เมษายน 23, 2021

payoncebiz.com

แหล่งรวมเนื้อหาสาระ และ ความบันเทิง

Spotify

“วันนี้วันจันทร์” นี่อาจจะเป็นวันที่หลายคนไม่อยากให้มาถึงเพราะเป็นสัญญาณว่าต้องกลับไปทำงานอีกครั้งหนึ่งแล้ว แต่สำหรับผม(และอีกหลายคน) วันนี้ถือเป็นไฮไลต์ของสัปดาห์เลยก็ว่าได้เพราะมันเป็นเช้าที่จะได้ตื่นมาพบกับ playlist ใหม่ Discover Weekly ของ Spotify
Spotify

ทำไม Spotify ถึงเลือกเพลงได้เหมือนนั่งอยู่ในใจคนฟัง

ทำไม Spotify ถึงเลือกเพลงได้เหมือนนั่งอยู่ในใจคนฟัง “วันนี้วันจันทร์” นี่อาจจะเป็นวันที่หลายคนไม่อยากให้มาถึงเพราะเป็นสัญญาณว่าต้องกลับไปทำงานอีกครั้งหนึ่งแล้ว แต่สำหรับผม(และอีกหลายคน) วันนี้ถือเป็นไฮไลต์ของสัปดาห์เลยก็ว่าได้เพราะมันเป็นเช้าที่จะได้ตื่นมาพบกับ playlist ใหม่ Discover Weekly ของSpotify

ที่อัพเดทเพลงใหม่ๆ ให้เราได้ลองฟังกันทุกอาทิตย์ และยิ่งเวลาผ่านไปนานเท่าไหร่Spotify ก็ยิ่งเลือกเพลงได้ตรงใจ(และตรงหู) เรามากขึ้น จนหลังๆ มานี่เรียกได้ว่าแทบจะกดหัวใจให้ทุกเพลงที่ถูกเลือกมาทุกอาทิตย์เลยก็ว่าได้

ทำให้เริ่มสงสัยว่าเจ้าแอพพลิเคชั่นตัวนี้รู้จักรสนิยมเราดีมากและน่าทึ่งจนพูดได้ว่า “มึงรู้ดีกว่าแฟนที่คบกันมายี่สิบสามสิบปีหรือบางทีดีกว่ากูด้วยซ้ำ!” ตั้งแต่เปิดตัวในปี ค.ศ. 2015 ฟีเจอร์นี้ได้รับเสียงตอบรับที่ดีมาอย่างต่อเนื่องจนหลายคนถึงขั้นเขียนลงทวิตเตอร์ว่า

“ถึงตอนนี้ Discover Weekly ของSpotify รู้จักฉันดีมากจนถ้าถูกมันขอแต่งงานฉันคงตอบ yes” “มันดีจนน่ากลัวที่ Discover Weekly ของSpotify รู้จักฉันเหมือนกับ‘คนรักเก่าที่เคยร่วมผ่านประสบการณ์เฉียดตายด้วยกัน’ เลยทีเดียว” 30 เพลงใหม่จะถูกเลือกมาทุกเช้าวันจันทร์จากฐานข้อมูลของเพลงกว่า 30 ล้านเพลง(ในปีค.ศ. 2018)

หรือเทียบเป็นเปอร์เซ็นต์แล้วคือ 0.000001% ของเพลงทั้งหมดจะถูกเลือกมาทุกอาทิตย์ให้โดนใจเรา ซึ่งอาจเป็นอะไรที่น่าเหลือเชื่อ แต่เมื่อรู้แบบนี้ยิ่งทำให้สนใจมากขึ้นไปอีกว่ากระบวนการทั้งหมดต้องมีอะไรแสนฉลาดอยู่เบื้องหลัง เพราะมันไม่มีทางที่จะเป็นระบบสุ่ม (random) เลือกเพลงมาให้เราอย่างแน่นอน

และเมื่อคันก็ต้องเกา สงสัยอยากรู้ก็ต้องหาข้อมูล สุดท้ายหลังจากใช้เวลาค้นหาคำตอบอยู่นาน ก็พอจะเห็นภาพว่ากลไกหลังบ้านทำงานกันยังไง แต่ต้องบอกก่อนว่านี่เป็นข้อมูลที่เก็บมา ไม่มีทางที่จะถูกต้องทั้งหมด แต่เป็นแนวทางที่พอจะทำให้เข้าใจได้ว่าทำไม Spotify ถึงรู้ใจเรามากขนาดนี้ ก่อนอื่น ย้อนกลับไปดูบริการอื่นๆ ของ Online Music ในยุค2000s

อย่าง​ Songza กันก่อนตอนนั้นเราเริ่มเห็นฟีเจอร์การทำ playlist ด้วยมือเป็นครั้งแรกๆ บนโลกออนไลน์ สิ่งที่เกิดขึ้นคือพวกเขาให้มนุษย์ปุถุชนคนทั่วไปที่อาจจะช่ำชองเรื่องเพลง ฟังเพลงมาเยอะมาก แล้วก็สร้าง playlist ต่างๆ ขึ้นมา เพลงที่มันฟังแล้วน่าจะอยู่ด้วยกันก็เอามาจับยัดๆ ใส่เข้าไป ให้ลองนึกถึง ‘เทปอัด’

