MESTRADO PROFISSIONAL EM GESTÃO DA ECONOMIA CRIATIVA
JOAO MARCOS ABREU DOS SANTOS
INTELIGÊNCIA ARTIFICIAL, MACHINE LEARNING E ALGORITMOS:
como estas tecnologias estão moldando o novo mercado da música
Rio de Janeiro 2019
INTELIGÊNCIA ARTIFICIAL, MACHINE LEARNING E ALGORITMOS:
como estas tecnologias estão moldando o novo mercado da música
Dissertação apresentada como requisito para obtenção de título de Mestre em Gestão da Economia Criativa pela Escola Superior de Propaganda e Marketing – ESPM.
Orientador: Dr. Paulo Reis.
Rio de Janeiro 2019
INTELIGÊNCIA ARTIFICIAL, MACHINE LEARNING E ALGORITMOS:
como estas tecnologias estão moldando o novo mercado da música
Dissertação apresentada como requisito parcial para obtenção do título de Mestre em Gestão da Economia Criativa pela Escola Superior de Propaganda e Marketing – ESPM.
Rio de Janeiro, 15 de fevereiro de 2019.
__________________________________________
Prof. Paulo Reis – Escola Superior de Propaganda e Marketing Orientador (a)
__________________________________________
Prof. Valdir Soares – Universidade Federal do Rio de Janeiro Avaliador 1
__________________________________________
Prof. João Figueiredo – Escola Superior de Propaganda e Marketing Avaliador 2
A minha família que segurou a barra enquanto eu me ocupava nos finais de semana com a pesquisa.
Ao Professor Paulo Reis que foi o meu orientador durante esta jornada. Agradeço também ao Professor Valdir Soares que gentilmente aceitou participar da minha banca e participou com sugestões importantíssimas. Meu muito obrigado, também, ao Professor Joao Figueiredo, que além de fazer parte da banca também se tornou uma referência para mim no meio Acadêmico.
Sou grato a todo o corpo docente da ESPM, especialmente do Mestrado Profissional em Gestão da Economia Criativa, mas especialmente ao Professor Eugênio Giglio, que me incentivou a fazer este Mestrado.
A toda turma que compartilhou comigo momentos de muito aprendizado, e onde fiz grande amigos.
Meu eterno agradecimento às pessoas que colaboraram com a pesquisa, incluindo-se aí os meus principais entrevistados: o compositor Celso Fonseca, autor de grandes sucessos da MPB e entusiasta das tecnologias e do futuro da música e da profissão de compositor, Elisa Eisenlohr, Gerente de Comunicação da União Brasileira dos Compositores, Professor Giordano Cabral que é pesquisador na área de música e Inteligência Artificial e que colaborou ativamente com o Projeto Flow Machines da Sony, Karina Spinoza, administradora do espólio da Família Sabotage, Luiz Garcia, Head of C&C and USM Marketing Manager na Universal, Ricardo Almeida, CFO da Universal, Fernando Magalhães, guitarrista do Barão Vermelho. Agradeço também aos meus amigos músicos de Teresópolis com quem dividi minhas descobertas e meus anseios sobre o futuro da música.
Enfim, agradeço a todas as pessoas que tiveram paciência para ouvirem minhas descobertas nas rodas de conversa na ESPM, no trabalho, no clube etc.
Esta dissertação discorre sobre os impactos da tecnologia no mercado da música, com ênfase na influência da Inteligência Artificial, Algoritmos e Aprendizado de Máquina, e como estas tecnologias estão moldando o futuro da música e desenvolvendo novos hits. As seções estão divididas em blocos que contemplam história sobre a busca pelas canções de sucesso, música e cognição e a aplicação de algoritmos e Inteligência Artificial nos dados de comportamento das pessoas para melhor previsão sobre músicas que podem vir a ser um sucesso. No que tange à aplicabilidade, este estudo contribui para uma análise sobre quais caminhos a indústria deverá seguir, quais ferramentas terão importância neste novo cenário e quais as consequências entre a eterna luta da arte com o mercado. Trata-se, portanto, de um documento para profissionais, músicos, compositores, produtores e todos os stakeholdes envolvidos na cadeia da música e que fazem desta arte seu sustento.
Palavras-chave: Música. Algoritmos. Inteligência Artificial. Compositor.
This research project explores the impacts of technology on music market, with an emphasis on the influence of Artificial Intelligence, Algorithms and Machine Learning, and how these technologies are shaping the future of music and developing new hits. The chapters are divided into blocks that include story about the quest for success songs, music and cognition and the use of algorithms and Artificial Intelligence in people's behavior data of music for greater accuracy to lunch a potential hit. As far as applicability is concerned, this study contributes to an analysis of which paths the industry will follow, which tools will have importance in this new scenario, and the consequences of the eternal struggle between art and market. It is therefore a document for professionals, musicians, composers, producers and all stakeholders involved in the music chain and who make this activity their livelihood.
Keywords: Music. Algorithms. Artificial Intelligence. Composer.
ABRAC Associação Brasileira de Autores, Compositores, Intérpretes e Músicos ABRAMUS Associação Brasileira de Música e Artes
AMAR Associação de Músicos, Arranjadores e Regentes ASSIM Associação de Intérpretes e Músicos
SADEMBRA Sociedade Administradora de Direitos de Execução Musical do Brasil SBACEM Sociedade Brasileira de Autores, Compositores e Escritores de Música SICAM Sociedade Independente de Compositores e Autores Musicais
SOCINPRO Sociedade Brasileira de Administração e Proteção de Direitos Intelectuais UBC União Brasileira de Compositores
1 INTRODUÇÃO ... 11
1.1 Delimitação do tema de pesquisa ... 13
1.2 Problema de pesquisa ... 13
1.3 Justificativa ... 14
1.4 Objetivos ... 20
1.4.1 GERAL ... 20
1.4.2 ESPECÍFICOS ... 20
1.5 Desdobramentos práticos e materialidades ... 20
1.6 Metodologia ... 21
2 REFERENCIAL TEÓRICO ... 21
2.1 Inteligência Artifical e design ... 27
2.2 Música, computação e machine learning ... 29
2.3 Mudança de paradigma ... 32
2.3.1 O CASE NEURAL ... 32
2.3.2 A MÚSICA CADA VEZ MAIS SIMPLES ... 32
2.3.3 HARDWARES INTELIGENTES ... 32
2.4 A digitalização do espetáculo ... 37
2.5 A cidade dos hits ... 38
2.5.1 O FIM DO CONCEITO DE ÁLBUM ... 32
2.5.2 A QUANTIDADE ÀS CUSTAS DA QUALIDADE ... 32
2.5.3 SAMPLES E COLAGENS... 32
2.6 A quem pertencem os dados? ... 47
2.6.1 PARA ONDE VÃO OS ROYALTIES? ... 32
2.7 Tocando no cérebro ... 49
3 RESULTADOS DA PESQUISA DE CAMPO ... 57
3.1 Delimitação do tema e objetivos específicos da pesquisa de campo ... 47
3.2 Estruturação da pesquisa ... 47
3.3 Aplicação da pesquisa ... 47
3.4 Questionário ... 47
3.5 Construção de personas ... 47
3.6 Estruturação de cenários ... 47
4 RECOMENDAÇÕES ... 74
5 CONCLUSÃO ... 74
REFERÊNCIAS ... 76
ANEXO A – TRANSCRIÇÃO DAS ENTREVISTAS ... 86
ANEXO B – OUVINTE/CONSUMIDOR DE MÚSICA ... 86
APÊNDICE A – TERMO DE CONSENTIMENTO LIVRE E ESCLARECIDO – TCLE BASEADO NAS DIRETRIZES CONTIDAS NA RESOLUÇÃO CNS Nº 466/2012 ... 86
1 INTRODUÇÃO
Coisas que a Inteligência Artificial será capaz de fazer e quando:
2020: Competir no circuito mundial de poker Escrever um trabalho no ensino-médio
2027: Criar um som pop que figure na lista dos 40 mais 2028: Produzir um vídeo criativo
2049: Escrever um bestseller do NY Times 2059: Fazer pesquisa matemática (World Mobile Congress #MWC18).
