AI의 등장으로 왕풍은 더 이상 음악 멘토라는 타이틀을 유지할 수 없게 됐다.

Super Neuro에서

최근 스웨덴과 네덜란드의 엔지니어 두 명이 논문을 통해 음악적 재능을 측정하고 데이터를 통해 음악적 선호도를 정량화할 수 있는 AI 모델을 개발했다고 밝혔습니다.

잠깐, 그들은 음악 강사들의 사업을 훔치려는 건가요?

"음악적 꿈에 대해 말씀해 주세요." 왕펑은 노래를 통해 꿈을 실현하고자 하는 무대에 선 젊은이들에게 여러 번 이 질문을 던졌습니다. 그의 목표는 음악에 대한 그들의 열정과 그 이면에 숨겨진 이야기를 탐구하는 것입니다.

일반인에게 "음악적 재능이 있나요? 어떤 음악을 좋아하세요?"라는 질문은 대부분의 사람들이 아직 탐구해 볼 기회가 없었을 질문입니다. 음악을 좋아하더라도 막연한 범위만 알려주거나, 플레이어의 '추천곡'에서 패턴을 찾을 수 있었지만, 이제 AI가 명확한 답을 줄 수 있습니다.

Gold-MSI를 통한 음악적 재능 평가

스웨덴 옌셰핑 대학교(JU)의 컴퓨터 과학 조교수인 브루스 페르베르다와 네덜란드 마스트리흐트 대학교의 데이터 과학자인 마크 그라우스는 이론적으로 Gold-MSI 지수를 사용하여 비전문가의 음악적 재능을 평가할 수 있는 AI 모델을 공동으로 개발했습니다.

Gold-MSI 지수는 일반인의 잠재적인 음악적 성취를 평가하는 데 특별히 사용됩니다. 전체 이름은 골드미스 음악적 세련도 지수입니다. 사용자의 음악 선호도(예: 클래식이나 팝 음악 선호도)를 기반으로 심리학 및 행동 과학의 관점에서 비전문가의 음악적 재능을 평가할 수 있습니다.

구체적인 평가 기준은 주로 다음의 다섯 가지 측면을 포함합니다.

• 음악에 대한 헌신 수준(예: 음악에 투자한 돈과 시간)

• 음악적 지각(음악 청취의 정확성 등)

• 지원자가 음악 교육(보컬 트레이닝 등, 전문적, 비전문적 포함)을 받았는지 여부

• 피치 상태;

• 음악에 대한 감정적 인지(즉, 참가자들이 음악에 대한 감정적 경험을 설명함).

이 지수의 경우, 정확도를 평가하는 핵심은 위의 다섯 가지 측면에만 있는 것이 아니라, 사용자의 음악 선호도를 정확하게 판단할 수 있는지 여부에 있습니다. 사용자의 음악 선호도를 정확하게 정량화할 수 있는 시스템이 없었기 때문에 이 지수는 실제 테스트에서 종종 잘못된 결론을 도출했습니다.

이제 AI 평가 모델을 통해 사용자의 음악 선호도를 정확하게 정량화할 수 있게 됐습니다. 해당 모델의 정확도는 90% 이상에 도달할 수 있다고 합니다. 이는 Gold-MSI 지수의 평가 정확도를 개선하는 데 매우 도움이 됩니다.

기회가 있으면 시도해 보시고, 그 결과를 왕풍에게 보내 보세요. 오디션이 필요 없을지도 몰라요.

알고리즘과 심리 모델을 사용하여 음악 선호도 이해

사람의 음악적 취향과 능력은 추론하고 정량화할 수 있지만, 많은 비전문가의 경우 자신의 음악적 선호도를 정확하게 표현하지 못할 수도 있습니다.

가장 큰 이유는 그들이 동시에 여러 종류의 음악에 관심이 있을 수 있기 때문입니다. 음악을 선택할 때, 다양한 음악 유형은 자신의 음악적 선호도에 대한 판단에 영향을 미치게 되는데, 특히 많은 노래에 여러 스타일이 통합된 현대 음악의 경우 더욱 그렇습니다.

브루스와 마크는 이 모델이 사람들이 좋아하는 음악 장르와 가수를 추론하고 음악적 선호도를 파악할 수 있다고 말합니다.

8월 22일에 그들은 Arxiv.or에 "음악 감상 행동을 통한 음악적 정교함 예측을 위한 예비 연구"라는 제목의 논문을 발표하여 해당 모델을 자세히 설명했습니다.

관심 있는 친구들은 이 웹사이트를 통해 볼 수 있습니다: https://arxiv.org/pdf/1808.07314.pdf

논문에서는 머신 러닝 알고리즘과 심리 모델을 통해 음악 재생 기록을 바탕으로 사용자의 음악 선호도를 추론하고, 음악 재생 순서를 통해 음악 경험을 개선할 수 있다고 기술하고 있습니다.

이 중 심리적 모델은 사용자의 행동과 감정 변화를 설명하는 데 사용될 수 있습니다. 이를 바탕으로 AI는 감정 분석을 통해 다양한 음악에 대한 사용자의 심리적 변화를 이해하고, 이를 통해 음악 선호도에 대한 심층적인 해석을 제공할 수 있습니다.

무작위 플레이리스트를 듣다가, 갑자기 싫어하는 노래가 나오면 기분에 영향을 미치게 됩니다.

데이터 수집 측면에서는 Spotify가 제공하는 API 인터페이스를 통해 데이터 훈련 세트를 구축하고 61명의 사용자를 초대하여 모델 효과 테스트에 참여시켰습니다.

전체 교육 세트는 음악 스타일(즉, 생동감이나 활기참), 리듬, 트랙 인기도, 음악 제작자 인기도와 같은 지표를 기반으로 참가자의 음악 재생 기록 21,080개를 수집하여 다양한 음악 스타일에 대한 선호도를 정량화했습니다.

이 알고리즘은 사용자의 음악 데이터 기록을 분석하여 사용자가 어떤 음악에 더 관심이 있는지 파악합니다. 사용자의 음악 이론 재능은 사용자가 선택한 음악의 복잡성과 기술성, 그리고 사용자의 음악 창작 경험 여부에 따라 평가됩니다.

일반적으로 음악에 더 민감한 사람들은 복잡한 음악을 감상하려는 의지가 더 강하고, 악기를 연주하거나 다양한 유형의 음악을 감상하는 등 음악 창작에 대한 잠재력이 있습니다.

그러니 교향곡을 자주 들으면 음악적 감각이 정말 향상될 수 있습니다.