Affective Music Recommendation: A Rollout-Based World Model for Offline Preference Optimization

IA treinada para música terapêutica: O fim dos testes emocionais online?

A recomendação de música funcional — aquela trilha sonora pensada para ajudar no foco, no relaxamento ou até em intervenções clínicas — enfrenta um dilema espinhoso. O sucesso desse tipo de serviço não é medido por cliques ou tempo de reprodução, mas pelo estado afetivo do ouvinte. Como testar uma recomendação se mexer com as emoções de pacientes vulneráveis em um experimento online é uma violação ética grave? A resposta, vinda do mundo da tecnologia aplicada à saúde, é um modelo de "mundo simulado" que treina a IA sem precisar de testes reais com humanos.

Essa é a proposta do AMRS (Affective Music Recommendation System), um sistema implantado nas plataformas de saúde e bem-estar da empresa LUCID. O sistema atende tanto usuários clínicos — majoritariamente idosos com condições neurocognitivas, como demência — quanto consumidores em busca de bem-estar geral. O AMRS opera em quatro modos: energizar, focar, acalmar e dormir.

A grande inovação está na arquitetura: um "modelo de mundo baseado em rollout" que atua como um gêmeo digital do usuário. Trata-se de um transformador causal treinado com dados históricos de escuta — logs de engajamento, avaliações binárias (gostei/não gostei) e autorrelatos de valência (prazer/desprazer) e ativação (excitação/calma). Esse modelo é capaz de simular, em laboratório, o que aconteceria se uma determinada música fosse tocada para um perfil específico de ouvinte.

Por que isso é revolucionário?

Em aplicações de música funcional, o usuário muitas vezes não consegue ou não deve pular uma faixa ou reportar desconforto. Imagine um paciente com Alzheimer em um estado de agitação; interromper a música para perguntar se ele está gostando pode ser contraproducente e antiético. O modelo de mundo resolve isso: ele serve como um simulador in-silico para treinar a política de recomendação e como uma ferramenta de teste de estresse antes da implantação real.

O processo começa com uma política de recomendação inicializada por clonagem comportamental — basicamente, a IA aprende a imitar o que os usuários fizeram no passado. Mas o pulo do gato vem a seguir: essa política é refinada offline com uma técnica chamada Otimização Direta de Preferências (DPO). Diferente de métodos que buscam maximizar uma métrica única (que levam ao "colapso distribucional", onde o sistema só recomenda as mesmas músicas "perfeitas" e perde a diversidade), o DPO otimiza contra uma função de utilidade multiobjetivo configurável.

Na prática, o sistema busca equilibrar engajamento, avaliação do usuário e o impacto emocional (valência e ativação), mantendo uma diversidade saudável de recomendações. Os resultados iniciais são promissores: sob um protocolo rigoroso de cold start (onde não há histórico do novo usuário), o modelo de mundo previu sinais afetivos e comportamentais com "fidelidade utilizável". A otimização DPO melhorou a valência e a ativação previstas em relação à linha de base clonada, sem sacrificar a diversidade e sem cair na armadilha da otimização gananciosa.

Lições para o empresário brasileiro

• Ética como vantagem competitiva: Em setores como saúde, bem-estar e até educação, onde o estado emocional do usuário é o produto, testar com pessoas é um risco jurídico e reputacional. Ter um "simulador afetivo" confiável permite inovar mais rápido e com segurança.
• Dados são o novo ouro, mas a curadoria é o diamante: O sucesso do modelo depende de dados históricos bem rotulados (engajamento + avaliação + estado afetivo). Empresas brasileiras que coletam dados de uso de apps de meditação, música ou fitness podem aplicar essa abordagem para criar recomendações personalizadas sem precisar de testes A/B invasivos.
• Diversidade contra o tédio do algoritmo: O "colapso distribucional" é um problema real em qualquer sistema de recomendação. O uso de DPO multiobjetivo mostra que é possível melhorar a satisfação emocional sem transformar a playlist em um loop de 10 músicas. Para o mercado de streaming brasileiro, isso é música para os ouvidos.
• Implantação em nicho primeiro: A LUCID começou com idosos com condições neurocognitivas — um público de alto risco, mas com enorme necessidade. Essa validação em ambiente controlado e ético permitiu depois expandir para consumidores gerais. Uma estratégia de entrada em mercado que empresários locais podem copiar.

O AMRS não é apenas mais um algoritmo de recomendação. É uma prova de conceito de que é possível construir sistemas que entendem e influenciam emoções humanas sem pisar em ovos de minas terrestres éticas. Para clínicas, hospitais, plataformas de saúde mental e até academias no Brasil, essa metodologia abre portas para experiências verdadeiramente personalizadas que respeitam o limite do bem-estar do usuário. O futuro da música não é sobre o que você quer ouvir, mas sobre como você quer se sentir — e agora, a IA pode descobrir isso sem te perguntar.