Un algorithme peut créer une playlist que vous aimez, mais ne confondez certainement pas cela avec de la créativité.

Le premier show de Zane Lowe en tant que DJ sur Apple Music était un peu vertigineux. Les chansons qu’il jouait allaient du punk-pop au post-rock en passant par le grime, l’electronica, le stadium rock et plus encore. Il a présenté des chansons inédites ainsi que des morceaux enregistrés il y a des décennies par des rockers bien connus. Pourtant, malgré le désarroi – ou probablement à cause de cela – on ne peut qu’apprécier le spectacle.

Une chose qui ressort au sujet d’Apple Music, un service de streaming que vous pouvez utiliser sur les ordinateurs et les appareils mobiles pour 10 eurospar mois, est la présence de DJs humains comme Lowe sur une chaîne appelée Beats 1. Le show de Lowe permet de faire connaître des artistes peu familiers, et met en évidence des liens musicaux intrigants – entre, disons, un hymne de stade d’AC/DC et un morceau récent d’électronica remixée par un artiste écossais du nom de Hudson Mohawke. L’émotion qui court dans toutes les chansons est positive, voire provocante.

Tout comme les ordinateurs ne peuvent pas encore créer d’art ou de prose puissante et imaginative, ils ne peuvent pas vraiment apprécier la musique. Et l’arrangement d’une playlist musicale poignante ou captivante exige un type de perspicacité qu’ils n’ont pas: la capacité de trouver des similitudes dans les éléments musicaux et d’obtenir la résonance émotionnelle et le contexte culturel des chansons. Malgré tous les progrès réalisés en matière d’intelligence artificielle, les machines restent désespérément insondables et prévisibles. C’est pourquoi Apple a engagé des centaines de personnes pour servir des playlists et de vrais DJ’S, en plus des recommandations algorithmiques qu’il offre encore.

Faire appel à des experts humains est une façon intelligente pour Apple de se différencier. Bien qu’elle ait été pionnière dans la distribution et le stockage numérique de la musique, elle est maintenant à la traîne par rapport aux services de diffusion en continu tels que Pandora, Spotify, Rdio et Tidal. Aucun d’entre eux ne met autant l’accent sur la conservation par les experts humains que Apple Music. Et bien que les algorithmes utilisés par toutes ces compagnies pour recommander des chansons se soient grandement améliorés ces dernières années, il n’ y a pas de véritable compréhension ou d’appréciation musicale. Et ça se voit. Les algorithmes emploient des techniques statistiques pour analyser les données de l’auditeur, faisant ainsi une estimation éclairée de ce que vous aimeriez. Il n’existe pas encore d’algorithme capable de rendre compte du goût humain.

Les choses qui s’écoutent

Pandora, l’un des premiers services de streaming musical, est un bon exemple de l’approche algorithmique. Dans le cadre d’un projet vieux de dix ans appelé Music Genome Project, Pandora a fait appel à des experts de la musique pour marquer les chansons qui présentent des centaines de caractéristiques, comme le genre, les types d’instruments utilisés et même le phrasé mélodique et la tonalité. Lorsque vous donnez à Pandora un groupe, un compositeur ou une chanson comme point de départ, Pandora crée une « station radio » de musique avec des attributs similaires. Choisissez les Beatles, et Pandora peut automatiquement chanter une chanson des Beach Boys, en vous informant: »Nous jouons ce morceau parce qu’il présente une instrumentation de rock doux, des prestations vocales exigeantes, une harmonie vocale entrelacée, une tonalité mixte mineure et majeure, et une composition mélodique. »

Malheureusement, les choix de Pandora tendent à être plutôt prévisibles, souvent aussi fades et conventionnels que ceux de la radio commerciale. Après avoir commencé avec les Beatles, il est peu probable que vous entendiez une chanson dans un style très différent qui était populaire à peu près au même moment, par exemple, ou un artiste hip-hop qui a fait un travail intelligent en reprennant l’œuvre de Ringo and co.

