एआई का उपयोग करके ब्लॉकबस्टर मूवी की भविष्यवाणी करना

हालांकि फिल्म और टेलीविजन अक्सर रचनात्मक और खुले उद्योग के रूप में देखे जाते हैं, वे लंबे समय से जोखिम-विरोधी रहे हैं। उच्च उत्पादन लागत (जो अमेरिकी परियोजनाओं के लिए कम ओवरसीज स्थानों के लाभ को खो सकती है, कम से कम) और एक खंडित उत्पादन परिदृश्य के कारण स्वतंत्र कंपनियों के लिए एक महत्वपूर्ण नुकसान को अवशोषित करना मुश्किल हो जाता है।

इसलिए, पिछले दशक में, उद्योग ने यह जानने में बढ़ती रुचि ली है कि क्या मशीन लर्निंग प्रस्तावित फिल्म और टेलीविजन परियोजनाओं के लिए दर्शकों की प्रतिक्रिया में रुझान या पैटर्न का पता लगा सकती है।

मुख्य डेटा स्रोत नीलसन प्रणाली (जो पैमाने की पेशकश करता है, हालांकि इसकी जड़ें टीवी और विज्ञापन में हैं) और नमूना-आधारित विधियों जैसे फोकस समूहों में रहते हैं, जो पैमाने के लिए क्यूरेटेड जनसांख्यिकी का व्यापार करते हैं। यह बाद की श्रेणी में मुफ्त मूवी पूर्वावलोकन से स्कोरकार्ड प्रतिक्रिया भी शामिल है – हालांकि, उस बिंदु पर, अधिकांश उत्पादन का बजट पहले से ही खर्च किया जा चुका होता है।

बिग हिट सिद्धांत/सिद्धांत

प्रारंभ में, एमएल सिस्टम ने पारंपरिक विश्लेषण विधियों जैसे कि रेखीय प्रतिगमन, के-निकटतम पड़ोसी, स्टोकेस्टिक ग्रेडिएंट डिसेंट, निर्णय पेड़ और वन, और तंत्रिका नेटवर्क का लाभ उठाया, आमतौर पर पूर्व-एआई सांख्यिकीय विश्लेषण के समान शैली में, जैसे कि 2019 में सेंट्रल फ्लोरिडा विश्वविद्यालय की एक पहल जो अभिनेताओं और लेखकों (अन्य कारकों के बीच) के संयोजन के आधार पर सफल टीवी शो की भविष्यवाणी करने के लिए थी।

एक 2018 के अध्ययन में पात्रों और/या लेखक (अधिकांश एपिसोड एक से अधिक व्यक्ति द्वारा लिखे गए थे) के संयोजन के आधार पर एपिसोड के प्रदर्शन का मूल्यांकन किया गया। स्रोत: https://arxiv.org/pdf/1910.12589

सबसे प्रासंगिक संबंधित कार्य, कम से कम जो कि जंगल में तैनात किया गया है (हालांकि अक्सर आलोचना की जाती है), अनुशंसा प्रणालियों के क्षेत्र में है:

एक विशिष्ट वीडियो अनुशंसा पाइपलाइन। कैटलॉग में वीडियो सुविधाओं का उपयोग करके सूचीबद्ध किया जाता है जो मैन्युअल रूप से एनोटेट किया जा सकता है या स्वचालित रूप से निकाला जा सकता है। अनुशंसाएं दो चरणों में उत्पन्न की जाती हैं: पहले उम्मीदवार वीडियो का चयन करके और फिर उन्हें एक उपयोगकर्ता प्रोफ़ाइल के अनुसार रैंक किया जाता है जो देखने की प्राथमिकताओं से अनुमानित होता है। स्रोत: https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2023.1281614/full

हालांकि, इस तरह के दृष्टिकोण विश्लेषण करते हैं जो पहले से ही सफल हैं। नए शो या मूवी के मामले में, यह स्पष्ट नहीं है कि किस तरह का आधार सत्य सबसे अधिक लागू होगा – कम से कम इसलिए कि सार्वजनिक स्वाद में परिवर्तन, डेटा स्रोतों में सुधार और उन्नयन के साथ मिलकर, आमतौर पर दशकों के निरंतर डेटा की अनुपस्थिति होती है।

