Наука о данных и решение в киноиндустрии

Как технологии Data Science помогают внедрять инновации в киноиндустрию

Введение

Сегодня не будет преувеличением сказать, что каждый сектор экономики требует добычи, хранения и анализа данных для принятия более взвешенных решений и повышения эффективности работы. Не является исключением и киноиндустрия. С быстрым развитием науки о данных процесс кинопроизводства больше не зависит исключительно от искры творческого вдохновения; вместо этого создатели фильмов могут многому научиться, изучая данные, собранные из многочисленных источников для поддержки процесса создания фильма.

Это эссе направлено на более подробное обсуждение преимуществ технологии больших данных для киноиндустрии, в частности, в четырех аспектах: редактирование фильмов и инвестиции, просмотр и распространение фильмов, трансляция фильмов и влияние новейших технологий кинопроизводства на аудиторию. Наконец, в статье будут рассмотрены некоторые трудности, связанные с применением этих технологий в киноиндустрии, и даны рекомендации для практиков в этой области.

Сеть киноиндустрии

Прежде чем углубляться в раздел технологий, стоит взглянуть на киноиндустрию в целом. Цепочка киноиндустрии, как показано на рис. 1, представляет собой ряд процессов, включающих инвестиции в кино и его производство, показ и распространение фильмов, трансляцию фильмов и аудиторию фильмов (Laycock, 2011). Крайне важно подчеркнуть решающую роль больших данных в процессе добычи и производства. Точнее, он может помочь режиссерам в разработке сценариев и определении разумных инвестиционных затрат для различных аспектов процесса кинопроизводства.

Не говоря уже о том, что эти технологии опираются на исторические данные, чтобы дать соответствующие рекомендации по коммуникации и продвижению фильмов, что имеет решающее значение и выгодно как для кассовых сборов, так и для центров кинопроката. При таком подходе можно выявить общие предпочтения кинозрителей, что позволит эффективно повысить кассовые сборы фильма.

Проблемы в кинопроизводстве

1. Увеличение финансовых рисков в себестоимости продукции

Хотя может показаться, что крупные студии получают большую прибыль от больших фильмов, кинопроизводство является гораздо более рискованным и менее прибыльным бизнесом, чем в эпоху студийной системы. Огромные маркетинговые бюджеты для фильма сопряжены с огромными финансовыми рисками, а одобрение фильмов, основанных на человеческих «интуитивных чувствах», не всегда является прибыльной авантюрой. Действительно, производство и продажа большинства фильмов обходятся студиям значительно дороже (до 100 миллионов долларов), чем их кассовые сборы когда-либо приносили (Eliashberg et al., 2006).

Это вызвало потребность в более продвинутых технологиях, которые могут помочь инвесторам и киностудиям анализировать свои сценарии, человеческие ресурсы и контролировать бюджеты, чтобы принимать более обоснованные решения на ранних этапах и после производства фильма.

2. Необходимость повышения производительности

Другой проблемой, с которой сталкивается традиционная киноиндустрия, является рост производительности труда и нехватка трудовых и инвестиционных ресурсов для этих ролей. Поскольку качество фильмов продолжает улучшаться, успех фильма определяется не только его содержанием. Телезрителей все больше интересуют эффекты и достоверность фильмов, особенно блокбастеров и боевиков. В результате возрастает нагрузка на кинематографистов из-за многозадачности, что приводит к снижению производительности труда, в то время как финансисты изо всех сил пытаются инвестировать в человеческие ресурсы, при этом оптимизируя другие расходы.

Это требует использования новых технологий для оптимизации процесса кинопроизводства, снижения затрат на рабочую силу и, в конечном итоге, устранения необходимости в том, чтобы люди выполняли определенные роли.

3. Повышение индивидуальных требований пользователей

Зрители имеют прочную связь с историями из фильмов, но никогда не было возможности измерить эту связь. Кроме того, с распространением аудиовизуальных медиа и увеличением числа пользователей это привело к увеличению разрыва между пиками и минимумами потребления фильмов (Joannin, 2020). По мере развития рынка СМИ и индустрия развлечений должны будут начать думать об историях с алгоритмической точки зрения и о механике персонажей, которые могут способствовать кассовому успеху.

