การใช้ AI เพื่อคาดการณ์ภาพยนตร์ฮิต

แม้ว่าภาพยนตร์และโทรทัศน์มักถูกมองว่าเป็นอุตสาหกรรมที่สร้างสรรค์และเปิดกว้าง แต่ก็มักจะหลีกเลี่ยงความเสี่ยง มีค่าใช้จ่ายในการผลิตสูง (ซึ่งอาจ สูญเสีย ข้อได้เปรียบของสถานที่ถ่ายทำต่างประเทศที่ถูกกว่าสำหรับโครงการของสหรัฐฯ) และภูมิทัศน์การผลิตที่กระจัดกระจาย ทำให้公司อิสระมีความยากที่จะรับผลกระทบจากความสูญเสียที่สำคัญ

ดังนั้น ในช่วงสิบปีที่ผ่านมา อุตสาหกรรมได้แสดงความสนใจที่เพิ่มขึ้นในการพิจารณาว่าเครื่องมือการเรียนรู้ของเครื่องสามารถตรวจจับรูปแบบหรือแนวโน้มในการตอบสนองของกลุ่มผู้ชมต่อโครงการภาพยนตร์และโทรทัศน์ที่เสนอได้หรือไม่

แหล่งข้อมูลหลักยังคงเป็นระบบ Nielsen (ซึ่งให้ขนาด แต่มีรากฐานมาจากโทรทัศน์และการโฆษณา) และวิธีการแบบตัวอย่าง เช่น กลุ่มโฟกัส ซึ่งแลกเปลี่ยนขนาดกับประชากรที่เลือกอย่างรอบคอบ ซึ่งรวมถึงการให้ข้อเสนอแนะจากการแสดงภาพยนตร์ฟรี – แต่ในขณะนั้น งบประมาณการผลิตส่วนใหญ่已经ใช้ไปแล้ว

ทฤษฎี ‘ฮิตใหญ่’ / ทฤษฎี

ในตอนแรก ระบบ ML ใช้วิธีการวิเคราะห์แบบดั้งเดิม เช่น การถดถอยเชิงเส้น K-Nearest Neighbors Stochastic Gradient Descent Decision Tree และ Neural Networks โดยทั่วไปในหลาย ๆ รูปแบบที่ใกล้เคียงกับการวิเคราะห์ทางสถิติก่อน AI เช่น การวิเคราะห์ทางสถิติ เช่น โครงการของ มหาวิทยาลัย Central Florida ในปี 2019 เพื่อคาดการณ์ความสำเร็จของรายการโทรทัศน์ตามการรวมกันของนักแสดงและนักเขียน (รวมทั้งปัจจัยอื่น ๆ)

งานวิจัยที่เกี่ยวข้องมากที่สุดซึ่งถูกนำไปใช้จริง (แม้ว่าจะถูกวิพากษ์วิจารณ์บ่อยครั้ง) คือในด้าน ระบบแนะนำ

Comcast คาดการณ์

งานวิจัยใหม่จาก Comcast Technology AI ในการร่วมมือกับ George Washington University เสนอคำตอบสำหรับปัญหานี้โดยการให้ข้อมูล เมตาดาต้าแบบโครงสร้าง เกี่ยวกับภาพยนตร์ที่ยังไม่ได้เผยแพร่

ข้อมูลเข้า bao gồm นักแสดง ประเภท เรื่องย่อ การให้คะแนนเนื้อหา อารมณ์ และ รางวัล โดยมีโมเดลที่ส่งกลับรายการอันดับของภาพยนตร์ที่อาจเป็นภาพยนตร์ฮิตในอนาคต

