La IA predice la asistencia a las películas analizando avances con filtrado colaborativo

• Un nuevo modelo de aprendizaje automático predice qué público probablemente verá una película en función de su avance. 
• Utiliza el método de filtrado colaborativo para extraer características del tráiler como caras, objetos, paisajes, etc. 
• Estas funciones luego se combinan con datos demográficos y de asistencia para predecir la asistencia de la audiencia.

Los avances son la parte más importante de la campaña de marketing de nuevas películas. Presentan personajes, comunican la trama, revelan algunas pistas sobre la trama y aumentan la conciencia entre los amantes del cine.

Para los cineastas, es una oportunidad de conocer la perspectiva de la audiencia:qué les gustó y qué no les impresionó. Normalmente, estos detalles les ayudan a planificar la siguiente estrategia de la campaña de marketing.

Para ayudar a seleccionar las mejores vistas previas para los avances, los ingenieros de los estudios cinematográficos de 20th Century Fox crearon un método de aprendizaje automático llamado Merlin Video, que predice qué audiencias probablemente verán una película, basándose en su avance.

¿Cómo funciona?

Merlin Video genera densas representaciones de un avance y las utiliza para analizar y predecir el comportamiento de una audiencia. Según el equipo de investigación, esta es la primera vez que un estudio cinematográfico utiliza una representación de bajo nivel de los avances para medir los intereses de la audiencia.

Se basa en el modelo de filtrado colaborativo de última generación, que extrae características como iluminación, objetos, colores y rostros, y los combina con datos demográficos y de asistencia para pronosticar con precisión la asistencia de la audiencia a películas existentes, así como a películas aún por estrenar.

Las redes neuronales convolucionales extraen características de bajo nivel cuadro por cuadro. Las redes previamente entrenadas se pueden utilizar para detectar y analizar las características en los fotogramas relevantes de un tráiler. Al alimentar representaciones apropiadas de estas características a redes neuronales entrenadas en registros históricos, se pueden descubrir vínculos significativos entre las características del avance de la película y las preferencias futuras de la audiencia.

Descripción general del vídeo de Merlín | Cortesía de investigadores 

Referencia: arXiv:1807.04465

Más específicamente, Merlin Video contiene una capa de regresión logística que fusiona el modelo de filtrado colaborativo basado en la distancia con la actualidad y la frecuencia del usuario para generar la probabilidad de asistencia de la audiencia. El sistema está entrenado de un extremo a otro y la pérdida de regresión logística se propaga a todos los módulos entrenables.

En resumen, los ingenieros han realizado tres contribuciones principales en este estudio:

1. Un modelo de recomendación para estrenos de películas desarrollado específicamente para gestionar las recomendaciones teatrales y de arranque en frío utilizando el contenido del tráiler.
2. Medieron el rendimiento de múltiples versiones de Merlin Video y demostraron cómo se puede utilizar en procedimientos de toma de decisiones en escenarios del mundo real.
3. Discutieron las formas viables de combinar entradas de vídeo y texto para mejorar la precisión de la predicción.

La red neuronal se basa en cientos de avances publicados en los últimos años y millones de registros de asistencia. Utilizaron la GPU NVIDIA Tesla P100 en Google Cloud, con TensorFlow impulsado por la red neuronal profunda CUDA, para entrenar el modelo.

Leer:Nvidia AI puede convertir vídeos de 30 fps a 240 fps

En trabajos futuros, los ingenieros se centrarán en construir un modelo que utilice funciones de vídeo y texto para pronosticar el éxito de una película.