В этом случае кинооператоров просят более точно прогнозировать будущий статус успеха фильма, а также более эффективно удовлетворять потребности клиентов, чтобы улучшить их впечатления.

Решение с использованием науки о данных в киноиндустрии

1. Инвестирование и создание фильмов

Первым шагом в цепочке кинопроизводства является выбор инвестиций и кинопроизводства. Этот процесс состоит из нескольких этапов, включая выбор и адаптацию сценария, а также финансирование фильма и сценария. Анализ больших данных играет важную роль в этом процессе, обеспечивая эффективный метод принятия решений.

2. Написание сценария

Исторически сложилось так, что эмоциональная составляющая историй во многом определялась собственными наблюдениями и изобретательностью создателей фильма. Однако благодаря использованию обработки естественного языка (NLP) и разработки алгоритмов киностудии смогли значительно улучшить сентиментальный анализ своих историй и значительно улучшить качество производства на этапе разработки.

В частности, системы искусственного интеллекта могут учиться на прошлых данных, обнаруживать похожие связи, чтобы строить их в соответствии с тем, что предпочитают зрители, генерировать уникальную версию сценария, которая включает важные события в сценарии. Это экономит время кинематографистов, а также является ценным инструментом в период «скрытых идей», который распространен среди практиков творческих и артистических профессий. Кроме того, автоматизируя цикл написания сценариев, эти технологии позволяют фильмам достигать самых высоких стандартов за меньшее время и с меньшим бюджетом.

3. Актерский кастинг

При подборе актеров для фильма есть 3 важных аспекта, которые каждый режиссер учитывает: соответствие роли, адаптивность и актерский талант. Оценивая сценарий и сопоставляя его с обширными базами данных о предыдущей игре актеров и актрис, а также об их кассовом потенциале, аналитика больших данных выберет идеального человека, совместимого с каждым персонажем в фильме. Кроме того, специалисты по данным могут использовать анализ текста и семантическое понимание для оценки сценариев фильмов, поведения персонажей и, в конечном итоге, выбора наиболее подходящих сценариев.

Эта технология устраняет необходимость подбора нескольких актеров на одну и ту же роль на разных этапах жизни, сохраняя при этом аутентичность персонажа, поскольку роль играет один и тот же актер.

4. Большие данные в киновещании

Прогнозирование кассовых сборов фильмов теперь возможно благодаря большим данным, которые помогают системам кинотеатров выбирать фильмы, которые принесут им больше денег. Warner Bros., например, использовала инструмент Cinelytic на основе искусственного интеллекта для прогнозирования эффективности своих фильмов и кассовых сборов (Винсент, 2020). Платформа Merlin, которая использует искусственный интеллект и машинное обучение для сопоставления фильмов с определенными жанрами и аудиторией, а также предлагает исчерпывающие демографические данные для каждого фильма, была включена компанией 20th Century Fox (Birnbaum, 2018). Sony Pictures использовала ScriptBook, еще одну систему предсказания фильмов на основе искусственного интеллекта, для оценки 62 своих фильмов (Caranicas, 2018).

Не говоря уже о том, что было проведено несколько исследований прогнозов кассовых сборов фильмов на основе больших данных, которые показали, что прогнозы будущих фильмов имеют более высокий потенциал. Чжоу и др. (2019) представляют метод, который использует глубокие нейронные сети, чтобы попытаться предсказать кассовые сборы. Хоссейн и др. (2018) используют трейлеры к фильмам для создания модели временной последовательности для прогнозирования кассовых сборов. Антипов и др. (2017) разработали систему прогнозирования доходов от кинофильмов на основе модели случайного леса. Ру и др. (2018) исследуют, как можно использовать анализ глубоких нейронных сетей для создания дополнительных ежедневных оценок кассовых сборов для фильмов. Ли и др. (2018) исследовали детальную аналитику успеха фильмов с использованием подходов машинного обучения, чтобы повысить точность прогнозирования доходов.

