Como os estúdios de cinema usam inteligência artificial para prever os interesses dos públicos de cinema?

Os padrões são o que está no coração da inteligência artificial (IA), e é por isso que as empresas adoram isso.Padrões ajudam a prever o futuro e prever o futuro é uma ótima maneira de cunhar dinheiro. Embora às vezes seja ambíguo como essas coisas funcionam juntas, estúdios de cinema como a 20th Century Fox estão usando a inteligência artificial para prever o que o público quer ver em parceria com gigantes da tecnologia da inteligência artificial como o Google.Agora, para ter sucesso na indústria cinematográfica, os estúdios de cinema precisam atrair os espectadores, mas atrair grandes audiências não é tarefa fácil. A audiência de cinema é um grupo diversificado de pessoas com uma ampla gama de gostos e interesses. Convencionalmente, os estúdios confiam na intuição e na experiência ao decidir investir em um roteiro específico. Essa é uma abordagem arriscada, especialmente quando a história é única ou sem precedentes. Os estúdios de cinema confiaram no passado em processos de dados de alto nível para mapear segmentos de clientes e fazer previsões para os ganhos de bilheteria do futuro filme. Além disso, até recentemente, as previsões granulares no nível do segmento permaneceram indefinidas devido à escassez de ferramentas e algoritmos tecnológicos necessários. No entanto, com o advento do aprendizado de máquina, essas barreiras foram superadas.

Projeto Merlin

20 th Century Fox, um dos estúdios de cinema mais conceituadas do mundo, é o uso de sistemas de visão de máquina Avançado Powered by algoritmos AI sofisticados para examinar reboque imagens e prever a probabilidade do público assistindo seu filme. Eles fazem essa investigação quadro a quadro, rotulando objetos e eventos importantes e comparando-os com dados gerados de outros trailers de filmes. A idéia central é que filmes com conjuntos semelhantes de rótulos / cenas atrairão conjuntos semelhantes de audiências. 20 th Century Fox fez uma parceria com o Google para lançar projeto Merlin-um codinome para o atendimento filme e sistema de previsão.

Como funciona?

O primeiro passo para a equipe trabalhando neste projeto foi identificar a tecnologia certa para alimentar o sistema. O Cloud Machine Learning Engine (Cloud ML Engine), em conjunto com a estrutura de aprendizagem profunda do TensorFlow, pareceu ser a melhor escolha após o brainstorming pelos membros da equipe. A maioria dos especialistas da equipe votou nele porque o Cloud ML Engine é um serviço gerenciado e pode automatizar todo o provisionamento e monitoramento de recursos. Isso implica que a equipe só precisa se concentrar na construção do modelo de aprendizagem profunda para o Merlin, em vez de dedicar tempo no árduo processo de configuração de sua infraestrutura.

O primeiro passo do projeto Merlin envolve a digitalização do trailer do filme. Considere o exemplo do filmeLogan. Merlin vasculha o trailer e rotula os objetos, como “árvore”, “pêlos faciais”, “carro”, “floresta” etc.

Embora a primeira etapa envolva apenas a varredura de rótulos e o registro da frequência desses rótulos, os dados finais gerados são muito mais complexos, porque os dados finais também consideram quanto tempo esses objetos aparecem na tela e, especificamente, quando mostram o vídeo.

A informação temporal obtida pelo processo de escaneamento e rotulagem é particularmente rica, pois se correlaciona com o gênero do filme. Por exemplo, um trailer com uma foto em close-up longa de um protagonista é mais provável para um drama / filme romântico do que para um blockbuster de ação. Da mesma forma, um trailer com tiros rápidos e furiosos é mais comum em um filme de ação. Isso certamente vale para oLogan, com seu trailer apresentando muitas cenas lentas de Hugh Jackman encharcado de sangue.

Depois de concluir a análise de rótulo de um trailer do filme (Loganno exemplo considerado), o próximo estágio é comparar essa nova análise com os rótulos gerados de outros trailers de filmes para identificar “filmes semelhantes”. Há uma suposição de que deve haver alguma sobreposição entre o público do Logan e outros filmes de ação. Em outras palavras, os espectadores que já viram um filme cheio de ação com um protagonista “robusto” são inerentemente mais propensos a verLogan.

Resultados

Ao comparar esses dados com análises de outros trailers de filmes, Merlin tenta prever quais filmes podem interessar àqueles espectadores que viramLogan.

A tabela abaixo mostra os 20 melhores filmes que os espectadores que foram verLogantambém assistiram. A coluna da direita mostra as previsões de Merlin, enquanto a coluna da esquerda mostra os dados reais (coletados, com base na pesquisa, ou seja, perguntando diretamente às pessoas diretamente).

Como visto na tabela, Merlin adivinha alguns filmes corretamente, incluindo outros filmes de super-heróis comoBatman vs. Superman: Dawn of Justice,X Men: ApocalypseeDoctor Strange. Até mesmo reconheceJohn Wick: Capítulo 2como um companheiro de cama deLogan. Esse é um resultado impressionante, já que John Wick certamente não é um típico filme de super-herói. No entanto, ele apresenta um protagonista similarmente cansado com uma aparência robusta. Merlin identifica todas as cinco principais escolhas, embora não na mesma ordem de importância. No geral, foi bem sucedido em identificar mais da metade dos filmes.

Dito isto, havia lugares onde Merlin errou. Merlin previu queThe Legend of Tarzanseria um sucesso com as audiências de ”Logan“, por exemplo. Curiosamente, nem o Google nem a 20th Century Fox ofereceram qualquer explicação para isso. Agora, minha conjetura é que poderia ter algo a ver com a “árvore”, “floresta” e “luz” encontrados em Logan – elementos que o trailer de Tarzan também mostra em alta concentração.

Os estúdios de cinema estão interessados ​​em adotar IA para esses tipos de análises, e várias empresas estão se esforçando para projetar sistemas que possam prever a probabilidade de sucesso de um filme por meio de mineração e processamento de dados. Com mais dados e mais avanços no campo de aprendizado de máquina, podemos esperar que esses sistemas fiquem mais precisos / eficientes, já que a precisão continua sendo um desafio … por enquanto!

Referências:

1. Google Cloud
2. Rede de filtros colaborativa convolucional para sistemas de recomendação baseados em vídeo