La charade à succès

Le premier concert de Zane Lowe en tant que DJ sur Apple Music était un peu vertigineux. Les chansons qu'il a jouées allaient du punk-pop au post-rock en passant par le grime, l'électronica, le rock de stade et au-delà. Il a présenté des chansons inédites ainsi que des morceaux enregistrés il y a des décennies par des rockeurs bien connus. Pourtant, malgré le désarroi - ou probablement à cause de cela - j'ai apprécié le spectacle. Chaque nouveau morceau m'emmenait dans une direction surprenante, tandis que le mélange d'artistes et l'énergie des chansons semblaient correspondre au bavardage légèrement dérangé de Lowe.

Une chose qui ressort d'Apple Music, un service de streaming que vous pouvez utiliser sur des ordinateurs et des appareils mobiles pour 10 $ par mois, est la présence de DJ humains comme Lowe sur une chaîne appelée Beats 1. L'émission de Lowe m'a présenté des artistes inconnus, et il a mis en évidence des connexions musicales intrigantes – entre, disons, un hymne de stade d'AC/DC et un morceau récent d'électronica remixé par un artiste écossais appelé Hudson Mohawke. L'émotion qui traversait toutes les chansons était optimiste, voire provocante.

Cette histoire faisait partie de notre numéro de novembre 2015

• Voir la suite du problème
• S'abonner

Tout comme les ordinateurs ne peuvent pas encore créer d'art ou de prose puissants et imaginatifs, ils ne peuvent pas vraiment apprécier la musique. Et organiser une liste de lecture musicale poignante ou convaincante nécessite un type de perspicacité qu'ils n'ont pas - la capacité de trouver des similitudes dans les éléments musicaux et d'obtenir la résonance émotionnelle et le contexte culturel des chansons. Malgré tous les progrès réalisés dans le domaine de l'intelligence artificielle, les machines sont encore désespérément dépourvues d'imagination et prévisibles. C'est pourquoi Apple a embauché des centaines de personnes pour servir de DJ et de créateurs de listes de lecture, en plus des recommandations algorithmiques qu'il propose toujours.

Les choix de Pandora ont tendance à être plutôt prévisibles, souvent aussi fades et conventionnels que ceux de la radio commerciale.

Faire appel à des experts humains est un moyen astucieux pour Apple de se différencier. Bien qu'il ait été le pionnier de la distribution et du stockage numériques de la musique, il se retrouve désormais à la traîne des services de streaming tels que Pandora, Spotify, Rdio et Tidal. Aucun de ceux-ci ne met autant l'accent sur la conservation par des experts humains qu'Apple Music. Et bien que les algorithmes que toutes ces entreprises utilisent pour recommander des chansons se soient considérablement améliorés ces dernières années, il n'y a pas de véritable compréhension ou appréciation musicale. Ça montre. Les algorithmes utilisent des techniques statistiques pour analyser les données des auditeurs, en faisant une estimation éclairée de ce que vous pourriez aimer. Il n'existe toujours pas d'algorithme qui puisse rendre compte du goût humain.

Entendre des choses

Pandora, l'un des premiers services de streaming musical, est un bon exemple de l'approche algorithmique. Grâce à un effort vieux de dix ans appelé Music Genome Project, Pandora a employé des experts en musique pour étiqueter des chansons avec des centaines de caractéristiques, telles que le genre, les types d'instruments utilisés et même le phrasé mélodique et la tonalité. Lorsque vous donnez à Pandora un groupe, un compositeur ou une chanson comme point de départ, cela crée une station de radio de musique avec des attributs similaires. Choisissez les Beatles et Pandora peut automatiquement sélectionner une chanson des Beach Boys, vous informant que nous jouons ce morceau car il présente une instrumentation rock douce, des performances vocales exigeantes, une harmonie vocale entrelacée, une tonalité mixte mineure et majeure et une mélodie mélodique. écriture de chansons.

Malheureusement, les choix de Pandora ont tendance à être plutôt prévisibles, souvent aussi fades et conventionnels que ceux de la radio commerciale. Après avoir commencé avec les Beatles, il est peu probable que vous entendiez une chanson dans un style très différent qui était populaire à la même époque, par exemple, ou un artiste hip-hop qui a fait un travail intelligent en échantillonnant le travail de Ringo and co.