यह ठंड शुरू करने की समस्या का एक उदाहरण है, जहां अनुशंसा प्रणालियों को पूर्व बातचीत डेटा के बिना उम्मीदवारों का मूल्यांकन करना होता है। ऐसे मामलों में, पारंपरिक सहयोगी फिल्टरिंग विफल हो जाती है, क्योंकि यह उपयोगकर्ता व्यवहार (जैसे देखने, रेटिंग या साझा करने) में पैटर्न पर निर्भर करता है ताकि भविष्यवाणियां उत्पन्न की जा सकें। समस्या यह है कि अधिकांश नए मूवी या शो के मामले में, अभी तक पर्याप्त दर्शक प्रतिक्रिया नहीं है जो इन विधियों का समर्थन कर सके।

कॉमकास्ट की भविष्यवाणी

कॉमकास्ट टेक्नोलॉजी एआई द्वारा जॉर्ज वाशिंगटन विश्वविद्यालय के साथ एक नए शोध पत्र में, इस समस्या का समाधान प्रस्तावित किया गया है जिसमें अप्रकाशित मूवी के बारे में संरचित मेटाडेटा के साथ एक भाषा मॉडल को प्रेरित किया जाता है।

इनपुट में कास्ट, जीनर, सिनॉप्सिस, सामग्री रेटिंग, मूड और पुरस्कार शामिल हैं, और मॉडल एक संभावित भविष्य के हिट की एक रैंक की सूची लौटाता है।

लेखक मॉडल के आउटपुट का उपयोग दर्शक हित के लिए एक स्टैंड-इन के रूप में करते हैं जब कोई इंटरैक्शन डेटा उपलब्ध नहीं होता है, जो पहले से ही जाने जाने वाले शीर्षकों की ओर प्रारंभिक पूर्वाग्रह से बचने की कोशिश करते हैं।

तीन-पृष्ठ का पत्र, जिसका शीर्षक है प्रेडिक्टिंग मूवी हिट्स विद एलएलएम, कॉमकास्ट टेक्नोलॉजी एआई के छह शोधकर्ताओं और जीडब्ल्यूयू से एक से आया है, और यह कहता है:

‘हमारे परिणाम दिखाते हैं कि एलएलएम, जब मूवी मेटाडेटा का उपयोग किया जाता है, तो बेसलाइन को महत्वपूर्ण रूप से बेहतर कर सकते हैं। यह दृष्टिकोण एक सहायक प्रणाली के रूप में काम कर सकता है जो दैनिक और साप्ताहिक रूप से जारी की जाने वाली बड़ी मात्रा में नए सामग्री को स्वचालित रूप से स्कोर करने में सक्षम है। ‘

‘संपादकीय टीमों या एल्गोरिदम के पास पर्याप्त इंटरैक्शन डेटा एकत्र करने से पहले प्रारंभिक अंतर्दृष्टि प्रदान करके, एलएलएम सामग्री समीक्षा प्रक्रिया को सुव्यवस्थित कर सकते हैं। ‘

‘एलएलएम की दक्षता में निरंतर सुधार और अनुशंसा एजेंटों के उदय के साथ, इस काम के निष्कर्ष विभिन्न डोमेन में मूल्यवान और अनुकूलनीय हैं। ‘

यदि यह दृष्टिकोण मजबूत साबित होता है, तो यह उद्योग को प्रतिगामी मेट्रिक्स और भारी रूप से बढ़ावा दिए गए शीर्षकों पर अपनी निर्भरता को कम करने में मदद कर सकता है, जिससे रिलीज से पहले वादा करने वाली सामग्री को फ्लैग करने का एक मापनीय तरीका पेश किया जा सकता है। इस प्रकार, संपादकीय टीमें उपयोगकर्ता व्यवहार के संकेत की प्रतीक्षा करने के बजाय, रिलीज से पहले दर्शक हित के लिए प्रारंभिक, मेटाडेटा-संचालित भविष्यवाणियां प्राप्त कर सकती हैं, संभावित रूप से नए रिलीज के व्यापक श्रृंखला में एक्सपोजर को पुनर्वितरित कर सकती हैं।

विधि और डेटा

लेखक एक चार-चरण की कार्य प्रक्रिया का रूपरेखा देते हैं: एक समर्पित डेटासेट का निर्माण अप्रकाशित मूवी मेटाडेटा से; एक बेसलाइन मॉडल की स्थापना के लिए तुलना के लिए; एलएलएम का मूल्यांकन प्राकृतिक भाषा तर्क और एम्बेडिंग-आधारित भविष्यवाणी दोनों का उपयोग करके; और प्रेरक इंजीनियरिंग के माध्यम से आउटपुट का अनुकूलन, जेनरेटिव मोड में मेटा के एलएलएम 3.1 और 3.3 भाषा मॉडल का उपयोग करके।