Для кинотеатров легко сделать более точный выбор фильмов, используя эти типы подходов к прогнозированию и анализу больших данных.

5. Влияние больших данных на киноаудиторию

Хороший дизайн взаимодействия с пользователем стал стандартной практикой во всех отраслях, включая киноиндустрию. Таким образом, алгоритмы рекомендаций уже давно используются провайдерами потокового видеоконтента для адаптации предпочтений определенных групп киноаудитории.

Эти платформы используют данные, чтобы выяснить, какой контент предпочитает пользователь, и создать эксклюзивный список для зрителей на основе его или ее предпочтений, предпочтений и шаблонов поиска. Машинное обучение Meson используется Netflix, например, чтобы помочь пользователям преодолеть предвзятые представления и найти контент, который они иначе не выбрали бы (Netflix Technology Blog, 2016).

«Проанализировав и подсчитав базу данных, содержащую 30 миллионов данных о выборе пользователей, 4 миллиона комментариев, а также 3 миллиона раз поисковых данных по темам фильмов, можно определить содержание съемок фильмов, режиссеров, актеров и даже способы игры на основе статистических предпочтений. десятков миллионов зрителей» (Hua, 2014). На рис. 2 показан типичный конвейер машинного обучения видеорекомендаций, а также то, как он представлен и обрабатывается в Meson.

Анализируя и вычисляя базу данных, содержащую 30 миллионов данных о выборе пользователей, 4 миллиона комментариев, а также 3 миллиона данных поиска тем фильмов, содержание съемок фильмов, режиссеров, актеров и даже способы игры могут определяться статистическими предпочтениями десятков миллионов зрителей (Хуа, 2014).

Проблема Голливуда с использованием больших данных

1. Этическая перспектива

Одна очевидная критика, которая также является законной проблемой, заключается в том, что включение ИИ в процесс принятия решений на этапе «зеленого света» может привести к упадку творчества экосистемы кинотеатра на нескольких уровнях.

Алгоритмы не учитывают будущие культурные потрясения и смену паттернов. Если наборы данных, используемые для обучения алгоритмов, уже в определенной степени предвзяты, их использование только увековечит существующие в отрасли предубеждения, сводя на нет любой прогресс, достигнутый в текущей битве за большее разнообразие, равенство и справедливое представительство в секторе.

2. Вопросы конфиденциальности данных

Люди все больше заботятся о безопасности и обеспокоены тем, как их личные данные используются развлекательными компаниями для создания контента по мере развития технологий. В результате этого растущего знания о безопасности и беспокойства потребители раскрывают меньше личной информации в Интернете. В результате у медиакомпаний не было информации и пользовательских данных, которые можно было бы использовать для подбора персонализированного контента и изучения привычек потребления цифровых медиа.

3. Индивидуальная конфиденциальность

Одной из наиболее распространенных проблем, с которыми сталкиваются компании, когда дело доходит до анализа больших данных, является личная конфиденциальность. Таким образом, компании должны гарантировать, что они соблюдают федеральные правила, регулирующие сбор данных и информации.

Если киностудии хранят личную или конфиденциальную информацию о своих пользователях, они должны обеспечить, чтобы хранение и использование этой информации соответствовало всем применимым законам и постановлениям, установленным правительством для защиты права граждан и посетителей на неприкосновенность частной жизни.

Заключение

Все эти случаи дают интригующий взгляд на будущее кинопроизводства, особенно если учесть, что ИИ быстро улучшается при доступе к большему количеству данных. Интерес публики к разветвлениям науки о данных предполагает, что на подходе больше фильмов на эту тему.

По сути, в эпоху больших данных в кинобизнесе сосуществуют как возможности, так и проблемы, и до исследования приложений больших данных в киноиндустрии еще далеко. Кроме того, производственные компании будут продолжать использовать эту технологию, чтобы лучше понимать индивидуальные модели потребления фильмов и интересы, чтобы разрабатывать контент, который нравится массам.