Искусственный интеллект научился прогнозировать популярность фильмов
Нейросеть, прогнозирующая возможный успех фильма и его вероятную популярность, разработана кинокомпаникей 20th Century Fox.
Алгоритму требуется для анализа даже не весь фильм, а его трейлер. Визуальные объекты и временная последовательность объектов в трейлере фильма могут передать информацию о типе фильма, сюжете, роли главных героев и режиссерской работе.
В сочетании с историческими данными анализ может дать прогнозы поведения зрителей. Например, зритель может купить билеты на новый фильм, если он видел фильмы с похожим сюжетом в прошлом.
Понимание состава аудитории важно для киностудий, которые инвестируют в создание фильмов с неопределенным коммерческим результатом. Одним из решений неопределенности может являться то, что студии теперь будут знать, как будет выглядеть фильм в коммерческом отношении за несколько месяцев до его выпуска. Другим связанным источником неопределенности является аудитория.
Важной функцией в киностудиях является понимание микросегментации клиентской базы. Например, не все фильмы с супергероем имеют одну и ту же аудиторию и т. д. За последние годы студия инвестировала средства в инструменты для обучения и
отображения сегментов клиентов и создания прогнозов для будущих фильмов.
Гранулярные прогнозы на уровне клиентов стали обычным делом при важных бизнес-решениях и обеспечивают надежный барометр потенциальных финансовых показателей фильма.
Системы рекомендаций для выпуска кинофильмов стали ценными инструментами, которые особенно хорошо подходят для обеспечения перспективных прогнозов в конкретной аудитории для поддержки принятия решений в отношении запуска и позиционирования фильмов.
MERLIN, система рекомендаций для театральных релизов, построенная 20th Century Fox, используется для прогнозирования посещаемости зрителей и индексов сегмента на год вперед, а также для уточнения прогноза с помощью сигналов поведения пользователя.
Предсказание поведения пользователя намного ранее, чем происходит релиз фильма, является примером чистого предсказания и является сложным
для новых фильмов, которые не являются продолжениями, и фильмы, которые выходят за традиционные жанры.
Результаты показали, что системы рекомендаций, основанные на анализе объектных последовательностей, имеют неплохие перспективы.
