Sistemas recomendadores: un caso aplicado a la industria de la música

Speaker: Yesid Ospitia

Transcript

1. Emociones, Música y Sistemas Recomendadores Tesis doctoral de referencia: Desarrollo de un modelo de elicitación de emociones a partir de las características de la música. Generación de un sistema recomendador. Directora: Dra. Sandra Baldassarri. Co-Director: Dr. José Ramón Beltrán. MSc. Yesid Ospitia Medina
2. Títulos académicos y certificaciones • Doctorado en curso (UNLP – Argentina) • Ingeniero de Sistemas y MSc. (U. ICESI) • PMP, ISO 20.000, ISO 27.001 Experiencia Laboral • 10 años en diferentes sectores. Líneas de Investigación • Reconocimiento de emociones en la música. • Sistemas recomendadores. • Gerencia de proyectos. Presentación
3. Contenido de la Charla 1. Sistemas recomendadores. 2. Reconocimiento automático de emociones. 3. Percepción emocional y experiencia de usuario. 4. Música y recomendaciones: Freakmusic 5. Conclusiones. 6. Retos a futuro.
4. 1. Sistemas recomendadores • La generación de nuevas modalidades de consumo para bienes y servicios, conllevan nuevos retos en desarrollos tecnológicos. Figura 1:Red Vs. Blue: How Netflix Ended Corporate Tyranny
5. 1. Sistemas recomendadores Figura 2: The Rise of Online Shopping Platforms.
6. 1. Sistemas recomendadores Figura 3:Spotify y Deezer ‘suenan más fuerte’ que los discos
7. 1. Sistemas recomendadores Fuente: www.google.com
8. 1. Sistemas recomendadores Fuente: www.mercadolibre.com.co
9. 1. Sistemas recomendadores Fuente: www.youtube.com
10. 1. Sistemas recomendadores Fuente: Spotify versión móvil.
11. 1. Sistemas recomendadores Algunas ideas fundamentales sobre el comercio en la actualidad: • Las nuevas plataformas digitales facilitan el consumo de productos y servicios de todo tipo. • Los usuarios realizan búsquedas y esperan encontrar lo que necesitan. • El usuario evalúa la calidad de las recomendaciones. Preguntas al respecto: • ¿Dónde queda la asesoría especializada? • ¿Cómo determinar qué otros posibles productos son de interés para un cliente? • ¿Cómo aprender del cliente y su percepción frente al consumo generado? • ¿Cómo hacer sugerencias realmente efectivas?
12. 1. Sistemas recomendadores Características principales: • Facilitar las búsquedas. • Establecer perfiles de consumo. • Analizar información de redes sociales y entre otras apps colaborativas. • Crear mecanismos de aprendizaje automático que permitan mejorar la respuestas entregadas por las plataformas digitales a los usuarios finales (clientes). • Medir de alguna manera la percepción emocional del usuario frente al producto / servicio, y utilizar esta información para mejorar la efectividad de las recomendaciones.
13. 2. Reconocimiento automático de emociones. Acerca de las emociones ◦ Están presentes siempre en el comportamiento humano. ◦ Reacciones psicofisiológicas generadas a partir de un proceso de evaluación de un determinado hecho, circunstancia, objeto. ◦ Evaluación cognitiva acompañada de cambios corporales: tono de voz, expresión facial, ritmo cardíaco, sudoración, temperatura, presión sanguínea, entre otros más.
14. 2. Reconocimiento automático de emociones. Acerca de las emociones • Integrada por 3 elementos: sensación interna, información recolectada del mundo exterior, representación mental de la experiencia. • De acuerdo al modelo de evaluación propuesto por Santandreu: http://clinicaicerpmx.blogspot.com/2015/05/creencias-racionales-e-irracionales.html
15. 2. Reconocimiento automático de emociones Las emociones y su importancia frente al consumo. Desmet & Hekkert model of product emotions [0] [0] P. M. A. Desmet, C. J. Overbeeke, and T. Stefan, “Designing products with added emotional value,” Des. J., vol. 4, no. 1, pp. 32–47, 2001
16. 2. Reconocimiento automático de emociones La computación afectiva tiene como objetivo “desarrollar sistemas inteligentes capaces de dotar a un ordenador con la habilidad de reconocer, interpretar, procesar, y simular estados emocionales”. Figura 5: How is 'affective computing’ about to change our lives?
17. 2. Reconocimiento automático de emociones Modelos de clasificación emocional Russell’s [2] circumplex model of affect with arousal and valence dimensions [2] J. A. Russell: “A circumplex model of affect,” Jour- nal of Personality and Social Psychology, No. 39, pp. 1161, 1980. Dimensional Categórico
18. 2. Reconocimiento automático de emociones Procesos de Etiquetado Sitio de la alcaldía de Cali en Facebook.
19. 2. Reconocimiento automático de emociones Procesos de Etiquetado Fuente: Spotify desktop
20. 2. Reconocimiento automático de emociones Fuente: https://www.affectiva.com/ Reconocimiento facial.
21. 2. Reconocimiento automático de emociones Comportamiento EEG. Fuente: https://www.emotiv.com/ Actividad bioeléctrica del cerebro
22. 2. Reconocimiento automático de emociones Wearables Fuente: https://www.myfeel.co/how-it-works
23. 3. Percepción emocional y experiencia de usuario Figura 6: problema con el ordenador
24. 3. Percepción emocional y experiencia de usuario [1] H. Magdy Hassan and G. Hassan Galal-Edeen, “From Usability to User Experience,” Iciibms, pp. 216–222, 2017. Relación entre usabilidad y experiencia de usuario [1]