Plus récemment, des algorithmes ont commencé à produire des listes de lecture qui peuvent sembler beaucoup plus nuancées et sur mesure. Le plus grand service de streaming au monde, Spotify, qui compte plus de 75 millions d'utilisateurs, pousse l'état de l'art, en utilisant de grandes quantités de données pour faire des recommandations personnalisées.

Choses examinées

• Apple Musique

• Pandore

• Spotify

• Créativité, test de Turing et (meilleur) test de Lovelace

  Par Selmer Bringsjord, Paul Bello et David Ferrucci
  L'esprit et les machines
  vol. 11, 2001

Chris Johnson, qui dirige l'une des équipes de science des données de Spotify à New York, affirme que l'entreprise emploie des humains pour créer certaines de ses listes de lecture. Mais il collecte également autant de données que possible sur le comportement d'écoute d'un utilisateur, puis les compare aux données collectées auprès d'autres utilisateurs. L'idée derrière cette technique, connue sous le nom de filtrage collaboratif, est que vous aimerez probablement une chanson qu'une personne ayant des goûts similaires a déjà découverte et appréciée. L'année dernière, Spotify a acquis une société appelée Echo Nest qui recueille des informations sur la nouvelle musique publiée sur des blogs, des sites Web d'actualités et des médias sociaux. Ces opinions alimentent également les recommandations de Spotify, contribuant à rendre ses suggestions musicales encore plus intelligentes.

En juillet, Spotify a commencé à tester une playlist personnalisée mise à disposition de cette manière. Nous examinons ce que vous jouez, les listes de lecture que vous créez et essentiellement tout ce que nous savons sur vous. À partir de là, tous les lundis, il y aura cette nouvelle liste de lecture de musique, m'a dit Johnson.

Les premières listes de lecture que j'ai reçues comprenaient plusieurs chansons que j'ai instantanément aimées, bien qu'aucune ne s'écarte très loin de ce que j'écoute déjà. C'est utile, mais pas tout à fait hallucinant.

Il existe également une limitation inhérente à ces algorithmes de recommandation automatisés : ils ne peuvent pas suggérer une nouvelle chanson, car il n'y a pas de données pour montrer à quel point les autres auditeurs l'aiment. Contrairement à un algorithme, les humains peuvent généralement dire, en quelques instants d'écoute, à quel point ils aiment un nouveau morceau. Ici, cependant, les progrès récents de l'intelligence artificielle commencent à aider. L'année dernière, Spotify a commencé à tester un moyen d'analyser une chanson elle-même plutôt que les métadonnées qui lui sont associées. Cela impliquait de former ce qu'on appelle un réseau d'apprentissage en profondeur, grossièrement modélisé sur des couches de neurones dans le cerveau, pour reconnaître les caractéristiques de fréquence d'un signal audio (correspondant au son que vous entendez et à la façon dont le son change avec le temps) dans des millions de chansons. . Ces algorithmes peuvent classer une nouvelle chanson étonnamment bien, comme le montre l'exemple listes de lecture publiées par un membre de l'équipe de Johnson chez Spotify.

L'expertise humaine restera un élément clé des algorithmes de Spotify dans un avenir prévisible.

Mais même cet exploit n'est pas la preuve d'une véritable compréhension ou d'un jugement musical. Le système d'apprentissage en profondeur de Spotify doit encore être formé à l'aide de millions d'exemples de chansons, et il serait perplexe face à un nouveau style de musique audacieux. De plus, de tels algorithmes ne peuvent pas organiser les chansons de manière créative. Ils ne peuvent pas non plus faire la distinction entre une pièce vraiment originale et une autre imitation moi aussi d'un son populaire. Johnson reconnaît cette limitation, et il dit que l'expertise humaine restera un élément clé des algorithmes de Spotify dans un avenir prévisible.

Le Beats 1 d'Apple offre une expérience très différente. Une émission de radio, L'heure des alligators , dirigé par le musicien et producteur Joshua Homme, célèbre des chansons obscures mais extrêmement originales. Il se délecte également des connexions absurdes qui peuvent être trouvées entre certaines chansons, associant, par exemple, le côté mélodique des Sex Pistols à l'adrénaline qui alimente la discothèque de Donna Summer. C'est délicieusement bizarre. Dans une autre émission, intitulée Service de livraison de mixtapes , la musicienne Annie Clark (nom de scène St. Vincent) joue une liste personnalisée de chansons inspirées par l'humeur ou la situation d'un auditeur. Dans son premier spectacle, Clark a organisé une rétrospective de musique de danse moins connue mais culturellement significative pour une fille de 11 ans qui voulait en savoir plus sur le genre.

