Utilizzare l’AI per Prevedere un Film di Successo

Sebbene il cinema e la televisione siano spesso visti come industrie creative e aperte, sono da tempo caratterizzate da un’elevata avversione al rischio. I costi di produzione elevati (che potrebbero prestare il vantaggio di offset dei luoghi più economici all’estero, almeno per i progetti statunitensi) e un paesaggio di produzione frammentato rendono difficile per le società indipendenti assorbire una perdita significativa.

Pertanto, nel corso dell’ultimo decennio, l’industria ha mostrato un crescente interesse nel determinare se il machine learning possa rilevare tendenze o modelli nel modo in cui il pubblico risponde ai progetti cinematografici e televisivi proposti.

Le principali fonti di dati rimangono il sistema Nielsen (che offre una scala, sebbene le sue radici siano nella TV e nella pubblicità) e metodi basati su campioni come i gruppi di discussione, che scambiano la scala con le demografie curate. Quest’ultima categoria include anche il feedback delle anteprime gratuite dei film – tuttavia, a quel punto, la maggior parte del budget di produzione è già stata spesa.

La Teoria del ‘Grosso Successo’/Teorie

Inizialmente, i sistemi di apprendimento automatico hanno sfruttato metodi di analisi tradizionali come la regressione lineare, K-Nearest Neighbors, Stochastic Gradient Descent, Decision Tree e Forests, e Neural Networks, di solito in varie combinazioni più vicine allo stile dell’analisi statistica pre-AI, come ad esempio un’iniziativa del 2019 dell’Università centrale della Florida per prevedere spettacoli TV di successo in base a combinazioni di attori e scrittori (tra gli altri fattori):

Uno studio del 2018 ha valutato le prestazioni degli episodi in base a combinazioni di personaggi e/o scrittore (la maggior parte degli episodi è stata scritta da più di una persona). Fonte: https://arxiv.org/pdf/1910.12589

Il lavoro più rilevante, almeno quello che viene impiegato nel mondo reale (sebbene spesso criticato) è nel campo dei sistemi di raccomandazione:

Una tipica pipeline di raccomandazione video. I video nel catalogo vengono indicizzati utilizzando funzionalità che possono essere annotate manualmente o estratte automaticamente. Le raccomandazioni vengono generate in due fasi, selezionando prima i video candidati e poi classificandoli in base a un profilo utente inferito dalle preferenze di visualizzazione. Fonte: https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2023.1281614/full

Tuttavia, questi approcci analizzano progetti che sono già di successo. Nel caso di nuovi spettacoli o film, non è chiaro quale tipo di verità fondamentale sarebbe più applicabile – non meno perché i cambiamenti nel gusto del pubblico, combinati con miglioramenti e integrazioni delle fonti di dati, significano che di solito non sono disponibili decenni di dati coerenti.

Questo è un esempio del problema di avvio a freddo, in cui i sistemi di raccomandazione devono valutare i candidati senza alcun dato di interazione precedente. In tali casi, il filtraggio collaborativo tradizionale si rompe, poiché si basa su modelli nel comportamento degli utenti (come la visualizzazione, la valutazione o la condivisione) per generare previsioni. Il problema è che nel caso della maggior parte dei nuovi film o spettacoli, non c’è ancora abbastanza feedback del pubblico per supportare questi metodi.

Comcast Prevede

Un nuovo articolo di Comcast Technology AI, in associazione con l’Università George Washington, propone una soluzione a questo problema, sollecitando un modello linguistico con metadati strutturati su film non ancora rilasciati.

Gli input includono cast, genere, sinossi, valutazione dei contenuti, umore e premi, con il modello che restituisce un elenco classificato di probabili futuri successi.

Gli autori utilizzano l’output del modello come sostituto dell’interesse del pubblico quando non sono disponibili dati di interazione.

Il breve (tre pagine) articolo, intitolato Predire i Successi dei Film Prima che Accadano con LLM, proviene da sei ricercatori di Comcast Technology AI e uno della GWU, e afferma:

‘I nostri risultati mostrano che gli LLM, quando utilizzano i metadati del film, possono superare notevolmente i punti di riferimento. Questo approccio potrebbe servire come sistema assistito per più casi d’uso, abilitando la valutazione automatica di grandi volumi di nuovo contenuto rilasciato quotidianamente e settimanalmente.

‘Fornendo informazioni precoci prima che i team editoriali o gli algoritmi abbiano accumulato sufficienti dati di interazione, gli LLM possono semplificare il processo di revisione del contenuto.

‘Con continui miglioramenti nell’efficienza degli LLM e la crescita degli agenti di raccomandazione, le informazioni derivanti da questo lavoro sono preziose e adattabili a una vasta gamma di domini.’

Se l’approccio si dimostra robusto, potrebbe ridurre la dipendenza dell’industria dalle metriche retrospettive e dai titoli fortemente promossi, introducendo un modo scalabile per segnalare contenuti promettenti prima dell’uscita. Pertanto, invece di aspettare che il comportamento degli utenti segnali la domanda, i team editoriali potrebbero ricevere previsioni precoci e guidate dai metadati dell’interesse del pubblico, potenzialmente ridistribuendo l’esposizione su una gamma più ampia di nuove uscite.

Metodo e Dati