Χρήση του AI για την Πρόβλεψη Ενδεχομένως Επιτυχημένων Ταινιών

Αν και ο κινηματογράφος και η τηλεόραση θεωρούνται συχνά ως δημιουργικές και ανοιχτές βιομηχανίες, έχουν παραμείνει για πολύ καιρό αποφυγή του κινδύνου. Οι υψηλές παραγωγικές Kosten (οι οποίες μπορεί σύντομα να χάσουν το ανταγωνιστικό πλεονέκτημα των φθηνότερων τοποθεσιών στο εξωτερικό, τουλάχιστον για τα αμερικανικά έργα) και ένα κατακερματισμένο τοπίο παραγωγής καθιστούν δύσκολο για τις ανεξάρτητες εταιρείες να απορροφήσουν μια σημαντική ζημία.

Επομένως, κατά τη διάρκεια της τελευταίας δεκαετίας, η βιομηχανία έχει δείξει αυξανόμενο ενδιαφέρον για το αν η μηχανική μάθηση μπορεί να ανιχνεύσει τάσεις ή μοτίβα στη manière με την οποία το κοινό ανταποκρίνεται σε προτεινόμενα έργα κινηματογράφου και τηλεόρασης.

Οι κύριες πηγές δεδομένων παραμένουν το σύστημα Nielsen (το οποίο προσφέρει κλίμακα, αν και οι ρίζες του βρίσκονται στην τηλεόραση και τη διαφήμιση) και μεθόδους δειγμάτων όπως οι εστίες, οι οποίες ανταλλάσσουν κλίμακα με επιλεγμένα δημογραφικά στοιχεία. Αυτή η τελευταία κατηγορία περιλαμβάνει επίσης σχολιασμό από δωρεάν προεπισκοπήσεις ταινιών – ωστόσο, σε αυτό το σημείο, το μεγαλύτερο μέρος του προϋπολογισμού της παραγωγής έχει ήδη δαπανηθεί.

Η Θεωρία του ‘Μεγάλου Hit’/Θεωρίες

Αρχικά, τα συστήματα ML αξιοποίησαν παραδοσιακές μεθόδους ανάλυσης όπως η γραμμική παλινδρόμηση, K-Nearest Neighbors, Stochastic Gradient Descent, Decision Tree και Δάση, και Νευρωνικά Δίκτυα, συνήθως σε διάφορες συνδυασίες που είναι πιο κοντά στο στυλ της προ-ΑΙ στατιστικής ανάλυσης, όπως μια πρωτοβουλία του Πανεπιστημίου της Κεντρικής Φλόριντα το 2019 για να προβλέψει επιτυχημένες τηλεοπτικές εκπομπές με βάση συνδυασμούς ηθοποιών και σεναριογράφων (μεταξύ άλλων παραγόντων):

Μια μελέτη του 2018 αξιολόγησε την απόδοση των επεισοδίων με βάση συνδυασμούς χαρακτήρων και/ή σεναριογράφου (τα περισσότερα επεισόδια γράφτηκαν από περισσότερους από einen άνθρωπο). Πηγή: https://arxiv.org/pdf/1910.12589

Η πιο σχετική συναφής εργασία, τουλάχιστον αυτή που έχει αναπτυχθεί στο άγριο (αν και συχνά κριτικάρει) είναι στον τομέα των συστημάτων συστάσεων:

Μια τυπική διαδικασία συστάσεων βίντεο. Τα βίντεο στο κατάλογο είναι ευρετηριασμένα χρησιμοποιώντας χαρακτηριστικά που μπορεί να έχουν ανατεθεί χειροκίνητα ή να έχουν εξαχθεί αυτόματα. Οι συστάσεις παράγονται σε δύο στάδια, πρώτα επιλέγοντας υποψήφια βίντεο και στη συνέχεια ταξινομώντας τα σύμφωνα με ένα προφίλ χρήστη που έχει συναχθεί από προτιμήσεις προβολής. Πηγή: https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2023.1281614/full

