Tony Jebara é o novo vice-presidente de “machine learning” do Spotify. É isso mesmo que você leu: a empresa tem um cargo com esse nome: VP de “machine learning”. “Sou VP de engenharia de personalização no Spotify. Também lidero a estratégia de machine learning em toda a empresa”, diz Jebara em seu perfil no LinkedIn.

Machine learning, ou aprendizado de máquina (em uma tradução pouco utilizada), é um subcampo da engenharia e da ciência da computação que estuda meios para que máquinas possam fazer tarefas que seriam tradicionalmente executadas por pessoas.

Trata-se, então, de uma programação usada nos computadores formada por regras previamente definidas que permitem que os computadores tomem decisões com base nos dados prévios e em dados gerados pelo usuário.

Como Jebara foi trabalhar com isso? Ele diz que começou a estudar a tecnologia baseada em algoritmos quando estava na faculdade, “antes que fosse legal”.

Agora, machine learning não é apenas inegavelmente legal (ou “cool”), como ele diz, mas incrivelmente prático e muito utilizado pelas empresas.

Foto Unsplash

No Spotify, por exemplo, permite a criação das listas de reprodução favoritas dos fãs, como a já conhecida “Descobertas da Semana” e a recém-lançada no Brasil “Seus Podcasts do Dia”.

A missão do profissional e sua equipe de engenheiros e cientistas de pesquisa é, portanto, analisar dados sobre o que os usuários pesquisam e transmitem e usar esses aprendizados para realizar experimentos que se transformam em algumas de suas listas de reprodução e páginas iniciais personalizadas.

A equipe de comunicação do Spotify conversou com Jebara e ele explicou por que, depois de quatro anos como diretor de machine learning na Netflix, migrou para a empresa. Como guitarrista e compositor que é nas horas vagas, foi um encaixe perfeito – ousa-se dizer, algorítmico até.

Abaixo, trazemos as seis perguntas que ele respondeu para o blog da empresa sobre machine learning e seu uso no Spotify.

O QUE É MACHINE LEARNING E COMO VOCÊ USA A TECNOLOGIA NO SPOTIFY?
“Machine learning encontra padrões nos dados de maneira estatisticamente confiável, para que tenhamos certeza de que não foram um acaso. Em seguida, estuda esses dados para determinar quais ações executar para cada contexto a fim de maximizar a recompensa. Não estamos apenas tentando encontrar padrões nos dados, mas também relacionamentos de causa e efeito.

Se você tem um catálogo de milhões de músicas e um mercado global de mais de 200 milhões de pessoas, você precisa ser capaz de escalar seus esforços cuidadosamente

 

No Spotify, o machine learning nos ajuda a relacionar milhões de usuários ao conteúdo mais relevante para eles em uma velocidade incomparável. Nosso objetivo é facilitar a jornada do usuário e torná-la agradável, para que não envolva tanta procura em nosso aplicativo. É uma maneira de dizer “você vai adorar essas coisas, deixe-me colocá-las no topo da sua página para você” e também acelerar esse processo com base no que pessoas com interesses semelhantes descobriram.”

VOCÊ VEIO DA NETFLIX, QUE É UM PLAYER REALMENTE INTERESSANTE NO ESPAÇO DE MACHINE LEARNING. COMO SEU TRABALHO HOJE APROVEITA A EXPERIÊNCIA PASSADA?
“Existem muitas semelhanças. Ambos os serviços precisam corresponder algoritmicamente os usuários ao conteúdo certo e ambos precisam decidir como investir em conteúdo. Mas uma diferença importante é que o catálogo do Spotify é enorme – existem mais de 50 milhões de músicas e centenas de milhares de podcasts. Por outro lado, o catálogo da Netflix precisa lidar apenas com milhares de filmes e programas de TV. Portanto, o aprendizado de máquina e os algoritmos desempenham um papel muito mais crucial no Spotify.”

Tony Jebara, vice-presidente de machine learning do Spotify

O QUE TORNA A APLICAÇÃO DE MACHINE LEARNING NO SPOTIFY ÚNICA OU ESPECIAL?
“Se você pensar no que o Spotify faz, oferecemos experiências realmente personalizadas em nível global e em mercados localizados. Criar uma lista de reprodução personalizada para um usuário em um mercado pode ser desafiador, mas é possível com um curador humano. Levamos em consideração os aspectos culturais, porque a cultura é mais do que traçar uma linha reta do passado para o futuro. As mudanças culturais às vezes são erráticas ou qualquer coisa, menos lineares. É por isso que investimos cada vez mais em sistemas que combinam especialistas e algoritmos humanos. Enquanto os humanos são bons em articular a “nova, interessante e inesperada reviravolta”, os algoritmos são melhores em escalar essa curadoria para uma experiência pessoal para milhões de pessoas.

Se você tem um catálogo de milhões de músicas e um mercado global de mais de 200 milhões de pessoas, você precisa ser capaz de escalar seus esforços cuidadosamente. O machine learning nos permite fazer isso na velocidade e na consistência da qualidade pela qual o Spotify é conhecido. Nossos algoritmos nos permitem dimensionar experiências muito personalizadas e selecionadas manualmente, que ajudam os usuários a sentir que foram feitas apenas para eles.”

O QUE MACHINE LEARNING SIGNIFICA PARA OS CRIADORES – ARTISTAS E PODCASTERS – NA PLATAFORMA?
“Com machine learning podemos expandir nossos recursos de análise de audiência de uma maneira que ajude os criadores a conquistar novos fãs. Não se trata apenas de saber se sua música foi baixada ou transmitida oito milhões de vezes, mas de criar uma conexão entre artistas, criadores e seus fãs. Com machine learning podemos começar a informá-los sobre que tipos de pessoas estão consumindo seu trabalho, a que horas e com o que ele é consumido. Você sabe, por exemplo, como harmonizar vinho com comida. Com quais músicas esse jantar se encaixa? Coisas assim ajudam a desobstruir o potencial criativo, porque as pessoas podem entender melhor seu público.”

MACHINE LEARNING É UM CAMPO VELOZ, PARA DIZER O MÍNIMO. COMO VOCÊ ACHA QUE SERÁ O FUTURO DESSA TECNOLOGIA?
“Nos próximos três anos, machine learning se tornará mais causal e de longo prazo. No momento, essa tecnologia descobre principalmente relações superficiais de entrada e saída. Por exemplo, considerando o que você tocou hoje, eis o que você tocará amanhã. Isso leva ao engajamento de curto prazo, mas pode não gerar satisfação a longo prazo. Minha esperança é que daqui a três anos machine learning se torne menos míope, para descobrir a melhor sequência de ações para levar o usuário a uma jornada em que ele descobre um novo conteúdo de áudio excelente, fica mais envolvido e mais satisfeito como ouvinte.”

QUAIS PODCASTS VOCÊ GOSTA AGORA? QUANDO VOCÊ OS OUVE?
“Sou meio nerd, então gosto de coisas interessantes sobre nutrição, tecnologia ou fatos políticos. Eu gosto de ouvi-lo e aprender sobre algumas coisas novas aleatórias que estão aparecendo. Normalmente ouço podcasts enquanto estou deitado na cama e quero aprender algo novo, mas não quero segurar a tela com luz azul que me mantém acordado.”

+ NOTÍCIAS

O que as empresas perdem ao não investir em podcasts
Startup PIX Force usa machine learning para automatização de imagens
Seus podcasts personalizados: novo algoritmo do Spotify
Era de ouro dos Podcasts: 5 programas imperdíveis para entrar nessa onda