Χρήση του AI για την Πρόβλεψη μιας Επιτυχημένης Ταινίας

Αν και ο κινηματογράφος και η τηλεόραση θεωρούνται συχνά ως δημιουργικές και ανοιχτές βιομηχανίες, έχουν παραμείνει για πολύ καιρό απρόθυμες να πάρουν рисκo. Τα υψηλά έξοδα παραγωγής (τα οποία μπορεί σύντομα να χάσουν το πλεονέκτημα των φθηνότερων τοποθεσιών στο εξωτερικό, τουλάχιστον για τα αμερικανικά έργα) και η κατακερματισμένη τοπιογραφία παραγωγής καθιστούν δύσκολο για τις ανεξάρτητες εταιρείες να απορροφήσουν μια σημαντική ζημιά.

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 κινηματογραφικά και τηλεοπτικά έργα.

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 βασισμένες σε δείγματα, όπως οι εστιακές ομάδες, οι οποίες ανταλλάσσουν κλίμακα με επιμελημένες δημογραφικές ομάδες. Αυτή η τελευταία κατηγορία περιλαμβάνει επίσης σχόλια από δωρεάν προεπισκοπήσεις ταινιών – ωστόσο, μέχρι εκείνο το σημείο, το μεγαλύτερο μέρος του προϋπολογισμού της παραγωγής έχει ήδη εξοδευθεί.

Η Θεωρία του Μεγάλου Hit/Θεωρίες

Αρχικά, τα συστήματα ML χρησιμοποίησαν παραδοσιακές μεθόδους ανάλυσης, όπως η γραμμική παλινδρόμηση, K-Nearest Neighbors, Stochastic Gradient Descent, Decision Tree και Δέντρα, και Νευρωνικά Δίκτυα, συνήθως σε διάφορες συνδυασίες, 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 ένα άτομα). Πηγή: https://arxiv.org/pdf/1910.12589

Το πιο σχετικό συναφές έργο, τουλάχιστον αυτό που έχει αναπτυχθεί στην άγρια φύση (αν και συχνά κριτικάρει), είναι στο πεδίο των συστημάτων σύστασης:

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

Ωστόσο, αυτοί οι τύποι προσεγγίσεων αναλύουν έργα που είναι ήδη επιτυχημένα. Σε περίπτωση προοπτικών νέων εκπομπών ή ταινιών, δεν είναι σαφές ποιο είδος αλήθειας θα ήταν πιο εφαρμόσιμο – όχι τουλάχιστον επειδή οι αλλαγές στη δημόσια γεύση, σε συνδυασμό με βελτιώσεις και επεκτάσεις των πηγών δεδομένων, σημαίνουν ότι δεκαετίες συνεχούς δεδομένων συνήθως δεν είναι διαθέσιμες.

Αυτό είναι μια περίπτωση του πρόβληματος του κρύου ξεκινήματος, όπου τα συστήματα σύστασης πρέπει να αξιολογήσουν υποψήφιους χωρίς προηγούμενα δεδομένα αλληλεπίδρασης. Σε τέτοιες περιπτώσεις, η παραδοσιακή συνεργατική φιλτράρισή καταρρέει, επειδή βασίζεται σε μοτίβα στη συμπεριφορά των χρηστών (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 αντίδραση του κοινού για να υποστηρίξει αυτές τις μεθόδους.

Comcast Προβλέπει

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 κυκλοφορούμενες ταινίες.

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

Οι συγγραφείς χρησιμοποιούν την έξοδο του μοντέλου ως αντικαταστάτη για το ενδιαφέρον του κοινού όταν δεν υπάρχουν διαθέσιμα δεδομένα αλληλεπίδρασης, ελπίζοντας να αποφύγουν την πρώιμη προκατάληψη προς τίτλους που είναι ήδη γνωστοί.

Η πολύ σύντομη (τρεις σελίδες) εργασία, με τίτλο Προβλέποντας τις Επιτυχημένες Ταινίες 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 θα μπορούσε να χρησιμεύσει ως ένα βοηθητικό σύστημα για πολλές περιπτώσεις χρήσης, επιτρέποντας την αυτόματη αξιολόγηση μεγάλου όγκου νέου περιεχομένου που κυκλοφορεί καθημερινά και εβδομαδιαία.

‘Προσφέροντας πρώιμες πληροφορίες πριν από τις επιτροπές επεξεργασίας ή τους αλγόριθμους έχουν συλλέξει αρκετά δεδομένα αλληλεπίδρασης, τα LLMs μπορούν να简ιруют τη διαδικασία αναθεώρησης του περιεχομένου.

‘Με συνεχείς βελτιώσεις στην αποτελεσματικότητα των LLMs και την άνοδο των πρακτόρων σύστασης, οι πληροφορίες από αυτή την εργασία είναι πολύτιμες και προσαρμόσιμες σε ένα ευρύ φάσμα τομέων.’

