Die Hit-Scharade

Zane Lowes erster Auftritt als DJ bei Apple Music war ein bisschen schwindelerregend. Die Songs, die er spielte, bewegten sich von Punk-Pop über Post-Rock und Grime zu Electronica bis hin zu Stadion-Rock und darüber hinaus. Er präsentierte bisher ungehörte Songs zusammen mit Tracks, die vor Jahrzehnten von bekannten Rockern aufgenommen wurden. Doch trotz der Unordnung – oder wahrscheinlich gerade deswegen – genoss ich die Show. Jeder neue Track führte mich in eine überraschende Richtung, während die Mischung der Künstler und die Energie der Songs zu Lowes leicht gestörtem Geschwätz zu passen schienen.

Eine Sache, die bei Apple Music auffällt, einem Streaming-Dienst, den Sie für 10 US-Dollar pro Monat auf Computern und Mobilgeräten nutzen können, ist die Anwesenheit menschlicher DJs wie Lowe auf einem Kanal namens Beats 1. Lowes Show hat mich mit unbekannten Künstlern bekannt gemacht, und das hob faszinierende musikalische Verbindungen hervor – beispielsweise zwischen einer Stadionhymne von AC/DC und einem kürzlich remixten Electronica-Stück eines schottischen Künstlers namens Hudson Mohawke. Die Emotion, die sich durch alle Songs zog, war optimistisch, sogar trotzig.

Diese Geschichte war Teil unserer Ausgabe vom November 2015

• Siehe den Rest des Problems
• Abonnieren

So wie Computer noch keine kraftvolle und fantasievolle Kunst oder Prosa schaffen können, können sie Musik noch nicht wirklich schätzen. Und die Zusammenstellung einer ergreifenden oder überzeugenden Musik-Playlist erfordert eine Art von Einsicht, die sie nicht haben – die Fähigkeit, Ähnlichkeiten in musikalischen Elementen zu finden und die emotionale Resonanz und den kulturellen Kontext von Songs zu erfassen. Trotz aller Fortschritte in der künstlichen Intelligenz sind Maschinen immer noch hoffnungslos einfallslos und vorhersehbar. Aus diesem Grund hat Apple Hunderte von Leuten eingestellt, die als DJs und Playlist-Ersteller fungieren, zusätzlich zu den algorithmischen Empfehlungen, die es immer noch anbietet.

Die Entscheidungen von Pandora sind in der Regel eher vorhersehbar – oft genauso langweilig und konventionell wie die im kommerziellen Radio.

Das Einbeziehen menschlicher Experten ist eine clevere Möglichkeit für Apple, sich zu differenzieren. Obwohl es Pionierarbeit bei der digitalen Verbreitung und Speicherung von Musik geleistet hat, hinkt es nun Streaming-Diensten wie Pandora, Spotify, Rdio und Tidal hinterher. Keines davon betont die Kuration durch menschliche Experten so sehr wie Apple Music. Und obwohl sich die Algorithmen, die all diese Unternehmen für die Empfehlung von Songs verwenden, in den letzten Jahren stark verbessert haben, gibt es kein wirkliches musikalisches Verständnis oder Wertschätzung. Es zeigt. Die Algorithmen verwenden statistische Techniken, um Hörerdaten zu analysieren und eine fundierte Vermutung darüber anzustellen, was Ihnen gefallen könnte. Es gibt noch keinen Algorithmus, der den menschlichen Geschmack berücksichtigen kann.

Dinge hören

Pandora, einer der ersten Musik-Streaming-Dienste, ist ein gutes Beispiel für den algorithmischen Ansatz. Durch ein jahrzehntealtes Projekt namens Music Genome Project hat Pandora Musikexperten damit beauftragt, Songs mit Hunderten von Merkmalen zu kennzeichnen, darunter das Genre, die Art der verwendeten Instrumente und sogar die melodische Phrasierung und Tonalität. Wenn Sie Pandora eine Band, einen Komponisten oder ein Lied als Ausgangspunkt geben, wird ein Radiosender mit Musik mit ähnlichen Attributen erstellt. Wählen Sie die Beatles, und Pandora spielt möglicherweise automatisch einen Song der Beach Boys und informiert Sie: „Wir spielen diesen Track, weil er sanfte Rock-Instrumentierung, anspruchsvolle Gesangsdarbietungen, verwobene Vokalharmonien, gemischte Moll- und Dur-Tonarten und Melodik aufweist Songwriting.

Leider neigen Pandoras Entscheidungen dazu, eher vorhersehbar zu sein – oft genauso langweilig und konventionell wie die im kommerziellen Radio. Nachdem Sie mit den Beatles begonnen haben, werden Sie wahrscheinlich keinen Song in einem ganz anderen Stil hören, der etwa zur gleichen Zeit populär war, oder einen Hip-Hop-Künstler, der einen cleveren Job gemacht hat, die Arbeit von Ringo und Co. zu sampeln.

