Spotify is the home of audio.

Spotify はオーディオの本場です。

It's known for its personalized playlists, made with its recommendation algorithm.

レコメンデーションアルゴリズムで作られた、パーソナライズされたプレイリストが有名です。

Think about users as this raw material, and then, on top of the data layer, we're able to build shared models.

ユーザーをこの原材料と考え、データレイヤーの上に、共有モデルを構築していくのです。

But relying so much on artificial intelligence has also drawn criticism from some industry experts worried about algorithmic bias.

しかし、人工知能に頼るあまり、アルゴリズムの偏りを懸念する一部の業界専門家からは批判も出ています。

Here's how Spotify uses AI to personalize users' experiences on the platform.

ここでは、Spotify がAIを使用して、プラットフォーム上でのユーザーの体験をパーソナライズする方法を紹介します。

This is the tech behind Spotify.

これが Spotify を支える技術です。

In the early 2000s, many people found music recommendations through top charts and early streaming platforms like Pandora and Last.fm.

2000年代初頭、多くの人がトップチャートや Pandora や Last.fm といった初期のストリーミングプラットフォームを通じて、おすすめの音楽を見つけていました。

With the Last.fm app from the App Store, you can listen to great bands...

App Store の Last.fm アプリを使えば、素晴らしいバンドを聴くことができます...

So, when Spotify entered the scene in 2008...

だから、2008年に Spotify が参入したとき...

It's not so much that they were the first people to start using analytics to recommend music,

彼らが最初にアナリティクスを使って音楽の推薦を始めたというよりも、

but it was the way in which they combined various computational techniques in order to make their recommendations feel more lifelike.

様々な計算技術を組み合わせて、推薦をよりリアルに感じられるようにしたのだと思います。

Thomas Hodgson studies algorithms and artificial intelligence, with a focus on how new technology from music streaming companies impact artists.

トーマス・ホジソンは、アルゴリズムと人工知能を研究しており、特に音楽ストリーミング会社の新技術がアーティストに与える影響に注目しています。

Fans who listen to discover weekly and daily mix.

毎週と毎日のミックスを発見するために聴くファン。

The way that they talk about them is in very human-like terms.

彼らの話し方は、とても人間らしい言葉です。

Discover weekly, you magnificent ****; you've done it again.

週刊誌の発見、見事な○○○、またやってくれました。

In 2014, Spotify acquired music analytics firm, the Echo Nest,

2014年、Spotify は音楽分析会社の Echo Nest を買収し、

which blended machine learning and natural language processing to build a database of songs and artists.

機械学習と自然言語処理を融合させて楽曲とアーティストのデータベースを構築しました。

Spotify says this technology marked an important step in the evolution of its recommendation system.

Spotify は、この技術がレコメンデーションシステムの進化における重要な一歩となったとしています。

So, how does that system work?

では、その仕組みはどうなっているのでしょうか？

It starts with a process called "collaborative filtering".

「協調フィルタリング」と呼ばれる処理から始まります。

Collaborative filtering looks at the pattern across all of this data and tries to understand: when do tracks happen to be playlisted together very often?

協調フィルタリングは、このデータ全体のパターンを見て、「どのような曲がたまたまよく一緒にプレイリストに載るのか」を理解しようとするものです。

You can think of it as building a map of music and podcast.

音楽とポッドキャストの地図を作るようなものだと思えばよいでしょう。

That map looks something like this.

その地図はこのような感じです。

Each point represents a different track in Spotify's catalog,

各ポイントは Spotify のカタログにある異なるトラックを表し、

and the location of each point is determined by collaborative filtering.

協調フィルタリングによって各ポイントの位置が決定されます。

Which means that these tracks go together according to the way users have playlisted them and listened to them.

つまり、ユーザーのプレイリストや聴き方によって、これらの曲は一緒になっているということです。

So, if these two songs are frequently playlisted together, they will be close to each other in this map.

ですから、この2曲が一緒にプレイリストに載ることが多ければ、このマップではお互いに近い位置にいることになります。

Whereas if these songs are never playlisted together, they will be farther apart in the map.