A música talvez seja o produto artístico que mais sofreu impacto com as novas tecnologias e também é uma das mais suscetíveis a análises de big data e algoritmos. Desde meados dos anos 1990, quando a internet se popularizou, e o Napster1 surgiu como distribuidor de músicas em formato MP3 gratuitas, até o momento; foram muitos os avanços e transformações.
A internet democratizou o acesso à música de forma instantânea, eliminando várias barreiras dos canais de distribuição. Novos modelos comerciais foram criados e atualmente tem prevalecido a distribuição por assinaturas, através da tecnologia de streaming, onde o usuário não é proprietário dos fonogramas, mas paga uma taxa mensal para poder acessar milhões de canções de artistas do mundo todo.
As tecnologias também desenvolveram softwares que são capazes de auxiliar no processo de composição, tornando a criação e a gravação mais acessível a músicos profissionais e não profissionais.
O resultado disso é uma enxurrada de novos lançamentos independentes, ou através de uma gravadora, que são disponibilizados diariamente em plataformas como o Spotify. Deezer, Apple Music, Youtube Music etc. Toda essa transformação da indústria da música impactou diretamente as margens das grandes gravadoras (KNOPER, 2017), em consequência da enorme redução na cadeia de produção e distribuição, onde as receitas mais robustas com ganhos nos processos de gravação, duplicação e distribuição de CDs foram encolhidas.
Com margens extremamente reduzidas, as gravadoras viram-se na obrigação de buscar novos modelos de negócios para se adaptar às mudanças. Mas ao mesmo tempo, o mercado testemunhou o surgimento de players com DNA tecnológico, capazes de influenciar a cadeia
1 O Napster foi um dos primeiros serviços de compartilhamento de música peer-to-peer em formato MP3.
produtiva da música de forma contundente e a ameaçar o império dominado globalmente pelas chamadas Majors, que são os grandes conglomerados do mercado da música como a Universal Music, a Sony Music e a Warner Music (VOOGT, 2014).
O Spotify, por exemplo, passou a negociar alguns contratos diretamente com artistas consagrados, além de ter sua plataforma aberta para que novos postulantes ao estrelado musical simplesmente disponibilizem suas obras. Não existe mais filtro musical para escolher quem será lançado ou não. Todos têm oportunidade. Entretanto, na enxurrada de novos lançamentos, destacar- se na multidão de fonogramas é tarefa difícil e a sorte está do lado daqueles que são favorecidos involuntariamente ou propositadamente pelos algoritmos de recomendação. A música, que já era protagonista em nossas vidas, agora é quase onipresente em nossos telefones celulares e fones de ouvidos, no ônibus, nos trens, nos aviões, e até em salas de aula.
É nesse contexto, de profundas transformações, que esta dissertação lança um olhar crítico sobre o futuro da música como arte e como negócio. Especialmente no que se refere à questão da composição de canções. A simplificação do processo de criação com a ajuda de softwares de Inteligência Artificial, juntamente com acúmulo de dados sobre hábitos de comportamento aliada à facilidade em se disponibilizar uma obra comercialmente, tem estimulado muitos compositores profissionais e não profissionais a apresentarem suas criações na expectativa de alcançar algum sucesso comercial em meio a um oceano de metadados (METADADOS, 2018).
A grande massa de informações sobre os consumidores, coletados pelos gigantes da tecnologia, em especial os da música, e a aplicação de técnicas de machine learning, têm possibilitado uma maior compreensão sobre o comportamento do ouvinte de música e um melhor direcionamento sobre quais modelos são mais suscetíveis ao sucesso. A Inteligência Artificial trabalha a favor destes players, seja para impulsionar hits, trilhas de jogos, trilhas de filmes e jingles para comerciais. Todo esse aparato trabalhando em prol da maior lucratividade.
O modelo fragmentado dos players de streaming, que atuam com estratégias conhecidas como Freemium, e que disponibilizam catálogo quase infinito, enfrentam muitas dificuldades para atingir lucratividade, já que a grande maioria dos usuários preferem a versão gratuita dos aplicativos, porque desde o surgimento do Napster, o usuário se acostumou com a música gratuita como padrão. Mesmo valendo bilhões de dólares, essas empresas ainda não fecham o balanço no
azul e todos os esforços são concentrados em mudar esse jogo, mesmo que isso signifique colocar o computador para compor e selecionar artistas.
Esta pesquisa pretende explorar como a Inteligência Artificial pode ser uma aliada desses players, na medida em que é possível que o computador componha canções compatíveis com os humanos. Além disso, o estudo também investiga como nosso cérebro interage com a música e se a analogia dos algoritmos com nosso cérebro será eficiente para que a Inteligência Artificial e os algoritmos possam colaborar com compositores, produtores, empresários, publicitários etc., e até que ponto ela poderá substituir a criatividade humana na produção de novas obras, e mudar completamente o eixo da indústria da música (MÚSICA&MERCADO, 2017).
1.1 Delimitação do tema de pesquisa
Este estudo está relacionado com a linha de pesquisa do Mestrado Profissional em Gestão da Economia Criativa, porque aborda questões inerentes às mudanças no mercado da música, especialmente no que tange ao processo de composições e de distribuição.
O tema principal desta dissertação é analisar o impacto que a Inteligência Artificial pode causar no mercado de composições de obras musicais e as consequências na cadeia de valor da indústria da música. Atualmente, já existem várias iniciativas bastante avançadas que investem pesado em sistemas de composição de músicas, através de técnicas de machine learning, onde a máquina aprende a compor músicas em determinados estilos.
Para lançar uma luz no que pode vir a ser o futuro das composições da música, é importante ter como pano de fundo as mudanças que vêm acontecendo no mercado fonográfico. Porém o recorte será o mercado de composição, ou seja, o que pode acontecer com esse mercado nos próximos anos com a evolução cada vez mais acelerada das tecnologias de automação.
1.2 Problema de pesquisa
A principal pergunta a ser respondida com este estudo refere-se ao que poderá acontecer com a composição pela perspectiva de seus principais agentes, ou seja, compositores, músicos, gravadora, Escritório Central de Arrecadação e Distribuição (ECAD) e distribuidores de royalties;
se algum dia a máquina for capaz de substituir compositores, produtores, no que se refere ao pensamento criativo e estratégico.
Por tratar-se de um assunto de interesse da indústria da música como um todo, os resultados poderão ser compartilhados trazendo insights para estes agentes que terão que se adaptar às novas dinâmicas do mercado fonográfico.
Se a automação diminuiu drasticamente o número de posições na classe trabalhadora fabril na época da Revolução Industrial (FLORIDA, 2007), a Inteligência Artificial fará o mesmo com a classe criativa da música? Até que ponto estaremos discutindo a qualidade das músicas artificiais enquanto continuamos consumindo música?