Plus récemment, les algorithmes ont commencé à produire des playlists qui peuvent être beaucoup plus nuancées et personnalisées. Le plus grand service de diffusion en continu au monde, Spotify, qui compte plus de 75 millions d’utilisateurs, fait appel à l’état de l’art et utilise une grande quantité de données pour faire des recommandations personnalisées.

Chris Johnson, qui dirige l’une des équipes scientifiques de Spotify à New York, explique que la société emploie des humains pour créer certaines de ses playlists. Mais il recueille également autant de données que possible sur le comportement d’écoute d’un utilisateur, puis les compare avec les données recueillies auprès d’autres utilisateurs. L’idée derrière cette technique, connue sous le nom de filtrage collaboratif, est que vous aimerez probablement une chanson que quelqu’un, avec des goûts similaires, a déjà découvert et apprécié. L’année dernière, Spotify a fait l’acquisition d’une société appelée Echo Nest qui recueille des informations sur les nouvelles musiques postées sur les blogs, les sites d’actualités et les médias sociaux. Ces avis alimentent également les recommandations de Spotify, contribuant ainsi à rendre ses suggestions musicales encore plus intelligentes.

En juillet, Spotify a commencé à tester une playlist personnalisée mise à disposition de cette façon. « Nous regardons ce que vous écoutez, les playlists que vous créez et tout ce que nous savons sur vous. À partir de là, tous les lundis, il y aura cette nouvelle playlist de musique », dit Johnson. (la fameuse « Découvertes de la semaine »).

Les premières playlists incluent presque forcément plusieurs chansons que vous allez immédiatement adoré. C’est utile, mais pas tout à fait renversant, car la plupart sont juste « sympas ».

Il y a aussi une limitation inhérente à ces algorithmes de recommandation automatisés: elles ne peuvent pas suggérer une nouvelle chanson, parce qu’il n’ y a pas de données pour montrer à quel point les autres auditeurs l’aiment. Contrairement à un algorithme, les humains peuvent généralement dire, en quelques instants d’écoute, à quel point ils aiment une nouvelle piste. Ici, cependant, les progrès récents de l’intelligence artificielle commencent à aider. L’année dernière, Spotify a commencé à tester une façon d’analyser une chanson plutôt que les métadonnées qui lui sont associées. Il s’agissait de former ce qu’on appelle un réseau d’apprentissage en profondeur, à peu près modelé sur des couches de neuronales, pour reconnaître les caractéristiques de fréquence d’un signal audio (correspondant au son que vous entendez et à la façon dont le son change avec le temps) dans des millions de chansons. Ces algorithmes permettent de classer une nouvelle chanson étonnamment bien, comme le montre l’exemple des playlists publiées par un membre de l’équipe de Johnson chez Spotify.

L’expertise humaine restera un élément clé des algorithmes de Spotify dans un avenir prévisible.

Mais même cet exploit n’est pas la preuve d’une réelle compréhension musicale ou d’un jugement. Le système d’apprentissage en profondeur de Spotify doit encore être formé à l’aide de millions de chansons exemples, et il serait perplexe devant un nouveau style de musique audacieux. De plus, de tels algorithmes ne peuvent pas arranger les chansons de façon créative. Ils ne font pas non plus la distinction entre un morceau vraiment original et une autre imitation d’un son populaire. Johnson reconnaît cette limitation, et il dit que l’expertise humaine restera un élément clé des algorithmes de Spotify dans un avenir prévisible.

Apple’s Beats 1 offre une expérience très différente. Une émission de radio, The Alligator Hour, animée par le musicien et producteur Joshua Homme, célèbre des chansons obscures mais extrêmement originales. Il se délecte aussi des liens absurdes qui existent entre certaines chansons, par exemple le côté mélodique des Sex Pistols avec l’adrénaline qui alimente la discographie de Donna Summer. C’est délicieusement… bizarre. Dans un autre show, appelé Mixtape Delivery Service, la musicienne Annie Clark (nom de scène St. Vincent) joue une playlist de chansons personnalisées inspirées par l’humeur ou la situation d’un auditeur. Dans son premier show, Clark a organisé une rétrospective de musique dansante moins connue mais culturellement significative pour une jeune fille de 11 ans qui voulait en apprendre davantage sur le genre.