一方、これらの曲が一緒にプレイリストに載ることがなければ、地図上では離れた場所にあることになります。

But recommendations based purely on collaborative filtering aren't perfect.

しかし、純粋に協調フィルタリングに基づくレコメンデーションは完璧ではありません。

For example, during the holidays, Mariah Carey's "All I Want for Christmas Is You" might get playlisted more frequently with "Silent Night",

例えば、ホリデーシーズンには、マライア・キャリーの「All I Want for Christmas Is You」が、「Silent Night」とともに頻繁にプレイリストに載るかもしれませんね、

even though this sounds like a pop song, and this sounds like a Christmas carol.

これはポップソングのように聞こえますが、これはクリスマスキャロルのように聞こえます。

If Spotify only generated recommendations based on proximity,

もし、Spotify が近接性だけに基づいて推薦を生成するとしたら、

then users who like Mariah Carey might get recommended "Silent Night" when they aren't interested in Christmas carols.

マライア・キャリーが好きなユーザーは、クリスマスキャロルに興味がないのに「きよしこの夜」を推薦されてしまうかもしれません。

To prevent this, Spotify adds another layer of analysis called "content-based filtering".

これを防ぐために、Spotify は「コンテンツベースフィルタリング」と呼ばれる別の分析レイヤーを追加しています。

This algorithm gathers metadata, like the release date and label, and executes a raw audio analysis.

このアルゴリズムは、発売日やレーベルなどのメタデータを収集し、生の音声解析を実行します。

It uses metrics like danceability and loudness to describe the sonic characteristics of the track.

ダンサビリティやラウドネスといった指標を用いて、トラックの音の特徴を表現しています。

These are the results for "Uptown Funk", which sounds like this...

以上、「Uptown Funk」の検索結果でした、こんな感じです...

and has a danceability score of 0.856 on a scale of 0 to 1.

0から1のスケールで0.856のダンサビリティスコアを持っています。

The algorithm also dissects each track's temporal structure.

また、このアルゴリズムは各トラックの時間的な構造を分解します。

Here's a visual representation of that for "Anti-Hero" by Taylor Swift.

ここでは、それをテイラー・スウィフトの「Anti-Hero」で視覚的に表現しています。

These are the beats, the bars, and the sections.

これが拍子、小節、節です。

Content-based filtering also takes into account a track's cultural context,

また、コンテンツベースのフィルタリングでは、楽曲の文化的背景を考慮し、

which means studying the lyrics and analyzing the adjectives used to describe the track in articles and blogs.

歌詞を調べたり、記事やブログで楽曲を説明するために使用される形容詞を分析したりします。

These filtering techniques are not unique to Spotify,

これらのフィルタリング技術は Spotify に限ったことではありませんが、

but industry experts say what sets the platform apart is the amount of user data it has and the products it creates from it.

業界の専門家によると、このプラットフォームが他と違うのは、保有するユーザーデータの量と、そこから作成される製品にあるといいます。

Spotify says its content-based filtering technology has evolved over the years, and now includes more advanced proprietary-facing features.

Spotify によると、コンテンツベースのフィルタリング技術は年々進化しており、現在ではより高度な独自性のある機能が含まれているとのことです。

But Hodgson says the danger with algorithms is that they could reinforce existing biases.

しかし、ホジソンは、アルゴリズムの危険性は、既存のバイアスを強化する可能性があることだと言います。

This could mean that a particular catalog of music has more male artists than female artists.

これは、ある音楽のカタログに、女性アーティストよりも男性アーティストが多いということを意味します。

One of the dangers with machine learning is that,

機械学習の危険性のひとつは、

as listeners start to engage with that catalog, those biases become magnified, and that this creates what's called a, kind of, "feedback loop".

リスナーがそのカタログに興味を持ち始めると、そのバイアスが拡大し、いわゆる「フィードバックループ」が発生することです。

Spotify says its research teams evaluate and mitigate against potential algorithmic inequities and harms, and strive for transparency about its impact.

Spotify は、研究チームがアルゴリズムによる潜在的な不公平や弊害を評価・軽減し、その影響について透明性を確保するよう努めていると述べています。

Another criticism is that the algorithm isn't optimized for new artists because there's no user data.

