DDMD

Działanie

Celem projektu DDMD jest opracowanie rozwiązania opartego na sztucznej inteligencji do wykrywania muzyki promującej narkotyki. Proces rozpoczyna się od kolekcji 3176 plików MP3 bez praw autorskich, z których 1676 jest sklasyfikowanych jako cyfrowa muzyka narkotyczna, a 1500 nie jest.
Te pliki są używane do opracowania modelu opartego na modelu Random Forest, który może klasyfikować pliki audio jako cyfrową muzykę narkotyczną lub nie. Model wykorzystuje 34 cechy wyodrębnione z tych plików audio, obejmujące zarówno cechy częstotliwości, jak i cechy w domenie czasowej, i osiągnął bardzo zachęcające wyniki.
Aby wyniki były dostępne i przyjazne dla użytkowników, opracowaliśmy aplikację internetową. Ta aplikacja wykorzystuje wytrenowany model Random Forest do klasyfikowania plików audio za pomocą prostego i intuicyjnego interfejsu. Aplikacja internetowa DDMD została stworzona przy użyciu Flask na potrzeby backendu i HTML/CSS na potrzeby frontendu. Używa on wstępnie wytrenowanego modelu Random Forest do dokonywania prognoz, obsługuje różne formaty plików audio, konwertuje pliki inne niż MP3 na MP3 i umożliwia wprowadzanie danych za pomocą adresu URL YouTube.
Aby zwiększyć dokładność klasyfikacji, szukamy sposobów na ulepszenie aplikacji DDMD poprzez dostosowanie modelu Gemini-1.5-flash. Proponujemy 2 podejścia: najpierw przygotowaliśmy zbiór danych JSON na podstawie wyników klasyfikatora Random Forest, aby dostosować model Gemini-1.5-flash. W ramach drugiego podejścia używamy interfejsu Gemini API i eksperymentujemy z różnymi formatami danych wejściowych, w tym CSV i JSON, aby dostosować model Gemini.