Músicas compostas por Inteligência Artificial não precisam ser melhores que músicas criadas por compositores como Djavan, Chico Buarque ou Sorocaba2. O conceito de música de qualidade é muito subjetivo e não existe consenso sobre quão ‘boa’ uma música pode ser.” A qualidade de uma música, ou a sua capacidade de encantar pessoas, não é algo mensurável ou sujeito a definições e classificações. Por mais avançada que seja uma solução de Inteligência Artificial, não há como garantir que a criação será boa, simplesmente porque “música boa” é algo extremamente relativo.
No mundo de hoje, em que percebemos o crescimento da possibilidade da máquina compor, produzir, editar, lançar e distribuir, que derrubaria aquela última fronteira entre o homem e a máquina, que é a capacidade emocional, a capacidade criativa, que tipo de efeito isso trará para o setor empregador de música?
1.3 Justificativas
A arrecadação e distribuição de direitos autorais é bastante relevante e alcançou aproximadamente 1,2 bilhões em faturamento no ano de 2017 (ECAD apud UBC, 2018a), o que absolutamente representa uma fonte de renda para quem vive de compor músicas no Brasil. Nos últimos anos, a arrecadação e distribuição de royalties vem crescendo substancialmente, conforme mostra o quadro:
2 Cantor e compositor, sendo um dos que mais arrecadam royalties no Brasil
Quadro 1 – Arrecadação e distribuição ECAD
Fonte: ECAD. (Disponível em: <www.ecad.org.br>.).
Até o fechamento desta dissertação, os números referentes a 2018 ainda não haviam sido consolidados no site do ECAD. Entretanto, segundo a União Brasileira de Compositores (UBC, 2018a), o recolhimento de direitos autorais avançou 29,9% no Brasil em 2018, graças ao uso de repertório em produtos audiovisuais, como novelas, filmes, séries, que inclusive ajudam a popularizar alguns hits (DIÁRIO DO NORDESTE, 2016).
Isso faz todo sentido, porque o número de produções audiovisuais também expandiu bastante, graças às plataformas de streaming de vídeo. Paralelamente a este fenômeno, algumas start-ups já estão criando serviços on-demand, que oferecem músicas originais baratas e sem royalties para cineastas e anunciantes. É o caso da Amper3, que usa Inteligência Artificial para oferecer canções para este público.
Além do ECAD, que é o órgão centralizador de arrecadação, existem as associações de autores que recebem o dinheiro do ECAD e repassa para seus compositores associados. As principais associações no Brasil são:
ABRAC – Associação Brasileira de Autores, Compositores, Intérpretes e Músicos;
ABRAMUS – Associação Brasileira de Música e Artes;
AMAR – Associação de Músicos, Arranjadores e Regentes;
ASSIM – Associação de Intérpretes e Músicos;
SADEMBRA – Sociedade Administradora de Direitos de Execução Musical do Brasil;
SBACEM – Sociedade Brasileira de Autores, Compositores e Escritores de Música;
SICAM – Sociedade Independente de Compositores e Autores Musicais;
SOCINPRO – Sociedade Brasileira de Administração e Proteção de Direitos Intelectuais;
3 Disponível em: <https://www.ampermusic.com/>.
Ano 2015 2016 2017
Arrecadados R$ 773.472.000,00 R$ 1.043.216.781,00 R$ 1.140.017.647,00 Distribuídos R$ 618.666.000,00 R$ 841.872.627,00 R$ 1.153.473.517,00
Arrecadação e Distribuição ECAD
UBC – União Brasileira de Compositores.
Essas associações cobrem 100% da arrecadação de royalties no território brasileiro, sendo que a UBC, representa 60% do total. Como se pode observar, trata-se de um negócio que movimenta muito dinheiro, e que cresce mesmo em tempos de recessão econômica, o que respalda o conceito de economia criativa como geradora de riqueza e suporte à economia em tempos de crise (FLORIDA, 2007).
Além disso, gera empregos nos órgãos de arrecadação e distribuição. Porém, a tecnologia tem sido responsável pela criação de negócios disruptivos que destroem toda uma cadeia produtiva numa velocidade sem precedentes. A Inteligência Artificial pode ser capaz não somente de compor músicas, mas de influenciar e modificar completamente toda a cadeia de arrecadação e distribuição de royalties, fazendo isso de forma automática e descentralizada, como é o caso do Blockchain (COMPUTERWORD, 2016).
É necessário que artistas, compositores e profissionais da indústria da música estejam bem informados e preparados para adaptarem-se ao ciclo que se instaura. As novas tecnologias podem mudar completamente o modelo de arrecadação trazendo mais credibilidade e eficiência.
Há muitos anos a lista dos compositores que mais recolhem direitos autorais se mantém relativamente estável, porque é um metiê muito fechado e repleto de acordos para recebimento de créditos. Entretanto, novos artistas surgidos em plataformas, como Youtube, têm figurado na lista dos compositores de melhor performance em arrecadação, mais muitos deles são completamente desconhecidos do grande público. Autores como Victor Chaves, Bruno Caliman, Thales Lessa e Danillo D´ávilla, representam esta nova geração. Abaixo temos a lista dos 20 principais arrecadadores de direitos autorais no Brasil em rádio e em música ao vivo de 2013 a 2017:
Quadro 2 – Lista dos principais arrecadadores de direito autorais no Brasil em rádio
Fonte: ECAD.
Quadro 3 – Lista dos principais arrecadadores de direito autorais no Brasil em música ao vivo
Fonte: ECAD.
Obs.: Embora o STJ tenha declarado, em 2017, que serviços de streaming devem pagar execução pública, ainda não está muito claro nos relatórios do ECAD o que vem de streaming e o que vem de rádio propriamente.
