Cómo Spotify te conoce más que tu madre

Con Spotify, cada lunes y viernes millones de usuarios de esta plataforma de streaming musical, se encuentran con descubrimiento semanal y radar de novedades.

Hasta con dos playlists de 30 canciones seleccionadas para cada usuario con una precisión casi mágica.

¿Cómo lo hace la empresa sueco estadounidense para conocer tus gustos musicales mejor que cualquier persona en tu vida?

“El machine learning está en el corazón de todo lo que hacemos en Spotify”, evangelizan sus ejecutivos y complementa Javier Villagrán, director de estrategia de Fusiona:

“Es uno de los mejores casos de éxito de una estrategia de inteligencia artificial y machine learning centrada en las necesidades del usuario. El tandem descubrimiento/curatoría más la interacción social permite crear una compleja red de intereses musicales que hace que la experiencia sea total”.

Los tres modelos de Spotify

Esa “experiencia total” te entrega listas de reproducción con canciones que nunca antes has escuchado pero que probablemente te gustarán.

¿Y cómo pueden estar seguros de que probablemente te gustarán?

Porque analizan los géneros que te gustan, tempo, la cadencia, tu biblioteca, lo que tienen tus amigos en un cóctel de bases de datos.

Hasta los Python y algoritmos que se construye mediante tres modelos de machine learning.

El filtrado colaborativo, procesamiento de lenguaje natural (NLP) y análisis de audio:

Image for post
Spotify conoce tus gustos musicales en base a tres modelos: El filtrado colaborativo, procesamiento de lenguaje natural (NLP) y análisis de audio. Crédito imagen: HackerNoon.
  • Filtrado colaborativo: El primero (que utilizó originalmente Last.fm), analiza tu comportamiento y el de los demás estableciendo recomendaciones sobre las preferencias de los usuarios con gustos similares.
  • El procesamiento de lenguaje natural (NLP): rastrea la web en busca de blogs y textos sobre música, y descubre lo que la gente dice sobre artistas y canciones.

Creando “vectores culturales” o “términos principales” con rangos de probabilidad de que alguien describa la música con esos términos.

  • El modelo de audio, analiza el tempo, el estilo, la letra, el espectrógrafo, la acústica y otras variables musicales de las pistas.

Los motores de recomendaciones

Spotify se inserta en lo que se denomina Motores de recomendaciones, donde comparte cabeza del cartel junto a Netflix y Amazon. Se trata de plataformas y compañías donde el descubrimiento es clave.

En una oferta con 32 mil horas para ver en Netflix, 10 millones de libros electrónicos en Kindle y más de 50 millones de canciones en Spotify, nuestro tiempo y atención son lo más preciado de la economía digital.

Y en busca de esos preciados commodities del siglo XXI, el aprendizaje de las máquinas es el principio organizador central de estas tecnologías.

“A diferencia de otras redes sociales donde se comparten datos bien íntimos (“Estoy en una relación”), que el algoritmo sepa más de nuestros gustos musicales de alguna forma no nos parece tan amenazante o comprometedor. Pero eso no quita que la máquina detrás del recomendador sea menos eficiente o compleja”, dice Javier.

“La cantidad de variables que lo influyen es cada vez mayor. De hecho, el gran desafío que tienen por delante está en darle un toque más humano y menos mecánico a las recomendaciones: que no me ofrezcan siempre lo mismo, que me sorprendan. Ahí está la clave del aprendizaje no supervisado en el futuro de Spotify”, termina Javier.

Quien también, al igual que muchos cree que Spotify “nos cambió la vida”. Seguramente es un objetivo que predijeron hace años en la compañía de streaming musical.

Para conocer más sobre los avances y novedades más importantes relacionados al mundo digital haz clic aquí.

Si quieres saber más sobre nuestra agencia y cómo te podemos ayudar a navegar en las aguas de la Transformación digital puedes visitar nuestro sitio www.fusiona.cl

Fusiona Avatar

Si quieres saber cómo podemos ayudarte

Contactanos

Artículos Relacionados