Как искусственный интеллект предсказывает интерес к фильмам

Приблизительное время чтения: 6 минут

В основе работы искусственного интеллекта (ИИ) лежат шаблоны, именно поэтому бизнесмены обожают использовать его в своих целях. Шаблоны позволяют предсказывать будущее, а это отличный путь, чтобы заработать много денег. Многие киностудии, сотрудничая с гигантами технологии ИИ (к примеру, Google), используют искусственный интеллект, чтобы понять, какие фильмы было бы интересно увидеть зрителям.

В наши дни, чтобы быть успешным в киноиндустрии, нужно уметь привлекать внимание киноманов, но заманить огромную аудиторию в кино – задача не из простых. Люди, которые посещают кинотеатры, это многочисленная группа с разными вкусами и интересами. Традиционно студии полагаются на интуицию и опыт, когда решают стоит ли инвестировать в тот или иной сценарий. Это рискованный подход, особенно когда история уникальна и такого проекта еще не было.

Раньше киностудии полагались на результаты обработки большого количества данных, чтобы понять в какой клиентский сегмент попадет фильм и сможет ли он достичь высоких показателей сборов. Но до недавнего времени было очень сложно сделать правильные предсказания – не хватало технических инструментов и алгоритмов для решения этих задач. Однако с появлением машинного обучения эти барьеры были преодолены. Искусственный интеллект (ИИ) является именно тем инструментом, который помогает в этом сложном процессе сопоставления сценария и аудитории, которой может прийтись по вкусу фильм. ИИ выполняет эту задачу достаточно точно.

Проект Мерлин

20th Century Fox — одна из самых уважаемых киностудий в мире. Она одна из первых начала использовать передовые системы машинного зрения, основанные на сложных алгоритмах ИИ, чтобы изучать кадры трейлера и предсказывать вероятность того, что зрители захотят посмотреть их фильм. Исследование проводится покадрово, во время его проведения подмечаются важные детали и события, расставляются метки.

Эти данные сравниваются с данными из других трейлеров. Идея заключается в том, что трейлеры с одинаковым набором сцен и меток будут привлекать одинаковую аудиторию. 20th Century Fox начал работу с Google, чтобы запустить проект с кодовым названием «Мерлин». Эта система предсказывает какое количество людей захочет посетить ваш фильм.

Как это работает?

Прежде всего команда, которая работает над этим проектом, должна была найти правильную технологию для реализации подобных задач. Механизм обучения с помощью облачных машин (основа работы софта Cloud ML Engine) в сочетании с системой глубокого обучения TensorFlow оказался лучшим с точки зрения команды специалистов.

За этот подход проголосовало большинство. И это неудивительно, ведь Cloud ML Engine — это управляемый сервис, который может автоматизировать мониторинг и сбор информации. Это подразумевает, что команде просто нужно сосредоточиться на построении модели глубокого обучения для системы «Мерлин», а не тратить все свое время на настройку инфраструктуры.

Первое, что происходит в процессе работы «Мерлина» – просмотр трейлера. Например, это будет трейлер фильма «Логан». Система сканирует видео и отмечает наличие объектов, таких как «деревья», «волосы на лице», «машина», «лес» и т.п. Расставляются метки.

Несмотря на то, что первоначально мы только сканируем трейлер на наличие объектов и подсчитываем частоту их появления в кадре, окончательные данные, сгенерированные программой, будут гораздо сложнее. Это происходит потому, что в дальнейшем учитывается, когда эти объекты появились на экране и сколько по времени были в кадре.

Эта информация, полученная после сканирования и присвоения меток, на самом деле очень важна, ведь она коррелирует с жанром картины. Например, трейлеры, в которых много крупных планов, скорее свойственны драматическим фильмам или романтическим комедиям. А вот трейлеры с быстро сменяющимися кадрами и динамичными сценами более свойственны боевикам. И это отлично демонстрирует трейлер «Логана», где мы видим множество замедленных кадров с Хью Джекменом в крови.

После того, как присвоение меток объектам в трейлере закончено (мы все еще используем «Логан» как пример), мы переходим к следующему шагу. Нам необходимо сравнить эти метки с метками, полученными из других видео, чтобы найти «схожие фильмы». Предполагается, что аудитория «Логана» и других боевиков должна частично совпадать. Другими словами, зрители, которые ранее предпочитали посмотреть кино с отважным героем-мужчиной, по своей природе более склонны к тому, чтобы пойти и посмотреть фильм «Логан».

Результаты

Сравнивая эти данные с другими трейлерами фильмов, Мерлин предсказывает, какие из них могут заинтересовать поклонников «Логана».

В таблице ниже представлены 20 фильмов, которые были просмотрены людьми, сходившими на «Логан». В правой колонке располагаются предсказания Мерлина, а в левой реальные данные (которые были собраны в результате прямого диалога с людьми).

Как видно из таблицы, Мерлин может отгадать определенное количество фильмов, особенно если это фильмы о супергероях. Среди них оказались «Бэтмен против Супемена: На заре справедливости», «Люди Икс: Апокалипсис» и «Доктор Стрендж».  В выборку даже вошел «Джон Уик», брутальный приятель «Логана». И это впечатляет, ведь «Джон Уик» не похож на типичное супергеройское кино. Но в нем также присутствует протагонист с устрашающим внешним видом. Мерлин выявил пять самых популярных ответов, хоть и расставил их не в том порядке. В общем, система определила более половины фильмов корректно.

Были моменты, где Мерлин ошибся. Он предсказал, что «Легенда о Тарзане» будет хитом среди аудитории, сходившей на «Логан». Что интересно, ни у Google, ни у 20th Century Fox не было этому объяснений. Я могу предположить, что здесь дело в метках – «деревья», «лес» и «свет». Эти элементы представлены в обоих трейлерах и появляются там достаточно часто.

Киностудии стремятся внедрить ИИ для такого рода аналитики. Несколько компаний прилагают все усилия для разработки систем, которые могут предсказать вероятность успеха фильма, основываясь на интеллектуальном анализе и обработке данных.

Благодаря большему количеству данных и дальнейшему прогрессу в области машинного обучения, мы можем ожидать, что эти системы станут более точными. Ведь на данный момент именно отсутствие точности является основной проблемой.