2013 2014 2015 2016 2017
1 Sorocaba Paula Fernandes Bruno Caliman Thallys Pacheco Victor Chaves 2 Victor Chaves Roberto Carlos Anderson Freire Marília Mendonça Umberto Tavares 3 Roberto Carlos Sorocaba Roberto Carlos Anderson Freire Douglas Cezar
4 Paula Fernandes Anitta Sorocaba Paula Fernandes Marília Mendonça
5 Thiago Servo Victor Chaves Nando Reis Bruno Caliman Jefferson Junior 6 Erasmo Carlos Naldo Benny Victor Chaves Victor Chaves Anderson Freire 7 Bruno Caliman Luan Santana Erasmo Carlos Juliano Tchula Juliano Tchula 8 Thiaguinho Thiaguinho Umberto Tavares Roberto Carlos Bruno Caliman 9 Caetano Veloso Zezé Di Camargo Marília Mendonça Paula Mattos Roberto Carlos
10 Anitta Djavan Juliano Tchula Umberto Tavares Thales Lessa
11 Lulu Santos Caetano Veloso Cesar Augusto Jefferson Junior Nando Reis 12 Carlos Colla Bruno Caliman Jefferson Junior Sorocaba Rafael Torres 13 Djavan Erasmo Carlos Solange de Cesar Nando Reis Larissa Ferreira
14 Nando Reis Bruno Mars Caetano Veloso Djavan Tierry Coringa
15 Cesar Augusto Jorge Lulu Santos Caetano Veloso Thallys Pacheco
16 Anderson Freire Anderson Freire Djavan Junior Angelim Danillo Dávilla
17 Beno Cesar Thiago Servo Ray Erasmo Carlos Paula Fernandes
18 Rick Rick Zezé Di Camargo Cesar Augusto Matheus
19 Zezé di Camargo Nando Reis Herbert Vianna Gabriel Agra Djavan 20 Herbert Vianna Gusttavo Lima Paula Fernandes Thales Lessa Junior Angelim
Radio
2013 2014 2015 2016 2016
1 Djavan Djavan Djavan Djavan Djavan
2 Lulu Santos Lulu Santos Lulu Santos Thallys Pacheco Renato Russo 3 Caetano Veloso Caetano Veloso Renato Russo Lulu Santos Lulu Santos 4 Roberto Carlos Renato Russo Caetano Veloso Renato Russo Thallys Pacheco 5 Renato Russo Roberto Carlos Nando Reis Caetano Veloso Nando Reis
6 Nando Reis Nando Reis Herbert Vianna Nando Reis Caetano Veloso
7 Zé Ramalho Zé Ramalho Zé Ramalho Barros Neto Alceu Valença
8 Herbert Vianna Herbert Vianna Bruno Caliman Zé Ramalho Zé Ramalho 9 Vinícius De Moraes Vinícius de Moraes Roberto Carlos Jota Reis Herbert Vianna 10 Alceu Valença Jorge Ben Jor Tim Maia Alceu Valença Tim Maia 11 Erasmo Carlos Alceu Valença Alceu Valença Marília Mendonça Roberto Carlos 12 Jorge Ben Jor Chico Buarque Vinícius de Moraes Tim Maia Marília Mendonça 13 Tim Maia Erasmo Carlos Allê Barbosa Junior Angelim Vinícius de Moraes 14 Chico Buarque Dorgival Dantas Chico Buarque Vinícius de Moraes Jorge Ben Jor 15 Victor Chaves Tim Maia Gilberto Gil Herbert Vianna Gilberto Gil 16 Gilberto Gil Victor Chaves Jorge Ben Jor Roberto Carlos Matheus
17 Leoni Gilberto Gil Rafael Chico Buarque Danillo Dávilla
18 Marisa Monte Leoni Victor Chaves Jorge Ben Jor Leoni
19 Zeca Baleiro Allê Barbosa Gonzagão Gilberto Gil Thales Lessa
20 Bruno Caliman Zeca Baleiro Erasmo Carlos Vinícius Poeta Douglas Cezar
Música ao Vivo
O fato de identificarmos vários dos mesmos compositores figurando na lista de arrecadação ainda é herança do antigo modelo de negócio da indústria fonográfica que privilegiava os autores consagrados, porque estes davam maior peso às canções quando eles assinavam. Mesmo a coautoria de um nome como Caetano Veloso, poderia representar abertura nos meios de divulgação e abrir espaço para uma música estourar. As gravadoras não se preocupavam em identificar o que o ouvinte queria, e bastava um nome de peso de um compositor para alavancar a carreira de um postulante à estrela.
Nos dias de hoje, a relação com o consumidor/ouvinte é fundamental para o direcionamento do negócio. Se por um lado as gravadoras detêm o relacionamento com os artistas, os distribuidores mantêm o contato com o cliente final e acompanham seus hábitos de audição, de descoberta de novos artistas, de recomendações etc.
O papel da gravadora sempre teve um caráter muito mais de curadoria, de garimpar novos artistas e explorar o cast de seu catálogo com lançamentos baseados muito mais na intuição de um diretor artístico do que necessariamente nas demandas de comportamento dos ouvintes. Quando se chega ao ponto de existir um player com grande poder de concentração na distribuição ameaçar o negócio das gravadoras, é porque este mesmo player pode começar a fazer o papel de curadoria, já que muitos artistas novos encontram campo fértil para divulgar seu trabalho nessas plataformas. E mais do que isso, esses players têm poder de fogo para dominar o mercado e desenvolver criações baseadas em análise de dados puramente, o que fatalmente poderá desestimular novos talentos a compor, ou estimular os compositores a utilizarem a Inteligência Artificial para ajudá-los no processo criativo.
Portanto, é fundamental que os executivos das gravadoras conheçam cada vez mais sobre tecnologia e como ela pode ajudá-los a potencializar o negócio da música. Além disso, usar os dados e os analytics para tomada de decisão é uma questão de sobrevivência do negócio (MAYER- SCHONBERGUER; CUKIER, 2012).
Hoje em dia, uma das qualificações mais requisitadas no mercado de trabalho é a capacidade analítica (PAUL; ELDER, 2007). A quantidade de informações, de interações com os clientes são infinitas e a organização dessas informações com o intuito de gerar conhecimento e desenvolver estratégias são cruciais num mundo cada vez mais competitivo. Empresas como a
Amazon, por exemplo, tomam decisões amparadas muito mais pelas evidências dos dados do que por instinto (STONE, 2013).
Mas será que isso é 100% eficiente? Trazendo um pouco mais para a temática proposta neste estudo, empresas do setor criativo como o Spotify, basicamente, criam suas playlists amparadas pelas análises de dados de comportamento das pessoas que escutam determinadas músicas, e oferecem novas opções ou sugestões de artistas analisando sua enorme base de dados.
Mas será que as recomendações são certeiras? O Facebook atualiza constantemente seus algoritmos com intuito de entregar melhores resultados para os anunciantes e melhores experiências para os usuários. Vários dos aplicativos que o Facebook lança são inspirados nos próprios usuários, simplesmente analisando números e identificando tendências ou obtendo resposta a testes.
Entretanto, o uso das ferramentas de analytics e business intelligence são fundamentais para gerar uma melhor interface com usuário/cliente, no sentido de melhor interpretar suas demandas e oferecer produtos compatíveis com suas expectativas, influenciando diretamente na inventividade humana. Alguns pesquisadores até estimam quando a máquina irá substituir os humanos nessas tarefas (EMERGING TECHNOLOGY, 2017) e definem até uma data aproximada quando isso irá acontecer.
Este trabalho é importante no sentido que pode servir de alerta para os profissionais da música para se reinventarem e se prepararem, desde já, desenvolvendo habilidades que a máquina não poderá desempenhar. Alternativamente, encontrar um formato que potencialize não apenas as experiências sustentadas pelos dados analíticos, mas que também insira a intuição e a criatividade humana no contexto de soluções inovadoras para a indústria criativa, é extremamente contundente.
Para isso, é importante desenvolver um estudo sobre as reações diante das equações algorítmicas e entender o nível de acerto dessas interfaces comparadas às soluções intuitivas. Faz- se necessário entender a viabilidade financeira de soluções intuitivas e o retorno que esse modelo pode trazer para as empresas que compõem a Economia Criativa. Afinal, quem está escrevendo o futuro das Ciências Humanas são engenheiros de software e programadores. Logo, as Ciências da Comunicação e da Arte estão, de alguma maneira, bebendo na fonte das Ciências Exatas. Quem está desenhando o futuro são os engenheiros da Microsoft, do Google, do Facebook, da Amazon etc. (MANZONI JÚNIOR, 2017). Engenheiros estão transformando as Ciências Humana em Ciências Exatas.
Não teremos todas as respostas nesta dissertação, pois é muito difícil escrever sobre o futuro. A pesquisa científica sempre se apoiou em descobertas passadas, mas o passado nos dá boas pistas sobre como será o futuro, basta rolar os dados.
1.4 Objetivos
A presente seção tem como intuito apresentar os objetivos desta dissertação.
1.4.1 GERAL
Investigar a visão dos agentes sobre o impacto da tecnologia da Inteligência Artificial e consequentemente, alertar os futuros profissionais da indústria da música, executivos, músicos, produtores e especialmente os compositores, para lidarem com a realidade da Inteligência Artificial e os novos rumos que o mercado poderá traçar.
