Hollywood recurre a la inteligencia artificial para decidir qué películas debería producir (y qué actores contratar)

Hollywood recurre a la inteligencia artificial para decidir qué películas debería producir (y qué actores contratar)
5 comentarios Facebook Twitter Flipboard E-mail

Will Smith estuvo a punto de protagonizar "Matrix", pero terminó rechazando el papel de Neo. Otro tanto ocurrió con Mathew Broderick, quien tuvo la oportunidad de protagonizar "Breaking Bad". ¿Y qué pensáis de un "Expediente X" coprotagonizado por Pamela Anderson como Dana Scully? Dicen que estuvo cerca de suceder.

En cada uno de estos casos resulta imposible saber con seguridad (aunque algo podamos intuir) si la suerte de la película o serie en cuestión podría haber cambiado a mejor o a peor con el cambio de actor, o si por el contrario la afectada para bien o para mal hubiera sido la carrera del intérprete.

Ordenador, dime cuánto ganaríamos fichando a Di Caprio...

Sin embargo, los fundadores de Cinelytic, una startup con sede en Los Ángeles (cómo no) afirman lo contrario: es posible saberlo, y ellos -gracias a la inteligencia artificial- pueden proporcionar esa información a sus clientes.

Ellos mismos son 'outsiders' dentro de la industria cinematográfica: Tobias Queisser, CEO y co-fundador de la compañía, viene del sector financiero, mientras que su socio y CTO, Dev Sen, trabajaba en el desarrollo de modelos de evaluación de riesgos para la NASA.

Los productores hollywoodienses arriesgan decenas o cientos de millones de dólares con cada gran proyecto que deciden financiar. Y, aunque muchos hayan demostrado una gran intuición en el ejercicio de su profesión, prefieren no invertir dinero a ciegas.

Ahí es donde entra Cinelatyc, un "servicio digital basado en la inteligencia artificial que proporciona datos analíticos y de fácil uso para los profesionales de la industria cinematográfica" con el fin de ayudar a "tomar decisiones más rápidas e inteligentes respecto a toda la cadena de valor de una película".

Su software tiene en cuenta la estructura del guión, el elencos y los datos históricos de taquilla de las películas precedentes con el fin de establecer no sólo una previsión del posible éxito de la nueva producción, sino de ofrecer variaciones sobre la misma en base al cambio de alguno de los factores.

Queisser pone el siguiente ejemplo: que la actriz protagonista prevista sea Emma Watson y la productora quiera contar con una simulación de cómo afectaría al rendimiento en taquilla cambiarla por Jennifer Lawrence.

"Hoy en día, en un set de rodaje, ves robots, drones y alta tecnología, pero la parte empresarial no ha evolucionado en 20 años. La gente sigue usando Excel y Word [...] apenas se analizan los datos".

La industria del cine se sube al carro de la IA

Eso no es del todo justo: hace unos meses la productora 20th Century Fox anunció que estaba recurriendo a la IA para analizar trailers y detectar qué elementos de los mismos gustaban más a la audiencia.

Recurrían para ello a un software experimental llamado Merlin, y ofrecieron un ejemplo de su labor aplicada al tráiler de Logan: La detección de 'tree' (árbol), forest (bosque) y light (luz) llevaba a Merlin a vaticinar que "Logan" triunfaría entre los fans de "La leyenda de Tarzán". Uhm.

Logan

Aunque Cinelytic no ha hecho públicos sus datos de aciertos, uno de sus rivales -ScriptBook- anunció recientemente que sus algoritmos, aplicados a producciones de los años 2017 y 2018, mostraban un buen rendimiento con respecto al criterio de la industria. En ese período, sólo el 44% de las películas de Hollywood lograron beneficios, pero ScriptBook acertó en el 86% de los casos su éxito final. Una tasa de precisión que dobla a la de la propia industria.

Ruelens explica que el éxito de Netflix ha sido uno de los factores que más ha contribuido a cambiar el escepticismo de la industria con respecto a la IA en los últimos cuatro años: ayuda que los directivos de la compañía de streaming acostumbren a presumir de la potencia de sus algoritmos de recomendación.

Sin embargo, estos algoritmos tienen su limitaciones: al basarse en datos del pasado, son incapaces de anticipar éxitos o fracasos derivados de cambios culturales del público. Tampoco aciertan mucho al analizar películas sin referentes previos claros.

Vía | The Verge

Comentarios cerrados
Inicio