Εάν η προσέγγιση αποδειχθεί ανθεκτική, θα μπορούσε να μειώσει την εξάρτηση της βιομηχανίας από αναδρομικές μετρήσεις και βαριά προωθημένες τίτλους, εισάγοντας έναν μετρήσιμο τρόπο για να σηματοδοτήσει υποσχόμενες ταινίες πριν από την κυκλοφορία.

Μέθοδος και Δεδομένα

Οι συγγραφείς περιγράφουν μια τετραβάθμια ροή εργασίας: κατασκευή ενός αφιερωμένου συνόλου δεδομένων από μη κυκλοφορούμενα μεταδεδομένα ταινιών· την καθιέρωση ενός μοντέλου βάσης για σύγκριση· την αξιολόγηση των LLMs χρησιμοποιώντας τόσο τη λογική της φυσικής γλώσσας όσο και την προβλεπτική με βάση το εμβέδρωμα· και την βελτιστοποίηση των εξόδων μέσω της μηχανικής των προτύπων σε γενετική λειτουργία, χρησιμοποιώντας τα μοντέλα Llama 3.1 και 3.3 της Meta.

Καθώς, όπως αναφέρουν οι συγγραφείς, δεν υπήρχε δημόσια διαθέσιμο σύνολο δεδομένων που να προσφέρει μια άμεση τρόπο να δοκιμάσουν την υπόθεσή τους (επειδή τα περισσότερα υπάρχοντα σύνολα δεδομένων προηγήθηκαν των LLMs και λείπουν λεπτομερών μεταδεδομένων), κατασκεύασαν ένα σύνολο δεδομένων από την πλατφόρμα ψυχαγωγίας της Comcast, η οποία εξυπηρετεί δεκάδες εκατομμύρια χρηστών σε άμεσες και τρίτες διεπαφές.

Το σύνολο δεδομένων παρακολουθεί τις νεοεκδοθείσες ταινίες και αν αυτές αργότερα έγιναν δημοφιλείς, με τη δημοτικότητα να ορίζεται μέσω αλληλεπιδράσεων χρηστών.

Η συλλογή επικεντρώνεται στις ταινίες και όχι στις σειρές, και οι συγγραφείς αναφέρουν:

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

Τα λεζάντα ανατέθηκαν αναλύοντας το χρόνο που χρειαζόταν για να γίνει μια ταινία δημοφιλής σε διάφορες χρονικές παράθυρα και μεγέθη λιστών.

Το LLM προτράπηκε με πεδία μεταδεδομένων όπως είδος, περίληψη, βαθμολογία, εποχή, καστ, πλήρωμα, διαθέση, βραβεία, και τύπους χαρακτήρων.

Για σύγκριση, οι συγγραφείς χρησιμοποίησαν δύο βασικές γραμμές: μια τυχαία διάταξη και ένα μοντέλο Popular Embedding (PE) (το οποίο θα αναλύσουμε σύντομα).

Το έργο χρησιμοποίησε μεγάλα μοντέλα γλώσσας ως την πρωταρχική μέθοδο ταξινόμησης, παράγοντας ταξινομημένες λίστες ταινιών με προβλεπόμενες βαθμολογίες δημοτικότητας και συνοδευτικές αιτιολόγησεις – και αυτές οι εξόδους διαμορφώθηκαν από στρατηγικές μηχανικής προτύπων που σχεδιάστηκαν για να οδηγήσουν τις προβλέψεις του μοντέλου χρησιμοποιώντας δομημένα μεταδεδομένα.

Η στρατηγική προτύπων διαμόρφωσε το μοντέλο ως ‘βοηθό επεξεργασίας’ 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, βαθμολογίες δημοτικότητας, αιτιολόγησεις για τις ταξινομήσεις, και αναφορές σε οποιαδήποτε προηγούμενα παραδείγματα που επηρέασαν το αποτέλεσμα. Αυτά τα πολλαπλά επίπεδα μεταδεδομένων είχαν ως στόχο να βελτιώσουν την контекουαλική κατανόηση του μοντέλου και την ικανότητά του να προβλέψει μελλοντικές τάσεις του κοινού.

Δοκιμές

Η πειραματική διαδικασία ακολούθησε δύο κύρια στάδια: αρχικά, οι συγγραφείς δοκιμάζουν διάφορες παραλλαγές του μοντέλου για να καθιερώσουν μια βάση· και στη συνέχεια, δοκιμάζουν τα μεγάλα μοντέλα γλώσσας σε γενετική λειτουργία, συγκρίνοντάς τα με μια ισχυρότερη βάση, αντί για μια τυχαία ταξινόμηση, αυξάνοντας τη δυσκολία της εργασίας.