1.4.2 ESPECÍFICOS
Entender a história da criação de músicas com computadores;
Entender como se desenvolveu o mercado de hits;
Entender a relação entre música e cognição e como a Inteligência Artificial usa a analogia com nosso cérebro para criar;
Avaliar os riscos para a profissão de compositor e para os demais agentes.
1.5 Desdobramentos práticos e materialidades
É possível que os resultados obtidos com esta pesquisa influenciem a forma como a indústria da música administra os dados em prol do sucesso do negócio. As gravadoras poderão procurar entender melhor as preferências dos ouvintes de música e sugerir novos artistas como já faz o Spotify.
O intuito do estudo é descobrir novas vias, na medida em que o estudo evolui juntamente com as novas tecnologias. Ao ter um maior domínio sobre o raciocínio lógico dos computadores e como eles montam esquemas para resolução de problemas, profissionais da Economia Criativa
estarão mais preparados para desenvolver novas abordagens ou novos procedimentos de alavancagem de negócio.
Não sabemos ainda se a máquina será capaz de criar um produto, um poema, ou uma canção com qualidade artística ou comercial, especialmente porque qualidade artística é uma definição um tanto ambígua ao contrário de qualidade comercial que é mensurável. Mas sabemos que podemos cada vez mais entender as máquinas e usá-las para melhorar nossa performance criativa.
E-book – Como desdobramento e estratégia de auxiliar os profissionais envolvidos em toda a cadeia da música no Brasil, planeja-se transformar a dissertação em um livro digital, apresentando estes novos cenários e as oportunidades inerentes.
1.6 Metodologia
Com base nos conceitos de pesquisa de Gil (2008), este estudo possui caráter exploratório.
A pesquisa comparada foi feita a partir de um levantamento bibliográfico e posterior fichamento de textos para as análises realizadas, dando suporte a narrativa do impacto da Inteligência Artificial na criação de músicas e seus desdobramentos no mercado de editoras e de arrecadação de direitos autorais. Envolveu-se o levantamento de conteúdo e revisão teórica principalmente a partir de sites sobre música e cultura, bem como bibliografia técnica. O modelo metodológico foi baseado em:
- Estudo de casos: rápido estudo de dois projetos recentes envolvendo música e Inteligência Artificial que serão citados nesta dissertação. São eles: Projeto Neural do Spotify e Projeto Flow Machines, da Sony. Ambos serão mencionados sem grande profundidade pela restrição de se conseguir informações detalhadas com os envolvidos.
- Pesquisa de campo: encontros e entrevistas com as pessoas-chave para compor o projeto e a visão dos stakeholders. Foram conduzidas entrevistas em profundidade com profissionais diretamente ligados ao mercado fonográfico, registradas em áudio, transcritas e disponibilizadas no apêndice deste documento.
2 REFERENCIAL TEÓRICO
Algoritmo é apenas uma sequência finita de passos que se usa para resolver um problema (CRISTIAN; GRIFFITHS, 2017).
Qualquer pesquisa dentro do âmbito da Inteligência Artificial tem que, necessariamente, passar pelo estudo dos algoritmos. Embora seja uma palavra muito presente nas conversas sobre tecnologia, atualmente, é um termo que já existe há muitos séculos, muito antes das máquinas, e eram utilizados por pessoas. A origem da palavra vem do nome do matemático persa Al- Khawãrizmî, autor de um livro do século IX sobre técnicas para fazer matemática à mão (CRISTIAN; GRIFFITHS, 2017).
Algoritmos não estão restritos somente à matemática. Quando se acompanha uma receita de bolo, ou um manual de instruções segue-se um algoritmo. Eles têm sido parte da tecnologia humana desde a Idade da Pedra, sendo, portanto, um processo a se seguir para a tomada de decisões ou conclusão de uma tarefa.
O processo de composição de uma música também é um algoritmo. Alguns compositores começam pela letra e depois passam para a música, outros fazem o contrário, porém o critério para se definir uma introdução, posição das estrofes, refrãos e grand finale, é uma sequência de decisões baseadas na dinâmica de explorar as experiências intrínsecas, para chegar a um resultado. Os compositores desenvolvem suas canções recorrendo as suas memórias, suas conexões e seus achados para criarem uma história em forma de música. Recorrem ao seu banco de dados para encontrar ideias criativas. Ou seja, o processo criativo também é um processo de tomada de decisão constante.
As pessoas tendem a refletir e a tomar decisões independentes, preocupando-se em achar a cada vez um resultado que corresponda ao maior valor esperado. Mas decisões quase nunca são isoladas, e o valor esperado não é o fim da história. Se você está pensando não apenas na próxima decisão, mas em todas as decisões que vai tomar no futuro sobre as mesmas opções, a relação explore/exploit [explorar (prospectar)/ explorar (obter resultados)] é crucial para o processo (CRISTIAN; GRIFFITHS, 2017, p. 825).
As máquinas trabalham de maneira muito parecida. Elas acumulam terabytes de dados e os vasculham velozmente para encontrar padrões, ordens, modelos e significados. Em seguida, aprendem com suas experiências acumuladas, através do que é classificado como machine learning
ou aprendizado de máquina. As máquinas são capazes de tomar decisões utilizando o modelo explore/exploit, o que as credencia a combinarem processos, produtos ou obras criativas (NOGUEIRA, 2018).
Machine learning powered by data has the potential to transform the nature of knowledge- based jobs within the industry. The predictions can be extracted from the data and will be increasingly used to substitute for the human capabilities such as experience and judgment (KILULIAN, 2017, p. 115)4.
Entretanto, faz-se necessário entender até que ponto as máquinas são capazes de criar algo realmente inovador e diferenciado, aquilo que seria o momento Eureka, o momento das descobertas inesperadas.
Histórias de descobertas frequentemente descrevem um momento similar: a da maçã de Newton (possivelmente apócrifa), a do ‘Eureca!’ na banheira de Arquimedes, a da negligenciada placa de Petri na qual apareceu o mofo Penicillium. É um fenômeno tão comum que foi inventada uma palavra para captar sua essência: em 1754, Horace Walpole cunhou o termo serendipity, ou serendipidade, baseado nas aventuras de conto de fadas de Os três príncipes de Serendip (sendo Serendip o antigo nome do Sri Lanka), ‘que estavam sempre fazendo descobertas, por acidente e por sagacidade, de coisas pelas quais não estavam buscando’ (CRISTIAN; GRIFFITHS, 2017, p. 4960).
A composição é o começo de tudo no universo da música. Os sons, por si só, não configuram uma música. Esses sons precisam ser organizados numa sequência que faça alguma lógica para serem entendidos como uma obra musical. A música faz parte do cotidiano do homem desde há muito tempo. Qualquer que seja o motivo pelo qual os humanos se reúnam, a música está sempre presente. Seja num casamento, num funeral, em formaturas, num estádio de futebol, na igreja ou num jantar romântico, sempre haverá música ao fundo. Em consequência, a música tornou-se um negócio extremamente lucrativo e de grande abrangência, gerando conglomerados econômicos que fazem do showbiz um dos mais importantes no segmento criativo (FLORIDA, 2007).
Um dos aspectos a serem explorados nesta pesquisa refere-se à posição atual da indústria da música, que está cada vez mais pressionada a gerar resultados crescentes e apostando muito
4 O aprendizado de máquina (machine learning) alimentada por dados, tem o potencial de transformar a natureza dos trabalhos baseados no conhecimento dentro do setor. As previsões podem ser extraídas dos dados e serão cada vez mais usadas para substituir as capacidades humanas, como experiência e julgamento (Tradução do autor).
mais naquilo que pode tornar-se um sucesso do que necessariamente na arte. A Inteligência Artificial aparece como o cerne dessa discussão, estimulando a indústria fonográfica a investir cada vez mais na elaboração de novos hits que possam arrecadar cada vez mais dinheiro. E para isso investem em tecnologia e soluções para ajudá-las nessa tarefa.
