Tegenwoordig is er geen platform of dienst die niet probeert ons 'iets' aan te bevelen om te bekijken, te beluisteren of te kopen. Het probleem is dat die aanbevelingen in de meeste gevallen werkelijk verschrikkelijk zijn. Waarom zouden we dan niet zelf wat meer de controle nemen? De Maroofy-motor wijst in die richting met muzieksuggesties op basis van favoriete nummers die we van tevoren zoeken. Op die manier zouden de resultaten nauwkeuriger moeten zijn...
Het maakt niet uit of het om YouTube, Spotify of een andere vergelijkbare dienst gaat: de 'suggesties' van alle moderne platforms zijn constant. Waarom? Omdat het wiel natuurlijk moet blijven draaien. Big Data voedt zich niet alleen: we moeten tijd online doorbrengen, nieuwe of klassieke dingen proberen, consumeren. Maar de algoritmes vergissen zich... veel meer dan we denken.
Maroofy: ontdek nieuwe nummers door je favorieten te delen
Nu is er een eenvoudig alternatief: de algoritmes vrijwillig leren wat we willen. En zo werkt Maroofy. Deze site, ontwikkeld door Subhash Ramesh, biedt ons een 'aanbevelingsmotor' voor vergelijkbare nummers. De werking is gebaseerd op een index met meer dan 120 miljoen nummers op iTunes en een aangepast audiomodel.
Het model analyseert ruwe audio als invoer en produceert een uitvoer op basis van vector-embeddings. De laatste stap is om al die vectoren in een database op te slaan en semantische zoekopdrachten mogelijk te maken om vergelijkbare muziek te vinden.
Hoe goed werkt het dan? Eigenlijk hangt dat van iedereen af. Persoonlijk kan ik zeggen dat momenteel de 'ontdekkingsfactor' van Maroofy waardevoller is dan al het andere. De motor geeft bijvoorbeeld aan dat Fortunate Son van Creedence, een nummer 'van protest, anti-oorlog en anti-elitair', overeenkomsten vertoont met Grease van Bummertrash, een indiebende waarvan ik amper zijn profiel op Bandcamp kon vinden en die meer in lijn is met garagepunk dan iets anders... maar uiteindelijk bleef ik naar Bummertrash luisteren, dus missie geslaagd? Probeer het zelf!
Officiële site: Klik hier
