Post Author Avatar
Zeynep Senis
Çevirmen/Yazar

1999 yılında Napster gibi peer-to-peer (P2P) yani eşler arası müzik dosyası paylaşım yazılımlarının ortaya çıkmasıyla birlikte müzik endüstrisi, dijitalleşme ve internetin getirdiği büyük değişimlerden büyük ölçüde etkilenen ilk medya sektörü oldu. 2000’lerin başında ise MP3'ler CD'lerin yerini aldıkça, endüstri daha da büyük sekteye uğrayarak, 2001'de 23,4 milyar dolardan, 2014'te 14 milyar dolara kadar geriledi.

Bununla birlikte, son yıllarda müzik endüstrisi toparlanmaya başladı ve küresel müzik endüstrisi gelirleri, ücretli dinleme gelirlerinde yıllık %18,5 büyüme ile 2020'de 21,6 milyar dolara ulaştı. Başka bir deyişle, müzik endüstrisi, ürün tabanlı (CD'ler ve kayıtlar) bir iş olmaktan çıkıp, hizmet tabanlı bir işe başarıyla dönüştü. Pek tabii bu dönüşüm ve başarı yolculuğu oldukça zor geçti. Müzik endüstrisinin büyük bir yıkımın ortasında kendisini nasıl yeniden inşa ettiği sorusuna verilecek yanıtlar arasında ise yapay zekâ, büyük veri analitiği, veri bilimi gibi ileri teknolojiler ön sıralarda yer alıyor. 

Veri bilimi ve müzik, birçok insanı şaşırtabilecek bir kombinasyondur. Sonuçta, müzik verilerden nasıl etkilenebilir? Sanatçılar, gerçekten iyi olduğuna inandıkları sözlere veya seslere istinaden müziklerini icra etmez mi? Cevap, sanıyoruz ki bundan biraz daha karmaşık. 

2020 küresel müzik kayıt endüstrisi gelirleri:
Kaynak: IFPI"s Industry Data

Müzik endüstrisi fiziksel medya etrafında dönerken, müzik şirketleri sahipleri yeni sanatçılar arıyor ve yeni hitleri tahmin ediyor; kararlarını ise single ve albüm satışları, konserler için bilet satışları gibi sınırlı verilere dayanarak veriyorlardı. Ancak, Türkçe’mizde tam bir karşılığı olmayan streaming servislerinin yükselişinden bu yana, endüstrinin elinde bol miktarda veri bulunuyor ve bu verilerin tümü, bu servislerin ardındaki güçlü makine öğrenimi algoritmalarını besliyor.

Bu algoritmalar, bir sanatçının veya parçanın aldığı akış sayısından çok daha derine iniyor. Spotify, kullanıcıların dinleme deneyimlerinden, neyi ne zaman dinlediğiniz, çalma listelerinize hangi şarkıları eklediğiniz, benzer zevklere sahip kişilerin dinleme alışkanlıkları gibi yüzlerce farklı veriyi topluyor. Platform, ayrıca dinlediğiniz şarkıların dili, günde kaç saat şarkı dinlediğiniz gibi daha az belirgin olan metrikleri de dikkate alıyor. Bu metrikler birlikte, sektördeki eski karar merciilerin yerini alıyor ve hangi şarkıların listeleneceğini, hangi sanatçıların başarılı olduğunu ve hangi demografik türlerin dinlendiğini ortaya koyuyor. Ve bu algoritmaların arkasındaki modellere daha derin bir dalış yaptığınızda, nasıl bu kadar doğru sonuçlar ürettikleri daha da netleşiyor.

Büyük Veri Analitiği ile Derlenen Mükemmel Playlistler

Televizyon yayını endüstrisindeki Netflix gibi, Spotify'ın algoritmaları da müzik yayını endüstrisinde altın standart olarak kabul edilir ve "Haftalık Keşifler" adlı listeler bizlere bu algoritmaları çalışırken keşfetmek için mükemmel bir şablon sunar. Tanıtıldığı ilk sene 40 milyon kişiye ulaşan bu listelerde her Pazartesi, kullanıcılara otuz şarkıdan oluşan özelleştirilmiş bir liste sunulur. Önerilen çalma listesi, kullanıcının daha önce duymamış olabileceği parçalardan oluşur, ancak öneriler kullanıcının arama geçmişi modeline ve potansiyel müzik tercihine göre oluşturulur. Makine öğrenimi, önerilerin zaman içinde iyileşmesini sağlar. Yalnızca kullanıcıların geri gelmesini sağlamakla kalmaz, aynı zamanda kullanıcıların muhtemelen organik olarak arama yapmayacakları sanatçılar için daha fazla görünürlük sağlar.

Bu çalma listeleri her kullanıcıya özeldir ve üç temel makine öğrenimi modeline dayalı olarak her hafta kişiselleştirilmiş ve derlenmiş yeni şarkılar sunar: Collaborative filtering (işbirlikçi filtreleme), natural language processing (doğal dil işleme), raw audio-based models (ham ses tabanlı modeller).

Collaborative filtering (işbirlikçi filtreleme):

“Collaborative filtering”, yani işbirlikçi filtreleme, Amazon ve YouTube gibi platformlar tarafından kullanılan geleneksel tahmine dayalı algoritmalara benzer şekilde, kullanıcı davranışını diğer kullanıcıların davranışlarıyla karşılaştırır. Ancak Spotify, bünyesinde bir derecelendirme sistemi barındırmağı için, bir kullanıcının belirli bir şarkıyı kaç kez dinlediği ve bir sanatçının sayfasını ne sıklıkta tıkladığı gibi örtülü geri bildirimleri analiz eder.