HitPredictor [Previsor de Hit] (de propriedade da iHeart Media, a maior proprietária de estações de rádios AM e FM nos Estados Unidos) ‘prediz’ que canções serão hits, tocando um gancho de uma nova canção para um público on-line três vezes sem lhes dizer muito mais sobre a faixa. O propósito é captar a ‘facilidade de se lembrar da música’ em um vácuo. Os públicos dão notas numéricas à canção. Uma música pode ter uma nota alta na casa dos cem, mas qualquer uma com nota acima de 65,00 é considerada elegível para tornar-se um grande hit. Sessenta e cinco é o limiar: acima desse nível, uma faixa tem o apelo intrínseco de ser uma das canções top no país (DEREK, 2018, p. 619).
Todavia, a internet nas nuvens possibilita não somente o acúmulo de grandes dados de comportamento de usuários como também serve de matéria-prima para geração de insights à partir da análise desses dados. Esse processo também utiliza técnicas de explore/exploit para definir modelos de predição para lançamento de novos fonogramas com potencial de sucesso.
Se você já estava usando a internet em suas funções mais básicas durante toda a década passada, então participou do problema explore/exploit de outrem. As companhias querem descobrir o que as faz ganhar mais dinheiro enquanto, ao mesmo tempo, estão ganhando tanto quanto possam — explorar (prospectar), explorar (obter resultados). Grandes empresas de tecnologia como Amazon e Google começaram a realizar testes A/B ao vivo com seus usuários aproximadamente a partir de 2000, e nos anos seguintes a internet tornou-se o maior experimento controlado do mundo. O que essas companhias estão prospectando e explorando? Em uma palavra, você: o que faz você movimentar seu mouse e abrir sua carteira (CRISTIAN; GRIFFITHS, 2017, p. 1.264).
É importante salientar que, sob o ponto de vista cognitivo, nós reagimos à música de diferentes maneiras dada as diferenças culturais cunhadas ao longo dos anos. Mas a tendência é que essas diferenças se tornem lugar comum, fruto da massificação e da mudança de hábitos globais, já que as pessoas do mundo todo estão mais conectadas e compartilhando experiências cada vez mais massificadas, inclusive com relação à forma de se consumir música.
What function did music serve humankind as we were evolving and developing? Certainly the music of fifty thousand and one hundred thousand years ago is very different from Beethoven, Van Halen, or Eminem. As our brains have evolved, so has the music we make
with them, and the music that we want to hear. Did particular regions and pathways evolve in our brains specifically for making and listening to music? (LEVITIN, 2017 p. 8)5.
A questão da cognição e da forma como interpretamos e absorvemos música explica muitos fenômenos que fizeram com que algumas canções se transformassem em grande sucesso. Segundo Derek Thomson (2018), a exposição é uma das principais responsáveis para que algo se torne um hit. Em se tratando de obra de arte, por exemplo, quanto mais feiras e eventos as obras puderem estar, maior será a exposição e, consequentemente, maior a possibilidade de se tornar um hit.
No caso da música, a exposição pública nas rádios pode ser até mesmo mais poderosa do que a “mera” exposição, porque a presença de uma canção nas principais estações proporciona outras pistas em relação a sua qualidade, como a sensação de que os criadores de moda e outros ouvintes já ouviram e endossaram essa obra. Ou seja, os profissionais da música sabem disso e utilizam desses artifícios para garantir o grau de familiaridade e ineditismos na medida certa para uma provável formula do sucesso. Sob o aspecto cognitivo, nosso cérebro, associado com nossas experiências, é capaz de identificar aspectos familiares numa melodia.
Each time we hear a musical pattern that is new to our ears, our brains try to make an association through whatever visual, auditory and other sensory cues accompany it; we try to contextualize the new sounds, and eventually, we create these memory links between a particular set of notes and a particular place, time, or set of events (LEVITIN, 2017 p.
39)6.
Basicamente, os conteúdos que servirão para esta pesquisa são estudos recentes transformados em livros que abordam os temas acima. Livros como Hit Makers, do autor Derek Thomson, This is Your Brain on Music, escrito pelo engenheiro de som e pesquisador Daniel J.
Levitin, O Algoritmo Mestre, de Pedro Domingos (2017), além de contribuições de autores consagrados no âmbito das pesquisas em Economia Criativa, como Richard Flórida.
5 Como a música tem servido à humanidade enquanto evoluímos e nos desenvolvemos? Certamente a música de cinquenta mil, cem mil anos atrás, é muito diferente de Beethoven, Van Halen ou Eminem. Conforme nossos cérebros evoluíram, assim também evoluiu a música que fazemos e a música que queremos ouvir. Regiões particulares e caminhos específicos em nossos cérebros evoluíram especificamente para fazer e ouvir música? (Tradução do autor).
6 Cada vez que ouvimos um padrão musical que é novo para os nossos ouvidos, nossos cérebros tentam fazer uma associação através de qualquer sinal visual, auditivo e outros sinais sensoriais que o acompanhem; tentamos contextualizar os novos sons e, eventualmente, criamos esses links de memória entre um conjunto específico de notas e um lugar, hora ou conjunto de eventos específico (Tradução do autor).
No âmbito das pesquisas tecnológicas e de comportamento, obras como Robot is the New Boss, de Artur Kilulian (2017) temperam as questões sobre a evolução das máquinas e seu papel na execução de tarefas criativas, especificamente na composição de obras musicais.
Therefore, it may be disturbing for many to witness the emergence of such AI as AIVA (Artificial Intelligence Virtual Artist). AIVA can create classical music that sounds as if it was written by a talented human composer. In fact, AIVA is the first AI ever to acquire an official status of a composer. What takes a lifetime for a human composer to accomplish, AIVA learned in several months reading through a large database of classical works written by Bach, Beethoven, and Mozart. During the training, AIVA learned various musical styles, compositional techniques, instruments, and ways to put them together in musical tracks, which are now accessible via popular streaming platforms, such as SoundCloud (KIULIAN, 2017, p. 118)7.
Caminhando em direção a um modelo de mercado completamente diferente do atual, a música é o produto criativo que tem sofrido maiores impactos e cuja cadeia produtiva está deslocando o eixo do mercado de maneira sem precedentes na história. As tecnologias e as novas formas de distribuição podem criar um processo de massificação da música tanto para o bem como para o mal, e desmistificar completamente a dialética da criação e da composição que sempre foi restrita aos chamados talentos exclusivos. Mas por outro lado pode gerar novos milionários.
Hoje em dia, porém, está acontecendo uma coisa interessante. A escassez cedeu lugar à abundância. O salão de concertos é a internet, os instrumentos são baratos e qualquer um pode compor sua própria sinfonia. O futuro dos hits será democrático, caótico e desigual.
Milhões competirão por atenção, uns poucos felizardos farão muito sucesso e uma minoria microscópica ficará fantasticamente rica (DEREK, 2018, p. 235).
7 Portanto, pode ser perturbador para muitos testemunhar o surgimento de tal IA como AIVA (Inteligência Artificial Artista Virtual). AIVA pode criar música clássica que soa como se fosse escrita por um talentoso compositor humano.