Test de Turing auditif

Qu'est-ce qui donne aux gens cette capacité ? L'apprentissage en profondeur ou d'autres systèmes d'intelligence artificielle pourraient-ils jamais développer un goût qui va au-delà de la classification des caractéristiques d'une chanson pour déterminer si elle est bonne ou non ? Les ordinateurs pourraient-ils identifier cette qualité intangible que les gens associent naturellement au talent, à la créativité ou à l'originalité ? Quand j'ai demandé à Johnson si un algorithme pourrait un jour repérer une chanson à succès d'un artiste non signé, il a dit : C'est exactement ce que nous voulons faire.

C'est une ambition audacieuse, et qui pourrait s'avérer insaisissable. L'appréciation musicale et la créativité n'ont rien à voir avec la recherche de modèles statistiques dans de grandes piles de données.

Qu'est-ce qui différencie quelque chose d'inhabituel ou de bizarre de quelque chose de créatif ? C'est une question difficile, dit Eyal Reingold, psychologue à l'Université de Toronto qui étudie la créativité humaine. Pour qu'une machine fasse preuve de créativité, dit-il, elle devrait produire quelque chose qui n'est pas seulement inhabituel - ou quelque chose qui n'y a pas été programmé - mais qui est jugé utile, du moins dans un certain contexte culturel.

En effet, la nature glissante de la créativité a conduit certains psychologues et informaticiens à suggérer qu'elle pourrait être un moyen utile de mesurer l'intelligence des machines. Dans un article publié en 2001, deux universitaires du Rensselaer Polytechnic Institute, ainsi que David Ferrucci, alors chercheur d'IBM, créeront un ordinateur appelé Watson qui remportera le jeu télévisé. Péril! , a fait valoir qu'un test de créativité pourrait être un meilleur moyen de juger si un ordinateur avait atteint une intelligence de type humain. Ils ont noté que le test proposé en 1950 par Alan Turing, qui mesure l'intelligence d'une machine à travers une conversation dactylographiée, encourage les programmeurs à utiliser la ruse plutôt que de construire quelque chose de véritablement intelligent. Ils ont estimé que les exploits de créativité, que ce soit en peinture, en écriture, en musique ou dans un autre domaine, sont beaucoup plus difficiles à simuler et sont fondamentaux pour l'intelligence. Et ils appelèrent leur alternative le test de Lovelace, du nom d'Ada Lovelace, souvent considérée comme la première programmeuse informatique au monde, qui nota en 1843 que les premières machines informatiques, aussi impressionnantes soient-elles, seraient incapables de faire quoi que ce soit d'original.

Fait révélateur, les efforts pour réussir le test de Lovelace ont largement échoué. Pourtant, le défi continue. En réalité, Michel Casey , professeur de musique et d'informatique au Dartmouth College, prévoit d'organiser plusieurs tests de Turing au début de l'année prochaine, peut-être suivis de tests de Lovelace. L'un impliquera des DJ sur ordinateur, avec des danseurs invités à juger si les chansons qu'ils viennent d'entendre ont été enregistrées par un humain ou par une machine. Casey espère que dans ce contexte limité, une machine démontrera quelque chose qui s'apparente à la créativité musicale.

Cependant, il ne semble guère confiant. Quel que soit le type d'algorithme que nous avons essayé d'appliquer dans le passé à la musique - que ce soit quelque chose qui essaie d'imiter Bach ou Mozart, ou essaie de recommander la musique - à un certain moment, on a l'impression qu'il n'a pas de 'forme'. ', dit-il, un peu tristement. Il peut, pendant quelques secondes, vous tromper, mais il n'a pas de plan global. Et je pense que la même chose peut être vraie pour un DJ set automatisé.

Ce sera peut-être vrai encore longtemps. Et si nous voulons que les machines proposent quelque chose d'aussi unique et original qu'une émission sur Beats 1 d'Apple, nous devrons peut-être réfléchir un peu plus de manière créative à la façon dont nous les concevons.

cacher