IA prédit fréquentation films en analysant bandes-annonces avec filtrage collaboratif

• Nouveau modèle machine learning prédit audiences probables film basé sur bande-annonce.
• Utilise méthode Collaborative Filtering extraire features bande-annonce : visages, objets, paysages, etc.
• Features combinées données fréquentation/démographiques prédire audience.

Bandes-annonces : partie cruciale campagne marketing nouveaux films. Présentent personnages, communiquent intrigue, révèlent indices storyline, augmentent awareness cinéphiles.

Pour cinéastes : opportunité apprendre perspective audience : ce qu'ils ont aimé/non impressionnés. Détails aident planifier prochaine stratégie marketing.

Pour choisir meilleures prévisualisations bande-annonce, ingénieurs 20th Century Fox film studios : méthode ML « Merlin Video » prédisant audiences probables film basé bande-annonce.

Comment ça marche ?

Merlin Video génère représentations denses bande-annonce et les utilise analyser/prédire comportement audience. Selon équipe recherche : première fois studio film utilise représentation low-level bande-annonce mesurer intérêts audience.

Basé sur modèle Collaborative Filtering state-of-the-art, extrait features : illumination, objets, couleurs, visages, combine avec données fréquentation/démographiques pour prévoir audience films existants et à venir.

Réseaux neuronaux convolutifs extraient features low-level frame-par-frame. Réseaux pré-entraînés détectent/analysent features frames pertinentes bande-annonce. En alimentant représentations appropriées ces features réseaux neuronaux entraînés historical records → découverte liens significatifs features bande-annonce et préférences futures audience.

Vue d'ensemble Merlin Video | Crédit chercheurs

Référence : arXiv:1807.04465

Plus spécifiquement : Merlin Video contient couche régression logistique fusionnant modèle Collaborative Filtering distance-based avec récence utilisateur et fréquence utilisateur → probabilité fréquentation audience. Système entraîné end-to-end, loss régression logistique rétropropagé tous modules entraînables.

En résumé, 3 contributions principales étude :

1. Modèle recommandation sorties films développé spécifiquement cold-start et recommandations théâtrales utilisant contenu bande-annonce.
2. Mesure performance multiples versions Merlin Video, démonstration utilisation procédures décisionnelles scénarios réels.
3. Discussion façons faisables combiner inputs vidéo et texte améliorer précision prédiction.

Réseau neuronal entraîné centaines bandes-annonces années passées, millions records fréquentation. GPU NVIDIA Tesla P100 sur Google Cloud, TensorFlow powered by CUDA deep neural network.

Lire : IA Nvidia convertit vidéos 30fps en 240fps

Travaux futurs : focus modèle utilisant features vidéo ET texte prévoir succès film.