Ωστόσο, αυτού του είδους οι προσεγγίσεις αναλύουν έργα που είναι ήδη επιτυχημένα. Σε περίπτωση προοπτικών νέων εκπομπών ή ταινιών, δεν είναι σαφές ποια είδους πραγματική αλήθεια θα ήταν η πιο εφαρμόσιμη – όχι τουλάχιστον επειδή οι αλλαγές στη δημόσια γεύση, σε συνδυασμό με βελτιώσεις και επεκτάσεις των πηγών δεδομένων, σημαίνουν ότι δεκαετίες συνεχών δεδομένων συνήθως δεν είναι διαθέσιμες.

Αυτό είναι μια περίπτωση του πρόβληματος του κρύου ξεκινήματος, όπου τα συστήματα συστάσεων πρέπει να αξιολογήσουν υποψήφιους χωρίς καμία προηγούμενη αλληλεπίδραση δεδομένων. Σε τέτοιες περιπτώσεις, η παραδοσιακή συνεργατική φιλτράρισή καταρρέει, επειδή βασίζεται σε μοτίβα στη συμπεριφορά του χρήστη (όπως προβολή, αξιολόγηση ή κοινοποίηση) για να παράγει προβλέψεις. Το πρόβλημα είναι ότι στην περίπτωση των περισσότερων νέων ταινιών ή εκπομπών, δεν υπάρχει ακόμη αρκετή ανταπόκριση του κοινού για να υποστηρίξει αυτές τις μεθόδους.

Comcast Predicts

Μια νέα εργασία από την Comcast Technology AI, σε συνεργασία με το Πανεπιστήμιο Τζορτζ Ουάσινγκτον, προτείνει μια λύση σε αυτό το πρόβλημα, προτρέποντας ένα μοντέλο γλώσσας με δομημένα μεταδεδομένα για μη κυκλοφορημένες ταινίες.

Τα εισαγόμενα περιλαμβάνουν καστ, είδος, περίληψη, βαθμός περιεχομένου, διαθέση, και βραβεία, με το μοντέλο να επιστρέφει μια ταξινομημένη λίστα των πιθανών μελλοντικών επιτυχιών.

Οι συγγραφείς χρησιμοποιούν την έξοδο του μοντέλου ως αντικαταστάτη για το ενδιαφέρον του κοινού όταν δεν υπάρχουν δεδομένα αλληλεπίδρασης.

Το πολύ σύντομο (τρεις σελίδες) έγγραφο, με τίτλο Πρόβλεψη Επιτυχημένων Ταινιών Πριν Κυκλοφορήσουν με LLMs, προέρχεται από έξι ερευνητές στην Comcast Technology AI, και έναν από το GWU, και αναφέρει:

‘Τα αποτελέσματά μας δείχνουν ότι τα LLMs, όταν χρησιμοποιούνται με μεταδεδομένα ταινιών, μπορούν να ξεπεράσουν σημαντικά τις βασικές γραμμές. Αυτή η προσέγγιση μπορεί να χρησιμεύσει ως ένα βοηθητικό σύστημα για πολλαπλά χρήσεις, επιτρέποντας την αυτόματη αξιολόγηση μεγάλου όγκου νέου περιεχομένου που κυκλοφορεί καθημερινά και εβδομαδιαία.

‘Παρέχοντας πρώιμες πληροφορίες πριν από την συσσώρευση επαρκούς αλληλεπίδρασης δεδομένων από τα editorial ομάδες ή αλγόριθμους, τα LLMs μπορούν να ροηχύσουν τη διαδικασία αναθεώρησης του περιεχομένου.

‘Με συνεχείς βελτιώσεις στην αποδοτικότητα των LLM και την άνοδο των πρακτόρων συστάσεων, οι πληροφορίες από αυτή τη δουλειά είναι πολύτιμες και προσαρμόσιμες σε ένα ευρύ φάσμα τομέων.’

