AI-mallit ja alustat

Tietokonealgoritmi voi tunnistaa yksilöllisiä tanssitunnusomaisuuksia

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Jyväskylän yliopiston monitieteisen musiikintutkimuskeskuksen tutkijat ovat käyttäneet liikkeenkaappausTeknologiaa tutkiakseen ihmisiä ja tanssia viime vuosina. Tätä käytetään musiikin ja yksilöiden välisen yhteyden paremman ymmärtämisen keinoja. He ovat oppineet tanssin kautta asioita, kuten miten ekstrovertti tai neuroottinen yksilö on, hänen mielentilansa ja miten paljon yksilö empathoi muiden kanssa.

Jatkamalla tämän työn, he ovat törmänneet yllättävään uuteen löytöön.

Tohtori Emily Carlson, tutkimuksen ensimmäinen tekijä, sanoo: “Emme todellakaan etsineet tätä tulosta, koska lähdemme tutkimaan jotain täysin eri asiaa.”

“Alkuperäinen ideamme oli selvittää, voitaisiinko koneoppimista käyttää musiikkityylin tunnistamiseen osallistujien liikkeiden perusteella.”

Tutkimuksessa oli 73 osallistujaa. Heidän tanssiessaan kahdeksaan eri musiikkityyliin, Blues, Country, Dance/Elektroninen, Jazz, Metal, Pop, Reggae ja Rap, heidän liikkeensä kaapattiin. Heille sanottiin kuunnella musiikkia ja liikuttaa kehoaan luonnollisella tavalla.

“Meille on tärkeää tutkia ilmiöitä niiden tapahtuessa oikeassa maailmassa, joten käytämme naturalistista tutkimusparadigmia”, tutkimuksen vanhempi tekijä, professori Petri Toivianinen, sanoo.

Osallistujien liikkeet analysoitiin tutkijoiden toimesta koneoppimisen avulla, joka yritti erottaa eri musiikkityylejä. Prosessi ei sujunut suunnitelmien mukaan, ja tietokonealgoritmi pystyi tunnistamaan oikean tyylilajin vain alle 30 prosentissa tapauksista.

Vaikka prosessi ei sujunut suunnitelmien mukaan, tutkijat havaitsivat, että tietokone pystyi oikein tunnistamaan yksilön 73 hengen ryhmästä liikkeiden perusteella. Tunnistusaste oli 94 prosenttia, verrattuna 2 prosentin tunnistusasteeseen, jos se olisi jätetty sattumaan tai tietokone olisi arvannut ilman mitään annettua tietoa.

“Näyttää siltä, että henkilön tanssiliikkeet ovat jonkinlainen sormenjälki”, tutkimuksen yhteisteijä ja data-analyytikko, tohtori Pasi Saari, sanoo. “Jokaisella henkilöllä on yksilöllinen liiketunnus, joka säilyy samana, riippumatta siitä, minkälaista musiikkia soi.”

Musiikkityyli vaikutti yksilöiden tanssiliikkeisiin. Kun yksilöt tanssivat metallimusiikkia, tietokone oli vähemmän tarkka tunnistamaan, kuka he olivat.

“On voimakas kulttuurillinen yhteys metallimusiikin ja tietynlaisten liikkeiden välillä, kuten päänsolina”, Emily Carlson sanoo. “On todennäköistä, että metallimusiikki sai useammat tanssijat liikkumaan samalla tavalla, mikä teki heidät vaikeammaksi tunnistaa.”

Nämä uudet kehityssuunnat voivat johtaa esimerkiksi tanssitunnistusohjelmistoon.

“Olemme vähemmän kiinnostuneita sovelluksista, kuten valvonnasta, kuin siitä, mitä nämä tulokset kertovat ihmisen musikaalisuudesta”, Carlson selittää. “Meillä on paljon uusia kysymyksiä, kuten säilyvätkö liiketunnuksemme samana koko elämämme ajan, voimmeko havaita eroja kulttuurien välillä näiden liiketunnusten perusteella ja miten hyvin ihmiset pystyvät tunnistamaan yksilöitä heidän tanssiliikkeidensä perusteella verrattuna tietokoneisiin. Useimmat tutkimukset herättävät enemmän kysymyksiä kuin antavat vastauksia, ja tämä tutkimus on poikkeus.

Alex johtaa Unite.AI:n tekoälypohjaista uutistoimintaa, yhdistäen journalismia, tutkimusta ja automaatiota tukeakseen ajantasaista ja skaalautuvaa tekoälyn kattavuutta. Hänen työnsä auttaa varmistamaan, että nousevat tekoälykehitykset saadaan esiin tehokkaasti samalla kun julkaisun toimitukselliset standardit säilyvät.