วิธีการและข้อมูล

ผู้เขียนกำหนดกระบวนการทำงานเป็น 4 ระยะ: การสร้างชุดข้อมูลที่อุทิศให้กับเมตาดาต้าภาพยนตร์ที่ยังไม่ได้เผยแพร่ การกำหนดแบบจำลองฐานสำหรับการเปรียบเทียบ การประเมิน LLMs ที่เหมาะสมโดยใช้การให้เหตุผลภาษาธรรมชาติและการคาดการณ์แบบฝังตัว และการปรับผลลัพธ์ผ่านการออกแบบคำสั่งในการสร้างโดยใช้โมเดลภาษา Llama 3.1 และ 3.3 ของ Meta

การทดสอบ

การทดลองตามสองขั้นตอนหลัก: ขั้นแรก ผู้เขียนทดสอบหลายรูปแบบของโมเดลเพื่อกำหนดแบบจำลองฐาน และขั้นที่สอง ทดสอบ LLMs ใน โหมดสร้าง โดยเปรียบเทียบผลลัพธ์กับแบบจำลองฐานที่แข็งแกร่งกว่า

ข้อได้เปรียบของการไม่รู้

ข้อจำกัดสำคัญในกระบวนการนี้คือช่องว่างเวลาระหว่างข้อมูลที่โมเดลได้รับและวันที่เผยแพร่ภาพยนตร์จริง เนื่องจากโมเดลภาษาได้รับการฝึกฝนจากข้อมูลที่สิ้นสุด 6-12 เดือนก่อนการเผยแพร่ภาพยนตร์ จึงไม่มีข้อมูลหลังการเผยแพร่ใดๆ ที่จะใช้ในการทำนาย

การประเมินฐาน

เพื่อกำหนดแบบจำลองฐาน ผู้เขียนสร้างการแสดงแบบ语义ของเมตาดาต้าภาพยนตร์โดยใช้โมเดลฝังตัว 3 แบบ: BERT V4 Linq-Embed-Mistral 7B และ Llama 3.3 70B

การประเมิน LLM

ผู้เขียนประเมินประสิทธิภาพโดยใช้สองวิธีการจัดอันดับ: จัดอันดับแบบคู่ และ จัดอันดับแบบรายการสั้น

เมตริก

เพื่อประเมินว่าโมเดลภาษาสามารถคาดการณ์ความนิยมของภาพยนตร์ได้ดีเพียงใด ผู้เขียนใช้เมตริกทั้งแบบจัดอันดับและแบบจำแนก โดยให้ความสนใจเป็นพิเศษกับการระบุภาพยนตร์ที่นิยมที่สุด 3 อันดับ

สรุป

โมเดลภาษาใหญ่ (LLMs) ได้กลายเป็นเด็กฝึกงานสำหรับ AI ที่สร้างสรรค์ ซึ่งอาจเป็นเหตุผลที่พวกมันถูกนำไปใช้ในพื้นที่ที่วิธีการอื่นอาจเหมาะสมกว่า

อย่างไรก็ตาม ในกรณีนี้ เช่นเดียวกับตลาดหุ้นและการพยากรณ์อากาศ มีเพียงขอบเขตที่จำกัดที่ข้อมูลในอดีตสามารถใช้เป็นพื้นฐานในการทำนายอนาคตได้

ไม่ว่าระบบทำนายใดจะสามารถคำนึงถึงระดับที่ความสำเร็จหรือความล้มเหลวของ การผลิตอื่น ๆ อาจมีอิทธิพลต่อความเป็นไปได้ของทรัพย์สินที่เสนอหรือไม่ – และนี่เป็นกรณีที่เกิดขึ้นบ่อยในอุตสาหกรรมภาพยนตร์และโทรทัศน์ ซึ่งชอบที่จะตามกระแส

อย่างไรก็ตาม เมื่อใช้อย่างรอบคอบ LLMs อาจช่วยเสริมระบบแนะนำในช่วงเริ่มต้นเย็น โดยให้การสนับสนุนที่มีประโยชน์ในช่วงวิธีการทำนายต่าง ๆ

เผยแพร่ครั้งแรกวันอังคารที่ 6 พฤษภาคม 2025