Εάν η προσέγγιση αποδειχθεί ισχυρή, θα μπορούσε να μειώσει την εξάρτηση της βιομηχανίας από αναδρομικές μετρικές και βαριά προωθημένες τίτλους, εισάγοντας έναν κλιμακωτό τρόπο για να σηματοδοτήσει υποσχόμενο περιεχόμενο πριν από την κυκλοφορία. Έτσι, αντί να περιμένουν τη συμπεριφορά του χρήστη να δείξει την ζήτηση, οι editorial ομάδες θα μπορούσαν να λάβουν πρώιμες, μεταδεδομένα-κίνητες προβλέψεις του ενδιαφέροντος του κοινού, потенτικά ανακατανέμοντας την έκθεση σε ένα ευρύτερο φάσμα νέων κυκλοφοριών.

Μέθοδος και Δεδομένα

Οι συγγραφείς περιγράφουν einen τετραστιχικό workflow: κατασκευή ενός αφιερωμένου συνόλου δεδομένων από μη κυκλοφορημένα μεταδεδομένα ταινιών· την καθιέρωση ενός βασικού μοντέλου για σύγκριση· την αξιολόγηση των LLMs χρησιμοποιώντας τόσο τη φυσική γλώσσα όσο και την προβλέψη με βάση εμβέδωση· και την βελτίωση των εξόδων μέσω προγραμματισμού προτροπής σε γενετική λειτουργία, χρησιμοποιώντας το Llama 3.1 και 3.3 της Meta.
Από τη στιγμή που, οι συγγραφείς δηλώνουν, δεν υπήρχε διαθέσιμο σύνολο δεδομένων που να προσφέρει έναν прямό τρόπο για να δοκιμάσουν την υπόθεσή τους (επειδή τα περισσότερα υπάρχοντα σύνολα προηγήθηκαν των LLMs και λείπουν λεπτομερών μεταδεδομένων), έχτισαν ένα σύνολο δεδομένων από την πλατφόρμα ψυχαγωγίας της Comcast, η οποία εξυπηρετεί δεκάδες εκατομμύρια χρήστες σε άμεσες και τρίτες διεπαφές.

Το σύνολο δεδομένων παρακολουθεί τις νεοεκδοθείσες ταινίες και αν θα γίνουν δημοφιλείς αργότερα, με τη δημοτικότητα να ορίζεται μέσω αλληλεπιδράσεων του χρήστη.
Το σύνολο δεδομένων εστιάζει στις ταινίες παρά τις σειρές, και οι συγγραφείς δηλώνουν:

‘Εστιάσαμε στις ταινίες επειδή είναι λιγότερο επηρεασμένες από εξωτερικές γνώσεις από τις τηλεοπτικές σειρές, βελτιώνοντας την αξιοπιστία των πειραμάτων.’

