Los avances en inteligencia artificial continúan marcando tendencias en la industria del entretenimiento, y en esta ocasión, investigadores han abordado el desafío de prever qué películas llegarán a ser éxitos incluso antes de que alcancen el reconocimiento del público. La investigación, realizada en colaboración con Comcast Technology AI y la Universidad George Washington, propone el uso de Modelos de Lenguaje a Gran Escala (LLMs) para abordar el complicado problema del ‘arranque en frío’ en las recomendaciones de contenido.
El proceso involucra la utilización de un robusto conjunto de metadatos que, al ser procesados por los LLMs, permiten generar estimaciones sobre el potencial de una película para convertirse en un éxito. Estos esfuerzos buscan mejorar significativamente la exposición de películas nuevas que podrían ser pasadas por alto por los métodos editoriales convencionales dominados por equipos humanos.
El estudio detalló que los datos utilizados no provienen de fuentes públicas, lo cual presenta una de las barreras analíticas a superar. Para superar esta limitación, los investigadores compilaron un nuevo conjunto de datos a partir de su plataforma, rastreando la evolución en popularidad de las películas recientemente lanzadas.
El objetivo del proyecto fue construir un sistema que pudiera funcionar como una herramienta adicional para editores humanos o incluso como una solución automatizada dentro del sistema de recomendación de contenido, lo cual representa un salto hacia la integración de metodologías participativas entre humanos y máquinas en la elaboración de recomendaciones de contenido.
Los experimentos realizados fueron exhaustivos, empleando modelos como Llama 3.3 y su capacidad para trabajar con prompts de diferentes complejidades. Los resultados mostraron que los modelos Llama, particularmente en sus variantes de mayor capacidad y con prompts informativos, superaban a sus contrapartes más sencillas en la predicción acertada de las futuras películas populares.
Sin embargo, los hallazgos también remarcaron que la efectividad de los LLMs varía dependiendo del tipo y la cantidad de información presentada. Los modelos más pequeños mostraron limitaciones ante prompts complejos, destacando la importancia de ajustar las estrategias de ingeniería de prompts conforme a la capacidad del modelo usado.
Este avance en la inteligencia artificial resalta la importancia de diversificar las fuentes de recomendación y utilización de tecnologías para abarcar el amplio espectro de películas disponibles hoy en día. A medida que la industria del cine se expande y más contenido permanece inédito, el uso de LLMs se perfila como un complemento indispensable para asegurar una promoción justa y accesible de contenido, promoviendo así una mayor diversidad en las opciones del público. Como conclusión, el éxito de estos modelos puede abrir las puertas a sectores adicionales donde la predicción y evaluación de contenido son críticas para la experiencia del usuario.