Αυτό σήμαινε ότι τα μοντέλα έπρεπε να κάνουν καλύτερα από ένα σύστημα που ήδη έδειξε κάποια ικανότητα να προβλέψει ποιες ταινίες θα γίνουν δημοφιλείς. Ως αποτέλεσμα, οι συγγραφείς ισχυρίζονται ότι η αξιολόγηση αντανακλούσε καλύτερα τις πραγματικές συνθήκες, όπου οι επιτροπές επεξεργασίας και τα συστήματα σύστασης σπάνια επιλέγουν μεταξύ ενός μοντέλου και της τύχης, αλλά μεταξύ ανταγωνιστικών συστημάτων με διαφορετική προβλεπτική ικανότητα.

Το Πλεονέκτημα της Αμάθειας

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

Αξιολόγηση Βάσης

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

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

Κάθε μοντέλο παρήγαγε εμβέδρωμα διανυσμάτων των υποψήφιων ταινιών, τα οποία στη συνέχεια συγκρίθηκαν με το μέσο εμβέδρωμα των εκατό πιο δημοφιλών τίτλων από τις εβδομάδες που προηγήθηκαν της κυκλοφορίας κάθε ταινίας.

Η δημοτικότητα υποδηλώθηκε χρησιμοποιώντας ομοιότητα cosine μεταξύ αυτών των εμβεδρωμάτων, με υψηλότερες βαθμολογίες ομοιότητας που υποδηλώνουν υψηλότερη προβλεπόμενη ελκυστικότητα. Η ακρίβεια ταξινόμησης κάθε μοντέλου αξιολογήθηκε μετρώντας την απόδοση έναντι μιας τυχαίας διάταξης.

Βελτίωση της απόδοσης των μοντέλων Popular Embedding σε σύγκριση με μια τυχαία βάση. Κάθε μοντέλο δοκιμάστηκε χρησιμοποιώντας τέσσερις konfigурации μεταδεδομένων: V1 περιλαμβάνει μόνο είδος· V2 περιλαμβάνει μόνο περίληψη· V3 συνδυάζει είδος, περίληψη, βαθμολογία περιεχομένου, τύπους χαρακτήρων, διαθέση και εποχή κυκλοφορίας· V4 προσθέτει καστ, πλήρωμα και βραβεία στην konfigурация V3. Τα αποτελέσματα δείχνουν πώς οι πλουσιότερες εισαγωγές μεταδεδομένων επηρεάζουν την ακρίβεια ταξινόμησης. Πηγή: https://arxiv.org/pdf/2505.02693

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 μοναδικού πιο δημοφιλούς 항목ου.

Το BERT τελικά επιλέχθηκε ως το μοντέλο βάσης για σύγκριση με τα LLMs, επειδή η αποτελεσματικότητά του και οι συνολικές κέρδη υπερέβησαν τις περιορισμούς του.

Αξιολόγηση LLM

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

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

Πλήρη, μη ποσοτικοποιημένα μοντέλα χρησιμοποιήθηκαν για να αποφευχθεί απώλεια απόδοσης, εξασφαλίζοντας μια συνεπή και αναπαραγώγιμη σύγκριση μεταξύ προβλέψεων LLM και εμβέδρωσης βάσεων.

Μέτρα

Για να αξιολογήσουν πώς αποτελεσματικά τα μοντέλα γλώσσας προέβλεψαν την δημοτικότητα των ταινιών, χρησιμοποιήθηκαν και μετρήσεις ταξινόμησης και μετρήσεις ταξινόμησης, με ιδιαίτερη προσοχή στην αναγνώριση των τριών πιο δημοφιλών τίτλων.

Τέσσερις μετρήσεις εφαρμόστηκαν: Ακρίβεια@1 μετρήθηκε πόσο συχνά το πιο δημοφιλές στοιχείο εμφανιζόταν στην πρώτη θέση· Αντιστροφή Θέση κατέγραψε πόσο υψηλά το πραγματικό στοιχείο κατετάγη στην προβλεπόμενη λίστα, λαμβάνοντας την αντίστροφη της θέσης του· Κανονικοποιημένη Αναλογική Κατακερματισμένη Κέρδη (NDCG@k) αξιολόγησε πώς καλά η ολόκληρη ταξινόμηση αντιστοιχούσε στην πραγματική δημοτικότητα, με υψηλότερες βαθμολογίες που υποδηλώνουν καλύτερη αντιστοιχία· και Ανακληση@3 μετρήθηκε το ποσοστό των πραγματικά δημοφιλών τίτλων που εμφανίστηκαν στις τρεις πρώτες προβλέψεις του μοντέλου.

Καθώς η większość της αλληλεπίδρασης του χρήστη συμβαίνει κοντά στην κορυφή των ταξινομημένων μενού, η αξιολόγηση εστιάστηκε σε χαμηλές τιμές του k, για να αντανακλούν πρακτικές περιπτώσεις χρήσης.