หรือ mixed tape ในยุค90s ที่เรานำเทปเปล่ามาอัดเพลงให้กันนั้นแหละครับเพียงแต่อยู่ในรูปดิจิทัล(ตอนหลัง Beats ก็ทำเหมือนกัน) มันพอถูไถไปได้แหละ เพียงแต่ว่ารสนิยมของ playlist แต่ละอันก็ขึ้นอยู่กับผู้สร้างคนนั้นๆ ซึ่งก็อาจจะทั้งตรงบ้างไม่ตรงบ้างกับรสนิยมของผู้ฟังแต่ละคน ยุคต่อมาเราเห็น Pandora ก็เริ่มทำ playlist แบบนี้บ้าง

แต่ยกระดับขึ้นมาอีกหน่อยหนึ่งโดยการสร้าง tag ให้กับเพลงแต่ละเพลง และเขาก็ให้มนุษย์(อีกนั้นแหละ)มาฟังเพลงแล้วก็เขียน tag สั้นๆ สำหรับการจัดหมวดหมู่ของเพลง(sad, happy, upbeat, pop, musical ฯลฯ) ต่อมาโปรแกรมเมอร์ก็เขียนโค้ดให้รวมกลุ่มเพลงที่มี tag คล้ายๆ กันเพื่อสร้าง playlist ต่างๆ ขึ้นมา ผู้ใช้งานก็มีความสุขมากขึ้นอีกนิดหน่อย

ต่อมาไม่นานที่ MIT Media Lab ก็มีแพลตฟอร์มหนึ่งชื่อ The Echo Nest ที่ใช้เทคโนโลยีที่แตกต่างออกไปในการคัดแยกเพลงแต่ละเพลงออกจากกัน พวกเขานำอัลกอริทึม (algorithm) คอมพิวเตอร์มาใช้เพื่อวิเคราะห์เพลง ทั้งข้อมูลเสียงและเนื้อหา (textual content) ต่างๆ

เพื่อจะแบ่งเพลงออกจากกัน ซึ่งสามารถแนะนำเพลงตามความชอบและสร้าง playlist ได้ด้วย อีกด้านหนึ่ง Last.fm (อันนี้เคยใช้อยู่พักหนึ่งก่อนหันไป Spotify) ที่ยังให้บริการอยู่ในวันนี้ พวกเขาใช้กระบวนการที่เรียกว่า ‘collaborative filtering เพื่อบ่งบอกว่าเพลงไหนผู้ฟังน่าจะชอบจากพฤติกรรมการฟังของคุณและคนอื่นๆ ที่อยู่ในระบบ

แล้วหลังบ้านของSpotify เป็นยังไง? ทำไมถึงเลือกเพลงที่โดนใจผู้ฟังและเข้าใจรสนิยมของผู้ฟังได้แม่นยำมากกว่าผู้ให้บริการอื่นๆ ?

คำตอบคือการรวมของดีมาไว้ด้วยกันครับ พวกเขาไม่ได้ใช้โมเดลเดียวในการสร้าง recommendation ให้กับผู้ฟัง แต่เป็นการผสมผสานกลยุทธ์ต่างๆ ที่ถูกใช้โดยผู้ให้บริการเจ้าอื่น แล้วสร้างเป็นอาวุธลับอันทรงพลังของตัวเอง โดยการสร้าง Discover Weekly นั้น Spotify ใช้สามโมเดลด้วยกันก็คือ

  1. Collaborative Filtering (คล้ายกับ Last.fm) Model ที่วิเคราะห์พฤติกรรมของผู้ใช้งานและคนอื่นๆ
  2. Natural Language Processing (NLP) Model ที่วิเคราะห์ข้อมูลเนื้อหา
  3. Raw Audio Model ที่วิเคราะห์ไฟล์เพลงแบบดิบๆ

ลองมาดูกันว่าแต่ละโมเดลทำงานกันยังไง

1. Collaborative Filtering Model – ซึ่งหลายๆ คน พอได้ยินคำนี้ก็มักจะนึกถึง Netflix เพราะพวกเขาเป็นหนึ่งในบริษัทแรกๆ ที่เริ่มใช้โมเดลนี้ เพราะสร้าง recommendation โดยการนำเรตติ้งแบบให้ดาวของผู้ใช้งานคนหนึ่ง มาเป็คำแนะนำบอกต่อให้กับลูกค้าคนอื่นๆ

โดยหลังจากที่ Netflix ประสบความสำเร็จ Collaborative Filtering Model ก็เริ่มถูกใช้กันอย่างกว้างขวางและกลายเป็นจุดเริ่มต้นของระบบ recommendation ของที่อื่นๆ ด้วย

อ่านเรื่องอื่น : การยินยอมที่มาพร้อมความเสี่ยงในระบบ Promoconomy

แทงบอล
บาคาร่า
PG SLOT