また、ユーザーデータがないため、アルゴリズムが新人アーティストに最適化されていないという批判もあります。

This is known as the "cold-start problem".

これは「コールドスタート問題」と呼ばれています。

Sultan says this is where human editors play a significant role in delivering recommendations.

Sultan は、推薦文を届けるために、人間の編集者が重要な役割を果たすと言います。

They're possibly some of the best people in the world that's trying to understand new releases and culture and what's relevant.

彼らは、新作や文化、関連性を理解しようとする、世界で最も優れた人たちかもしれません。

But Hodgson says the bigger concern is that certain metrics used in the platform's audio analysis might be culturally biased

しかし、Hodgson は、このプラットフォームの音声分析に使用される特定の指標が文化的に偏っている可能性があることをより大きな懸念材料として挙げています。

In other parts of the world, they have musical systems and musical cultures that are entirely different.

世界の他の地域では、まったく異なる音楽システムや音楽文化を持っているのです。

Like this North Indian classical track, for example.

たとえば、この北インドの古典的なトラックのように。

Spotify's algorithm labels its key signature as E minor, which Hodgson says is inappropriate for this musical tradition.

Spotify のアルゴリズムでは、調号をホ短調と表示していますが、Hodgson はこの音楽の伝統には不適切であると述べています。

However, it's still the case that

とはいえ、やはり、

the music that is emerging from South Asia is being understood algorithmically under, you know, the Western equal temperament scale.

南アジアで生まれた音楽は、西洋の平均律音階の下でアルゴリズム的に理解されています。

Spotify says the audio analysis is one small part of the overall system, which takes into account many factors before making a recommendation.

Spotify は、音声分析は、推薦を行う前に多くの要素を考慮するシステム全体のほんの一部であるとしています。

Some industry experts also point to issues with how the system understands metadata for classical music.

また、業界関係者の中には、クラシック音楽のメタデータをシステムがどのように理解しているかという問題も指摘しています。

For example, the metadata for a Tchaikovsky track can include not just the name of the work and the artist, but also the movement, opus number, and conductor.

例えば、チャイコフスキーの楽曲のメタデータには、作品名やアーティスト名だけでなく、楽章や作品番号、指揮者なども含めることができます。

Spotify's algorithm isn't optimized for that.

Spotify のアルゴリズムはそれに最適化されていないんです。

Apple Music, which has emerged in recent years as a competitor to Spotify,

近年、Spotify のライバルとして台頭してきた Apple Music は、

released a new app in March that the company says is designed to solve this problem.

3 月にこの問題を解決するように設計された新しいアプリをリリースしました。

Spotify says it doesn't comment on a competitor's marketing campaigns.

Spotify は、競合他社のマーケティングキャンペーンにはコメントしないとしています。

In February, the streaming service joined the recent buzz around generative AI.

2月、ストリーミングサービスは、最近話題のジェネレーティブAIに参加しました。

I'm X, and from this moment on, I'm gonna be your own personal AI DJ on Spotify.

私はX、この瞬間から Spotify のあなた専用の AI DJになります。

The DJ gives the algorithm a human voice and offers listeners additional context around a recommendation.

DJ は、アルゴリズムに人間の声を与え、リスナーにレコメンデーションのコンテキストを追加で提供します。

Up next, I know you've been on a summer song kick lately.

次は、最近、サマーソングが流行っていますよね。

Sultan says the company is also exploring reinforcement learning,

スルタンによると、同社は強化学習という、

a technique that would allow the recommendation system to learn automatically based on feedback.

フィードバックに基づいてレコメンデーションシステムが自動的に学習する技術も模索しているといいます。

It will help with the diversity of their recommendation, it will help with the longer-term retention.

推薦者の多様性にもつながり、長期的なリテンションにもつながるでしょう。

And we're trying to push the state-of-the-art in each of those,

そして、それぞれの分野で最先端を突き詰めようとしています、

introducing new technologies, new capabilities, and bringing new experiences.

新しい技術、新しい機能を導入し、新しい経験をもたらします。