Musikklassifikation mit eigenen Modellen
Um für die nächste Party-Diskussion über das Genre eines Liedes gewappnet zu sein, lässt sich ein ML-Modell bauen, das beim Erkennen der Musik hilft. Mit ML-Pipelines in Kubeflow, Hugging Face und weiteren Tools gelingt das auch mit Open Source.
Menschen müssen nur wenige Sekunden eines Liedes hören, um mit einer Genauigkeit von rund 70 Prozent das Musikgenre zu bestimmen. Ein solches Bestimmen von Musikgenres können Data Scientists über Machine Learning automatisieren und dabei eine übermenschliche Genauigkeit deutlich jenseits der 80 Prozent erreichen. Im Machine Learning erstellte Modelle zur Musikklassifikation können Data Scientists schließlich auf die eigene Musiksammlung anwenden oder im professionellen Kontext in Musikstreamingdienste integrieren. Spotify nutzt solche Modelle, um Musik zu sortieren und als eine von vielen Zutaten, um Nutzern Musikvorschläge zu unterbreiten.
Außerhalb des Musikgeschäfts nutzen Firmen die gleichen Techniken, um Audiodaten zu analysieren. Auch produzierende Unternehmen nutzen Audiodaten, etwa zur akustischen Qualitätskontrolle und für akustische Predictive Maintenance. Für das Erzeugen von Geräuschen fährt man beispielsweise Autos über Rüttelstrecken, versetzt Flaschendeckel in Abfüllanlagen in Schwingung und schickt Waschmaschinen und elektrisches Werkzeug stundenlang in den Testbetrieb. Im Betrieb sind Autos, elektrische Geräte und Schiffsmotoren permanent mit Mikrofonen ausgestattet, wodurch sich Daten kontinuierlich analysieren lassen.
