Seoul Gazette - L'IA riconosce i pianisti jazz dalla loro 'impronta' musicale

L'intelligenza artificiale riesce a identificare i musicisti jazz riconoscendo l'impronta che distingue le loro performance. Lo dimostra uno studio pubblicato sulla rivista Nature Machine Intelligence dai ricercatori dell'Università di Cambridge. I risultati potrebbero offrire nuovi spunti per l'attribuzione delle opere agli artisti, lo studio dello stile, la conservazione del patrimonio culturale e l'educazione musicale. I musicisti sono spesso riconoscibili per schemi distintivi che ricorrono nelle loro composizioni e che possono includere progressioni armoniche, strutture ritmiche e motivi melodici. Il jazz offre l'opportunità di studiare queste 'impronte digitali' perché unisce composizione, improvvisazione ed esecuzione, elementi che possono essere particolarmente unici per ogni singolo interprete. Tuttavia, l'analisi computazionale del jazz è risultata finora complessa perché la maggior parte delle performance esiste solo in registrazioni audio e i modelli addestrati direttamente sull'audio possono risultare difficili da interpretare a causa di variabili quali l'ambiente di registrazione e il tipo di attrezzatura usata. I ricercatori di Cambridge hanno addestrato modelli di IA basati sull'apprendimento supervisionato (che imparano cioè da esempi già classificati) per identificare gli esecutori a partire da 84 ore di registrazioni relative a 1.629 performance di 20 famosi pianisti jazz. Tra questi figuravano Bill Evans, Oscar Peterson, Thelonious Monk, Chick Corea, Keith Jarrett e Ahmad Jamal. Le registrazioni sono state convertite in formato Midi e rappresentate attraverso il cosiddetto 'piano roll', una visualizzazione digitale che indica quali note vengono suonate, quando e a quale altezza. Il modello con le migliori prestazioni ha identificato gli esecutori con una precisione del 94,4%, mentre un modello più interpretabile, che separava melodia, armonia, ritmo e dinamica (ovvero le variazioni di intensità dell'esecuzione) ha raggiunto una precisione del 91,3%. Testati singolarmente, l'armonia ha fornito le previsioni più accurate, seguita da ritmo e melodia, mentre la dinamica è risultata la meno accurata.

U.Moon--SG