In jüngerer Zeit haben Algorithmen damit begonnen, Wiedergabelisten zu erstellen, die sich viel nuancierter und maßgeschneiderter anfühlen können. Der weltweit größte Streaming-Dienst Spotify mit mehr als 75 Millionen Nutzern treibt den Stand der Technik voran und verwendet riesige Datenmengen, um personalisierte Empfehlungen zu geben.

Dinge überprüft

• Apple Musik

• Pandora

• Spotify

• Kreativität, der Turing-Test und der (bessere) Lovelace-Test

  Von Selmer Bringsjord, Paul Bello und David Ferrucci
  Geist und Maschinen
  vol. 11., 2001

Chris Johnson, der eines der Data-Science-Teams von Spotify in New York leitet, sagt, dass das Unternehmen Menschen einstellt, um einige seiner Playlists zu erstellen. Es sammelt aber auch so viele Daten wie möglich über das Hörverhalten eines Nutzers und vergleicht diese dann mit den gesammelten Daten anderer Nutzer. Die Idee hinter dieser Technik, die als kollaboratives Filtern bekannt ist, ist, dass Ihnen wahrscheinlich ein Song gefallen wird, den jemand mit ähnlichem Geschmack bereits entdeckt und genossen hat. Letztes Jahr erwarb Spotify ein Unternehmen namens Echo Nest, das Informationen über neue Musik sammelt, die in Blogs, Nachrichten-Websites und sozialen Medien gepostet wird. Diese Meinungen fließen nun auch in die Empfehlungen von Spotify ein und tragen dazu bei, die Musikvorschläge noch cleverer zu gestalten.

Im Juli begann Spotify mit dem Testen einer so bereitgestellten personalisierten Playlist. Wir schauen uns an, was du spielst, Playlists, die du erstellst, und im Grunde alles, was wir über dich wissen. Von da an wird es jeden Montag diese neue Playlist mit Musik geben, sagte Johnson mir.

Die ersten paar Playlists, die ich erhielt, enthielten mehrere Songs, die ich sofort liebte, obwohl keiner sehr weit über das hinausgeht, was ich bereits höre. Es ist nützlich, aber nicht ganz umwerfend.

Auch solche automatisierten Empfehlungsalgorithmen haben eine inhärente Einschränkung: Sie können keinen neuen Song vorschlagen, weil es keine Daten gibt, die zeigen, wie sehr andere Hörer ihn mögen. Im Gegensatz zu einem Algorithmus können Menschen normalerweise innerhalb weniger Augenblicke nach dem Hören sagen, wie sehr ihnen ein neuer Titel gefällt. Hier beginnen jedoch die jüngsten Fortschritte in der künstlichen Intelligenz zu helfen. Im vergangenen Jahr hat Spotify damit begonnen, eine Methode zu testen, mit der ein Song selbst analysiert werden kann und nicht nur die damit verbundenen Metadaten. Dazu gehörte das Training eines sogenannten Deep-Learning-Netzwerks, das grob Schichten von Neuronen im Gehirn nachempfunden ist, um Frequenzmerkmale eines Audiosignals (entsprechend dem Ton, den Sie hören, und der Art und Weise, wie sich der Ton im Laufe der Zeit ändert) in Millionen von Songs zu erkennen . Diese Algorithmen können einen neuen Song überraschend gut klassifizieren, wie im Beispiel gezeigt Playlisten gepostet von einem Mitglied von Johnsons Team bei Spotify.

Menschliche Expertise wird auf absehbare Zeit ein wichtiger Bestandteil der Algorithmen von Spotify bleiben.

Aber selbst diese Leistung ist kein Beweis für echtes musikalisches Verständnis oder Urteilsvermögen. Das Deep-Learning-System von Spotify muss noch anhand von Millionen von Beispielsongs trainiert werden und würde durch einen mutigen neuen Musikstil ratlos werden. Außerdem können solche Algorithmen Songs nicht kreativ arrangieren. Sie können auch nicht zwischen einem wirklich originellen Stück und einer weiteren Me-too-Imitation eines populären Sounds unterscheiden. Johnson erkennt diese Einschränkung an und sagt, dass menschliches Fachwissen auf absehbare Zeit ein wichtiger Bestandteil der Algorithmen von Spotify bleiben wird.

Apples Beats 1 bietet eine ganz andere Erfahrung. Eine Radiosendung, Die Alligator-Stunde , dem der Musiker und Produzent Joshua Homme vorsteht, zelebriert obskure, aber höchst originelle Songs. Es schwelgt auch in den absurden Verbindungen, die zwischen einigen Songs zu finden sind – zum Beispiel paart es die melodische Seite der Sex Pistols mit dem Adrenalin, das Donna Summers Disco antreibt. Es ist herrlich seltsam. In einer anderen Show namens Mixtape-Lieferservice , spielt die Musikerin Annie Clark (Künstlername St. Vincent) eine benutzerdefinierte Liste von Songs, die von der Stimmung oder Situation eines Zuhörers inspiriert sind. In ihrer ersten Show arrangierte Clark eine Retrospektive weniger bekannter, aber kulturell bedeutender Tanzmusik für ein 11-jähriges Mädchen, das mehr über das Genre erfahren wollte.

