Dos estudiantes de la Universidad de San Francisco intentaron predecir cual puede ser el próximo hits a través de Machine Learning.
Esto es lo que realizaron dos estudiantes de la Universidad de San Francisco, Estados Unidos, quienes están tratando de predecir el ranking en la cartelera musical a través de modelos de machine learning.
Para ello, prepararon cuatro modelos vinculados a los datos extraídos a la aplicación web de Spotify y luego evaluaron el rendimiento de su trabajo para predecir cuales serían un hit.
Los investigadores recolectaron la información de 1 millón 800 mil canciones, poniendo atención en elementos como tempo, escalas, energía, ritmo y volumen, para luego combinarla con data sobre los últimos 30 años del top 100 del ranking Billboard.
La idea es determinar si los hits a lo largo de la historia tienen características similares, y si ese fuera el caso, utilizar esos elementos para determinar los éxitos musicales del futuro.
Finalmente, estos analistas de datos lograron crear tres modelos con niveles aceptables de precisión, con un rango de 99,53%, 88% y 85,51%, por lo que si una disquera quisiera utilizar alguno de ellos dependería de los objetivos que quisiera conseguir.
Determinar si una canción será un hit o no, basado en los elementos de la misma, es de hecho posible. Futuros investigadores ya están planteando la posibilidad de estudiar otros factores que contribuyen al éxito, como presencia en redes sociales, experiencia del artista y la influencia de la disquera.
“Esto podría cambiar el mundo de la música, ya que, contratando servicios de análisis de datos y predictibilidad, la industria musical podría estar más segura a la hora de invertir, aunque esto no puede evitar la creatividad”, comenta Marcelo Sukni, gerente general de SAS Chile.
Por lo tanto, si los productores y artistas quieren usar algoritmos para tomar decisiones artísticas, estos modelos deben ser diseñados de manera que el progreso y la innovación creativa no se vean estancados, ya que actualmente la tecnología no está preparada hasta ese punto.