Οι ετικέτες ανατέθηκαν αναλύοντας το χρόνο που χρειαζόταν για έναν τίτλο να γίνει δημοφιλής σε διαφορετικά χρονικά παράθυρα και μεγέθη λιστών. Το LLM προτροπήθηκε με πεδία μεταδεδομένων όπως είδος, περίληψη, βαθμός, εποχή, καστ, πλήρωμα, διαθέση, βραβεία, και τύποι χαρακτήρων.
Για σύγκριση, οι συγγραφείς χρησιμοποίησαν δύο βασικές γραμμές: μια τυχαία διάταξη· και ένα μοντέλο Popular Embedding (PE) (το οποίο θα έρθουμε σε αυτό σύντομα).
Το έργο χρησιμοποίησε μεγάλα μοντέλα γλώσσας ως την πρωταρχική μέθοδο ταξινόμησης, παράγοντας ταξινομημένες λίστες ταινιών με προβλεπόμενες βαθμολογίες δημοτικότητας και συνοδευόμενες από δικαιολογίες – και αυτές οι εξόδους διαμορφώθηκαν από στρατηγικές προγραμματισμού προτροπής που σχεδιάστηκαν για να οδηγήσουν τις προβλέψεις του μοντέλου χρησιμοποιώντας δομημένα μεταδεδομένα.
Η στρατηγική προτροπής διαμόρφωσε το μοντέλο ως ‘βοηθό редактора’ που είχε ανατεθεί να αναγνωρίσει ποιες επερχόμενες ταινίες ήταν πιο πιθανό να γίνουν δημοφιλείς, με βάση μόνο δομημένα μεταδεδομένα, και στη συνέχεια να αναταξινομήσει μια σταθερή λίστα τίτλων χωρίς να εισαγάγει νέα στοιχεία, και να επιστρέψει την έξοδο σε μορφή JSON.
Κάθε απάντηση αποτελούσε μια ταξινομημένη λίστα, εκχωρημένες βαθμολογίες δημοτικότητας, δικαιολογίες για τις ταξινομήσεις, και αναφορές σε οποιαδήποτε προηγούμενα παραδείγματα που επηρέασαν το αποτέλεσμα. Αυτά τα πολλαπλά επίπεδα μεταδεδομένων είχαν ως στόχο να βελτιώσουν την контекστοποίηση του μοντέλου και την ικανότητά του να προβλέψει μελλοντικές τάσεις του κοινού.

Δοκιμές

Η πειραματική διαδικασία ακολούθησε δύο κύριες φάσεις: αρχικά, οι συγγραφείς δοκιμάζουν διάφορες παραλλαγές του μοντέλου για να καθιερώσουν μια βασική γραμμή, που αφορά την αναγνώριση της έκδοσης που εκτελείται καλύτερα από μια τυχαία διάταξη.
Δεύτερον, δοκιμάζουν μεγάλα μοντέλα γλώσσας σε γενετική λειτουργία, συγκρίνοντας την έξοδό τους με μια ισχυρότερη βασική γραμμή, αντί για μια τυχαία ταξινόμηση, αυξάνοντας τη δυσκολία της εργασίας.
Αυτό σήμαινε ότι τα μοντέλα έπρεπε να κάνουν καλύτερα από ένα σύστημα που đã δείξει κάποια ικανότητα να προβλέψει ποιες ταινίες θα γίνουν δημοφιλείς. Ως αποτέλεσμα, οι συγγραφείς ισχυρίζονται, η αξιολόγηση αντανακλούσε καλύτερα τις πραγματικές συνθήκες, όπου οι editorial ομάδες και τα συστήματα συστάσεων σπάνια επιλέγουν μεταξύ ενός μοντέλου και της τύχης, αλλά μεταξύ ανταγωνιστικών συστημάτων με διαφορετικές προβλέψεις.

Το Πλεονέκτημα της Αγνοίας

Μια κρίσιμη περιορισμός σε αυτό το σzenario ήταν ο χρονικός间 μεταξύ της ημερομηνίας λήξης γνώσεων του μοντέλου και των πραγματικών ημερομηνιών κυκλοφορίας των ταινιών. Επειδή τα μοντέλα γλώσσας είχαν εκπαιδευτεί σε δεδομένα που τελείωσαν έξι με δώδεκα μήνες πριν από την κυκλοφορία των ταινιών, δεν είχαν πρόσβαση σε μετα-κυκλοφορία πληροφοριών, εξασφαλίζοντας ότι οι προβλέψεις βασίζονταν εξ ολοκλήρου σε μεταδεδομένα, και όχι σε οποιαδήποτε μάθηση ανταπόκριση του κοινού.