De fato, a AIVA é a primeira IA a adquirir um status oficial de compositor. O que leva uma vida inteira para um compositor humano realizar, a AIVA aprendeu em vários meses ao ler um grande banco de dados de obras clássicas escritas por Bach, Beethoven e Mozart. Durante o treinamento, a AIVA aprendeu vários estilos musicais, técnicas de composição, instrumentos e maneiras de colocá-los juntos em trilhas musicais, que agora são acessíveis através de plataformas populares de streaming, como o SoundCloud (www.soundcloud.com) (Tradução do autor).
2.1 Inteligência Artificial e design
Quando Herbert A. Simon iniciou suas pesquisas sobre design, ainda quando prestava serviços para o Projeto RAND (Research and Development), nos Estados Unidos, no período pós Segunda Guerra Mundial, certamente não imaginava todos os desdobramentos que isso implicaria.
A Inteligência Artificial e o design estão cada vez mais presentes em nossa vida, sejam nos aplicativos de geolocalização, nas recomendações de compra nos sites de e-commerce e também na música, especialmente nas plataformas de streaming.
De acordo com o texto Revisiting Herbert Simon’s “Science of Design”, as ideias de Simon formam uma base teórica que procura dar um caráter científico à matéria do design, e que visa unificar as ciências sociais com modelos de solução de problemas. Ou seja, o design dentro da ciência pode ser estudado como um processo que leva a uma linha de pensamento para resolução de problemas dentro das pesquisas sociais e em diversos setores, incluindo a Indústria Criativa (HOWKINS, 2007; FLORIDA, 2007).
Da mesma forma, Charles E. Merriam (2014) defende a ideia de que é possível aplicar métodos científicos em pesquisas sociais através de processos convencionais, como observação, pesquisa em laboratórios e uso de matemática e estatística.
A partir das posições do Charles E. Merriam (2014), Simon concluiu que as pesquisas sociais deveriam ter o mesmo teor técnico e investigativo das pesquisas científicas tradicionais, e o design também poderia ser estudado com fundamentos de pesquisa pesada. Simon então passou a estudar profundamente os processos de decisão e como o design poderia influenciar nesses processos.
Em sua experiência no RAND (Research and Development), quando trabalhou no desenvolvimento de soluções para a indústria bélica, no período pós Segunda Guerra Mundial, Simon desenvolveu um trabalho com processo de solução de problemas e computação que foi fundamental para as pesquisas em Inteligência Artificial. Para ele, a inteligência humana poderia ser descrita por fórmulas e regras lógicas. Ou seja, através de modelos computacionais seria possível criar um sistema de decisão com base em análises meio-fim, como a heurística humana.
A princípio, como uma solução para o processo de decisão para as forças armadas, como controle de agenda, por exemplo.
Para as forças armadas, a Inteligência Artificial que estava sendo desenvolvida soava muito bem, porque poderia atuar em processos de decisões rápidas em que a máquina é mais eficiente do que o ser humano. Entretanto, o que Simon concluiu foi que evoluir a Inteligência Artificial para resolução de problemas, e não somente tomada de decisão, seria um caminho natural.
Umas das argumentações de Simon foi de que os humanos não possuem a habilidade cognitiva de considerar todas as alternativas possíveis e chegar a conclusão ideal. Simon reforça que a capacidade da mente humana em formular e resolver problemas complexos é muito restrita.
É a mesma posição em que se encontra um compositor ou letrista de música. Diante de possibilidades infinitas sobre quais notas, acordes ou palavras devem ser incluídas na elaboração de uma canção para que esta se torne um sucesso. Caetano Veloso disse uma vez em uma entrevista que uma música nunca está pronta ou boa o suficiente, que sempre pode melhorar em função das infinitas variáveis, porém é necessário finalizar um conceito para que a música fique pronta para ser lançada. É um processo heurístico.
Segundo Daniel Kahneman (2012), a definição técnica de heurística é um procedimento simples que ajuda a encontrar respostas adequadas, ainda que geralmente imperfeitas, para perguntas difíceis. A palavra vem da mesma raiz que heureca.
Enquanto o compositor tem que se restringir ao tempo de finalização de um álbum, é mais difícil esperar e pensar em todas as possibilidades que uma determinada canção pode ter. A maioria dos artistas descreve seu trabalho como experimentos, parte de uma série de esforços destinados a explorar uma preocupação comum ou para estabelecer um ponto de vista (LEVITIN, 2017).
Concluir uma composição musical é como o conceito de parada ótima8. Em todo problema que envolve parada ótima, o dilema crucial não é por qual opção decidir, mas quantas opções se devem considerar.
As pessoas tendem a refletir e a tomar decisões independentes, preocupando-se em achar a cada vez um resultado que corresponda ao maior valor esperado. Mas decisões quase nunca são isoladas, e o valor esperado não é o fim da história. Se você está pensando não apenas na próxima decisão, mas em todas as decisões que vai tomar no futuro sobre as mesmas opções, a relação explore/exploit [explorar (prospectar)/ explorar (obter resultados)] é crucial para o processo (CRISTIAN; GRIFFITHS, 2017, p. 825).
8 A teoria da parada ótima diz respeito ao problema de escolher o momento para exercer uma determinada ação (CRISTIAN; GRIFFITHS, 2017).
Inclusive muitos artistas se dizem envergonhados com suas primeiras obras, que poderiam ter tido resultados muito melhores comparadas às primeiras canções. Isso nada mais é do que o acúmulo de experiências e informações que abrem novo espectro no pensamento criativo. A máquina, por outro lado, tem a capacidade de processar muito mais variáveis e chegar a um resultado mais completo, por assim dizer (SIMON, 1996).
O conceito Science of Design de Simon, apresenta o design como uma busca lógica por um critério satisfatório que preenche um objetivo específico. Para Simon (1996), a Inteligência Artificial está revolucionando o design. Da mesma forma, o processo de concepção de uma canção que utiliza um modelo de design comercial intuitivo, poderá ser mais assertivo.
2.2 Música, computação e machine learning
O aumento do poder computacional nos últimos anos teve uma grande influência tanto no estudo das propriedades matemáticas e estatísticas da música, como na composição algorítmica.
As novas tecnologias de armazenamento e análise de dados canalizam de forma contundente o desenvolvimento de processos decisórios automáticos, sem a interferência humana. Ferramentas apoiadas em big data contribuem para análise estatísticas que interferem ou auxiliam nas decisões de negócios (SCHONBERGUER; CUKIER, 2012).
Com isso, o processo criativo da música que até então era exclusividade de compositores e letristas, ganha nova perspectiva com a evolução da Inteligência Artificial e uso do algoritmo de machine learning. A composição com algoritmos tem despertado interesse nos pesquisadores tanto sob o ponto de vista matemático como musical. As primeiras experiências de composição automática utilizando computadores datam de 1948 quando Alan Turing (FRAZÃO, 2017), gravou algumas melodias num mainframe IBM. A primeira composição completa gerada por um computador foi o Illiac Suite produzida a partir de 1955 - 1956 (NIERHAUS, 2009), e desde então, o trabalho destinado a compor música de forma automática só aumentou.
Diversas iniciativas ao redor do mundo estimulam os cientistas a decifrarem o processo de composição artificial, como por exemplo, o Laboratório de Pesquisa CSL da Sony, que combina algoritmos com a produção musical feita por humanos, e também o sistema de Inteligência Artificial da Sony chamado Flow Machines que analisa uma série de músicas para depois escolher
um determinado estilo para imitar, utilizando modelos ocultos de Markov. Modelos ocultos de Markov são uma classe de modelos probabilísticos para séries temporais de dados que são amplamente utilizados em muitas áreas de domínio, em grande parte por causa da grande flexibilidade e relativa eficiência da estimativa de parâmetros (GHAHRAMANI; JORDAN, 1997).
