YouTube Music использует машинное обучение для анализа музыкальных предпочтений пользователя и предоставления персонализированных рекомендаций. 2

Процесс включает несколько этапов: 2

1. Сбор данных. 2 Система собирает информацию о взаимодействии пользователей, включая песни, которые они слушают, пропускают, им нравятся или не нравятся. 2 Также собираются данные о самих песнях: исполнитель, жанр и звуковые характеристики (темп, настроение). 2
2. Обработка данных. 2 Собранные данные предварительно обрабатываются для удаления шума и подготовки их к обучению модели. 2
3. Обучение модели и прогнозирование. 2 Алгоритмы машинного обучения применяются к обработанным данным для выявления закономерностей и составления прогнозов относительно того, какая музыка может понравиться пользователю. 2 Затем система рекомендует песни или плейлисты на основе этих прогнозов. 2

В YouTube Music для этого используются глубокие нейронные сети, такие как сверточные нейронные сети (CNN) и трансформеры. 1 Они способны обрабатывать и анализировать большие объёмы данных, включая текстовые описания треков, пользовательские метаданные и аудиофайлы, чтобы создавать максимально точные рекомендации. 1

Кроме того, на основе машинного обучения в сервисе реализована функция ИИ-радио, которая позволяет создать собственное радио, описав желаемый стиль, настроение или жанр музыки. 3 Также есть функция поиска песен по звуку: достаточно нажать на иконку волновой формы в строке поиска и напеть мелодию, просвистеть её или даже воспроизвести на музыкальном инструменте. 3 Усовершенствованный алгоритм YouTube Music проанализирует звуковую дорожку и найдёт совпадения в каталоге, который насчитывает более 100 миллионов треков. 3