From Prediction to Collaboration: Interactive Symbolic Music Analysis

संगीत जासूस का नया टूलकिट

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन अपराध स्थल पर छोड़े गए सुरागों के बजाय, आप संगीत की एक शीट देख रहे हैं। संगीत विज्ञान की दुनिया में, "रोमन न्यूमरल एनालिसिस" (Roman numeral analysis) नामक एक विशेष कार्य है। यह एक गाने को एक गुप्त कोड में अनुवाद करने जैसा है जो आपको बताता है कि प्रत्येक कॉर्ड (chord) क्या कर रहा है और वह गाने के की (key) में कैसे फिट बैठता है। लंबे समय से, कंप्यूटर इस अनुवाद को स्वचालित रूप से करने में बेहतर होते जा रहे हैं, लेकिन वे आमतौर पर एक कठोर रोबोट की तरह काम करते हैं: आप उन्हें पूरा गाना देते हैं, और वे एक ही बार में पूरा उत्तर दे देते हैं। यदि रोबोट बीच में एक छोटी सी गलती करता है, तो आप उसे केवल उस एक जगह को ठीक करने के लिए नहीं कह सकते; आपको फिर से शुरुआत करनी होगी। हालाँकि, वास्तविक संगीत विशेषज्ञ उस तरह से काम नहीं करते हैं। वे सुनते हैं, अनुमान लगाते हैं, एक अजीब जगह देखते हैं, अपना विचार बदलते हैं, और चरण-दर-चरण अपने अनुमान को परिष्कृत करते हैं। यह शोध पत्र एक सरल लेकिन पेचीदा सवाल पूछता है: क्या हम एक ऐसा कंप्यूटर बना सकते हैं जो न केवल संगीत की भविष्यवाणी करे, बल्कि वास्तव में मनुष्यों के साथ सहयोग भी करे, जिससे हम चलते-चलते गलतियों को सुधार सकें और गायब हिस्सों को भर सकें?

"वन-शॉट" अनुमान से लेकर एक संगीतमय बातचीत तक

इस अध्ययन के पीछे के शोधकर्ताओं, एमानुएल करीस्टिनायोस (Emmanouil Karystinaios) और उनकी टीम ने संगीत विश्लेषण को एक साधारण "पूरे का अनुमान लगाओ" वाले खेल के रूप में देखना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने एक नया सिस्टम बनाया है जो एक सहायक को-पायलट की तरह काम करता है। उनके पुराने-शैली के कंप्यूटर मॉडल को एक ऐसे छात्र के रूप में सोचें जो अपना काम चेक करने से पहले हर उत्तर लिख देता है। यदि वे प्रश्न 15 गलत करते हैं, तो वे पूरे पन्ने को मिटाए बिना उसे आसानी से नहीं बदल सकते। नया सिस्टम, जिसे लेखक RNHybrid कहते हैं, एक स्मार्ट स्टडी बडी (study buddy) की तरह है। यह पूरे गाने को देख सकता है, लेकिन यह आपको यह कहने की अनुमति भी देता है कि, "हे, मुझे लगता है कि यह हिस्सा एक G-major कॉर्ड है," और फिर यह तुरंत बाकी के गाने की पुनर्गणना करता है ताकि यह सुनिश्चित हो सके कि सब कुछ आपके नए विचार के साथ सही बैठता है।

इसे बनाने के लिए, टीम ने दो शक्तिशाली प्रकार के AI "मस्तिष्क" को जोड़ा। पहला MusicBERT है, जो एक सुपर-रीडर की तरह है जिसने लाखों गाने पढ़े हैं और संगीत के सामान्य "वाइब" (vibe) और संदर्भ को समझता है। दूसरा एक ग्राफ-आधारित मॉडल (graph-based model) है, जो एक मानचित्र की तरह है जो प्रत्येक नोट को उसके पड़ोसियों से जोड़ता है, यह समझते हुए कि वे समय और हार्मनी (harmony) में एक-दूसरे से कैसे संबंधित हैं। इन दोनों को मिलाकर, सिस्टम को दोनों दुनियाओं का सर्वश्रेष्ठ मिलता है: यह बड़ी तस्वीर को भी जानता है और सूक्ष्म विवरणों को भी।

यह काम करने के लिए शोध पत्र एक चतुर तकनीक पेश करता है। आमतौर पर, एक सुपर-स्मार्ट AI मॉडल चलाना बहुत समय और कंप्यूटिंग पावर लेता है। लेकिन इस टीम ने भारी काम को एक बार करने और फिर उस काम को दोबारा उपयोग करने का तरीका खोज निकाला। कल्पना कीजिए कि आप एक शहर का एक विशाल, विस्तृत मानचित्र केवल एक बार तैयार करते हैं। यदि आप अपना रास्ता "घर" से "स्कूल" में बदलना चाहते हैं, तो आपको पूरे शहर को फिर से बनाने की आवश्यकता नहीं है; आपको बस मौजूदा मानचित्र पर एक नई रेखा खींचनी है। यह कंप्यूटर को तुरंत प्रतिक्रिया देने की अनुमति देता है जब एक मानव विश्लेषक किसी नोट पर क्लिक करता है और कहता है, "इसे बदलो," जिससे बातचीत धीमी और अटपटी होने के बजाय सहज और स्वाभाविक महसूस होती है।

उन्होंने क्या पाया (और क्या नहीं पाया)

टीम ने संगीत डेटा के एक विशाल संग्रह पर परीक्षण किया जिसे Dilemmadata कहा जाता है, जो अपने प्रकार का सबसे बड़ा और विविध टेस्ट सेट है। यहाँ संख्याएँ हमें क्या बताती हैं:

• ब्लाइंड प्रेडिक्शन (Blind Prediction): जब सिस्टम को बिना किसी मदद के (जैसे कि आँखों पर पट्टी बांधकर परीक्षा देने वाला छात्र) पूरे गाने का अनुमान लगाना था, तो इसने बहुत अच्छा प्रदर्शन किया। परीक्षण के एक हिस्से में, इसने "लोकल की" (local key) को लगभग 84.6% बार सही बताया और पूर्ण रोमन न्यूमरल लेबल को लगभग 57.6% बार सही बताया। यह अधिकांश पिछले मॉडलों से बेहतर था, जो दर्शाता है कि "सुपर-रीडर" को "मैप-मेकर" के साथ मिलाने से वास्तव में मदद मिलती है।
• "खाली स्थान भरने" की शक्ति: यहीं पर यह सिस्टम चमकता है। जब शोधकर्ताओं ने मॉडल को कुछ सही लेबल दिए (जैसे कि उन्हें बताना कि, "हम जानते हैं कि गाने का पहले 5% हिस्सा सही है") और इसे बाकी हिस्से को भरने के लिए कहा, तो इसकी सटीकता नाटकीय रूप से बढ़ गई। केवल 5% लेबल ज्ञात होने पर, इसने बाकी हिस्सों को लगभग 57.7% बार सही बताया। लेकिन जैसे-जैसे उन्होंने अधिक ज्ञात लेबल दिए, प्रदर्शन लगातार बढ़ता गया। जब 95% लेबल ज्ञात थे, तो मॉडल ने लापता हिस्सों को 83.1% बार सही बताया। यह साबित करता है कि मॉडल शेष भाग का पता लगाने के लिए आंशिक सुरागों का उपयोग करने में उत्कृष्ट है, ठीक वैसे ही जैसे एक मानव विश्लेषक करेगा।
• "फिक्स-इट" (Fix-It) टूल: उन्होंने एक प्रोटोटाइप इंटरफ़ेस (एक विज़ुअल टूल) भी बनाया जहाँ आप एक नोट पर क्लिक कर सकते हैं और देख सकते हैं कि उस कॉर्ड के लिए शीर्ष 3 अनुमान क्या हैं। यदि आप एक चुनते हैं, तो सिस्टम हाइलाइट करता है कि आपके चुनाव के साथ इसके विश्लेषण के कौन से हिस्से सहमत हैं (हरे रंग में) और कौन से असहमत हैं (लाल रंग में)। यह मनुष्यों को यह देखने में मदद करता है कि कंप्यूटर ने एक निश्चित अनुमान क्यों लगाया और उन्हें इसे आसानी से ठीक करने की अनुमति देता है।

शोध पत्र क्या कहता है कि हमें क्या नहीं करना चाहिए

यह ध्यान देना महत्वपूर्ण है कि लेखकों ने स्पष्ट रूप से किन चीजों को खारिज कर दिया है। उन्होंने कई फैंसी "पोस्ट-प्रोसेसिंग" (post-processing) तकनीकों का परीक्षण किया—जैसे कि जटिल "बीम सर्च" (beam search) का उपयोग करना (एक ऐसी विधि जो एक साथ कई रास्तों को आज़माती है) ताकि मॉडल द्वारा अनुमान लगाने के बाद उत्तरों को ठीक किया जा सके। आश्चर्यजनक रूप से, जब मॉडल शून्य से पूरे गाने का अनुमान लगा रहा था (ब्लाइंडली), तो इन फैंसी तकनीकों ने परिणामों को वास्तव में खराब कर दिया या कोई मदद नहीं की। लेखक सुझाव देते हैं कि ये जटिल उपकरण अंधे अनुमान (blind guessing) के लिए नहीं हैं; वे विशेष रूप से "खाली स्थान भरने" वाले मोड के लिए डिज़ाइन किए गए हैं जहाँ एक मानव ने पहले से ही कुछ सही उत्तर प्रदान किए हैं। अंध अनुमान के लिए इनका उपयोग करना एक पहाड़ को देखने के लिए हाई-पावर्ड माइक्रोस्कोप का उपयोग करने जैसा है; यह उस विशिष्ट कार्य के लिए गलत उपकरण है।

बड़ी तस्वीर

शोध पत्र यह दावा नहीं करता है कि उसने संगीत विश्लेषण को हमेशा के लिए हल कर दिया है या ऐसा उपकरण बनाया है जो हर संगीतकार के लिए पूर्ण हो। इसके बजाय, यह सुझाव देता है कि हमें संगीत विश्लेषण को केवल एक "भविदन समस्या" (prediction problem) के रूप में देखना बंद करना चाहिए और इसे एक "सहयोग समस्या" (collaboration problem) के रूप में सोचना शुरू करना चाहिए। परिणाम बताते हैं कि मजबूत भविष्य कहने वाली शक्ति को मानवीय संपादन और आंशिक सुरागों को स्वीकार करने की क्षमता के साथ जोड़कर, हम ऐसे उपकरण बना सकते हैं जो वास्तव में वास्तविक लोगों के वास्तविक संगीत कार्य के लिए उपयोगी हैं। लेखक प्रस्ताव करते हैं कि इस क्षेत्र का भविष्य केवल कंप्यूटर को अलग-थलग रहकर स्मार्ट बनाने के बारे में नहीं है, बल्कि इसे एक लचीला साथी बनाने के बारे में है जो हमसे सीख सके, ठीक वैसे ही जैसे हम उससे सीखते हैं। वे इस "को-पायलट" दृष्टिकोण को और अधिक परीक्षण करने की योजना बना रहे हैं ताकि यह देखा जा सके कि क्या यह वास्तव में संगीतविदों के काम को तेज़ करता है और उनके विश्लेषण को बेहतर बनाता है।