Αξιολόγηση Βασικής Γραμμής

Για να κατασκευάσουν μια βασική γραμμή, οι συγγραφείς παρήγαγαν σεμαντικές αναπαραστάσεις μεταδεδομένων ταινιών χρησιμοποιώντας τρία μοντέλα εμβέδωσης: BERT V4· Linq-Embed-Mistral 7B· και Llama 3.3 70B, quantized σε 8-bit ακρίβεια για να ικανοποιήσει τις περιορισμούς του πειραματικού περιβάλλοντος.

Linq-Embed-Mistral επιλέχθηκε για ένταξη λόγω της πρώτης θέσης του στο MTEB (Massive Text Embedding Benchmark) leaderboard.

Κάθε μοντέλο παρήγαγε διανυσματικές εμβέδωσεις των υποψήφιων ταινιών, οι οποίες στη συνέχεια συγκρίθηκαν με την μέση εμβέδωση των εκατό πιο δημοφιλών τίτλων από τις εβδομάδες που προηγήθηκαν της κυκλοφορίας κάθε ταινίας.

Η δημοτικότητα υποδηλώθηκε χρησιμοποιώντας κοσινική ομοιότητα μεταξύ αυτών των εμβέδωσεων, με υψηλότερες βαθμολογίες ομοιότητας που δείχνουν υψηλότερη προβλεπόμενη ελκυστικότητα. Η ακρίβεια ταξινόμησης του κάθε μοντέλου αξιολογήθηκε μετρώντας την απόδοση σε σύγκριση με μια τυχαία διάταξη.

Βελτίωση της απόδοσης των μοντέλων Popular Embedding σε σύγκριση με μια τυχαία βάση. Κάθε μοντέλο δοκιμάστηκε χρησιμοποιώντας τέσσερις διαμορφώσεις μεταδεδομένων: V1 περιλαμβάνει μόνο το είδος· V2 περιλαμβάνει μόνο την περίληψη· V3 συνδυάζει είδος, περίληψη, βαθμό περιεχομένου, τύπους χαρακτήρων, διάθεση και εποχή κυκλοφορίας· V4 προσθέτει καστ, πλήρωμα και βραβεία στη διαμόρφωση V3. Τα αποτελέσματα δείχνουν πώς οι πλουσιότερες εισαγωγές μεταδεδομένων επηρεάζουν την ακρίβεια ταξινόμησης.

Τα αποτελέσματα (παραπάνω), δείχνουν ότι το BERT V4 και το Linq-Embed-Mistral 7B παρείχαν τις ισχυρότερες βελτιώσεις στην αναγνώριση των τριών πιο δημοφιλών τίτλων, αν και και τα δύο έπεσαν ελαφρώς 短 σε προβλέψεις του πιο δημοφιλούς αντικειμένου.

Το BERT επιλέχθηκε τελικά ως το βασικό μοντέλο για σύγκριση με τα LLMs, επειδή η αποδοτικότητά του και οι γενικές κέρδη υπερέβησαν τις περιορισμούς του.

Αξιολόγηση LLM

Οι ερευνητές αξιολόγησαν την απόδοση χρησιμοποιώντας δύο προσεγγίσεις ταξινόμησης: ζευγαρωτή και λιστών. Η ζευγαρωτή ταξινόμηση αξιολογεί εάν το μοντέλο σωστά ταξινομεί ένα στοιχείο σε σχέση με ένα άλλο· και η λιστών ταξινόμηση εξετάζει την ακρίβεια της ολόκληρης ταξινομημένης λίστας των υποψηφίων.

Αυτή η συνδυασμένη προσέγγιση επέτρεψε την αξιολόγηση όχι μόνο εάν τα ζευγάρια ταινιών ταξινομήθηκαν σωστά (τοπική ακρίβεια), αλλά και πώς καλά η πλήρης λίστα των υποψηφίων αντανακλούσε την πραγματική τάξη δημοτικότητας (παγκόσμια ακρίβεια).