चूंकि लेखकों का कहना है कि कोई सार्वजनिक रूप से उपलब्ध डेटासेट उनके अनुमान का परीक्षण करने के लिए एक सीधा तरीका प्रदान नहीं करता है (क्योंकि अधिकांश मौजूदा संग्रह एलएलएम से पहले के हैं और विस्तृत मेटाडेटा की कमी है), उन्होंने कॉमकास्ट मनोरंजन प्लेटफ़ॉर्म से एक बेंचमार्क डेटासेट बनाया, जो प्रत्यक्ष और तृतीय-पक्ष इंटरफ़ेस के माध्यम से दस लाख से अधिक उपयोगकर्ताओं की सेवा करता है।

डेटासेट नए रिलीज़ मूवी को ट्रैक करता है, और बाद में वे लोकप्रिय हो जाते हैं या नहीं, लोकप्रियता को उपयोगकर्ता इंटरैक्शन के माध्यम से परिभाषित किया जाता है।

संग्रह मूवी पर केंद्रित है, न कि श्रृंखला पर, और लेखकों का कहना है:

‘हमने मूवी पर ध्यान केंद्रित किया क्योंकि वे टीवी श्रृंखला की तुलना में बाहरी ज्ञान से कम प्रभावित होते हैं, जो प्रयोगों की विश्वसनीयता में सुधार करता है। ‘

लेबल को विभिन्न समय खिड़कियों और सूची आकारों में एक शीर्षक को लोकप्रिय होने में लगने वाले समय का विश्लेषण करके सौंपा गया था। एलएलएम को जीनर, सिनॉप्सिस, रेटिंग, युग, कास्ट, क्रू, मूड, पुरस्कार और पात्र प्रकार जैसे मेटाडेटा क्षेत्रों के साथ प्रेरित किया गया था।

तुलना के लिए, लेखकों ने दो बेसलाइन का उपयोग किया: एक यादृच्छिक ऑर्डर; और एक लोकप्रिय एम्बेडिंग (पीई) मॉडल (जिस पर हम जल्द ही आ जाएंगे)।

परियोजना ने बड़े भाषा मॉडल को प्राथमुख रैंकिंग विधि के रूप में नियुक्त किया, जो मूवी के साथ अनुमानित लोकप्रियता स्कोर और साथ ही साथ औचित्य के साथ ऑर्डर की सूची उत्पन्न करता है – और इन आउटपुट को प्रेरक इंजीनियरिंग रणनीतियों द्वारा आकार दिया गया था जो संरचित मेटाडेटा का उपयोग करके मॉडल की भविष्यवाणियों को मार्गदर्शन करने के लिए डिज़ाइन किए गए थे।

प्रेरक रणनीति ने मॉडल को एक ‘संपादकीय सहायक’ के रूप में फ्रेम किया, जिसे केवल संरचित मेटाडेटा के आधार पर आगामी मूवी की पहचान करने का काम सौंपा गया था, और फिर एक निश्चित सूची को फिर से व्यवस्थित करने के लिए, और जेसन प्रारूप में आउटपुट लौटाने के लिए।

प्रत्येक प्रतिक्रिया में एक रैंक की सूची, असाइन की गई लोकप्रियता स्कोर, रैंकिंग के लिए औचित्य, और किसी भी पूर्व उदाहरणों के लिए संदर्भ शामिल थे जिन्होंने परिणाम को प्रभावित किया। इन कई स्तरों के मेटाडेटा का उद्देश्य मॉडल की संदर्भगत समझ में सुधार करना और इसकी भविष्य के दर्शक रुझानों की भविष्यवाणी करने की क्षमता में सुधार करना था।

परीक्षण

प्रयोग ने दो मुख्य चरणों का पालन किया: पहले, लेखकों ने एक बेसलाइन की स्थापना के लिए कई मॉडल वेरिएंट का परीक्षण किया, जिसमें बेहतर प्रदर्शन करने वाले संस्करण की पहचान शामिल थी, एक यादृच्छिक-ऑर्डर दृष्टिकोण की तुलना में।

दूसरा, उन्होंने बड़े भाषा मॉडल का परीक्षण किया जनरेटिव मोड में, एक मजबूत बेसलाइन की तुलना में उनके आउटपुट की तुलना करके, एक यादृच्छिक रैंकिंग के बजाय।