Natural language processing (doğal dil işleme):

Doğal dil işleme (NLP) ile birleştiğinde, Spotify'ın algoritmaları daha da yüksek bir doğruluk düzeyine ulaşır. NLP, metin yoluyla insan konuşmasını analiz eder. Spotify'ın yapay zekâsı, platformunda, sanatçıları çevreleyen fikirleri, haberleri içeren makaleleri, haklarında atılan tweet'leri ve çevrimiçi forumlar gibi binlerce farklı kaynaktaki metni analiz eder. Platformun algoritmaları, bu bilgileri kullanarak şarkıları, hitap edecekleri demografiyi ve uygun oldukları çalma listelerini kategorize eden belirli meta verilerle etiketler. Bu anahtar kelimeler daha sonra “kültürel vektörler” ve “en iyi terimler” olarak sınıflandırılır. Her sanatçı ve şarkı, günlük olarak değişebilen binlerce terimle ilişkilendirilir. Her terime bir ağırlık atanır ve bir bireyin bu terimi sevdiği bir şarkıya veya müzisyene kaç kez atfedeceği açısından göreceli önemini yansıtır.

https://notes.variogr.am/2012/12/11/how-music-recommendation-works-and-doesnt-work/
Kaynak: Brian Whitman | How music recommendation works -- and doesn't work

Raw audio-based models (ham ses tabanlı modeller):

Ses modelleri, ham ses parçalarından gelen verileri analiz etmek ve şarkıları buna göre sınıflandırmak için kullanılır. Bu da, platformun çevrimiçi kapsama alanından bağımsız olarak öneriler oluşturmak için tüm şarkıları değerlendirmesine yardımcı olur. Örneğin, platformda yeni bir sanatçı tarafından yayınlanan yeni bir şarkı varsa, çevrimiçi ve sosyal medyada kapsama alanı düşükse NLP modelleri onu tespit edemeyebilir. Bununla birlikte, işbirlikçi filtreleme modeli, ses modellerinden şarkı verilerinden yararlanarak, parçayı analiz edebilecek ve diğer popüler şarkıların yanı sıra benzer kullanıcılara önerebilir.

Spotify ayrıca yüz tanıma için kullanılan teknolojinin aynısı olan evrişimli sinir ağlarını (convolutional neural network) kullanarak şarkıları analiz ediyor. Spotify söz konusu olduğunda, bu modeller pikseller yerine ses verilerinde kullanılır. Google'da veri bilimcisi olan Sander Dielman, blog yazısında teknolojiyi daha ayrıntılı olarak açıklıyor. Bu şekilde Spotify, kendisini yalnızca mevcut popüler müzisyenler için bir platform olarak değil, aynı zamanda yeni nesil müzisyenlerin tanınmaları için fırsatlar sağlayan bir platform olarak da tanımlıyor.

https://miro.medium.com/max/1288/0*NqcJs3xYB4iMUlpc

Peki Spotify Bizi Nasıl Bu Kadar İyi Tanıyor?

Kişiselleştirme, Spotify'ın üstün kullanıcı deneyimine katkıda bulunan önemli bir unsurdur ve bu, "Haftalık Keşifler" ve "Yeni Müzik Radarı" gibi çalma listelerinin tanıtımında açıkça görülmektedir. Peki Spotify bir kullanıcının tercihlerini nasıl bu kadar iyi biliyor?

2017'de Spotify, kişiselleştirme öğelerinin arkasındaki teknolojiyi geliştirmek için bir satın alma serüvenine başladı. Bunlardan biri, kendisini "derin öğrenme ve makine dinleme algoritmalarına dayalı müzik arama ve keşif motorları sağlayan bir müzik teknolojisi şirketi" olarak tanımlayan Fransız merkezli şirket Niland'dı. Niland, dinleyiciler için hizmet iyileştirmelerine yol açtığı, daha iyi aramalar ve müzik önerileri oluşturmak için API ve makine öğrenimi algoritmalarından yararlandığı ve kullanıcıların beğendikleri müziği daha kolay keşfetmelerini sağladığı için Spotify için oldukça etkili oldu.

Spotify ayrıca, geçtiğimiz yıllarda blockchain şirketi Mediachain Labs'ı da satın aldı. Bu şirket ise, Spotify'da çalınan her parça için doğru kişilerin ödeme almasına yardımcı oluyor. Kullanıcı tabanı katlanarak genişledikçe karmaşıklık da arttığı için blok zinciri teknolojisi burada devreye girerek, işlemlerin daha verimli bir şekilde yapılmasını sağlıyor. Mediachain, bu durumda, sadece süreci daha şeffaf değil, aynı zamanda daha verimli hâle getirmek için endüstride potansiyel bir kurtarıcı olarak görülüyor.

Sonuç

Gördüğünüz gibi, veri bilimi müzik endüstrisini büyük ölçüde etkiledi ve etkilemeye devam ediyor. Veri bilimini kullanmanın ardındaki birincil motivasyon mümkün olduğunca fazla kâr elde etmek olsa da, bu kullanımın endüstriyi herkesin hayal edebileceğinden daha fazla geliştirdiği inkâr edilemez. Trendleri tahmin etmekten, müziği yayınlamak, konser tarihlerini belirlemek ve daha fazlası için en iyi zamanın ne zaman olduğunu belirlemek için müzik analitiğinin kullanılmasına kadar, veri bilimi, müzik endüstrisinde gelecek yıllarda oyunu kesinlikle değiştirecek kalıcı etkilere yol açtı.
Kaynak ve İleri Okuma
Etiket

Projelerimizde bize destek olmak ister misiniz?

Dilediğiniz miktarda aylık veya tek seferlik bağış yapabilirsiniz.

Destek Ol

Yorum Yap (0)

Bunlar da İlginizi Çekebilir