Βελτίωση της απόδοσης των μεγάλων μοντέλων γλώσσας над το BERT V4, μετρημένη ως ποσοστιαίες κέρδη через μετρήσεις ταξινόμησης. Τα αποτελέσματα είναι μέσο όρος δέκα τρέχουν ανά μοντέλο-πρόταση συνδυασμού, με τις δύο κορυφαίες τιμές υπογραμμισμένες. Οι αναφερόμενες τιμές αντανακλούν το μέσο ποσοστιαίο κέρδος σε όλες τις μετρήσεις.

Η απόδοση του μοντέλου Llama 3.1 (8B), 3.1 (405B) και 3.3 (70B) αξιολογήθηκε μετρώντας τις μετρητικές βελτιώσεις σε σχέση με την προηγουμένως καθορισμένη βάση BERT V4. Κάθε μοντέλο δοκιμάστηκε χρησιμοποιώντας μια σειρά προτύπων, που κυμαίνονταν από ελάχιστα σε πλουσιότερα, για να εξεταστεί η επίδραση του λεπτομέρειας εισαγωγής στην ποιότητα προβλέψης.

Οι συγγραφείς αναφέρουν:

‘Η καλύτερη απόδοση επιτυγχάνεται όταν χρησιμοποιείται το Llama 3.1 (405B) με το πιο ενημερωμένο πρότυπο, ακολουθούμενο από το Llama 3.3 (70B). Βασισμένοι στην παρατηρούμενη τάση, όταν χρησιμοποιείται ένα σύνθετο και εκτενές πρότυπο (MD V4), ένα πιο σύνθετο μοντέλο γλώσσας γενικά οδηγεί σε βελτιωμένη απόδοση σε διάφορες μετρήσεις. Ωστόσο, είναι ευαίσθητο στο τύπο της πληροφορίας που προστίθεται.’

Η απόδοση βελτιώθηκε όταν τα βραβεία του καστ περιλαμβάνονταν ως μέρος του προτύπου – σε αυτή την περίπτωση, ο αριθμός των σημαντικών βραβείων που έλαβαν οι πέντε πρώτοι ηθοποιοί σε κάθε ταινία. Αυτό το πλουσιότερο μεταδεδομένο ήταν μέρος της πιο λεπτομερούς konfigурации προτύπου, ξεπερνώντας μια απλούστερη εκδοχή που εξαιρούσε την αναγνώριση του καστ. Το πλεονέκτημα ήταν πιο εμφανές στα μεγαλύτερα μοντέλα, Llama 3.1 (405B) και 3.3 (70B), τα οποία και τα δύο 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 καθώς τα πρότυπα έγιναν ελαφρώς πιο περίπλοκα, προχωρώντας από το είδος στο περίγραμμα, αλλά μειώθηκε όταν περισσότερα πεδία προστέθηκαν, υποδεικνύοντας ότι το μοντέλο έλλειπε της ικανότητας να ολοκληρώσει σύνθετα πρότυπα αποτελεσματικά, οδηγώντας σε ασθενέστερη γενίκευση.

Όταν τα πρότυπα περιορίζονταν στο είδος μόνο, όλα τα μοντέλα underperformed σε σχέση με τη βάση, δείχνοντας ότι το περιορισμένο μεταδεδομένο ήταν ανεπαρκές για να υποστηρίξει σημαντικές προβλέψεις.

Συμπέρασμα

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

Σε αυτή την περίπτωση, όπως και στις αγορές μετοχών και την πρόβλεψη 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 1978-2011, όταν τα καλώδια, οι δορυφόροι και τα φορητά μέσα (VHS, DVD κ.λπ.) αντιπροσώπευαν μια σειρά μεταβατικών ή εξελισσόμενων ιστορικών διαταραχών.

Ούτε μπορεί κανένας метод πρόβλεψης να λάβει υπόψη του το βαθμό στο οποίο η επιτυχία ή η αποτυχία άλλων παραγωγών μπορεί να επηρεάσει τη βιωσιμότητα μιας προτεινόμενης ιδιοκτησίας – και όμως αυτό είναι συχνά η περίπτωση στη βιομηχανία ταινιών και τηλεόρασης, η οποία αγαπά να ακολουθεί μια τάση. Παρόλα αυτά, όταν χρησιμοποιούνται σωστά, τα LLMs θα μπορούσαν να βοηθήσουν στην ενίσχυση των συστημάτων σύστασης κατά τη φάση του κρύου ξεκινήματος, προσφέροντας χρήσιμη υποστήριξη σε eine σειρά προβλεπτικών μεθόδων.

Πρώτη δημοσίευση την Τρίτη, 6 Μαΐου 2025