यह मतलब था कि मॉडल को एक प्रणाली के खिलाफ बेहतर प्रदर्शन करना था जो पहले से ही कुछ हद तक लोकप्रिय मूवी की भविष्यवाणी करने में सक्षम थी। परिणामस्वरूप, लेखकों का तर्क है, मूल्यांकन वास्तविक दुनिया की स्थितियों को बेहतर ढंग से दर्शाता है, जहां संपादकीय टीमें और अनुशंसा प्रणालियां शायद ही कभी एक मॉडल और अवसर के बीच चयन कर रही हैं, लेकिन विभिन्न स्तरों की भविष्यसूचक क्षमता वाली प्रतिस्पर्धी प्रणालियों के बीच।

अज्ञान का लाभ

इस सेटअप में एक प्रमुख प्रतिबंध मॉडल के ज्ञान कट-ऑफ और मूवी की वास्तविक रिलीज़ तिथियों के बीच का समय अंतराल था। चूंकि भाषा मॉडल को छह से बारह महीने पहले डेटा पर प्रशिक्षित किया गया था जब मूवी जारी हुई थी, इसलिए उनके पास कोई पोस्ट-रिलीज़ जानकारी तक पहुंच नहीं थी, जिससे यह सुनिश्चित हो सके कि भविष्यवाणियां पूरी तरह से मेटाडेटा पर आधारित थीं, और किसी भी सीखे गए दर्शक प्रतिक्रिया पर नहीं।

बेसलाइन मूल्यांकन

एक बेसलाइन के निर्माण के लिए, लेखकों ने तीन एम्बेडिंग मॉडल का उपयोग करके मूवी मेटाडेटा के सेमांटिक प्रतिनिधित्व उत्पन्न किए: बीईआरटी वी 4; लिंक-एम्बेड-मिस्ट्रल 7 बी; और एलएलएमए 3.3 70 बी, 8-बिट सटीकता में क्वांटाइज़ किया गया ताकि प्रायोगिक वातावरण की सीमाओं को पूरा किया जा सके।

लिंक-एम्बेड-मिस्ट्रल को इसके एमटीईबी (मासिव टेक्स्ट एम्बेडिंग बेंचमार्क) लीडरबोर्ड पर शीर्ष स्थान के कारण शामिल किया गया था।

प्रत्येक मॉडल ने उम्मीदवार मूवी के वेक्टर एम्बेडिंग उत्पन्न किए, जो तब प्रत्येक मूवी की रिलीज से पहले के सप्ताहों में शीर्ष सौ सबसे लोकप्रिय शीर्षकों के औसत एम्बेडिंग की तुलना में किए गए थे।

लोकप्रियता को कोसाइन समानता के माध्यम से इन एम्बेडिंग के बीच की समानता के माध्यम से अनुमानित किया गया था, जिसमें उच्च समानता स्कोर उच्च अनुमानित अपील को इंगित करते थे। प्रत्येक मॉडल की रैंकिंग सटीकता का मूल्यांकन एक यादृच्छिक ऑर्डर बेसलाइन के खिलाफ प्रदर्शन को मापकर किया गया था।

लोकप्रिय एम्बेडिंग मॉडल के प्रदर्शन में सुधार एक यादृच्छिक बेसलाइन की तुलना में। प्रत्येक मॉडल का चार मेटाडेटा कॉन्फ़िगरेशन का उपयोग करके परीक्षण किया गया था: वी 1 में केवल जीनर शामिल है; वी 2 में केवल सिनॉप्सिस शामिल है; वी 3 जीनर, सिनॉप्सिस, सामग्री रेटिंग, पात्र प्रकार, मूड और रिलीज़ युग को जोड़ती है; वी 4 वी 3 कॉन्फ़िगरेशन में कास्ट, क्रू और पुरस्कार जोड़ती है। परिणाम दिखाते हैं कि समृद्ध मेटाडेटा इनपुट रैंकिंग सटीकता को कैसे प्रभावित करते हैं। स्रोत: https://arxiv.org/pdf/2505.02693

परिणाम (ऊपर दिखाया गया है), यह दिखाते हैं कि बीईआरटी वी 4 और लिंक-एम्बेड-मिस्ट्रल 7 बी ने शीर्ष तीन सबसे लोकप्रिय शीर्षकों की पहचान करने में सबसे मजबूत सुधार दिखाया, हालांकि दोनों ने एकल सबसे लोकप्रिय आइटम की भविष्यवाणी करने में थोड़ा कम प्रदर्शन किया।