Auditiver Turing-Test

Was gibt Menschen diese Fähigkeit? Könnten Deep Learning oder andere künstliche Intelligenzsysteme jemals einen Geschmack entwickeln, der über die Klassifizierung der Eigenschaften eines Songs hinausgeht, um festzustellen, ob er gut ist oder nicht? Könnten Computer in der Lage sein, jene immaterielle Qualität zu identifizieren, die Menschen von Natur aus mit Talent, Kreativität oder Originalität in Verbindung bringen? Als ich Johnson fragte, ob ein Algorithmus vielleicht eines Tages in der Lage sein könnte, einen Hitsong eines nicht unter Vertrag stehenden Künstlers auszukundschaften, sagte er: Das ist genau das, was wir tun wollen.

Es ist ein kühnes Ziel, und eines, das sich als schwer fassbar erweisen könnte. Musikalisches Verständnis und Kreativität haben nichts damit zu tun, statistische Muster in großen Datenbergen zu finden.

Was unterscheidet etwas Ungewöhnliches oder Skurriles von etwas Kreativem? Das ist eine schwierige Frage, sagt Eyal Reingold, ein Psychologe an der University of Toronto, der sich mit menschlicher Kreativität beschäftigt. Damit eine Maschine Kreativität demonstrieren kann, müsste sie etwas produzieren, das nicht nur ungewöhnlich ist – oder etwas, das ihr nicht einprogrammiert wurde – sondern das zumindest in einem bestimmten kulturellen Kontext als nützlich erachtet wird.

In der Tat hat die schlüpfrige Natur der Kreativität einige Psychologen und Informatiker zu der Annahme veranlasst, dass sie eine nützliche Methode zur Messung der maschinellen Intelligenz sein könnte. In einem 2001 veröffentlichten Artikel stellten zwei Akademiker des Rensselaer Polytechnic Institute zusammen mit David Ferrucci, damals ein IBM-Forscher, einen Computer namens Watson her, der die Spielshow gewinnen würde Gefahr! , argumentierte, dass ein Kreativitätstest ein besserer Weg sein könnte, um zu beurteilen, ob ein Computer menschenähnliche Intelligenz erreicht hat. Sie stellten fest, dass der 1950 von Alan Turing vorgeschlagene Test, der die Intelligenz einer Maschine durch eine getippte Konversation misst, Programmierer dazu ermutigt, Tricks anzuwenden, anstatt etwas wirklich Intelligentes zu bauen. Sie argumentierten, dass kreative Leistungen, sei es in der Malerei, im Schreiben, in der Musik oder in einem anderen Bereich, viel schwerer zu fälschen seien und für die Intelligenz von grundlegender Bedeutung seien. Und sie nannten ihre Alternative den Lovelace-Test, nach Ada Lovelace, die oft als die erste Computerprogrammiererin der Welt angesehen wurde und 1843 feststellte, dass die ersten Rechenmaschinen, so beeindruckend sie auch sein mögen, nicht in der Lage sein würden, irgendetwas Originelles zu tun.

Bezeichnenderweise sind die Bemühungen, den Lovelace-Test zu bestehen, weitgehend gescheitert. Trotzdem lebt die Herausforderung weiter. In der Tat, Michael Casey , Professor für Musik und Informatik am Dartmouth College, plant, Anfang nächsten Jahres mehrere Turing-Tests abzuhalten, möglicherweise gefolgt von einigen Lovelace-Tests. Eines wird Computer-DJs einbeziehen, wobei Tänzer gebeten werden zu beurteilen, ob die Songs, die sie gerade gehört haben, von einem Menschen oder von einer Maschine eingespielt wurden. Casey hofft, dass eine Maschine in diesem begrenzten Kontext so etwas wie musikalische Kreativität demonstrieren wird.

Er wirkt jedoch kaum zuversichtlich. Egal, welche Art von Algorithmus wir in der Vergangenheit versucht haben, auf Musik anzuwenden – ob es etwas ist, das versucht, Bach oder Mozart nachzuahmen, oder versucht, Musik zu empfehlen – an einem bestimmten Punkt fühlt es sich an, als hätte es keine „Form“. “, sagt er ein wenig reumütig. Es mag Sie für ein paar Sekunden täuschen, aber es hat keinen Gesamtplan. Und ich denke, dasselbe gilt für ein automatisiertes DJ-Set.

Vielleicht wird das noch lange so sein. Und wenn wir wollen, dass sich Maschinen etwas so Einzigartiges und Originelles einfallen lassen wie eine Show auf Apples Beats 1, dann müssen wir vielleicht etwas kreativer darüber nachdenken, wie wir sie gestalten.

verbergen