emotie komt pas kijken bij een andere dienst, Musimotion. Dan worden wel nieuwe gegevens aan de tracks worden toegevoegd. “Die data zijn gebaseerd op emoties. Na analyse geven we aan de track een aantal karakteristieken zoals genre of gevoel.” Die karakteristieken zijn in eerste instantie ingevoerd door muziekwetenschappers bij een miljoen tracks. “Op basis van deze gegevens hebben we een machinelearningsysteem getraind. En dit systeem kan nu muziek taggen, grofweg, op dezelfde manier hoe mensen het ook zouden doen. Het gevolg is dat het systeem nu vijftien miljoen tot twintig miljoen tracks per maand kan analyseren. We doen het nu net zo goed als mensen, maar wel stukken sneller.”

 
Lees het hele artikel
Je kunt dit artikel lezen nadat je bent ingelogd. Ben je nieuw bij AG Connect, registreer je dan gratis!

Registreren

  • Direct toegang tot AGConnect.nl
  • Dagelijks een AGConnect nieuwsbrief
  • 30 dagen onbeperkte toegang tot AGConnect.nl

Ben je abonnee, maar heb je nog geen account? Laat de klantenservice je terugbellen!