Πλήρη, μη-quantized μοντέλα χρησιμοποιήθηκαν για να αποφευχθεί η απώλεια απόδοσης, εξασφαλίζοντας μια συνεπή και αναπαραγώγιμη σύγκριση μεταξύ προβλέψεων LLM και εμβέδωσης-βασικών βασικών γραμμών.

Μέτρησεις

Για να αξιολογήσουν πόσο αποτελεσματικά τα μοντέλα γλώσσας προέβλεψαν την δημοτικότητα της ταινίας, χρησιμοποιήθηκαν και προσεγγίσεις ταξινόμησης και βαθμολογίας, με ιδιαίτερη προσοχή στην αναγνώριση των τριών πιο δημοφιλών τίτλων.

Τέσσερις μέτρησεις εφαρμόστηκαν: Ακρίβεια@1 μετράει πόσο συχνά το πιο δημοφιλές αντικείμενο εμφανίζεται στην πρώτη θέση· Αντιστροφή Βαθμός κατέγραψε πόσο υψηλά το πραγματικό ανώτατο αντικείμενο ταξινομήθηκε στην προβλεπόμενη λίστα, λαμβάνοντας την αντίστροφη του θέσης· Κανονικοποιημένη Cummings Cumulative Gain (NDCG@k) αξιολόγησε πόσο καλά η ολόκληρη ταξινόμηση ταίριαξε με την πραγματική δημοτικότητα, με υψηλότερες βαθμολογίες που δείχνουν καλύτερη ευθυγράμμιση· και Recall@3 μετράει το ποσοστό των πραγματικά δημοφιλών τίτλων που εμφανίστηκαν στις τρεις πρώτες προβλέψεις του μοντέλου.

Επειδή η περισσότερη αλληλεπίδραση του χρήστη συμβαίνει κοντά στην κορυφή των ταξινομημένων μενού, η αξιολόγηση εστιάστηκε σε χαμηλές τιμές του k, για να αντανακλούν πρακτικές περιπτώσεις.

Βελτίωση της απόδοσης των μεγάλων μοντέλων γλώσσας σε σύγκριση με το BERT V4, μετρημένη ως ποσοστιαία κέρδη σε μετρικές ταξινόμησης. Τα αποτελέσματα μετρήθηκαν σε δέκα εκτελέσεις ανά μοντέλο-πρόταση, με τις δύο κορυφαίες τιμές να υπογραμμίζονται. Οι αναφερόμενες τιμές αντανακλούν το μέσο ποσοστιαίο κέρδος σε όλες τις μετρικές.

Η απόδοση του Llama 3.1 (8B), 3.1 (405B) και 3.3 (70B) αξιολογήθηκε μετρώντας τις μετρικές βελτιώσεις σε σχέση με το προηγουμένως καθορισμένο BERT V4. Κάθε μοντέλο δοκιμάστηκε χρησιμοποιώντας μια σειρά προτρόπων, που κυμαίνονταν από ελάχιστες έως πληροφορίες-πλούσιες, για να εξεταστεί η επίδραση του λεπτομέρειας εισαγωγής στην ποιότητα προβλέψης.

Οι συγγραφείς δηλώνουν:

‘Η καλύτερη απόδοση επιτυγχάνεται όταν χρησιμοποιείται το Llama 3.1 (405B) με το πιο πληροφοριακό πρότροπο, ακολουθούμενο από το Llama 3.3 (70B). Με βάση την παρατηρούμενη τάση, όταν χρησιμοποιείται ένα σύνθετο και εκτενές πρότροπο (MD V4), ένα πιο σύνθετο μοντέλο γλώσσας οδηγεί γενικά σε βελτιωμένη απόδοση σε διάφορες μετρικές. Ωστόσο, είναι ευαίσθητο στο είδος της πληροφορίας που προστίθεται.’

