Motor de reconciliación de entidades impulsado por IA para la industria musical

Abstract

[ES] BMAT es una empresa que se dedica a indexar todos los datos de uso y propiedad de la música, y ayuda a empresas de la industria musical a mejorar sus operaciones de datos para garantizar que los artistas cobren las regalías por sus reproducciones. Con más de 27 mil millones de coincidencias y 80 millones de identificaciones diarias, BMAT ofrece sus servicios a entidades de gestión colectiva (Collective Management Organizations o CMO), editores, sellos discográficos, emisoras y proveedores de servicios digitales (Digital Service Providers o DSP) de todo el mundo.

A medida que la industria musical se digitaliza, los sistemas de distribución de regalías se han vuelto más complejos y fragmentados, lo que dificulta la remuneración más justa de los artistas y creadores. Los algoritmos de validación de metadatos tienen limitaciones en ciertos contextos, como el mercado asiático debido a la heterogeneidad de las representaciones textuales de las entidades musicales. Además, las herramientas existentes no permiten afrontar con éxito ciertos casos de uso para ofrecer servicios escalables de back office para la industria musical. En este TFM se va a investigar cómo aplicar nuevas técnicas de aprendizaje automático en el campo de la resolución de entidades musicales.

[EN] BMAT is a company dedicated to indexing all music usage and ownership data, and helps companies in the music industry improve their data operations to ensure that artists get paid for their plays. With over 27 billion matches and 80 million IDs per day, BMAT serves Collective Management Organizations (CMO), publishers, labels, broadcasters and Digital Service Providers (DSP) worldwide.

As the music industry digitizes, royalty distribution systems have become more complex and fragmented, making it difficult to fairly remunerate artists and creators. Metadata matching algorithms have limitations in certain contexts, such as the Asian market due to the heterogeneity of textual representations of music entities. In addition, existing tools do not allow to successfully address certain use cases to provide scalable back office services for the music industry. This TFM will investigate how to apply new machine learning techniques in the field of musical entity resolution.