Test de Turing auditif

Qu’est-ce qui donne ce pouvoir aux gens? L’apprentissage en profondeur ou d’autres systèmes d’intelligence artificielle pourraient-ils jamais développer un « goût » qui va au-delà de la classification des caractéristiques d’une chanson pour déterminer si elle est « bonne » ou non? Les ordinateurs pourraient-ils identifier cette qualité intangible que les gens associent naturellement au talent, à la créativité ou à l’originalité? Quand on demande à Johnson si un algorithme pourrait un jour être capable de repérer une chanson à succès d’un artiste non signé, il  dit: »C’est exactement ce que nous voulons faire. »

C’est une ambition audacieuse qui pourrait s’avérer insaisissable.

« L’appréciation musicale et la créativité n’ont rien à voir avec le fait de trouver des modèles statistiques dans de grandes piles de données. »

 

« Qu’est-ce qui différencie quelque chose d’inhabituel ou de bizarre de quelque chose de créatif? C’est une question difficile « , dit Eyal Reingold, psychologue à l’Université de Toronto qui étudie la créativité humaine. Pour qu’une machine fasse preuve de créativité, dit-il, « il faudrait qu’elle produise quelque chose qui n’est pas seulement inhabituel – ou quelque chose qui n’ a pas été programmé – mais qui est jugé utile, du moins dans un certain contexte culturel ».

En effet, la nature glissante de la créativité a amené certains psychologues et informaticiens à suggérer qu’elle pourrait être un moyen utile de mesurer l’intelligence artificielle. Dans un article publié en 2001, deux universitaires du Rensselaer Polytechnic Institute, ainsi que David Ferrucci, un chercheur d’IBM qui allait ensuite créer un ordinateur appelé Watson qui gagnerait le jeu-spectacle Jeopardy! qui a fait valoir qu’un test de créativité pourrait être une meilleure façon de juger si un ordinateur a atteint l’intelligence de type humain. Ils ont noté que le test proposé en 1950 par Alan Turing, qui mesure l’intelligence d’une machine à travers une conversation tapée, encourage les programmeurs à utiliser la ruse plutôt que de construire quelque chose de vraiment intelligent. Ils pensaient que les prouesses de créativité, que ce soit en peinture, en écriture, en musique ou dans d’autres domaines, sont beaucoup plus difficiles à falsifier et sont fondamentales à l’intelligence. Et ils appelèrent leur alternative le test Lovelace, d’après Ada Lovelace, souvent considéré comme la première programmeuse informatique du monde (yes !! Une femme) qui nota en 1843 que les premières machines informatiques, aussi impressionnantes soient-elles, seraient incapables de faire quoi que ce soit d’original.

Il est révélateur de constater que les efforts pour réussir le test Lovelace ont échoué dans une large mesure. Pourtant, le défi persiste. En fait, Michael Casey, un professeur de musique et d’informatique au Dartmouth College, prévoit de tenir plusieurs tests de Turing au début de l’année prochaine, peut-être suivi par quelques tests Lovelace. L’un d’entre eux impliquera des DJ informaticiens, avec des danseurs appelés à juger si les chansons qu’ils viennent d’entendre ont été mises en scène par un humain ou par une machine. Casey espère que dans ce contexte limité, une machine démontrera quelque chose qui ressemble à de la créativité musicale.

Mais il n’ a pas l’air sûr de lui. Peu importe le type d’algorithme que nous avons essayé d’appliquer dans le passé à la musique – que ce soit quelque chose qui essaie d’imiter Bach ou Mozart, ou de recommander de la musique – à un certain point, on a l’impression qu’il n’ a pas de  » forme « , dit-il avec un peu de tristesse. « Ça peut vous tromper pendant quelques secondes, mais il n’ y a pas de plan d’ensemble. Et je pense que c’est la même chose pour un DJ set automatisé. »

Peut-être que ce sera vrai pour longtemps encore. Et si nous voulons que les machines trouvent quelque chose d’aussi unique et original qu’un show sur les Beats 1 d’Apple, alors nous pourrions avoir besoin de réfléchir un peu plus créativement à la façon dont nous les concevons.

Publicités

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.