Η απόδοση βελτιώθηκε όταν τα βραβεία του καστ συμπεριλήφθηκαν ως μέρος του προτρόπου – σε αυτή την περίπτωση, ο αριθμός των σημαντικών βραβείων που έλαβαν οι πέντε πρώτοι ηθοποιοί σε κάθε ταινία. Αυτή η πλουσιότερη πληροφορία ήταν μέρος της πιο λεπτομερούς διαμόρφωσης προτρόπου, ξεπερνώντας μια απλούστερη έκδοση που εξαιρούσε την αναγνώριση του καστ. Το όφελος ήταν πιο εμφανές στα μεγαλύτερα μοντέλα, Llama 3.1 (405B) και 3.3 (70B), τα οποία έδειξαν ισχυρότερη προβλεπτική ακρίβεια όταν έλαβαν αυτό το πρόσθετο σήμα της αρετής και της οικειότητας του κοινού.

Αντίθετα, το μικρότερο μοντέλο, Llama 3.1 (8B), έδειξε βελτιωμένη απόδοση όταν τα προτρόπια έγιναν ελαφρώς πιο λεπτομερή, προχωρώντας από το είδος στο περίληψη, αλλά μειώθηκε όταν προστέθηκαν περισσότερα πεδία, υποδεικνύοντας ότι το μοντέλο έλλειπε την ικανότητα να ολοκληρώσει αποτελεσματικά σύνθετα προτρόπια, οδηγώντας σε αδύναμη γενίκευση.

Όταν τα προτρόπια περιορίζονταν στο είδος μόνο, όλα τα μοντέλα under-παράφεραν σε σύγκριση με τη βασική γραμμή, δείχνοντας ότι η περιορισμένη πληροφορία μεταδεδομένων ήταν ανεπαρκής για να υποστηρίξει σημαντικές προβλέψεις.

Σύγκλιση

Τα LLMs έχουν γίνει το αγαπημένο παιδί της γενετικής AI, γεγονός που μπορεί να εξηγήσει γιατί χρησιμοποιούνται σε περιοχές όπου άλλες μεθόδους θα μπορούσαν να είναι καλύτερες. Παρόλα αυτά, υπάρχει ακόμη πολύ που δεν ξέρουμε για το τι μπορούν να κάνουν σε διάφορους τομείς, οπότε έχει νόημα να τους δώσουμε μια ευκαιρία.

Σε αυτή τη συγκεκριμένη περίπτωση, όπως και στις αγορές μετοχών και τις προβλέψεις καιρού, υπάρχει μόνο ένας περιορισμένος βαθμός στον οποίο τα ιστορικά δεδομένα μπορούν να χρησιμεύσουν ως η βάση για μελλοντικές προβλέψεις. Σε περίπτωση ταινιών και τηλεοπτικών εκπομπών, ο τρόπος παράδοσης είναι τώρα ένα κινούμενο στόχο, σε αντίθεση με την περίοδο μεταξύ 1978-2011, όταν το καλώδιο, το δορυφόρο και τα φορητά μέσα (VHS, DVD, κ.λπ.) αντιπροσώπευαν μια σειρά μεταβατικών ή εξελισσόμενων ιστορικών διαταραχών.

Ούτε μπορεί να προβλεφθεί κανένας τρόπος να προβλέψει το βαθμό στον οποίο η επιτυχία ή η αποτυχία άλλων παραγωγών μπορεί να επηρεάσει τη βιωσιμότητα μιας προτεινόμενης ιδιοκτησίας – και όμως αυτό είναι συχνά η περίπτωση στην βιομηχανία κινηματογράφου και τηλεόρασης, η οποία αγαπά να ακολουθεί μια τάση.

Παρόλα αυτά, όταν χρησιμοποιούνται σωστά, τα LLMs θα μπορούσαν να βοηθήσουν στην ενίσχυση των συστημάτων συστάσεων κατά τη φάση του κρύου ξεκινήματος, προσφέροντας χρήσιμη υποστήριξη σε eine σειρά προβλεπτικών μεθόδων.

Πρώτη δημοσίευση την Τρίτη, 6 Μαΐου 2025