25. 3. Percepción emocional y experiencia de usuario Tomado de: ISO/IEC 25010 Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models
26. 4. Caso de estudio. Tomado de: Music Consumer Insight Report 2016
27. Tomado de: Music Consumer Insight Report 2017
28. 4. Caso de estudio. Acerca de las emociones y la música. • La música y su capacidad de evocar emociones. • La clasificación emocional de la música. • Relación entre las características de la música y la percepción emocional.
29. 4. Caso de estudio. Fuente: Propio
30. 4. Caso de estudio. Emocards Fuente: Propio
31. 4. Caso de estudio. Emocards con RV House of terror Fuente: Propio
32. 4. Caso de estudio. Representación digital de la música [3] Sistema MER [2] Músico El modelo afectivo [4] [2] S. Pouyanfar and H. Sameti, “Music emotion recognition using two level classification,” Proc. Intell. Syst., pp. 1–6, 2014. [3] C. Mckay, “Automatic Music Classification with jMIR,” no. January, p. 600, 2010. [4] P. M. A. Desmet, C. J. Overbeeke, and T. Stefan, “Designing products with added emotional value,” Des. J., vol. 4, no. 1, pp. 32–47, 2001.
33. 4. Caso de estudio Fuente: Propio
34. 4. Caso de estudio. Extracción de características Canción Rocking in the free world. Fuente: Propio
35. 4. Caso de estudio. Una arquitectura de referencia. Fuente: SVR-based music mood classification and context-based music recommendation
36. C. Laurier, O. Meyers, J. Serrà, M. Blech, and P. Herrera, “Music mood annotator design and integration,” 7th Int. Work. Content-Based Multimed. Indexing, CBMI 2009, pp. 156–161, 2009
37. 4. Caso de estudio. Modelo de regresión Lineal. Valores continuos (Valence/Arousal) Figura: Función hipótesis. Fuente: Propio Valence Feature
38. 4. Caso de estudio. Modelo de regresión Lineal. Valores continuos (Valence/Arousal) Figura: Función hipótesis. Fuente: Propio
39. 4. Caso de estudio RNA – Perceptrón. Datos discretos. Figura: Perceptrón. Fuente: Propio
40. 4. Caso de estudio (Predicción valor discreto) Canción Tempo Modo Armonía Pred. 1 70 0 0 2 60 0 1 3 70 1 1 4 60 1 0 5 110 1 1 6 130 1 1 Figura: Predicciones. Fuente: Propio
41. 4. Caso de estudio (RNA - MLP)
42. 4. Caso de estudio (RNA - MLP) Figura: Histograma margen de error. Fuente: Propio Figura: Distribución valores predicción vs real. Fuente: Propio
43. 4. Caso de estudio (RNA - MLP) Valores de entrenamiento. Fase de predicción. Evaluación de los resultados.
44. 5. Conclusiones • Los sistemas recomendadores tienen un impacto sobre la calidad de las plataformas digitales, desde el punto de vista de percepción usuario. • Recomendaciones efectivas dan lugar a negocios exitosos. • La percepción emocional es una entrada fundamental (input) en los actuales sistemas recomendadores.
45. 6. Retos a futuros • Entendimiento de las emociones y su representación computacional. • El desarrollo de nuevos sensores, más precisos, más confiables y económicos. • Sensores menos invasivos. • Tecnologías de inteligencia artificial más robustas y avanzadas para mejorar las predicciones.
46. Gracias! https://www.yospitiam.co
47. Bibliografía Tesis de Doctorado de referencia: Desarrollo de un modelo de elicitación de emociones a partir de las características de la música. Generación de un sistema recomendador. Universidad Nacional de la plata Argentina. Yesid Ospitia Medina, Sandra Baldassarri, José Ramón Beltrán. Artículos científicos: P. M. A. Desmet, C. J. Overbeeke, and T. Stefan, “Designing products with added emotional value,” Des. J., vol. 4, no. 1, pp. 32–47, 2001 J. A. Russell: “A circumplex model of affect,” Jour- nal of Personality and Social Psychology, No. 39, pp. 1161, 1980. H. Magdy Hassan and G. Hassan Galal-Edeen, “From Usability to User Experience,” Iciibms, pp. 216–222, 2017. S. Pouyanfar and H. Sameti, “Music emotion recognition using two level classification,” Proc. Intell. Syst., pp. 1–6, 2014. C. Mckay, “Automatic Music Classification with jMIR,” no. January, p. 600, 2010. P. M. A. Desmet, C. J. Overbeeke, and T. Stefan, “Designing products with added emotional value,” Des. J., vol. 4, no. 1, pp. 32–47, 2001. SVR-based music mood classification and context-based music recommendation C. Laurier, O. Meyers, J. Serrà, M. Blech, and P. Herrera, “Music mood annotator design and integration,” 7th Int. Work. Content-Based Multimed. Indexing, CBMI 2009, pp. 156–161, 2009 Normas internacionales: ISO/IEC 25010 Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models Reportes: Music Consumer Insight Report 2016, Music Consumer Insight Report 2017 Imágenes: Figura 1: http://www.nerdappropriate.com/2011/06/18/red-vs-blue-how-netflix-ended-corporate-tyranny/ Figura 2: http://www.elfinanciero.com.mx/empresas/spotify-y-deezer-suenan-mas-fuerte-que-los-discos Figura 3: https://nutrifusion.com/brick-mortar-stores-still-stay-amid-online-grocery-platforms/ Figura 4: https://pixabay.com/es/smiley-emoticon-ira-enojado-2979107/ Figura 5: https://www.telegraph.co.uk/technology/2016/01/21/affective-computing-how-emotional-machines-are-about-to-take-ove/ Figura 6: https://pixabay.com/es/problema-con-el-ordenador-equipo-152211/