Os modelos de Markov são usados em diversas aplicações, incluindo a classificação musical (PIKRAKIS, 2006).
Em 1913, na véspera da Primeira Guerra Mundial, o matemático russo Andrei Markov publicou um artigo aplicando probabilidade à, entre tantas coisas possíveis, poesia. Nesse artigo, ele modelou um clássico da literatura russa, Eugene Onegin de Pushkin, usando o que agora chamamos de cadeia de Markov. Em vez de presumir que cada letra era gerada de maneira aleatória independentemente do resto, ele introduziu um mínimo básico de estrutura sequencial: permitiu que a probabilidade de ocorrência de cada letra dependesse da letra imediatamente anterior a ela. Ele mostrou que, por exemplo, vogais e consoantes tendem a se alternar, logo, se você encontrar uma consoante, haverá uma probabilidade maior de que a próxima letra (se ignorarmos a pontuação e espaços em branco) seja uma vogal do que haveria se as letras fossem independentes (DOMINGOS, 2017, p. 2.927).
A rede ou modelos de Markov são um conjunto de características e pesos correspondentes, que juntos definem uma distribuição de probabilidade. Dentro de uma rede Markov, uma característica pode ser tão simples quanto “Esta é uma balada” ou tão elaborada quanto “esta é uma balada de um artista de hip hop, com riff de saxofone e progressão de acordes descendente”. O site Pandora9 usa um extenso conjunto de características, que ele chama de Music Genome Project, para selecionar as canções a serem reproduzidas para o usuário (DOMINGOS, 2017).
Para quem gosta de baladas, o peso da característica correspondente aumentará, e a pessoa estará mais propensa a ouvi-las ao ativar o Pandora. Se ela também gostar de artistas de hip hop, o peso dessa característica também aumentará. As canções com mais probabilidades de serem ouvidas agora serão as que têm as duas características, ou seja, baladas de artistas de hip hop. Se a pessoa não gostar de baladas ou artistas de hip hop, mas gostar desses dois estilos apenas se combinados, ela precisará da característica mais elaborada que é balada de um artista de hip hop.
Mais recentemente, o Projeto Magenta, do Google10, vem investindo em pesquisas com o intuito de gerar arte através de deep learning e machine learning e mantém um código-fonte aberto
9 Disponível em: <http://www.pandora.com>.
10 Disponível em: <https://magenta.tensorflow.org/>.
e um blog atualizado, detalhando seus esforços. Em geral, há uma grande quantidade de iniciativas com interesse em explorar as diversas técnicas de modelagem para compor música e criar arte. As pesquisas em neurociência são responsáveis pelos estudos e descobertas sobre o funcionamento do cérebro e da relação humano-computador para e entender as possibilidades e limitações de ambos.
A principal limitação dos computadores em comparação ao cérebro é o consumo de energia:
o cérebro usa a mesma quantidade de energia que uma lâmpada pequena, enquanto o consumo do Watson11 poderia iluminar um prédio comercial inteiro. Entretanto, máquinas com inteligência geral comparável à dos humanos — ou seja, dotadas de bom senso e capacidade real de aprender, raciocinar e planejar a superação de desafios complexos de processamento de informação em uma vasta gama de domínios naturais e abstratos — têm sido esperadas desde a invenção dos computadores, na década de 1940 (BRONSTON, 2018, p. 355).
O processo de composição, por exemplo, nada mais é do que uma sucessão de decisões dentre uma infinidade de possibilidades. Compositores involuntariamente utilizam suas experiências de vida e conhecimento musicais para decidir o que entra ou não em suas obras, como um algoritmo de árvore de decisão. Por exemplo, se uma música começa em tom maior, ela deve ter como sequência uma nota correspondente. Da mesma forma uma letra que inicia com um verso terminando em “ão”, obriga o autor a decidir por outra palavra terminada em “ão” para gerar a esperada rima. Estas decisões são muito comuns nos algoritmos computacionais se formos comparar numa escala de habilidades com os humanos.
Talvez em um degrau ainda mais alto da escada de habilidades esteja a composição musical. David Cope12, professor emérito de música na Universidade da Califórnia, em Santa Cruz, projetou um algoritmo que cria novas músicas no estilo de compositores famosos selecionando e recombinando passagens curtas de seu trabalho. Certa vez, em uma conferência, ele tocou três peças ‘de Mozart’: uma do Mozart real, outra de um compositor humano imitando Mozart e ainda outra criada por seu sistema. Em seguida, pediu à audiência para votar no Amadeus autêntico. Wolfgang venceu, mas o computador venceu o imitador humano. Já que se tratava de uma conferência de inteligência artificial, a audiência ficou encantada. O público de outros eventos ficou menos felizes. Um ouvinte acusou Cope raivosamente de ter-lhe retirado o prazer de ouvir música. Se Cope está certo, a criatividade – a imensidão definitiva – se resume a analogia e recombinação (DOMINGOS, 2017, p. 3720).
11 Disponível em: <https://www.ibm.com/watson>.
12 Disponível em: <http: //artisites.ucsc.edu/faculty/cope/mp3page.htm>.
As máquinas definitivamente evoluem a uma velocidade muito maior do que o cérebro humano. Nosso sistema cerebral precisou de milhares anos de evolução e adaptação para chegar no estágio atual. A forma como aprendemos ao longo de nossas vidas está sendo imitada pela máquina.
Cada vez mais, e de maneira muito relevante para nós, os cientistas cognitivos expressam suas teorias sobre o aprendizado das crianças na forma de algoritmos. Um grande número de pesquisadores do machine learning se inspira nisso. Tudo que precisamos está logo ali na mente de uma criança, se pudéssemos de alguma forma capturar sua essência em código de computador. Alguns pesquisadores chegam a argumentar que uma maneira de criar máquinas inteligentes seria construindo um bebê-robô e deixando-o vivenciar o mundo como um bebê humano faria (DOMINGOS, 2017, p. 3812).
Portanto, embora seja razão para imensas discussões entre os entusiastas das artes mais puritanos, o que temos testemunhado é um avanço sem precedentes na computação e cujo processo de composição musical é experimento protagonista. Existem centenas de pesquisas com música ao redor do mundo com este foco. Instituições como Stanford e MIT já produziram muitos papers que registram estas pesquisas. É um caminho sem volta que só tende a evoluir tanto quanto a própria evolução da capacidade de processamento e de inteligência das máquinas.
2.3 Mudança de paradigma
2.3.1 O CASE NEURAL
Recentemente, o Spotify, plataforma de distribuição de música via streaming, desenvolveu um case de grande repercussão quando “ressuscitou” o falecido rapper Sabotage, através de um processo de reconstrução e criação de uma letra de rap com mecanismos de Inteligência Artificial, utilizando modelos Markov e redes neurais (SPOTIFY BRASIL, 2016).
Baseado nos manuscritos e letras deixados pelo artista, o sistema de Inteligência Artificial identificou, treinou e aprendeu os padrões de escrita no artista. Num certo momento, a rede começou a se expressar como o artista, como ele escolheria as palavras e como ele as combinaria, para desenvolver uma letra completamente inédita.
Entretanto, como o Sabotage não poderia avaliar os resultados, a expressão da máquina não poderia ser considerada a resposta final. Então o Spotify desenvolveu o que eles chamaram de