बीईआरटी को अंततः एलएलएम के साथ तुलना के लिए बेसलाइन मॉडल के रूप में चुना गया था, क्योंकि इसकी दक्षता और समग्र लाभ इसकी सीमाओं से अधिक थे।

एलएलएम मूल्यांकन

शोधकर्ताओं ने दो रैंकिंग दृष्टिकोणों का उपयोग करके प्रदर्शन का मूल्यांकन किया: जोड़ीदार और सूचीदार। जोड़ीदार रैंकिंग यह मूल्यांकन करती है कि क्या मॉडल एक आइटम को दूसरे के सापेक्ष सही ढंग से ऑर्डर करता है; और सूचीदार रैंकिंग पूरे उम्मीदवारों की सूची की सटीकता पर विचार करती है।

इस संयोजन ने यह संभव बनाया कि न केवल यह मूल्यांकन किया जाए कि क्या व्यक्तिगत मूवी जोड़े सही ढंग से रैंक किए गए थे (स्थानीय सटीकता), बल्कि यह भी कि पूरी उम्मीदवार सूची वास्तविक लोकप्रियता क्रम को कैसे दर्शाती है (वैश्विक सटीकता)।

पूर्ण, गैर-परिमाणित मॉडल का उपयोग प्रदर्शन हानि को रोकने के लिए किया गया था, जिससे एलएलएम-आधारित भविष्यवाणियों और एम्बेडिंग-आधारित बेसलाइन के बीच एक सुसंगत और पुनरुत्पादक तुलना सुनिश्चित की जा सके।

मीट्रिक

यह मूल्यांकन करने के लिए कि कितनी अच्छी तरह से भाषा मॉडल ने मूवी की लोकप्रियता की भविष्यवाणी की, रैंकिंग-आधारित और वर्गीकरण-आधारित दोनों मेट्रिक्स का उपयोग किया गया था, विशेष रूप से शीर्ष तीन सबसे लोकप्रिय शीर्षकों की पहचान करने पर ध्यान केंद्रित किया गया था।

चार मेट्रिक्स लागू किए गए थे: एक्सेसी @ 1 ने मापा कि कितनी बार सबसे लोकप्रिय आइटम पहली स्थिति में दिखाई दिया; पारस्परिक रैंक ने यह कब्जा कर लिया कि वास्तविक शीर्ष आइटम कितनी उच्च रैंक में था, इसके स्थान के व्युत्क्रम को लेकर; सामान्यीकृत छूट वाला संचयी लाभ (एनडीसीजी @ के) ने यह मूल्यांकन किया कि पूरी रैंकिंग वास्तविक लोकप्रियता के साथ कितनी अच्छी तरह से संरेखित थी, जिसमें उच्च स्कोर बेहतर संरेखण को इंगित करते थे; और रिकॉल @ 3 ने मापा कि कितने वास्तविक लोकप्रिय शीर्षक मॉडल की शीर्ष तीन भविष्यवाणियों में दिखाई दिए।

चूंकि अधिकांश उपयोगकर्ता जुड़ाव रैंक की सूची के शीर्ष के पास होता है, मूल्यांकन ने व्यावहारिक उपयोग के मामलों को प्रतिबिंबित करने के लिए के निम्न मानों पर ध्यान केंद्रित किया।

बीईआरटी वी 4 की तुलना में बड़े भाषा मॉडल के प्रदर्शन में सुधार, रैंकिंग मेट्रिक्स में प्रतिशत लाभ के रूप में मापा गया। परिणाम प्रति मॉडल-प्रोम्प्ट संयोजन के दस रन के औसत हैं, जिसमें शीर्ष दो मान हाइलाइट किए गए हैं। रिपोर्ट किए गए आंकड़े सभी मेट्रिक्स में औसत प्रतिशत सुधार को दर्शाते हैं।

ल्लामा मॉडल 3.1 (8 बी), 3.1 (405 बी), और 3.3 (70 बी) के प्रदर्शन का मूल्यांकन बीईआरटी वी 4 बेसलाइन के सापेक्ष मेट्रिक में सुधार को मापकर किया गया था। प्रत्येक मॉडल का परीक्षण एक श्रृंखला के साथ किया गया था। प्रोम्प्ट, न्यूनतम से लेकर जानकारी से भरपूर तक, प्रोम्प्ट विवरण के प्रभाव को परीक्षण करने के लिए भविष्यवाणी की गुणवत्ता पर।

लेखकों का कहना है:

‘सर्वोत्तम प्रदर्शन तब होता है जब ल्लामा 3.1 (405 बी) का उपयोग सबसे जानकारीपूर्ण प्रोम्प्ट के साथ किया जाता है, इसके बाद ल्लामा 3.3 (70 बी) होता है। देखे गए रुझान के आधार पर, जब एक जटिल और लंबे प्रोम्प्ट (एमडी वी 4) का उपयोग किया जाता है, तो एक अधिक जटिल भाषा मॉडल आमतौर पर विभिन्न मेट्रिक्स में बेहतर प्रदर्शन करता है। हालांकि, यह जोड़े गए जानकारी के प्रकार के प्रति संवेदनशील है। ‘

प्रदर्शन में सुधार हुआ जब प्रोम्प्ट में पुरस्कार शामिल किए गए थे, जिसमें प्रत्येक फिल्म में शीर्ष पांच बिल किए गए अभिनेताओं द्वारा प्राप्त प्रमुख पुरस्कारों की संख्या शामिल थी। यह समृद्ध मेटाडेटा सबसे विस्तृत प्रोम्प्ट कॉन्फ़िगरेशन का हिस्सा था, जो एक सरल संस्करण से बेहतर प्रदर्शन करता था जिसने कास्ट को मान्यता नहीं दी थी। लाभ ल्लामा 3.1 (405 बी) और 3.3 (70 बी) में सबसे अधिक स्पष्ट था, जो दोनों ने इस अतिरिक्त संकेत के साथ मजबूत भविष्यवाणी सटीकता दिखाई। प्रतिष्ठा और दर्शक परिचितता की।

इसके विपरीत, सबसे छोटा मॉडल, ल्लामा 3.1 (8 बी), जैसे ही प्रोम्प्ट थोड़ा अधिक विस्तृत हो गए, तो प्रदर्शन में सुधार हुआ, जीनर से सिनॉप्सिस तक आगे बढ़ा, लेकिन जब अधिक क्षेत्र जोड़े गए तो गिर गया, यह दर्शाता है कि मॉडल जटिल प्रोम्प्ट को प्रभावी ढंग से एकीकृत करने में सक्षम नहीं था, जिससे कमजोर सामान्यीकरण हुआ।

जब प्रोम्प्ट को केवल जीनर तक सीमित किया गया था, तो सभी मॉडल बेसलाइन के खिलाफ खराब प्रदर्शन किया, यह दिखाते हुए कि सीमित मेटाडेटा को अर्थपूर्ण भविष्यवाणियों का समर्थन करने के लिए पर्याप्त नहीं था।

निष्कर्ष

एलएलएम जनरेटिव एआई के पोस्टर चाइल्ड बन गए हैं, जो यह समझाने में मदद कर सकता है कि वे उन क्षेत्रों में काम कर रहे हैं जहां अन्य तरीके बेहतर फिट हो सकते हैं। फिर भी, अभी भी बहुत कुछ है जो हमें उनकी क्षमताओं के बारे में पता नहीं है विभिन्न उद्योगों में, इसलिए उन्हें एक शॉट देना समझ में आता है।

इस विशिष्ट मामले में, जैसे कि स्टॉक मार्केट और मौसम पूर्वानुमान के मामले में, केवल एक सीमित सीमा तक ही ऐतिहासिक डेटा भविष्य की भविष्यवाणियों के आधार के रूप में काम कर सकता है। मूवी और टीवी शो के मामले में, वितरण विधि अब एक चलती लक्ष्य है, 1978-2011 की अवधि के विपरीत, जब केबल, सैटेलाइट और पोर्टेबल मीडिया (वीएचएस, डीवीडी आदि) एक श्रृंखला का प्रतिनिधित्व करते थे। ऐतिहासिक विकास।

न ही कोई भविष्यवाणी विधि इस सीमा तक है कि अन्य उत्पादनों की सफलता या असफलता किस हद तक प्रस्तावित संपत्ति की व्यवहार्यता को प्रभावित कर सकती है – और फिर भी यह अक्सर मूवी और टीवी उद्योग में मामला है, जो एक प्रवृत्ति पर सवारी करना पसंद करता है।

हालांकि, सावधानी से उपयोग किए जाने पर, एलएलएम ठंड शुरू करने के दौरान अनुशंसा प्रणालियों को मजबूत करने में मदद कर सकते हैं, विभिन्न भविष्यसूचक तरीकों में उपयोगी समर्थन प्रदान करते हैं।

मंगलवार, 6 मई, 2025 को पहली बार प्रकाशित